CN110991775B - 一种基于深度学习的轨道交通客流需求预测方法和装置 - Google Patents
一种基于深度学习的轨道交通客流需求预测方法和装置 Download PDFInfo
- Publication number
- CN110991775B CN110991775B CN202010133886.2A CN202010133886A CN110991775B CN 110991775 B CN110991775 B CN 110991775B CN 202010133886 A CN202010133886 A CN 202010133886A CN 110991775 B CN110991775 B CN 110991775B
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- dimensional
- passenger flow
- pooling
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 230000000737 periodic effect Effects 0.000 claims abstract description 64
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000011176 pooling Methods 0.000 claims description 108
- 230000006870 function Effects 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 45
- 230000004913 activation Effects 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 23
- 230000001537 neural effect Effects 0.000 claims description 15
- 210000005036 nerve Anatomy 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000013501 data transformation Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于轨道交通客流量预测领域,特别涉及一种基于深度学习的轨道交通客流需求预测方法和装置。预测方法包括:采集OD数据,数据转化为周期OD二维图序列数据;将周期OD二维图序列数据输入至空间复杂关联卷积残差网络模型,输出空间特征数据;将空间特征数据输入至提取时间特征信息模型,输出时间特征数据;使用时间特征数据进行特征提取,得到预测时刻OD客流值;根据需要对预测方法进行评估。本发明通过对OD数据的多重周期关联性进行分析,提取特征数据,得到预测时刻的OD客流预测值,预测精度高。
Description
技术领域
本发明属于轨道交通客流量预测领域,特别涉及一种基于深度学习的轨道交通客流需求预测方法和装置。
背景技术
轨道交通是我国重要的运输方式,是我国交通运输的“骨干”,是城市的生命线工程,具有运量大、全天候、安全、低能耗、少污染等特点,对于实现城市的可持续发展具有非常重要的意义。随着信息技术的高速发展,智能化、信息化成为了轨道交通的重要发展方向,而客流需求预测是实现现代化轨道交通***网络的重要环节。精准的短时客流需求预测有助于优化交通资源的预分配、降低轨道交通运营成本、提高旅客的出行便捷性。
客流需求具有动态时空特性。精准预测客流需求的关键在于如何准确感知客流需求的时间依赖性和空间依赖性。在时间维度上,出发地——目的地(ORIGIN-DESTINATION,OD)的客流需求存在一定的周期性、趋势性。某一特定时刻的OD客流需求不仅会与其临近的历史时刻客流需求存在依赖性,还与其不同周期的历史时刻客流需求有关。例如前一天的同期时刻、前一周的同期时刻、前一个月的同期时刻等的OD客流需求都会对该时刻的OD客流需求产生一定的影响。因此,OD客流需求在时间维度上存在多种周期模式并存的依赖关系,即多重周期关联性。在空间维度上,不同空间位置的车站或线路之间的客流需求会相互影响,同一个出发地到相邻目的地或相邻出发地到同一目的地之间的客流需求也会互相影响。此外,OD客流需求在空间维度上还存在比较常见和显著的特性是出发地依赖性和目的地依赖性。假若A地有很多公司,则早晨从相邻出发地到达A地的客流量存在明显相关性,这体现了客流需求的出发地依赖(或关联)。下午从A地到达临近的目的地的客流量也存在相互关联性,这体现了客流需求的目的地依赖(或关联)。
目前,大多采取的建模方法是基于站点历史客流数据来预测短时进出站客流量。这种方法不能准确体现轨道交通客运需求量的大小。轨道交通客流需求是指特定的出发地到特定的目的地的客流需求,客流需求具有复杂的动态非线性时空特性。目前,既有的轨道交通OD客流量预测方法大多是基于时序特征预测OD客流需求,忽略了OD客流数据中广泛存在的空间关联性。在少数基于时空特征预测OD客流需求的方法中,仅仅考虑了不同OD客流需求之间的空间相关性,而忽略了OD客流需求的出发地依赖和目的地依赖的差异性。在时间特征提取方面,未深度挖掘OD客流需求的时间特性,未细化不同周期模式下OD客流需求的关联性,不能感知轨道交通OD客流需求的多重周期关联性。
发明内容
针对上述问题,本发明提出一种基于深度学习的轨道交通客流需求预测方法,所述方法包括:
采集OD数据,将所述OD数据转化为周期OD二维图序列数据;
