CN111144281B - 基于机器学习的城市轨道交通od客流估计方法 - Google Patents
基于机器学习的城市轨道交通od客流估计方法 Download PDFInfo
- Publication number
- CN111144281B CN111144281B CN201911357247.8A CN201911357247A CN111144281B CN 111144281 B CN111144281 B CN 111144281B CN 201911357247 A CN201911357247 A CN 201911357247A CN 111144281 B CN111144281 B CN 111144281B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- data
- rail transit
- fcn
- data set
- 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 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Elevator Control (AREA)
Abstract
本发明公开了一种基于机器学习的城市轨道交通OD客流估计方法，该方法从空间分布和时间分布两方面确定OD线网客流的关键因素和干扰因素，并进一步根据这两大因素将轨道交通客流数据中的干扰数据剔除，能够更加有效进行OD客流数据预测；进一步的，本发明构建基于FCN‑LSTM结构的城市轨道交通OD矩阵预测模型，在保证不降空间维度的情况下进行有效的客流预测，为轨道交通的运营管理及票务清分提支持。
Description
技术领域
本发明涉及人工智能技术领域，更具体的，涉及基于机器学习的城市轨道交通OD客流估计方法。
背景技术
随着城市经济的快速增长引发交通出行量大幅增加，城市轨道交通网络的日益完善，客流过度饱和现象经常发生，尤其是工作日的早晚高峰时段，由此带来了巨大的安全隐患。OD估计是轨道交通***运营管理与控制的重要基础，能否有效解决动态OD矩阵的实时估计问题，将对上层管理***应用产生直接的影响。因此，如何准确预测城轨交通OD客流量，并据此制定科学的客运计划和组织方案，对于维护轨道交通的运营安全、提高运营效率、降低运营成本都具有重要价值，准确的交通需求预测，能够为分析新线接入后对既有路网的影响评价提供依据，进而分析既有路网运力运量匹配情况，发现换乘站设备设施配置、客运组织和工程建设等方面的薄弱环节，并及时提出整改建议。
轨道交通网络规模以及OD对数目均十分的庞大，常常包含数万OD对，一方面：保证模型的求解效率是满足客流需求实时估计的关键，最小二乘法、贝叶斯推论法、卡尔曼滤波法等既有方法模型难以满足实用的时效性需求，另一方面：国内外关于机器学习的算法研究有很多，机器学习在数据挖掘、搜索引擎、智能机器人、自然语言的处理、语音及手写的识别、生物特征的识别、医学诊断、证券市场等等方面都产生了比较广泛的应用，并且都有一定的借鉴意义，但是将机器学习理论或机器学习算法与城市轨道交通OD预估的研究很少见，有的也只是针对轨道交通某一线路来预估。本发明基于这一现状，利用机器学习进行轨道交通全线网OD客流预估。
客流分布模型作为交通需求预测中的一个重要步骤，有着重要的承上启下作用。能够为轨道交通客流分配提供数据基础，是决定交通需求预测准确与否的关键环节。结合现有数据，提出准确、实用、高效的城市轨道交通客流分布预测模型，为交通需求预测提供坚实的基础。
发明内容
为了解决上述存在的问题，本发明提出基于机器学习的城市轨道交通OD客流估计方法，该方法通过从空间和时间两方面进行全线网OD客流预测，克服了在大数据背景下全线网OD客流估计效率及准确率不足的问题，可以为轨道交通的运营管理及票务清分提供依据。
为达上述目的，本发明采用的技术方法是：基于机器学习的城市轨道交通OD客流估计方法，包括如下步骤：
S1，基于轨道交通OD客流的时间和空间特性，确定待预测数据的影响因素，其中包括对预测结果起关键作用和干扰作用的两大因素；
S2，从预测目标数据所属AFC***中采集的原始客流数据，并根据两大影响因素对原始客流进行筛选预处理，建立客流数据集；
S3，将客流数据集中的数据按照一定时间间隔划分粒度，并转换为OD矩阵形式，构建OD客流数据集；
S4，根据OD客流数据集的数据特性以及OD客流的时间和空间特性，设计基于FCN-LSTM结构的城市轨道交通OD矩阵预测模型；
S5，将OD客流数据集以一定比例划分为训练数据集和预测数据集，训练数据集用以训练模型，而预测数据集用以进行最终预测；
S6，将训练数据集中的数据输入全卷积神经网络FCN中，提取全线网OD客流矩阵的所有特征点，并输出带有该特征点的全线网OD客流数据；
S7，将基于权利要求1所属的步骤S6中输出的带有全线网特征点的OD客流数据，输入到长短期记忆神经网络LSTM中以完成FCN-LSTM结构的城市轨道交通OD矩阵预测模型的训练；
S8，将预测数据集中的数据输入训练完成FCN-LSTM结构的城市轨道交通OD矩阵预测模型，得出最终的预测结果。
