CN108615360B - 基于神经网络的交通需求逐日演变预测方法 - Google Patents

基于神经网络的交通需求逐日演变预测方法 Download PDF

Info

Publication number
CN108615360B
CN108615360B CN201810431068.3A CN201810431068A CN108615360B CN 108615360 B CN108615360 B CN 108615360B CN 201810431068 A CN201810431068 A CN 201810431068A CN 108615360 B CN108615360 B CN 108615360B
Authority
CN
China
Prior art keywords
neural network
network model
data
level fusion
feature level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810431068.3A
Other languages
English (en)
Other versions
CN108615360A (zh
Inventor
刘志远
程启秀
刘洋
魏薇
俞俊
李喆康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810431068.3A priority Critical patent/CN108615360B/zh
Publication of CN108615360A publication Critical patent/CN108615360A/zh
Application granted granted Critical
Publication of CN108615360B publication Critical patent/CN108615360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络的交通需求逐日演变预测方法，根据需求预测区域内各小区之间的手机信令数据，构建某时间段内交通出行的生成吸引OD矩阵，利用机器学习中深度学习的方法，建立循环神经网络模型和特征级融合神经网络模型，从而预测该区域逐日演变的动态交通需求量，并且充分考虑了时间和空间的内在关联性。本发明提出循环神经网络模型和特征级融合神经网络模型，对于短期动态交通需求预测有着很高的灵活性及准确度。