使用空间复杂关联卷积残差网络模型,提取所述周期OD二维图序列数据中的空间特征数据;
使用提取时间特征模型,提取所述空间特征数据中的时间特征数据;
对所述时间特征数据进行特征提取处理,得到预测时刻的OD客流预测值。
进一步地,所述提取所述周期OD二维图序列数据中的空间特征数据包括:
对所述周期OD二维图序列数据进行行堆叠变换,得到一维行堆叠OD数据;
对所述周期OD二维图序列数据进行列堆叠变换,得到一维列堆叠OD数据;
对所述一维行堆叠OD数据进行卷积残差处理,得到目的地关联空间特征信息;
对所述一维列堆叠OD数据进行卷积残差处理,得到出发地关联空间特征信息;
对所述周期OD二维图序列数据进行卷积残差处理,得到混合关联空间特征信息;
对所述目的地关联空间特征信息、出发地关联空间特征信息、混合关联空间特征信息进行连接处理,得到空间特征数据。
进一步地,对数据进行所述卷积残差处理包括:
对所述一维行堆叠OD数据卷积池化处理;
对所述一维列堆叠OD数据卷积池化处理;
对所述周期OD二维图序列数据卷积池化处理。
进一步地,所述一维行堆叠OD数据使用第一卷积池化函数进行卷积池化处理;
所述第一卷积池化函数表述为:
式(1)中,pool是池化层,f是激活函数,wo(k)是第k层网络单元需要学习的权重,bo(k)是第k层网络单元需要学习的偏置;
所述一维列堆叠OD数据使用第二卷积池化函数进行卷积池化处理;
所述第二卷积池化函数表述为:
式(2)中,pool是池化层,f是激活函数,wd(k)是第k层网络单元需要学习的权重,bd(k)是第k层网络单元需要学习的偏置;
所述周期OD二维图序列数据使用第三卷积池化函数进行卷积池化处理;
所述第三卷积池化函数表述为:
式(3)中,pool是池化层,f是激活函数,wconv2(k)是第k层网络单元需要学习的权重,bconv2(k)是第k层网络单元需要学习的偏置。
进一步地,对所述时间特征数据进行特征提取步骤为:
对所述时间特征数据进行融合处理,得到时间特征融合数据;
对所述时间特征融合数据进行特征提取,得到OD客流预测值。
进一步地,所述预测方法还包括:
利用平均绝对误差和均方误差对所述OD客流预测值进行评估;
获取真实值与预测值的平均绝对误差和均方误差,在所述平均绝对误差小于等于第一阈值时且所述均方误差小于等于第二阈值时,所述预测方法的预测精度满足要求。
本发明还提供一种基于深度学习的轨道交通客流需求预测装置,所述预测装置包括:
数据输入模块,用于采集OD数据,将所述OD数据转化为周期OD二维图序列数,并输出所述周期OD二维图序列数据;
空间特征信息提取模块,所述空间特征信息提取模块使用空间复杂关联卷积残差网络模型,用于提取所述周期OD二维图序列数据中的空间特征数据;
多重周期模式下时间信息提取模块,用于提取所述空间特征数据中的时间特征数据;
数据输出模块,对所述时间特征数据进行特征提取,得到预测时刻的OD客流预测值。
进一步地,所述空间复杂关联卷积残差网络模型包括若干组空间关联卷积残差网络,所述空间关联卷积残差网络用于提取周期OD二维图序列数据的空间关联特征数据。
进一步地,所述空间关联卷积残差网络包括数据变换模块、卷积残差模块和空间特征信息连接模块;
所述数据变换模块包括行堆叠变换模块和列堆叠变换模块;
所述行堆叠变换模块,接收所述数据输入层传输来的周期OD二维图序列数据,对所述周期OD二维图序列数据进行行堆叠变换,输出一维行堆叠OD数据;
所述列堆叠变换模块,接收所述数据输入层传输来的周期OD二维图序列数据,对所述周期OD二维图序列数据进行列堆叠变换,输出一维列堆叠OD数据;
所述卷积残差模块包括第一卷积残差单元、第二卷积残差单元和第三卷积残差单元;
所述第一卷积残差单元,接收所述行堆叠变换模块传输来的一维行堆叠OD数据,对所述一维行堆叠OD数据进行卷积残差处理,输出目的地关联空间特征信息;
所述第二卷积残差单元,接收所述列堆叠变换模块传输来的一维列堆叠OD数据,对所述一维列堆叠OD数据进行卷积残差处理,输出出发地关联空间特征信息;
所述第三卷积残差单元,接收所述数据输入层传输来的周期OD二维图序列数据,对所述周期OD二维图序列数据进行卷积残差处理,输出混合关联空间特征信息;
所述空间特征信息连接模块,接收所述第一卷积残差单元、所述第二卷积残差单元和所述第三卷积残差单元传输来的空间特征信息,用于对所述目的地关联空间特征信息、出发地关联空间特征信息、混合关联空间特征信息进行连接处理。
进一步地,所述第一卷积残差单元包括第一卷积神经单元和残差连接;
所述第二卷积残差单元包括第二卷积神经单元和残差连接;
所述第三卷积残差单元包括第三卷积神经单元和残差连接;
所述第一卷积神经单元对一维行堆叠OD数据进行卷积池化处理,为一维卷积单元;
所述第二卷积神经单元对一维列堆叠OD数据进行卷积池化处理,为一维卷积单元;
所述第三卷积神经单元对周期OD二维图序列数据进行卷积池化处理,为二维卷积单元。
进一步地,所述第一卷积神经单元卷积池化处理方式为:
其中,pool是池化层,f是激活函数,wo(k)是第k层网络单元需要学习的权重,bo(k)是第k层网络单元需要学习的偏置;
所述第二卷积神经单元卷积池化处理方式为:
其中,pool是池化层,f是激活函数,wd(k)是第k层网络单元需要学习的权重,bd(k)是第k层网络单元需要学习的偏置;
所述第三卷积神经单元卷积池化处理方式为:
其中,pool是池化层,f是激活函数,wconv2(k)是第k层网络单元需要学习的权重,bconv2(k)是第k层网络单元需要学习的偏置。
进一步地,所述多重周期模式下时间信息提取模块,接收所述空间特征信息提取模块传输来空间特征数据,输出时间特征数据;
所述空间特征信息提取层为提取时间特征模型。
进一步地,所述提取时间特征模型为长短期记忆神经网络模型。