作为本发明的一种改进，步骤S2中所述根据从空间分布和时间分布两方面确定OD线网客流的关键因素和干扰因素这两大因素将轨道交通客流数据中的干扰数据剔除，建立待预测数据集，包括：乘客的进出站误操作造成的同站进出、跨日进出站、不成对的OD客流数据。
作为本发明的一种改进，步骤S4中所述设计基于FCN-LSTM结构的城市轨道交通OD矩阵预测模型的具体方法，包括：
构建FCN-LSTM结构的预测模型，FCN神经网络擅长处理图像，OD客流矩阵可看作是一张图像，FCN神经网络可提取OD客流矩阵中每一处的特征点；而LSTM神经网络特性在于拥有遗忘门，擅长处理随时间进度推移的数据集非常适用于数据预测。最终构建出FCN-LSTM结构的预测模型结合了两个神经网络的优点。
作为本发明的一种改进，所述步骤S6中所述将训练数据集中的数据输入全卷积神经网络FCN中，提取全线网OD客流矩阵的所有特征点，并输出带有该特征点的全线网OD客流数据，将根据两大影响因素处理过后的轨道交通全线网OD客流矩阵数据，利用全卷积神经网络FCN进行全线网OD客流数据特征提取，该特征属于空间特征，且此输出结果与输入数据属于同一维度，不会产生空间降维，满足OD客流数据的空间分布。
作为本发明的一种改进，步骤S7中所述带有全线网特征点的OD客流数据，输入到长短期记忆神经网络LSTM的过程中，LSTM神经网络会随着时间分布的推移进行学习，此输出结果与输入数据属于同一维度，并包含有时间特征，满足OD客流数据的时间分布。
与现有技术相比，本发明提出了基于机器学习的城市轨道交通OD客流估计方法，具有的有益效果是：从空间分布和时间分布两方面确定OD线网客流的关键因素和干扰因素，并进一步根据这两大因素将轨道交通客流数据中的干扰数据剔除，能够更加有效进行OD客流数据预测；进一步的，本发明构建基于FCN-LSTM结构的城市轨道交通OD矩阵预测模型，在保证不降空间维度的情况下进行有效的客流预测，为轨道交通的运营管理及票务清分提支持。
附图说明
图1. 本发明操作流程图；
图2. 全卷积神经网络结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于机器学习的城市轨道交通OD客流估计方法，包括：
Step1、分析轨道交通OD客流空间和时间分布特征
由于轨道交通有其独特的规模以及客流量，首先应对其时间和空间两种特征进行独特分析，假设轨道交通有n个站点，每一个确定时间段T内对应一个n×n大小的OD客流矩阵，由该矩阵可知在T时间内任意两个站点的OD客流人数；
Step2、干扰数据剔除，建立客流数据集
利用所述目标的关键因素和干扰因素进行数据剔除等处理，如：将乘客的进出站误操作造成的同站进出、跨日进出站、不成对的OD客流数据剔除，剔除干扰数据后以进站时间为索引进行时间排序，建立客流数据集；
Step3、进一步数据处理，建立OD客流数据集
将在Step2中处理好的客流数据集中的数据按照特定时间间隔T对客流数据进行划分，并转换为OD矩阵形式，建立OD客流数据集，并将该数据集中的数据按照一定比例分为训练数据集和预测数据集两大类，比如六个月的客流数据按照5:1的比例进行划分后，前五个月的客流数据作为训练数据，则剩下一个月的数据作为预测数据；
Step4、构建基于全卷积神经网络FCN的轨道交通OD客流预测模型
将根据两大影响因素处理过后的轨道交通全线网OD客流数据集的训练数据，输入到全卷积神经网络FCN中，目的是为了进行全线网OD客流数据特征提取，该特征属于空间特征，且此输出结果与输入数据属于同一维度，不会产生空间降维，满足OD客流数据的空间分布。全卷积网络中的每一层数据都是为n×n×d的三维数组，其中n为数组维数，d为卷积网络通道数。全卷积神经网络如图2所示。
Step5、构建基于长短期记忆神经网络LSTM的轨道交通OD客流预测模型
将由全卷积神经网络FCN输出的带有空间特征的数据，输入到长短期记忆神经网络LSTM中，LSTM神经网络可以随着时间分布的推移进行学习，此输出结果与输入数据也属于同一维度，并包含有时间特征，满足OD客流数据的时间分布。
Step6、构建基于FCN-LSTM的轨道交通OD客流预测模型
在根据选定的轨道交通线网规模和一定时间内对应的客流量，完整建立轨道交通OD客流预测模型后，输入Step3中预测数据集客流数据进行最终预测；
Step7、模型指标验证
利用MAPE指标，将最终的预测数据与实际客流数据进行对比，如不达标则重复Step4-Step4，重新构建神经网络直至预测结果达标。
以上所述，仅是本发明的实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (5)
1.基于机器学习的城市轨道交通OD客流估计方法，其特征在于，该方法包括如下步骤：
S1，基于轨道交通OD客流的时间和空间特性，确定待预测数据的影响因素，其中包括对预测结果起关键作用和干扰作用的两大因素；
S2，从预测目标数据所属AFC***中采集的原始客流数据，并根据对预测结果起关键作用和干扰作用的两大影响因素对原始客流进行筛选预处理，建立客流数据集；
S3，将步骤S2中建立的客流数据集中的数据按照一定时间间隔划分粒度，并转换为OD矩阵形式，构建OD客流数据集；
S4，根据OD客流数据集的数据特性以及OD客流的时间和空间特性，设计基于FCN-LSTM结构的城市轨道交通OD矩阵预测模型；
S5，将OD客流数据集以一定比例划分为训练数据集和预测数据集，训练数据集用以训练模型，而预测数据集用以进行最终预测；
S6，将训练数据集中的数据输入全卷积神经网络FCN中，提取全线网OD客流矩阵的所有特征点，并输出带有该特征点的全线网OD客流数据；
S7，将步骤S6中输出的带有全线网特征点的OD客流数据，输入到长短期记忆神经网络LSTM中以完成FCN-LSTM结构的城市轨道交通OD矩阵预测模型的训练；
S8，将预测数据集中的数据输入训练完成FCN-LSTM结构的城市轨道交通OD矩阵预测模型，得出最终的预测结果。
2.根据权利要求1所述的基于机器学习的城市轨道交通OD客流估计方法，其特征在于，步骤S2中所述根据从空间分布和时间分布两方面确定OD线网客流的关键因素和干扰因素这两大因素将轨道交通客流数据中的干扰数据剔除，建立待预测数据集，包括：乘客的进出站误操作造成的同站进出、跨日进出站、不成对的OD客流数据。
3.根据权利要求1所述的基于机器学习的城市轨道交通OD客流估计方法，其特征在于，步骤S4中所述设计基于FCN-LSTM结构的城市轨道交通OD矩阵预测模型的具体方法，包括：
构建FCN-LSTM结构的预测模型，FCN神经网络擅长处理图像，OD客流矩阵看作是一张图像，FCN神经网络可提取OD客流矩阵中每一处的特征点；而LSTM神经网络特性在于拥有遗忘门，擅长处理随时间进度推移的数据集非常适用于数据预测。
4.根据权利要求1所述的基于机器学习的城市轨道交通OD客流估计方法，其特征在于，所述步骤S6中所述将训练数据集中的数据输入全卷积神经网络FCN中，提取全线网OD客流矩阵的所有特征点，并输出带有该特征点的全线网OD客流数据，将根据两大影响因素处理过后的轨道交通全线网OD客流矩阵数据，利用全卷积神经网络FCN进行全线网OD客流数据特征提取，该特征属于空间特征，且此输出结果与输入数据属于同一维度，不会产生空间降维，满足OD客流数据的空间分布。
5.根据权利要求1所述的基于机器学习的城市轨道交通OD客流估计方法，其特征在于，步骤S7中所述带有全线网特征点的OD客流数据，输入到长短期记忆神经网络LSTM的过程中，LSTM神经网络会随着时间分布的推移进行学习，此输出结果与输入数据属于同一维度，并包含有时间特征，满足OD客流数据的时间分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911357247.8A CN111144281B (zh) | 2019-12-25 | 2019-12-25 | 基于机器学习的城市轨道交通od客流估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911357247.8A CN111144281B (zh) | 2019-12-25 | 2019-12-25 | 基于机器学习的城市轨道交通od客流估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111144281A CN111144281A (zh) | 2020-05-12 |
| CN111144281B true CN111144281B (zh) | 2022-11-18 |
Family
ID=70519971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911357247.8A Active CN111144281B (zh) | 2019-12-25 | 2019-12-25 | 基于机器学习的城市轨道交通od客流估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144281B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860951B (zh) * | 2020-06-12 | 2023-09-26 | 北京工业大学 | 一种基于动态超图卷积网络的轨道交通客流预测方法 |
| CN112288272B (zh) * | 2020-10-29 | 2021-05-07 | 北京交通大学 | 基于需求演化与流量传播的地铁客流调控计划编制方法 |
| CN113762590B (zh) * | 2021-07-20 | 2023-08-01 | 北京交通大学 | 一种城市轨道交通节假日客流预测*** |
| CN114912233B (zh) * | 2022-04-19 | 2023-04-18 | 华北科技学院(中国煤矿安全技术培训中心) | 路网运力下降的影响范围确定和协同管控的方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
| CN106875314A (zh) * | 2017-01-31 | 2017-06-20 | 东南大学 | 一种城市轨道交通线网客流od动态估计方法 |
| CN109583656A (zh) * | 2018-12-06 | 2019-04-05 | 重庆邮电大学 | 基于a-lstm的城市轨道交通客流量预测方法 |
-
2019
- 2019-12-25 CN CN201911357247.8A patent/CN111144281B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
| CN106875314A (zh) * | 2017-01-31 | 2017-06-20 | 东南大学 | 一种城市轨道交通线网客流od动态估计方法 |
| CN109583656A (zh) * | 2018-12-06 | 2019-04-05 | 重庆邮电大学 | 基于a-lstm的城市轨道交通客流量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 城市轨道交通线网客流动态起讫点估计框架及关键技术;刘洋等;《城市轨道交通研究》;20180510(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111144281A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144281B (zh) | 基于机器学习的城市轨道交通od客流估计方法 | |
| CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
| Bi et al. | Daily tourism volume forecasting for tourist attractions | |
| CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
| Zhang et al. | Air quality index forecast in Beijing based on CNN-LSTM multi-model | |
| CN102799897B (zh) | 基于gps定位的交通方式组合出行的计算机识别方法 | |
| CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
| CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
| CN111506835B (zh) | 一种融合用户时间特征和个性特征的数据特征提取方法 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN112053560A (zh) | 基于神经网络的短时交通流量预测方法、***和存储介质 | |
| CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
| 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 | |
| CN104268792A (zh) | 高载能用电企业能效综合评价模型 | |
| CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
| Liu et al. | A method for short-term traffic flow forecasting based on GCN-LSTM | |
| CN112419711A (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
| CN111899511A (zh) | 一种共线线路avl数据的公交车到站时间预测方法 | |
| CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
| CN112580951B (zh) | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 | |
| Wang et al. | Short-term passenger flow prediction for urban rail stations using learning network based on optimal passenger flow information input algorithm | |
| CN113221443A (zh) | 一种集成SDGs和美丽指标的土地利用建模与模拟方法 | |
| CN113095479A (zh) | 一种基于多尺度注意力机制的冰下层结构提取方法 | |
| CN116862315A (zh) | 一种低效工业用地绩效评分方法、装置、设备及存储介质 | |
| CN109447498B (zh) | 一种轨道交通***成本关联多域影响要素大数据驱动分析方法 |
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 |