Description

基于神经网络的交通需求逐日演变预测方法
技术领域
本发明涉及城市交通技术领域，尤其是一种基于神经网络的交通需求逐日演变预测方法。
背景技术
交通需求预测，是根据过去和现状的交通状况和特征建立模型，预测未来的交通流量变化。解决城市交通问题的关键在于实现交通供需平衡，而准确的进行交通需求分析又是解决供需矛盾的基础。
出行生成预测是城市交通规划中交通需求预测的基础，为有效、准确的动态交通分配模型提供了重要的支持。然而，已有的交通需求预测模型主要基于传统的人工调查方式和大量经济、人口等相关数据，不仅耗费巨大的人力物力，其结果还缺少准确性和时效性，无法满足智能交通***中对大范围交通网动态、实时的管理要求。
综上所述，现有的交通需求预测方法存在诸多缺陷；传统的以四阶段交通需求预测方法为基础的交通生成预测研究，忽略了交通网络的时空内在关联性，更无法做到短时间内大范围交通网的动态实时分析。
发明内容
本发明所要解决的技术问题在于，提供一种基于神经网络的交通需求逐日演变预测方法，利用手机信令资源进行数据挖掘，解决了交通规划领域中传统的交通需求预测方法在精度和效率方面的缺陷，充分考虑了交通网络逐日动态演化过程中每一天的路网性能，具有较强的适用性。
为解决上述技术问题，本发明提供一种基于神经网络的交通需求逐日演变预测方法，包括如下步骤：
(1)划分城市交通网络的具体分区并编号；
(2)基于步骤(1)中建立的交通网络分区，确定神经网络模型训练时的小区集合与模型校验时的小区集合；
(3)将已得的数据集根据出行生成小区和小时段进行分组，进行数据预处理；
(4)建立预测交通需求的循环神经网络模型和特征级融合神经网络模型，用于对各小区不同时间状态下的函数估计和权值更新；
(5)输入各小区的出行生成量作为训练样本，完成循环神经网络模型和特征级融合神经网络模型的权值确定；在进行预测时，将测试的小区交通需求数据输入到已经训练完成的循环神经网络模型和特征级融合神经网络模型中进行计算，最终得到该地区的预测交通需求量。
优选的，步骤(3)中，数据预处理具体包括如下步骤：
(31)填补缺失数据，单个数据缺失时，使用该数据临近的两个时间段的数据平均值代替，多个数据缺失时，使用后一天同时间段的数据代替；
(32)利用大小为r，步值为1的滑动时间窗提取特征；
(33)将需求数据进行标准化，
x＝(x-mean)/std
其中std为数据标准差。
优选的，步骤(4)中，建立预测交通需求的循环神经网络模型和特征级融合神经网络模型具体包括如下步骤：
(41)构建循环神经网络模型和特征级融合神经网络模型，确定RNN模型的前向传播过程，RNN模型由输入单元、输出单元和循环隐藏层构成，xt为时间t时的输入值，st为时间t时的隐藏层状态
st＝f(Uxt+Wst-1)
其中，函数f为非线性函数如tanh或ReLU，U和W分别为相应的权值；
(42)确定神经网络模型中的输入值和隐藏层的计算方式，对于隐藏单元：
Figure BDA0001653437690000021
Figure BDA0001653437690000022
Figure BDA0001653437690000023
其中，长度为T的输入序列x，其拥有I个输入单元，H个隐藏单元以及K个输出单元；
Figure BDA0001653437690000024
代表时间为t时，输入量i的值，
Figure BDA0001653437690000025
和
Figure BDA0001653437690000026
为时间t时整个交通网对隐藏单元h的输入量和激发值，ωih和ωh′h为调整权值，θh为
Figure BDA0001653437690000031
到
Figure BDA0001653437690000032
的激发函数；
(43)对于特征级融合神经网络模型，将OD矩阵数据和该地区的平均气温、天气状况和对应的日期、时间5个变量一起作为输入量进行训练；
(44)使用BPTT算法得到模型中的权重。
优选的，步骤(44)中，使用BPTT算法得到模型中的权重具体为：
(a)在区间
Figure BDA0001653437690000033
内随机初始化权重(U,V,W)，其中n为之前层级incomingconnections；
(b)令epoch＝1；
(c)运行神经网络模型中的前向传播过程；
(d)计算损失函数L和状态梯度
Figure BDA0001653437690000034
和
Figure BDA0001653437690000035
Figure BDA0001653437690000036
Figure BDA0001653437690000037
Figure BDA0001653437690000038
(e)用随机梯度下降和后向传播过程训练RNN模型，epoch计数值加1；
(f)若epoch等于M，则停止循环，此时的(U,V,W)为所求的权重值，否则返回(c)。
本发明的有益效果为：本发明能够对大范围交通网的出行需求进行动态实时预测，提出循环神经网络模型和特征级融合神经网络模型，对于短期动态交通需求预测有着很高的灵活性及准确度。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的交通小区划分示意图。
图3(a)为本发明的深度神经网络模型预测结果示意图。
图3(b)为本发明的循环神经网络模型预测结果示意图。
图3(c)为本发明的特征级融合神经网络模型预测结果示意图。
具体实施方式
如图1所示，一种基于神经网络的交通需求逐日演变预测方法，根据需求预测区域内各小区之间的手机信令数据，构建某时间段内交通出行的生成吸引OD矩阵，利用机器学习中深度学习的方法，建立循环神经网络模型和特征级融合神经网络模型，从而预测该区域逐日演变的动态交通需求量，该方法包括以下步骤：
步骤一：划分城市交通网络的具体分区并编号。
将分析地区划分为1261个内部区域(1-3999)和6个外部区域(4000-4005)，如图2所示；
步骤二：基于步骤一中建立的交通网络分区，确定神经网络模型训练时的小区集合，为编号4000-4004号的外部小区与内部1261个小区产生的OD量；模型校验时的小区集合为编号4005号的外部小区与内部1261个小区产生的OD量；
步骤三：为了解决手机信令数据存在的数据丢失、时间段过短等问题，将已得的数据集根据出行生成小区和小时段进行分组，进行数据预处理，具体步骤如下：
3.1填补缺失数据，单个数据缺失时，使用该数据临近的两个时间段的数据平均值代替，多个数据缺失时，使用后一天同时间段的数据代替；
3.2利用大小为r，步值为1的滑动时间窗提取特征；
3.3将需求数据进行标准化，
x＝(x-mean)/std
其中std为数据标准差；
步骤四：建立预测交通需求的循环神经网络模型和特征级融合神经网络模型，用于对各小区不同时间状态下的函数估计和权值更新，具体步骤如下：
4.1构建循环神经网络模型和特征级融合神经网络模型，确定RNN模型的前向传播过程，RNN模型由输入单元、输出单元和循环隐藏层构成，xt和ot分别为时间t时的输入值和输出值，st为时间t时的隐藏层状态
st＝f(Uxt+Wst-1)
其中，函数f为非线性函数如tanh或ReLU；
4.2确定神经网络模型中的输入值和隐藏层的计算方式，对于隐藏单元：
Figure BDA0001653437690000051
Figure BDA0001653437690000052
Figure BDA0001653437690000053
其中，长度为T的输入序列x，其拥有I个输入单元，H个隐藏单元以及K个输出单元。
Figure BDA0001653437690000054
代表时间为t时，输入量i的值，
Figure BDA0001653437690000055
和
Figure BDA0001653437690000056
为时间t时整个交通网对隐藏单元h的输入量和激发值；
4.3对于特征级融合神经网络模型，将OD矩阵数据和该地区的平均气温、天气状况和对应的日期、时间等5个变量一起作为输入量进行训练；
4.4使用BackPropagationThrough Time(BPTT)算法得到模型中的权重。
进一步的，发明方法中，步骤4.4中的BPTT算法流程为：
a)在区间
Figure BDA0001653437690000057
内随机初始化权重(U,V,W)，其中n为之前层级incomingconnections
b)令epoch＝1
c)运行神经网络模型中的前向传播过程
d)计算损失值
Figure BDA0001653437690000058
Figure BDA0001653437690000059
Figure BDA00016534376900000510
e)用随机梯度下降和后向传播过程训练RNN模型，epoch计数值加1；
f)若epoch等于M，则停止循环，此时的(U,V,W)为所求的权重值，否则返回c)；
步骤五：输入各小区的出行生成量作为训练样本，完成循环神经网络模型和特征级融合神经网络模型的权值确定；其次，在进行预测时，将测试的小区交通需求数据输入到已经训练完成的循环神经网络模型和特征级融合神经网络模型中进行计算，最终得到该地区的预测交通需求量。
图3(a)、图3(b)和图3(c)展示了逐日动态交通需求预测问题下三种模型的输出结果。实验结果证明循环神经网络(RNN)在逐日交通需求预测上要优于深度神经网络(DNN)，而特征级融合神经网络模型在这三种模型中表现最好，其平均相对误差低于18％。