进一步地,所述数据输出模块,接收所述多重周期模式下时间信息提取模块传输来时间特征数据,输出预测时刻的OD客流预测值;
进一步地,所述数据输出模块包括连接模块和密集模块。
所述连接模块,接收所述多重周期模式下时间信息提取模块传输来时间特征数据,将所述时间特征数据融合,输出融合时间特征;
所述密集模块,接收所述连接模块传输来融合时间特征,对所述融合时间特征进行特征提取,输出预测时刻的OD客流预测值。
进一步地,所述预测装置还包括评估装置;
所述评估装置用于利用平均绝对误差和均方误差对基于深度学习的轨道交通客流需求预测方法和装置预测精度进行评估。
本发明通过对OD数据的多重周期关联性进行分析,提取特征数据,得到预测时刻的OD客流预测值,预测精度高。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例的基于深度学习的轨道交通客流需求预测方法流程图;
图2示出了根据本发明实施例的基于深度学习的轨道交通客流需求预测装置模型图;
图3示出了根据本发明实施例的空间关联卷积残差网络结构示意图;
图4示出了根据本发明实施例的卷积残差单元结构示意图;
图5示出了根据本发明实施例的一维卷积单元结构示意图;
图6示出了根据本发明实施例的二维卷积单元结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明不限于预测轨道交通客流,还适用于长途汽车、轮船、航运等出发地目的地限定的其他交通客流,此处以预测铁路交通客流为例。本发明提供了一种基于深度学习的轨道交通客流需求预测方法,所述预测方法可以采用但不限于下列流程,示例性地,如图1所示,所述预测方法包括:
步骤一、采集OD数据,将所述OD数据转化为周期OD二维图序列数据。
具体的,采集OD数据,将OD数据转化为周期OD二维图序列数据。
预设OD数据的采集周期,在一个采集周期内,定时采集OD数据。将采集到的各OD数据整理转化为OD二维图。根据对应的采集周期,将所有OD二维图划分为若干组周期OD二维图序列数据。
所述OD数据是指出发地--目的地客流需求数据。
示例性的,预设四种采集周期:周期OD序列1的采样周期为12周,周期OD序列2的采样周期为7天,周期OD序列3的采样周期为1天,周期OD序列4是当日从开始至预测前一时刻的所有数据。在一个周期内,每间隔5min,采集一次OD数据。
示例性的,所述OD二维图可以采用但不限于下列结构:
示例性的,所述出发地编号与目的地编号可以不同,可以采用但不限于下列方式:如出发地为以下地区:北京、上海、天津、重庆…,依次编号:0、1、2、3…。
目的地为以下地区:北京、上海、天津…,依次编号:0、1、2…。
t时刻,北京-上海客流需求量为50,北京-天津客流需求量为200,上海-北京客流需求量为60,上海-天津客流需求量为7,天津-北京客流需求量为300,天津-上海客流需求量为8,重庆-北京客流需求量为15,重庆-上海客流需求量为2,重庆-天津客流需求量为18,则对应的OD二维图如下:
步骤二、使用空间复杂关联卷积残差网络模型,提取所述周期OD二维图序列数据中的空间特征数据。
具体的,对所述周期OD二维图序列数据进行行堆叠变换,得到一维行堆叠OD数据。
示例性的,经过行堆叠变换后的数据为:
其中,i是出发地编号,j是目的地编号;n、m为正整数,i为0-n之间整数,j为0-m之间的整数。
具体的,对所述周期OD二维图序列数据进行列堆叠变换,得到一维列堆叠OD数据。
示例性的,经过列堆叠变换后的输入数据为:
其中,i是出发地编号,j是目的地编号;n、m为正整数,i为0-n之间整数,j为0-m之间的整数。
具体的,对所述一维行堆叠OD数据进行卷积残差处理,得到目的地关联空间特征信息。
具体的,所述卷积残差处理包括:对一维行堆叠OD数据卷积池化处理。
示例性的,一维行堆叠OD数据需要进行多次卷积池化处理。
利用第一卷积池化函数,对一维行堆叠OD数据进行一次卷积池化处理,得到目的地关联空间特征信息1;再次利用第一卷积池化函数,对输出的所述目的地关联空间特征信息1进行卷积池化处理,得到目的地关联空间特征信息2……以此类推,第n次利用第一卷积池化函数,对输出的目的地关联空间特征信息n-1进行卷积池化处理,得到目的地关联空间特征信息n。这样就完成对一维行堆叠OD数据的多次卷积池化处理。
具体的,所述第一卷积池化函数表述为:
式(1)中,pool是池化层,f是激活函数,wo(k)是第k层网络单元需要学习的权重,bo(k)是第k层网络单元需要学习的偏置。
示例性的,pool池化层可使用且不限于下列方式:Average pool池化或Max pool池化;激活函数f可使用且不限于下列激活函数:Relu激活函数或Tanh激活函数。
具体的,对所述一维列堆叠OD数据进行卷积残差处理,得到出发地关联空间特征信息。
具体的,所述卷积残差处理包括:对一维列堆叠OD数据卷积池化处理。
示例性的,一维列堆叠OD数据需要进行多次卷积池化处理。
利用第二卷积池化函数,对一维列堆叠OD数据进行一次卷积池化处理,得到出发地关联空间特征信息1;再次利用第二卷积池化函数,对输出的所述出发地关联空间特征信息1进行卷积池化处理,得到出发地关联空间特征信息2……以此类推,第n次利用第二卷积池化函数,对输出的出发地关联空间特征信息n-1进行卷积池化处理,得到出发地关联空间特征信息n。这样就完成对一维列堆叠OD数据的多次卷积池化处理。
具体的,所述第二卷积池化函数表述为:
其中,pool是池化层,f是激活函数,wd(k)和bd(k)分别是第k层网络单元需要学习的权重和偏置。
示例性的,pool池化层可使用且不限于下列方式:Average pool池化或Max pool池化;激活函数f可使用且不限于下列激活函数:Relu激活函数或Tanh激活函数。