Claims (2)

1.基于神经网络的交通需求逐日演变预测方法，其特征在于，包括如下步骤：
(1)划分城市交通网络的具体分区为内部区域和外部区域并编号；
(2)基于步骤(1)中建立的交通网络分区，确定神经网络模型训练和检验时的小区集合，集合内数据为外部区域与内部区域之间产生的OD量，OD量为手机信令数据；
(3)将已得的数据集根据出行生成小区和小时段进行分组，进行数据预处理；
(4)建立预测交通需求的特征级融合神经网络模型，用于对各小区不同时间状态下的函数估计和权值更新；建立预测交通需求的特征级融合神经网络模型具体包括如下步骤：
(41)构建循环神经网络模型，确定循环神经网络模型的前向传播过程，循环神经网络模型由输入单元、输出单元和循环隐藏层构成，xt为时间t时的输入值，st为时间t时的隐藏层状态
st＝f(Uxt+Wst-1)
其中，函数f为非线性函数，U和W分别为相应的权值；
(42)确定循环神经网络模型中的输入值和隐藏层的计算方式，对于隐藏单元：
Figure FDA0003348586900000011
Figure FDA0003348586900000012
Figure FDA0003348586900000013
其中，长度为T的输入序列x，其拥有I个输入单元，H个隐藏单元以及K个输出单元；
Figure FDA0003348586900000014
代表时间为t时，输入量i的值，
Figure FDA0003348586900000015
和
Figure FDA0003348586900000016
为时间t时整个交通网对隐藏单元h的输入量和激发值，ωih和ωh′h为调整权值，θh为
Figure FDA0003348586900000017
到
Figure FDA0003348586900000018
的激发函数；
(43)对于循环神经网络模型，将OD矩阵数据和该地区的平均气温、天气状况和对应的日期、时间5个变量一起作为输入量进行训练，得到特征级融合神经网络模型；
(44)使用BPTT算法得到特征级融合神经网络模型中的权重；使用BPTT算法得到特征级融合神经网络模型中的权重具体为：
(a)在区间
Figure FDA0003348586900000021
内随机初始化权重(U,V,W)，其中n为之前层级incomingconnections；
(b)令epoch＝1；
(c)运行特征级融合神经网络模型中的前向传播过程；
(d)计算损失函数L和状态梯度
Figure FDA0003348586900000022
和
Figure FDA0003348586900000023
Figure FDA0003348586900000024
Figure FDA0003348586900000025
Figure FDA0003348586900000026
(e)用随机梯度下降和后向传播过程训练特征级融合神经网络模型，epoch计数值加1；
(f)若epoch等于M，则停止循环，此时的(U,V,W)为所求的权重值，否则返回(c)；
(5)输入各小区的出行生成量作为训练样本，完成特征级融合神经网络模型的权值确定；在进行测试时，将测试的小区交通需求数据输入到已经训练完成的特征级融合神经网络模型中进行计算，得到最终的特征级融合神经网络模型。
2.如权利要求1所述的基于神经网络的交通需求逐日演变预测方法，其特征在于，步骤(3)中，数据预处理具体包括如下步骤：
(31)填补缺失数据，单个数据缺失时，使用该数据临近的两个时间段的数据平均值代替，多个数据缺失时，使用后一天同时间段的数据代替；
(32)利用大小为r，步值为1的滑动时间窗提取特征；
(33)将需求数据进行标准化，
x＝(x-mean)/std
其中std为数据标准差。
CN201810431068.3A 2018-05-08 2018-05-08 基于神经网络的交通需求逐日演变预测方法 Active CN108615360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810431068.3A CN108615360B (zh) 2018-05-08 2018-05-08 基于神经网络的交通需求逐日演变预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810431068.3A CN108615360B (zh) 2018-05-08 2018-05-08 基于神经网络的交通需求逐日演变预测方法

Publications (2)

Publication Number Publication Date
CN108615360A CN108615360A (zh) 2018-10-02
CN108615360B true CN108615360B (zh) 2022-02-11

Family

ID=63662187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810431068.3A Active CN108615360B (zh) 2018-05-08 2018-05-08 基于神经网络的交通需求逐日演变预测方法

Country Status (1)

Country Link
CN (1) CN108615360B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322064B (zh) * 2019-06-27 2022-04-15 清华大学 城市出行需求预测方法
CN111833596B (zh) * 2019-11-19 2022-04-29 东南大学 考虑出行者决策惯性的逐日路段流量预测方法
CN110942626B (zh) * 2019-11-21 2021-09-21 华南理工大学 一种考虑无人驾驶车辆的路网混合流量日变预测方法
CN114664090B (zh) * 2022-04-14 2023-07-04 山东大学 基于循环神经网络的交通数据填补方法及***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234540A (zh) * 2013-03-20 2013-08-07 河北工业大学 一种面向消防和救援的危险作业人员无盲区定位方法
CN104615983A (zh) * 2015-01-28 2015-05-13 中国科学院自动化研究所 基于递归神经网络和人体骨架运动序列的行为识别方法
CN104766146A (zh) * 2015-04-24 2015-07-08 陆化普 一种交通需求预测方法及***
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
CN105809962A (zh) * 2016-06-13 2016-07-27 中南大学 一种基于手机数据的交通出行方式划分的方法
CN106504535A (zh) * 2016-11-30 2017-03-15 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
CN107273782A (zh) * 2016-04-08 2017-10-20 微软技术许可有限责任公司 使用递归神经网络的在线动作检测
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN107730087A (zh) * 2017-09-20 2018-02-23 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN107730003A (zh) * 2017-10-23 2018-02-23 华中科技大学 一种支持多电器类型高精度的nilm实现方法
CN107798877A (zh) * 2017-11-22 2018-03-13 北京云星宇交通科技股份有限公司 一种基于高速公路收费数据对交通量进行预测的方法及***