具体的,对所述周期OD二维图序列数据进行卷积残差处理,得到混合关联空间特征信息。
具体的,所述卷积残差处理包括:对所述周期OD二维图序列数据卷积池化处理。
示例性的,周期OD二维图序列数据需要进行多次卷积池化处理。
利用第三卷积池化函数,对周期OD二维图序列数据进行一次卷积池化处理,得到混合关联空间特征信息1;再次利用第三卷积池化函数,对输出的所述混合关联空间特征信息1进行卷积池化处理,得到混合关联空间特征信息2……以此类推,第n次利用第三卷积池化函数,对输出的混合关联空间特征信息n-1进行卷积池化处理,得到混合关联空间特征信息n。这样就完成对周期OD二维图序列数据的多次卷积池化处理。
输入周期OD二维图序列数据为:
其中,i是出发地编号,j是目的地编号;n、m为正整数,i为0-n之间整数,j为0-m之间的整数。
具体的,所述第三卷积池化函数表述为:
其中,pool是池化层,f是激活函数,wconv2(k)和bconv2(k)分别是第k层网络单元需要学习的权重和偏置。
示例性的,pool池化层可使用且不限于下列方式:Average pool池化或Max pool池化;激活函数f可使用且不限于下列激活函数:Relu激活函数或Tanh激活函数。
具体的,对所述目的地关联空间特征信息、出发地关联空间特征信息、混合关联空间特征信息进行连接处理,得到空间特征数据。
示例性的,输出的空间特征数据表示为:
其中,Xti表示空间关联卷积残差网络输出的ti时刻的空间特征数据。
进一步地,使用提取时间特征模型,提取所述空间特征数据中的时间特征数据。
示例性的,所述空间特征是多重周期下连续时间点的空间特征。
提取时间特征模型可以采用但不限于下列模型:长短期记忆神经网络模型(LSTM)。
长短期记忆神经网络能够学习序列长期的时间依赖性,将空间特征数据X输入长短期记忆神经网络,输出时间特征数据。
进一步地,将所述时间特征数据进行特征提取步骤为:
将所述时间特征数据融合,得到时间特征融合数据;将所述时间特征融合数据进行特征提取,得到想要预测时刻的OD客流预测值。
进一步地,预测方法还包括:利用平均绝对误差和均方误差对基于深度学习的轨道交通客流需求预测值进行评估。
示例性的,平均绝对误差(MAE)为:
均方误差(MSE)为:
当MAE≤第一阈值时且MSE≤第二阈值时,则所述预测方法的预测精度满足要求。
示例性的:第一阈值第二阈值为预设值,可根据实际进行修改。
具体的,一种基于深度学习的轨道交通客流需求预测装置,包括:
数据输入模块,用于采集OD数据,将所述OD数据转化为周期OD二维图序列数,并输出所述周期OD二维图序列数据;
空间特征信息提取模块,所述空间特征信息提取模块使用空间复杂关联卷积残差网络模型,用于提取所述周期OD二维图序列数据中的空间特征数据;
多重周期模式下时间信息提取模块,用于提取所述空间特征数据中的时间特征数据;
数据输出模块,对所述时间特征数据进行特征提取,得到预测时刻的OD客流预测值。
示例性的,所述预测装置可以采用但不限于下列模型:一种基于深度学习的轨道交通客流需求预测装置模型,如图2所示。
示例性的,模型包括四层:数据输入层、空间特征信息提取层、多重周期模式下时间信息提取层、数据输出层。
数据输入层,采集OD数据,输出四种周期OD二维图序列数据。
空间特征信息提取层使用空间复杂关联卷积残差网络模型,接收所述数据输入层传输来的周期OD二维图序列数据,输出空间特征数据。其中空间复杂关联卷积残差网络模型包含若干组空间关联卷积残差网络(CNNRES_net)。
多重周期模式下时间信息提取层使用长短期记忆网络模型,接收所述空间特征信息提取层传输来空间特征数据,输出时间特征数据。
数据输出层包括连接层(Concatenate)和密集层(Dense),接收所述多重周期模式下时间信息提取层传输来时间特征数据,输出预测时刻的OD客流预测值。
具体的,空间复杂关联卷积残差网络模型包括若干组空间关联卷积残差网络。所述空间关联卷积残差网络包括数据变换模块、卷积残差模块和空间特征信息连接模块。
示例性的,空间关联卷积残差网络采用但不限于下列结构,如图3所示。
空间关联卷积残差网络包括行堆叠变换模块、列堆叠变换模块、三个卷积残差单元和空间特征信息连接模块。三个卷积残差单元分别为第一卷积残差单元、第二卷积残差单元和第三卷积残差单元。
行堆叠变换单元设置在第一卷积残差单元的输入端,所述第一卷积残差单元用于对目的地关联空间特征信息提取。
列堆叠变换单元设置在第二卷积残差单元的输入端,所述第二卷积残差单元用于对出发地关联空间特征信息提取。
周期OD二维图序列数据直接输入到第三卷积残差单元,所述第三卷积残差单元用于对混合关联空间特征信息提取。
第一卷积残差单元、第二卷积残差单元和第三卷积残差单元的输出端连接于空间特征信息连接模块输入端,空间特征信息连接模块用于对第一卷积残差单元、第二卷积残差单元和第三卷积残差单元输出数据融合,然后输出空间特征数据。
具体的,所述第一卷积残差单元包括第一卷积神经单元和残差连接;
所述第二卷积残差单元包括第二卷积神经单元和残差连接;
所述第三卷积残差单元包括第三卷积神经单元和残差连接。
示例性的,第一、第二、第三卷积残差单元可以采用但不限于下列结构,如图4所示,图中为多层卷积神经网络单元叠加结构上加入一个跨越多层到输出层(或接近输出层的其它层)的残差连接。数据由输入端输入至第一层卷积神经网络单元,卷积池化处理后,传入至第二层卷积神经网络单元;卷积池化处理后,传入至第三层卷积神经网络单元……经n次卷积池化处理后输出;同时,从输入层加上一条直接跨越多层到输出层(或接近输出层的其它层)的残差连接,以防止梯度信息消失。经残差处理后的数据再次传入第n+1层卷积神经网络单元,卷积池化处理后输出。
OD数据在通过多层卷积神经网络单元进行信息处理时,会造成的信息流失;残差连接用于防止梯度信息消失。
具体的,所述第一卷积神经单元对一维行堆叠OD数据进行卷积池化处理,为一维卷积单元(Conv1Unit);
所述第二卷积神经单元对一维列堆叠OD数据进行卷积池化处理,为一维卷积单元;
所述第三卷积神经单元对周期OD二维图序列数据进行卷积池化处理,为二维卷积单元(Conv2Unit)。
示例性的,一维卷积单元结构如图5所示,包括一层一维卷积层(Conv1)和一层一维最大池化层(maxpooling1D)。
示例性的,二维卷积单元结构如图6所示,包括一层二维卷积层(Conv2)和一层二维最大池化层(maxpooling2D)。
具体的,第一卷积神经单元卷积池化处理方式为:
其中,pool是池化层,f是激活函数,wo(k)和bo(k)分别是第k层网络单元需要学习的权重和偏置。
示例性的,pool池化层可使用且不限于下列方式:Average pool池化或Max pool池化;激活函数f可使用且不限于下列激活函数:Relu激活函数或Tanh激活函数。
所述第二卷积神经单元卷积池化处理方式为:
其中,pool是池化层,f是激活函数,wd(k)和bd(k)分别是第k层网络单元需要学习的权重和偏置。
示例性的,pool池化层可使用且不限于下列方式:Average pool池化或Max pool池化;激活函数f可使用且不限于下列激活函数:Relu激活函数或Tanh激活函数。
所述第三卷积神经单元卷积池化处理方式为:
其中,pool是池化层,f是激活函数,wconv2(k)和bconv2(k)分别是第k层网络单元需要学习的权重和偏置。
示例性的,pool池化层可使用且不限于下列方式:Average pool池化或Max pool池化;激活函数f可使用且不限于下列激活函数:Relu激活函数或Tanh激活函数。
进一步地,所述多重周期模式下时间信息提取层,接收所述空间特征信息提取层传输来空间特征数据,输出时间特征数据。所述空间特征信息提取层为提取时间特征模型。
示例性的,提取时间特征模型采用但不限于下列模型:长短期记忆神经网络模型。
多重周期模式下的时间特征信息提取是对不同周期输入信息构建一个时间特征信息提取单元,每个提取单元由一系列长短期记忆神经网络层组成。
具体的,所述数据输出层,接收所述多重周期模式下时间信息提取层传输来时间特征数据,输出预测时刻的OD客流预测值。所述数据输出层包括连接层和密集层。
示例性的,连接层设置在密集层的输入端,用于将所述时间特征数据融合。
密集层,用于对所述融合时间特征进行特征提取,得到预测时刻的OD客流预测值。
进一步地,所述预测装置还包括评估装置。
所述评估装置用于利用平均绝对误差和均方误差对基于深度学习的轨道交通客流需求预测方法和装置进行评估。
示例性的,评估装置采用但不限于下列装置:平均绝对误差装置和均方误差装置两种装置;也可以采用但不限于下列装置:同时包含平均绝对误差评估功能和均方误差评估功能的装置。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种基于深度学习的轨道交通客流需求预测方法,其特征在于,所述预测方法包括:
采集OD数据,将所述OD数据转化为周期OD二维图序列数据;
使用空间复杂关联卷积残差网络模型,提取所述周期OD二维图序列数据中的空间特征数据;包括:
对所述周期OD二维图序列数据进行行堆叠变换,得到一维行堆叠OD数据;
对所述周期OD二维图序列数据进行列堆叠变换,得到一维列堆叠OD数据;
对所述一维行堆叠OD数据进行卷积残差处理,得到目的地关联空间特征信息;
对所述一维列堆叠OD数据进行卷积残差处理,得到出发地关联空间特征信息;
对所述周期OD二维图序列数据进行卷积残差处理,得到混合关联空间特征信息;
对所述目的地关联空间特征信息、出发地关联空间特征信息、混合关联空间特征信息进行连接处理,得到空间特征数据;
使用提取时间特征模型,提取所述空间特征数据中的时间特征数据;
对所述时间特征数据进行特征提取处理,得到预测时刻的OD客流预测值。
2.根据权利要求1所述的基于深度学习的轨道交通客流需求预测方法,其特征在于,
对数据进行所述卷积残差处理包括:
对所述一维行堆叠OD数据卷积池化处理;
对所述一维列堆叠OD数据卷积池化处理;
对所述周期OD二维图序列数据卷积池化处理。
3.根据权利要求2所述的基于深度学习的轨道交通客流需求预测方法,其特征在于,
所述一维行堆叠OD数据使用第一卷积池化函数进行卷积池化处理;
所述第一卷积池化函数表述为:
所述一维列堆叠OD数据使用第二卷积池化函数进行卷积池化处理;
所述第二卷积池化函数表述为:
所述周期OD二维图序列数据使用第三卷积池化函数进行卷积池化处理;
所述第三卷积池化函数表述为:
4.根据权利要求1所述的基于深度学习的轨道交通客流需求预测方法,其特征在于,
对所述时间特征数据进行特征提取步骤为:
对所述时间特征数据进行融合处理,得到时间特征融合数据;
对所述时间特征融合数据进行特征提取,得到OD客流预测值。
5.根据权利要求1所述的基于深度学习的轨道交通客流需求预测方法,其特征在于,
所述预测方法还包括:
利用平均绝对误差和均方误差对所述OD客流预测值进行评估;
获取真实值与预测值的平均绝对误差和均方误差,在所述平均绝对误差小于等于第一阈值时且所述均方误差小于等于第二阈值时,所述预测方法的预测精度满足要求。
6.一种基于深度学习的轨道交通客流需求预测装置,其特征在于,所述预测装置包括:
数据输入模块,用于采集OD数据,将所述OD数据转化为周期OD二维图序列数,并输出所述周期OD二维图序列数据;
空间特征信息提取模块,所述空间特征信息提取模块使用空间复杂关联卷积残差网络模型,用于提取所述周期OD二维图序列数据中的空间特征数据;所述空间复杂关联卷积残差网络模型包括若干组空间关联卷积残差网络,所述空间关联卷积残差网络用于提取周期OD二维图序列数据的空间关联特征数据;
所述空间关联卷积残差网络包括数据变换模块、卷积残差模块和空间特征信息连接模块;
所述数据变换模块包括行堆叠变换模块和列堆叠变换模块;
所述行堆叠变换模块,接收所述数据输入层传输来的周期OD二维图序列数据,对所述周期OD二维图序列数据进行行堆叠变换,输出一维行堆叠OD数据;
所述列堆叠变换模块,接收所述数据输入层传输来的周期OD二维图序列数据,对所述周期OD二维图序列数据进行列堆叠变换,输出一维列堆叠OD数据;
所述卷积残差模块包括第一卷积残差单元、第二卷积残差单元和第三卷积残差单元;
所述第一卷积残差单元,接收所述行堆叠变换模块传输来的一维行堆叠OD数据,对所述一维行堆叠OD数据进行卷积残差处理,输出目的地关联空间特征信息;
所述第二卷积残差单元,接收所述列堆叠变换模块传输来的一维列堆叠OD数据,对所述一维列堆叠OD数据进行卷积残差处理,输出出发地关联空间特征信息;
所述第三卷积残差单元,接收所述数据输入层传输来的周期OD二维图序列数据,对所述周期OD二维图序列数据进行卷积残差处理,输出混合关联空间特征信息;
所述空间特征信息连接模块,接收所述第一卷积残差单元、所述第二卷积残差单元和所述第三卷积残差单元传输来的空间特征信息,用于对所述目的地关联空间特征信息、出发地关联空间特征信息、混合关联空间特征信息进行连接处理;
多重周期模式下时间信息提取模块,用于提取所述空间特征数据中的时间特征数据;
数据输出模块,对所述时间特征数据进行特征提取,得到预测时刻的OD客流预测值。
7.根据权利要求6所述的基于深度学习的轨道交通客流需求预测装置,其特征在于,
所述第一卷积残差单元包括第一卷积神经单元和残差连接;
所述第二卷积残差单元包括第二卷积神经单元和残差连接;
所述第三卷积残差单元包括第三卷积神经单元和残差连接;
所述第一卷积神经单元对一维行堆叠OD数据进行卷积池化处理,为一维卷积单元;
所述第二卷积神经单元对一维列堆叠OD数据进行卷积池化处理,为一维卷积单元;
所述第三卷积神经单元对周期OD二维图序列数据进行卷积池化处理,为二维卷积单元。
9.根据权利要求6所述的基于深度学习的轨道交通客流需求预测装置,其特征在于,
所述多重周期模式下时间信息提取模块,接收所述空间特征信息提取模块传输来空间特征数据,输出时间特征数据;
所述空间特征信息提取层为提取时间特征模型。
10.根据权利要求9所述的基于深度学习的轨道交通客流需求预测装置,其特征在于,
所述提取时间特征模型为长短期记忆神经网络模型。
11.根据权利要求6所述的基于深度学习的轨道交通客流需求预测装置,其特征在于,
所述数据输出模块,接收所述多重周期模式下时间信息提取模块传输来时间特征数据,输出预测时刻的OD客流预测值。
12.根据权利要求11所述的基于深度学习的轨道交通客流需求预测装置,其特征在于,
所述数据输出模块包括连接模块和密集模块;
所述连接模块,接收所述多重周期模式下时间信息提取模块传输来时间特征数据,将所述时间特征数据融合,输出融合时间特征;
所述密集模块,接收所述连接模块传输来融合时间特征,对所述融合时间特征进行特征提取,输出预测时刻的OD客流预测值。
13.根据权利要求6所述的基于深度学习的轨道交通客流需求预测装置,其特征在于,
所述预测装置还包括评估装置;
所述评估装置用于利用平均绝对误差和均方误差对基于深度学习的轨道交通客流需求预测方法和装置预测精度进行评估。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010133886.2A CN110991775B (zh) | 2020-03-02 | 2020-03-02 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
PCT/CN2020/104902 WO2021174755A1 (zh) | 2020-03-02 | 2020-07-27 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
EP20923491.3A EP4099237A4 (en) | 2020-03-02 | 2020-07-27 | DEEP LEARNING RAILWAY PASSENGER FLOW DEMAND PREDICTION METHOD AND APPARATUS |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010133886.2A CN110991775B (zh) | 2020-03-02 | 2020-03-02 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991775A CN110991775A (zh) | 2020-04-10 |
CN110991775B true CN110991775B (zh) | 2020-06-26 |
Family
ID=70081312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010133886.2A Active CN110991775B (zh) | 2020-03-02 | 2020-03-02 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4099237A4 (zh) |
CN (1) | CN110991775B (zh) |
WO (1) | WO2021174755A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991775B (zh) * | 2020-03-02 | 2020-06-26 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
CN111242395B (zh) * | 2020-04-26 | 2020-07-31 | 北京全路通信信号研究设计院集团有限公司 | 用于od数据的预测模型构建方法及装置 |
CN111242292B (zh) * | 2020-04-26 | 2020-09-08 | 北京全路通信信号研究设计院集团有限公司 | 基于深度时空网络的od数据预测方法及*** |
CN112598182B (zh) * | 2020-12-25 | 2022-11-29 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及*** |
CN114037160B (zh) * | 2021-11-10 | 2023-04-18 | 西南交通大学 | SEM-Logit旅游铁路客流预测模型的构建方法 |
CN114326391A (zh) * | 2021-12-13 | 2022-04-12 | 哈尔滨工程大学 | 一种建筑能耗预测方法 |
CN114511112B (zh) * | 2022-01-24 | 2024-07-19 | 北京通建泰利特智能***工程技术有限公司 | 一种基于物联网的智慧运维方法、***和可读存储介质 |
CN114492886B (zh) * | 2022-01-25 | 2022-09-13 | 四川大学 | 一种考虑出发地和目的地的网约车需求预测方法及*** |
CN114422382B (zh) * | 2022-01-28 | 2023-02-28 | 湖南大学 | 网络流量预测方法、计算机装置、产品及存储介质 |
CN114141020B (zh) * | 2022-02-08 | 2022-09-16 | 北京城建设计发展集团股份有限公司 | 一种基于轨道交通的行人仿真方法、***及电子设备 |
CN114282658B (zh) * | 2022-03-02 | 2022-06-03 | 北京航空航天大学 | 一种针对流量序列分析及预测的方法、设备和介质 |
CN114331234B (zh) * | 2022-03-16 | 2022-07-12 | 北京交通大学 | 基于乘客出行信息的轨道交通客流预测方法和*** |
CN114912683B (zh) * | 2022-05-13 | 2024-05-10 | 中铁第六勘察设计院集团有限公司 | 一种智慧城市轨道交通异常大客流预测***及方法 |
CN115564151A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种基于形态识别的突发大客流形态识别方法及*** |
CN116306794B (zh) * | 2023-03-09 | 2023-10-31 | 河源市广师大研究院 | 作物需水量预测方法、装置、电子设备及存储介质 |
CN116542438B (zh) * | 2023-03-28 | 2024-01-30 | 大连海事大学 | 一种基于无基准真相的公交乘客起止点估计修补方法 |
CN116630900B (zh) * | 2023-07-21 | 2023-11-07 | 中铁第四勘察设计院集团有限公司 | 基于机器学习的客运站旅客流线识别方法、***及设备 |
CN117236492B (zh) * | 2023-09-06 | 2024-03-12 | 西南交通大学 | 基于动态多尺度图学习的交通需求预测方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
US8798897B2 (en) * | 2010-11-01 | 2014-08-05 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
GB2547712A (en) * | 2016-02-29 | 2017-08-30 | Fujitsu Ltd | Method and apparatus for generating time series data sets for predictive analysis |
CN110651310B (zh) * | 2017-04-05 | 2023-09-08 | 卡内基梅隆大学 | 估计对象密度和/或流量的深度学习方法及相关方法和软件 |
CN107529651B (zh) * | 2017-08-18 | 2020-10-16 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
US10733877B2 (en) * | 2017-11-30 | 2020-08-04 | Volkswagen Ag | System and method for predicting and maximizing traffic flow |
CN108985475B (zh) * | 2018-06-13 | 2021-07-23 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
CN109034449A (zh) * | 2018-06-14 | 2018-12-18 | 华南理工大学 | 基于深度学习和乘客行为模式的短期公交客流预测方法 |
CN109492814B (zh) * | 2018-11-15 | 2021-04-20 | 中国科学院深圳先进技术研究院 | 一种城市交通流量预测方法、***及电子设备 |
CN109887272B (zh) * | 2018-12-26 | 2021-08-13 | 创新先进技术有限公司 | 一种交通人流量的预测方法及装置 |
CN109711640A (zh) * | 2019-01-23 | 2019-05-03 | 北京工业大学 | 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法 |
CN110264709B (zh) * | 2019-05-06 | 2021-02-12 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110619419B (zh) * | 2019-07-30 | 2022-08-05 | 北京交通大学 | 城市轨道交通的客流预测方法 |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测***、方法及模型训练方法 |
CN110991775B (zh) * | 2020-03-02 | 2020-06-26 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
-
2020
- 2020-03-02 CN CN202010133886.2A patent/CN110991775B/zh active Active
- 2020-07-27 EP EP20923491.3A patent/EP4099237A4/en active Pending
- 2020-07-27 WO PCT/CN2020/104902 patent/WO2021174755A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
EP4099237A1 (en) | 2022-12-07 |
EP4099237A4 (en) | 2023-07-05 |
WO2021174755A1 (zh) | 2021-09-10 |
CN110991775A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991775B (zh) | 一种基于深度学习的轨道交通客流需求预测方法和装置 | |
CN110866649A (zh) | 一种短期地铁客流预测方法、***及电子设备 | |
CN111009129B (zh) | 基于时空深度学习模型的城市道路交通流预测方法及装置 | |
CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN114757389A (zh) | 一种基于联邦学习的城市交通流量时空预测方法 | |
CN113610329A (zh) | 一种双流卷积长短期记忆网络的短时临近降雨预报方法 | |
CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
Wang et al. | Short‐term passenger flow forecasting using CEEMDAN meshed CNN‐LSTM‐attention model under wireless sensor network | |
CN115034496A (zh) | 基于GCN-Transformer的城市轨道交通节假日短时客流预测方法 | |
CN114548572A (zh) | 城市路网交通状态的预测方法、装置、设备及介质 | |
Liu et al. | A MRT daily passenger flow prediction model with different combinations of influential factors | |
CN114462572A (zh) | 一种基于时空融合图的空气质量预测方法及装置 | |
CN117013534B (zh) | 发电功率预测方法、功率预测模型训练方法、装置和设备 | |
CN115713155A (zh) | 基于多元时序数据分析的交通序列预测方法 | |
CN116631181A (zh) | 一种基于天气感知图形注意力网络的交通预测方法 | |
CN115965163A (zh) | 基于时空图生成对抗损失的轨道交通短时客流预测方法 | |
CN115565370B (zh) | 一种局部时空图卷积交通流量预测方法及*** | |
CN116894512A (zh) | 基于时空特征深度学习的公交车到站时间预测方法 | |
CN115938112A (zh) | 交通需求预测方法、***、电子设备及计算机存储介质 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN117196086A (zh) | 一种基于机器学习的地铁短时客流预测方法 | |
CN112633579A (zh) | 一种基于域对抗的交通流迁移预测方法 | |
CN111507902A (zh) | 一种高分辨率图像获取方法及装置 | |
CN112446516A (zh) | 一种出行预测方法及装置 | |
CN103699607A (zh) | 一种基于实时地理位置数据流处理方法 |
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 |