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4950596B2 (ja) * 2006-08-18 2012-06-13 クラリオン株式会社 予測交通情報生成方法、予測交通情報生成装置および交通情報表示端末
US8532927B2 (en) * 2008-11-07 2013-09-10 Intellectual Ventures Fund 83 Llc Generating photogenic routes from starting to destination locations
CN101436345B (zh) * 2008-12-19 2010-08-18 天津市市政工程设计研究院 基于TransCAD宏观仿真平台的港区道路交通需求预测***
CN102324128B (zh) * 2011-05-24 2013-07-31 北京交通大学 基于ic卡记录的公交站间od客流预测方法及装置
KR101473103B1 (ko) * 2013-05-29 2014-12-15 서울시립대학교 산학협력단 개별통행자기반 교통수요예측시스템
US9047767B2 (en) * 2013-09-09 2015-06-02 International Business Machines Corporation Traffic impact prediction for multiple event planning
JP6314656B2 (ja) * 2014-05-23 2018-04-25 日産自動車株式会社 道路交通需要予測装置及び道路交通需要予測方法
CN104183119B (zh) * 2014-08-19 2016-08-24 中山大学 基于路段od反推的实时交通流分布预测方法
CN104484993B (zh) * 2014-11-27 2017-01-18 北京交通大学 用于交通小区划分的手机信令信息的处理方法
US20160282132A1 (en) * 2015-03-27 2016-09-29 International Business Machines Corporation Predictive navigation
CN104899443B (zh) * 2015-06-05 2018-03-06 陆化普 用于评估当前出行需求及预测未来出行需求的方法及***
CN105142106B (zh) * 2015-07-29 2019-03-26 西南交通大学 基于手机信令数据的出行者职住地识别与出行链刻画方法
CN106846805B (zh) * 2017-03-06 2019-11-08 南京多伦科技股份有限公司 一种动态路网交通需求预测方法及其***
CN107170233B (zh) * 2017-04-20 2020-08-18 同济大学 一种基于矩阵分解的典型日交通需求od矩阵获取方法
CN107180530B (zh) * 2017-05-22 2019-09-06 北京航空航天大学 一种基于深度时空卷积循环网络的路网状态预测方法
CN107134142B (zh) * 2017-07-10 2018-06-12 中南大学 一种基于多源数据融合的城市道路流量预测方法
CN107230351B (zh) * 2017-07-18 2019-08-09 福州大学 一种基于深度学习的短时交通流预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234540A (zh) * 2013-03-20 2013-08-07 河北工业大学 一种面向消防和救援的危险作业人员无盲区定位方法
CN104615983A (zh) * 2015-01-28 2015-05-13 中国科学院自动化研究所 基于递归神经网络和人体骨架运动序列的行为识别方法
CN104766146A (zh) * 2015-04-24 2015-07-08 陆化普 一种交通需求预测方法及***
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
CN107273782A (zh) * 2016-04-08 2017-10-20 微软技术许可有限责任公司 使用递归神经网络的在线动作检测
CN105809962A (zh) * 2016-06-13 2016-07-27 中南大学 一种基于手机数据的交通出行方式划分的方法
CN106504535A (zh) * 2016-11-30 2017-03-15 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
CN107730087A (zh) * 2017-09-20 2018-02-23 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN107730003A (zh) * 2017-10-23 2018-02-23 华中科技大学 一种支持多电器类型高精度的nilm实现方法
CN107798877A (zh) * 2017-11-22 2018-03-13 北京云星宇交通科技股份有限公司 一种基于高速公路收费数据对交通量进行预测的方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"基于RNN的空气污染时空预报模型研究";范竣翔等;《测绘科学》;20170731;第42卷(第7期);第76-83页 *
"基于RNN的网络安全态势预测方法";胡昕;《现代计算机(专业版)》;20170225;全文 *
"基于深度学习的城市地面公交客流集散点刷卡客流预测——以常州市为例";徐特等;《交通工程》;20180430;第18卷(第2期);第13-18页 *

Also Published As

Publication number Publication date
CN108615360A (zh) 2018-10-02

Similar Documents

Publication Publication Date Title
CN108615360B (zh) 基于神经网络的交通需求逐日演变预测方法
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN102074124B (zh) 一种基于svm及h∞滤波的动态公交到站时间预测方法
CN109214599B (zh) 一种对复杂网络进行链路预测的方法
CN112651665B (zh) 一种基于图神经网络的地表水水质指标预测方法和装置
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN110517482B (zh) 一种基于3d卷积神经网络的短时交通流预测方法
CN109194423A (zh) 基于优化的长短期记忆模型的单频点频谱预测方法
CN106651036A (zh) 空气质量预报***
CN112054943B (zh) 一种移动网络基站流量预测方法
CN110164129B (zh) 基于gernn的单交叉口多车道交通流量预测方法
CN109919356B (zh) 一种基于bp神经网络区间需水预测方法
CN110232461A (zh) 基于量子遗传算法优化的多关联向量机水质预测方法
CN108090788A (zh) 基于时间信息集成模型的广告转化率预估方法
CN113378939B (zh) 基于物理驱动神经网络的结构数字孪生建模与参数识别法
CN107392389A (zh) 基于arima模型的出租车调度处理方法
CN112419711B (zh) 基于改进gmdh算法的封闭式停车场停车需求预测方法
CN107358325A (zh) 一种物流配送中心选址方法、装置及计算机可读存储介质
CN115049159A (zh) 人口分布预测方法和装置、存储介质及电子设备
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN104656620A (zh) 重型机床再制造综合评价***
Ranjbar et al. Framework for a digital twin of the Canal of Calais
Hu et al. Dynamically Optimized Unstructured Grid (DOUG) for Analog Ensemble of numerical weather predictions using evolutionary algorithms
CN106407379A (zh) 一种基于Hadoop平台的电影推荐方法
CN112307536B (zh) 一种大坝渗流参数反演方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant