CN111738535A - 轨道交通时空短时客流预测方法、装置、设备及存储介质 - Google Patents
轨道交通时空短时客流预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111738535A CN111738535A CN202010860224.5A CN202010860224A CN111738535A CN 111738535 A CN111738535 A CN 111738535A CN 202010860224 A CN202010860224 A CN 202010860224A CN 111738535 A CN111738535 A CN 111738535A
- Authority
- CN
- China
- Prior art keywords
- matrix
- time
- passenger flow
- current
- inbound
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 239000011159 matrix material Substances 0.000 claims abstract description 224
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 230000007246 mechanism Effects 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 86
- 230000006870 function Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 150000001875 compounds Chemical class 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 241001522296 Erithacus rubecula Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011425 standardization method 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及客流预测技术领域,公开一种轨道交通时空短时客流预测方法、装置、设备及存储介质,所述方法包括:获取历史时间段的进站数据和列车时刻表数据;根据所述列车时刻表数据构建邻接矩阵;将所述进站数据和所述邻接矩阵标准化处理;采用图卷积神经网络提取所述标准化处理后的进站数据和邻接矩阵的空间特征矩阵;采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量。本发明不仅能捕捉大规模客流的时空关系,也具有较高的精度和较强的可解释性,便于掌握客流分布情况,为客流状态分析和预警提供依据。同时便于组织客流,合理配置运力资源,进而缓解拥堵,提高服务质量。
Description
技术领域
本发明涉及客流预测技术领域,特别是涉及轨道交通时空短时客流预测方法、装置、设备及存储介质。
背景技术
近年来,城市轨道交通建设不断增加,不断扩大的地铁网络刺激了乘客数量的急剧上升,导致目前的地铁建设容量无法满足快速增长的乘客需求,地铁拥堵随之发生。而在地铁相关研究中,短时客流预测对提高地铁***的运行效率起着至关重要的作用。一方面,短时客流预测可以使地铁管理者掌握地铁网络客流分布情况,了解未来哪些车站将出现客流激增,为地铁网络客流状态分析和预警提供依据。另一方面,还有助于地铁管理者组织客流,合理配置运力资源,进而缓解拥堵,提高服务质量。
本发明的发明人研究发现,短时客流预测方法主要存在以下两点缺陷:
(1)现有技术只考虑了时间特征,忽略了空间相关性,使得客流数据的变化不受地铁网络的约束,因而不能准确预测交通客流。
(2)现有研究将卷积神经网络与循环神经网络相结合以进行时空预测。但卷积神经网络不能描述像地铁网络这种拓扑结构的空间相关性。
发明内容
本发明提出了一种面向数据驱动的、短时的轨道交通时空短时客流预测方法,本发明的技术方案具体如下:
获取历史时间段的进站数据和列车时刻表数据;
根据所述列车时刻表数据构建基于出行时间的邻接矩阵;
将所述进站数据和所述邻接矩阵进行标准化处理得到标准化处理后的进站矩阵和邻接矩阵;
采用图卷积神经网络提取所述标准化处理后的进站矩阵和邻接矩阵的空间特征矩阵;
采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量。
基于门控循环单元的序列到序列模型用于提取时间特征,注意力机制用以识别相关输入时间步以提高时间预测性能,同时也增加了方法的可解释性。
将进站数据的80%作为训练集,剩余20%作为测试集。训练集用来训练神经网络中的权重,测试集用来计算评价指标以检验模型的性能。
优选的,所述邻接矩阵A ij 为:
考虑到地铁网络的特殊性,即相邻的车站由于处于不同的地铁线路而不能直接相连,因此不能直接使用基于空间距离的邻接矩阵来表示地铁网络结构。进一步而言,地铁网络中两个车站之间的相关性还与乘客在站内的等待时间、行走时间以及列车的开行间隔、区间运行时间相关,而本发明所述的出行时间包含了等待时间、行走时间等站内特性以及开行间隔、区间运行时间等列车运营特性,因此基于出行时间构建的邻接矩阵更适合应用到地铁网络中。
优选的,所述标准化处理采用最小-最大规范化方法,即:
式中,X为标准化处理后的数据;X 0 为原始数据。
进一步而言,所述的最小-最大规范化方法能够保留原数据之间的关系,并且可以消除量纲和数据取值范围的影响。
图卷积神经网络有两层结构和两个输入矩阵,输入矩阵分别为标准化处理后的邻接矩阵和进站矩阵。
优选的,采用图卷积神经网络提取所述标准化处理后的进站矩阵和邻接矩阵的空间特征矩阵包括:
将标准化处理后的进站矩阵作为初始层的特征矩阵输入图卷积神经网络的初始层;
基于所述进站矩阵、初始层的权重矩阵、所述标准化处理后的邻接矩阵和度矩阵构建所述图卷积神经网络的第一层的特征矩阵;
将所述第一层的特征矩阵输入图卷积神经网络的第一层,重复前一步骤,输出第二层的特征矩阵作为所述空间特征矩阵。
优选的,所述序列到序列模型包括门控循环单元组成的编码器和门控循环单元组成的解码器。
优选的,所述采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量包括:
将所述空间特征矩阵输入所述门控循环单元组成的编码器中得到所述历史时间段的所有时刻的编码结果;
将所述编码结果输入注意力机制模型;
将所述注意力机制模型的输出结果输入所述门控循环单元组成的解码器,以预测当前时刻的出站量。
仅序列到序列结构的编码器将所有输入整合成一个代表向量输入到解码器中,这样会导致输入特征的缺失;加入注意力机制后,编码器每个时间步提取的特征会输入到注意力机制中,这样可以解决输入特征缺失问题,根据注意力机制的原理,可以赋予每个输入特征权重,通过机器学习,用以识别相关输入时间步。
优选的,将所述空间特征矩阵输入所述门控循环单元组成的编码器中得到所述历史时间段的所有时刻的编码结果包括:
将所述空间特征矩阵分别转置为重置门权重矩阵、更新门权重矩阵和当前记忆内容权重矩阵;
基于所述重置门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到重置门;
基于所述更新门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到更新门;
基于所述当前记忆内容权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量、重置门得到当前记忆内容;
基于所述前一时刻的隐藏状态向量、更新门、当前记忆内容输出所述编码结果。
优选的,所述重置门和所述更新门由非线性激活函数的S型函数计算得到;所述当前记忆内容由非线性激活函数的双曲正切函数计算得到。
优选的,将所述注意力机制模型的输出结果输入所述门控循环单元组成的解码器,以预测当前时刻的出站量包括:
基于所述编码器在所述历史时间段的所有时刻的隐藏状态向量和所述解码器在上一时刻的隐藏状态向量计算注意力权重;指定了在进行当前时刻的预测时,编码器当前时刻的隐藏状态向量赋予的权重。
基于所述编码器在当前时刻的隐藏状态向量和所述注意力权重计算当前时刻的上下文向量;
基于所述解码器的权重矩阵、上下文向量、解码器当前时刻的隐藏状态向量预测所述当前时刻的出站量。
基于同样的发明构思,本发明另提供一种轨道交通时空短时客流预测装置,所述装置包括:
获取模块,用于获取历史时间段的进站数据和列车时刻表数据;
构建模块,用于根据所述列车时刻表数据构建基于出行时间的邻接矩阵;
标准化处理模块,将所述进站数据和所述邻接矩阵进行标准化处理得到标准化处理后的进站矩阵和邻接矩阵;
空间特征提取模块,采用图卷积神经网络提取所述标准化处理后的进站矩阵和邻接矩阵的空间特征矩阵;
预测模块,采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量。
优选的,所述空间特征提取模块包括:
初始层构建模块,用于将标准化处理后的进站矩阵作为初始层的特征矩阵输入图卷积神经网络的初始层;
第一层构建模块,用于基于所述进站矩阵、初始层的权重矩阵、所述标准化处理后的邻接矩阵和度矩阵构建所述图卷积神经网络的第一层的特征矩阵;
第二层构建模块,用于将所述第一层的特征矩阵输入图卷积神经网络的第一层,重复前一步骤,输出第二层的特征矩阵作为所述空间特征矩阵。
优选的,所述预测模块包括:
编码子模块,用于将所述空间特征矩阵输入所述门控循环单元组成的编码器中得到所述历史时间段的所有时刻的编码结果;
输入子模块,用于将所述编码结果输入注意力机制模型;
输出子模块,用于将所述注意力机制模型的输出结果输入所述门控循环单元组成的解码器,以预测当前时刻出站量。
优选的,所述编码子模块包括:
重置单元,用于将所述空间特征矩阵分别转置为重置门权重矩阵、更新门权重矩阵和当前记忆内容权重矩阵;
重置门单元,用于基于所述重置门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到重置门;
更新门单元,用于基于所述更新门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到更新门;
记忆单元,用于基于所述当前记忆内容权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量、重置门得到当前记忆内容;
编码输出单元,用于基于所述前一时刻的隐藏状态向量、更新门、当前记忆内容输出所述编码结果。
优选的,所述输出子模块包括:
注意力权重单元,用于基于所述编码器在所述历史时间段的所有时刻的隐藏状态向量和所述解码器在上一时刻的隐藏状态向量计算注意力权重;
上下文向量单元,基于所述编码器在当前时刻的隐藏状态向量和所述注意力权重计算当前时刻的上下文向量;
出站量预测单元,基于所述解码器的权重矩阵、上下文向量、解码器当前时刻的隐藏状态向量预测所述当前时刻的出站量。
基于同样的发明构思,本发明还提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器耦合连接的存储器;其中,
所述存储器存储有计算机程序,所述计算机程序能够被所述至少一个处理器执行,以实现上述任一项所述的方法。
基于同样的发明构思,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,当所述计算机程序被执行时,能够实现上述任一项所述的方法。
本发明的有益效果在于:
(1)提出了一种结合图卷积神经网络、门控循环单元、序列到序列结构和注意机制的地铁客流短期预测方法。该方法能够实现时空预测,并具有可解释性。
(2)应用图卷积神经网络和门控循环单元的组合模型,根据地铁网络的入站流量预测出站流量。与现有的时空预测方法相比,所提出的模型能够应用于整个地铁网络的客流预测。此外,提出了一种基于出行时间构建的邻接矩阵来解决地铁***的独特拓扑结构。
(3)以北京地铁网络为例,验证了本发明的有效性及可解释性。结果表明,该模型能够较准确地预测大型地铁网络的客流。
附图说明
图1为本实施例1和2的轨道交通时空短时客流预测方法流程图;
图2为实施例2的轨道交通时空短时客流预测方法S4步骤流程图;
图3为实施例2的轨道交通时空短时客流预测方法S5步骤流程图;
图4为实施例2的轨道交通时空短时客流预测方法S501步骤流程图;
图5为实施例2的轨道交通时空短时客流预测方法S503步骤流程图;
图6为实施例2的轨道交通时空短时客流预测装置图;
图7为实施例2的轨道交通时空短时客流预测装置空间特征提取模块40的装置图;
图8为实施例2的轨道交通时空短时客流预测装置预测模块50的装置图;
图9为实施例2的轨道交通时空短时客流预测装置编码子模块501的装置图;
图10为实施例2的轨道交通时空短时客流预测装置输出子模块503的装置图;
图11为实施例3的轨道交通时空短时客流预测方法序列到序列模型示意图;
图12为实施例3的时轨道交通时空短时客流预测方法出站量预测拟合图;
图13为实施例3的轨道交通时空短时客流预测方法单站决定系数比较图;
图14为实施例3的轨道交通时空短时客流预测方法均方根误差比较图。
具体实施方式
下面参照附图并借助本发明的实施案例,对本发明的技术方案做详细描述。
实施例1 本实施例提供一种轨道交通时空短时客流预测方法,如图1所示,该方法包括:
S1获取历史时间段的进站数据和列车时刻表数据;
S2根据所述列车时刻表数据构建基于出行时间的邻接矩阵;
S3将所述进站数据和所述邻接矩阵进行标准化处理得到标准化处理后的进站矩阵和邻接矩阵;
S4采用图卷积神经网络提取所述标准化处理后的进站矩阵和邻接矩阵的空间特征矩阵;
S5采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量。
基于门控循环单元的序列到序列模型用于提取时间特征,注意力机制用以识别相关输入时间步以提高时间预测性能,同时也增加了方法的可解释性。
实施例2 本实施例提供一种轨道交通时空短时客流预测方法,如图1所示,该方法包括:
S1获取历史时间段的进站数据和列车时刻表数据;
S2根据所述列车时刻表数据构建基于出行时间的邻接矩阵;
S3 将所述进站数据和所述邻接矩阵进行标准化处理得到标准化处理后的进站矩阵和邻接矩阵;
S4采用图卷积神经网络提取所述标准化处理后的进站矩阵和邻接矩阵的空间特征矩阵;
S5采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量。
基于门控循环单元的序列到序列模型用于提取时间特征,注意力机制用以识别相关输入时间步以提高时间预测性能,同时也增加了方法的可解释性。
将进站数据的80%作为训练集,剩余20%作为测试集。训练集用来训练神经网络中的权重,测试集用来计算评价指标以检验模型的性能。
其中,S2中邻接矩阵A ij 为:
考虑到地铁网络的特殊性,即相邻的车站由于处于不同的地铁线路而不能直接相连,因此不能直接使用基于空间距离的邻接矩阵来表示地铁网络结构。进一步而言,地铁网络中两个车站之间的相关性还与乘客在站内的等待时间、行走时间以及列车的开行间隔、区间运行时间相关,而本发明所述的出行时间包含了等待时间、行走时间等站内特性以及开行间隔、区间运行时间等列车运营特性,因此基于出行时间构建的邻接矩阵更适合应用到地铁网络中。
其中,S3中标准化处理采用最小-最大规范化方法,即:
式中,X为标准化处理后的数据;X 0 为原始数据。
进一步而言,所述的最小-最大规范化方法能够保留原数据之间的关系,并且可以消除量纲和数据取值范围的影响。
图卷积神经网络有两层结构和两个输入矩阵,输入矩阵分别为标准化处理后的邻接矩阵和进站矩阵。
其中,如图2所示,S4包括:
S401将标准化处理后的进站矩阵作为初始层的特征矩阵输入图卷积神经网络的初始层;
S402基于所述进站矩阵、初始层的权重矩阵、所述标准化处理后的邻接矩阵和度矩阵构建所述图卷积神经网络的第一层的特征矩阵;
S403将所述第一层的特征矩阵输入图卷积神经网络的第一层,重复前一步骤,输出第二层的特征矩阵作为所述空间特征矩阵。
所述序列到序列模型包括门控循环单元组成的编码器和门控循环单元组成的解码器。
其中如图3所示,S5包括:
S501将所述空间特征矩阵输入所述门控循环单元组成的编码器中得到所述历史时间段的所有时刻的编码结果;
S502将所述编码结果输入注意力机制模型;
S503将所述注意力机制模型的输出结果输入所述门控循环单元组成的解码器,以预测出站量。
仅序列到序列结构的编码器将所有输入整合成一个代表向量输入到解码器中,这样会导致输入特征的缺失;加入注意力机制后,编码器每个时间步提取的特征会输入到注意力机制中,这样可以解决输入特征缺失问题,根据注意力机制的原理,可以赋予每个输入特征权重,通过机器学习,用以识别相关输入时间步。
如图4所示,S501包括:
S5011将所述空间特征矩阵分别转置为重置门权重矩阵、更新门权重矩阵和当前记忆内容权重矩阵;
S5012基于所述重置门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到重置门;
S5013基于所述更新门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到更新门;
S5014基于所述当前记忆内容权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量、重置门得到当前记忆内容;
S5015基于所述前一时刻的隐藏状态向量、更新门、当前记忆内容输出所述编码结果。
优选的,所述重置门和所述更新门由非线性激活函数的S型函数计算得到;所述当前记忆内容由非线性激活函数的双曲正切函数计算得到。
如图5所示,S503包括:
S5031基于所述编码器在所述历史时间段的所有时刻的隐藏状态向量和所述解码器在上一时刻的隐藏状态向量计算注意力权重;指定了在进行当前时刻的预测时,编码器当前时刻的隐藏状态向量赋予的权重;
S5032基于所述编码器在当前时刻的隐藏状态向量和所述注意力权重计算当前时刻的上下文向量;
S5033基于所述解码器的权重矩阵、上下文向量、解码器当前时刻的隐藏状态向量预测所述当前时刻的出站量。
在优选的实施例中,提供一种轨道交通时空短时客流预测装置,如图6所示,该装置包括:
获取模块10,用于获取历史时间段的进站数据和列车时刻表数据;
构建模块20,用于根据所述列车时刻表数据构建基于出行时间的邻接矩阵;
标准化处理模块30,将所述进站数据和所述邻接矩阵进行标准化处理得到标准化处理后的进站矩阵和邻接矩阵;
空间特征提取模块40,采用图卷积神经网络提取所述标准化处理后的进站矩阵和邻接矩阵的空间特征矩阵;
预测模块50,采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量。
优选的,如图7所示,空间特征提取模块40包括:
初始层构建模块401,用于将标准化处理后的进站矩阵作为初始层的特征矩阵输入图卷积神经网络的初始层;
第一层构建模块402,用于基于所述进站矩阵、初始层的权重矩阵、所述标准化处理后的邻接矩阵和度矩阵构建所述图卷积神经网络的第一层的特征矩阵;
第二层构建模块403,用于将所述第一层的特征矩阵输入图卷积神经网络的第一层,重复前一步骤,输出第二层的特征矩阵作为所述空间特征矩阵。
其中,如图8所示,预测模块50包括:
编码子模块501,用于将所述空间特征矩阵输入所述门控循环单元组成的编码器中得到所述历史时间段的所有时刻的编码结果;
输入子模块502,用于将所述编码结果输入注意力机制模型;
输出子模块503,用于将所述注意力机制模型的输出结果输入所述门控循环单元组成的解码器,以预测当前时刻出站量。
如图9所示,编码子模块501包括:
重置单元5011,用于将所述空间特征矩阵分别转置为重置门权重矩阵、更新门权重矩阵和当前记忆内容权重矩阵;
重置门单元5012,用于基于所述重置门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到重置门;
更新门单元5013,用于基于所述更新门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到更新门;
记忆单元5014,用于基于所述当前记忆内容权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量、重置门得到当前记忆内容;
编码输出单元5015,用于基于所述前一时刻的隐藏状态向量、更新门、当前记忆内容输出所述编码结果。
如图10所示,输出子模块503包括:
注意力权重单元5031,用于基于所述编码器在所述历史时间段的所有时刻的隐藏状态向量和所述解码器在上一时刻的隐藏状态向量计算注意力权重;
上下文向量单元5032,基于所述编码器在当前时刻的隐藏状态向量和所述注意力权重计算当前时刻的上下文向量;
出站量预测单元5033,基于所述解码器的权重矩阵、上下文向量、解码器当前时刻的隐藏状态向量预测所述当前时刻的出站量。
在优选的实施例中,提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器耦合连接的存储器;其中,
所述存储器存储有计算机程序,所述计算机程序能够被所述至少一个处理器执行,以实现上述任一项所述的方法。
在优选的实施例中,提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,当所述计算机程序被执行时,能够实现上述任一项所述的方法。
实施例3 本实施例提供一种轨道交通时空短时客流预测方法
方法包括如下步骤:
S1:根据AFC***获取15分钟粒度的地铁出站客流数据;根据列车时刻表数据构建邻接矩阵。将地铁出站客流数据和邻接矩阵进行标准化处理得到处理后的出站矩阵和邻接矩阵;
S2:将标准化处理后的地铁出站矩阵和邻接矩阵数据输入空间特征提取单元中,以提取客流的空间特征;
S3:将提取空间特征后的数据输入时间特征提取单元中,以提取客流的时间特征;
S4:将建立的空间特征提取单元和时间特征提取单元相结合来进行预测,得到出站量及其相应的评价指标值。
本方法根据地铁网络中各站点的历史进站量来预测未来的出站量。这种客流预测问题可转化为根据邻接矩阵和各站点的进站客流量来学习映射函数f,从而得到各站点的出站客流量,即:
S1中,邻接矩阵是基于出行时间构建的,即:
S1中,标准化处理采用最小-最大规范化方法,即:
式中,X为标准化化处理后的数据;X 0 为原始数据。
S1中,将客流数据的80%作为训练集,剩余20%作为测试集。训练集用来训练神经网络中的权重,测试集用来计算评价指标以检验模型的性能。
S2中,空间特征提取单元是由两层的图卷积神经网络组成。进一步而言,所述的图卷积神经网络有两个输入:邻接矩阵A和进站客流矩阵X,同时有一个形状为N×p的输出矩阵。
S2中,空间特征提取计算过程由以下4个步骤组成:
S21图卷积神经网络是一个神经网络层,层与层之间的传播方式如下:
式中,H (l)、H (l+1)分别表示第l层和第l+1层的特征矩阵;其形状为N×p; W (l)代表第l层的权重矩阵,其形状为p×p;为的度矩阵,其形状为N×N;是邻接矩阵和单位矩阵的和,,其形状为N×N;初始层H (0)的特征矩阵是进站客流量矩阵X。
S24本发明选取两层的的图卷积神经网络模型,其表达式如下:
H (2) 是形状为N×p的输出矩阵;
S3中,时间特征提取单元包括门控循环单元、序列到序列结构和注意力机制三种模型。进一步而言,所述的序列到序列模型由编码器和解码器组成,如图11所示。编码器和解码器由一系列的门控循环单元组成。编码器的输入是一个N×p的矩阵X'(H (2) 的转置矩阵),将矩阵X'的每一行作为一个向量输入到编码器的每个门控循环单元中。
S3中,所述的时间特征提取单元包括以下2个步骤:
S31将图卷积神经网络的输出结果进行转置,然后输入到基于门控循环单元的编码器中;
S32 编码器在所有时刻的输出结果再输入到注意力机制中;注意力机制的输出结果输入到解码层中,以求得最终预测值(即出站客流量)。
步骤S31中,门控循环单元计算过程包括以下2个子步骤:
S311 门控循环单元计算公式:
式中,为重置门,为更新门,为当前记忆内容,为t时刻的隐藏状态向量,即当前时刻的输出;表示时刻的隐藏状态向量;为t时刻的输入向量;分别是重置门、更新门和当前记忆内容在t-1时刻隐藏状态向量对应的权重矩阵;分别是重置门、更新门和当前记忆内容在t时刻输入向量对应的权重矩阵;分别是重置门、更新门和当前记忆内容对应的偏置项。
步骤S32中,注意力机制模型计算过程包括以下3个步骤:
其中,是注意力权重,指定了在进行第j个时刻的预测时,编码器当前时刻的隐藏状态向量应该赋予多大的权重。在注意力机制中,现存的函数有很多种。本发明选择简单有效的dot函数作为函数。dot函数的表达式如下:
S322每进行一个时刻的预测,对应输出一个上下文向量。在进行第j个时刻的预测时,上下文向量的表达式为:
S323根据上下文向量和解码器的当前时刻的隐藏状态向量计算最终预测值,表达式如下:
S4中,所述的评价指标包括均方根误差(Root Mean Square Error, 简称为RMSE)、精度(Accuracy)和决定系数(R 2 ),三个评价指标的计算公式如下:
以北京地铁网络为例,选择12个关键车站进行分析,采集这12个车站2019年3月份5:00-23:00的所有AFC数据和列车时刻表数据。基于AFC数据,获取15分钟粒度的客流数据。基于列车时刻表数据,构建邻接矩阵。
进一步而言,客流数据为矩阵形式,每一行代表特定时刻所有站点的客流量,每一列代表特定站点在所有时刻的客流量。
进一步而言,邻接矩阵是一个大小为的矩阵,用以描述各站点之间的关系。根据列车时刻表构建并标准化后的邻接矩阵如表1所示。
表1
进一步而言,将客流数据的80%作为训练集,剩余20%作为测试集。训练集用来训练神经网络中的权重,测试集用来计算评价指标以检验模型的性能。
如图12所示为本实施例预测拟合图,该拟合图显示了3月26日朝阳门的预测结果。
从整体预测结果和单站预测结果两个方面对比本实施例的方法与现有的技术方法:
将本发明所述方法与整合移动平均自回归模型(Autoregressive Integrated MovingAverage model,简称为ARIMA)、支持向量回归(Support Vector Regression, 简称为SVR)、门控循环单元(Gated Recurrent Unit, 简称为GRU)、图卷积门控循环单元(GraphConvolutional Gated Recurrent Unit,简称为GCGRU)和基于注意力机制的门控循环单元(Gated Recurrent Unit with Attention, 简称为GRUA)作比较。为了方便叙述,将本发明所述的一种面向数据驱动的时空短时客流预测方法及装置用缩写STGGA代替。
进一步而言,本发明所述方法与其它对比方法的结果如表2所示
表2
整体比较:
将本实施例的方法与线性方法(例如ARIMA)的性能进行比较。本发明所述方法的均方根误差降低了88.2%,因此,本发明所述方法比ARIMA方法有更好的性能。
将本实施例方法与不具备时间信息捕捉能力的非线性相关方法(即SVR)的性能进行比较。以15分钟粒度数据的预测结果为例,本发明所述方法的均方根误差降低了82.1%,本发明所述方法比SVR方法有更好的性能。
将本实施例方法与具备时间信息捕捉能力的非线性相关方法(即GRU与GRUA)的性能进行比较。以15分钟粒度数据的预测结果为例,本发明所述方法的均方根误差比GRU、GRUA分别降低了40.78%,5.43%;精度分别提高了10.30%,0.79%。
将本实施例方法与不包含注意机制的方法(即GCGRU方法)进行了比较。以15分钟粒度数据的预测结果为例。与GCGRU方法相比,本发明所述方法的均方根误差降低了12.7%,精度提高了2.0%。结果表明,注意机制可以提高预测精度。
单站结果比较
将本实施例所述方法与GRUA方法的单个车站预测结果作比较。比较结果如图13和图14所示,本实施例所述方法在各站的预测性能都优于GRUA方法。对于每个车站而言,本实施例所述方法的均方根误差小于GRUA方法,且最大的均方根误差差值出现在复兴门车站,此时本实施例所述方法的均方根误差比GRUA方法低26.1%。进一步说明,对于每个车站而言,本实施例所述方法的决定系数高于GRUA方法,且决定系数的最大差值也在复兴门车站,此时本实施例所述方法的决定系数比GRUA方法高10.4%。
本实施例公开的轨道交通时空短时客流预测方法及装置,该方法由图卷积神经网络、门控循环单元、注意力机制和序列到序列结构组成。其中,将图卷积神经网络和门控循环神经网络结合来捕获地铁网络中的时空相关性。此外,加入了注意力机制和序列到序列模型以提高可解释行和可扩展性。最后,通过对北京地铁***的数据采集,验证了本实施例所述方法的性能。在整体预测方面,本实施例所述方法优于其它对比方法(包括ARIMA、SVR、GRU、GCGRU和GRUA方法),均方根误差至少提高了5.4%。对于各车站的客流预测结果,本发明所述方法的均方根误差和决定系数两项指标亦优于其它对比模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前一方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.轨道交通时空短时客流预测方法,其特征在于,所述方法包括:
获取历史时间段的进站数据和列车时刻表数据;
根据所述列车时刻表数据构建基于出行时间的邻接矩阵;
将所述进站数据和所述邻接矩阵进行标准化处理得到标准化处理后的进站矩阵和邻接矩阵;
采用图卷积神经网络提取所述标准化处理后的进站矩阵和邻接矩阵的空间特征矩阵;
采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量。
2.根据权利要求1所述的轨道交通时空短时客流预测方法,其特征在于,所述序列到序列模型包括门控循环单元组成的编码器和门控循环单元组成的解码器。
3.根据权利要求1所述的轨道交通时空短时客流预测方法,其特征在于,采用图卷积神经网络提取所述准化处理后的进站矩阵和邻接矩阵的空间特征矩阵包括:
将标准化处理后的进站矩阵作为初始层的特征矩阵输入图卷积神经网络的初始层;
基于所述进站矩阵、初始层的权重矩阵、所述标准化处理后的邻接矩阵和度矩阵构建所述图卷积神经网络的第一层的特征矩阵;
将所述第一层的特征矩阵输入图卷积神经网络的第一层,重复前一步骤,输出第二层的特征矩阵作为所述空间特征矩阵。
4.根据权利要求2所述的轨道交通时空短时客流预测方法,其特征在于,所述采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量包括:
将所述空间特征矩阵输入所述门控循环单元组成的编码器中得到所述历史时间段的所有时刻的编码结果;
将所述编码结果输入注意力机制模型;
将所述注意力机制模型的输出结果输入所述门控循环单元组成的解码器,以预测当前时刻的出站量。
5.根据权利要求4所述的轨道交通时空短时客流预测方法,其特征在于,将所述空间特征矩阵输入所述门控循环单元组成的编码器中得到所述历史时间段的所有时刻的编码结果包括:
将所述空间特征矩阵分别转置为重置门权重矩阵、更新门权重矩阵和当前记忆内容权重矩阵;
基于所述重置门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到重置门;
基于所述更新门权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量得到更新门;
基于所述当前记忆内容权重矩阵、前一时刻的隐藏状态向量、当前时刻的空间特征矩阵的行向量、重置门得到当前记忆内容;
基于所述前一时刻的隐藏状态向量、更新门、当前记忆内容输出所述编码结果。
6.根据权利要求5所述的轨道交通时空短时客流预测方法,其特征在于,所述重置门和所述更新门由非线性激活函数的S型函数计算得到;所述当前记忆内容由非线性激活函数的双曲正切函数计算得到。
7.根据权利要求4所述的轨道交通时空短时客流预测方法,其特征在于,将所述注意力机制模型的输出结果输入所述门控循环单元组成的解码器,以预测当前时刻的出站量包括:
基于所述编码器在所述历史时间段的所有时刻的隐藏状态向量和所述解码器在上一时刻的隐藏状态向量计算注意力权重;
基于所述编码器在当前时刻的隐藏状态向量和所述注意力权重计算当前时刻的上下文向量;
基于所述解码器的权重矩阵、上下文向量、解码器当前时刻的隐藏状态向量预测所述当前时刻的出站量。
8.轨道交通时空短时客流预测装置,其特征在于,所述装置包括:
获取模块,获取历史时间段的进站数据和列车时刻表数据;
构建模块,根据所述列车时刻表数据构建基于出行时间的邻接矩阵;
标准化处理模块,将所述进站数据和所述邻接矩阵进行标准化处理得到标准化处理后的进站矩阵和邻接矩阵;
空间特征提取模块,采用图卷积神经网络提取所述标准化处理后的进站矩阵和邻接矩阵的空间特征矩阵;
预测模块,采用基于门控循环单元和注意力机制的序列到序列模型提取所述空间特征矩阵的时间特征以预测当前时刻的出站量。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器耦合连接的存储器;其中,
所述存储器存储有计算机程序,所述计算机程序能够被所述至少一个处理器执行,以实现权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,当所述计算机程序被执行时,能够实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860224.5A CN111738535A (zh) | 2020-08-25 | 2020-08-25 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010860224.5A CN111738535A (zh) | 2020-08-25 | 2020-08-25 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738535A true CN111738535A (zh) | 2020-10-02 |
Family
ID=72658751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010860224.5A Pending CN111738535A (zh) | 2020-08-25 | 2020-08-25 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738535A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257614A (zh) * | 2020-10-26 | 2021-01-22 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112488185A (zh) * | 2020-11-27 | 2021-03-12 | 湖南大学 | 包含时空特性的车辆运行参数预测方法,***,电子设备及可读存储介质 |
CN112651577A (zh) * | 2021-01-08 | 2021-04-13 | 重庆邮电大学 | 一种基于融合时空数据的隧道形变预测方法 |
CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及*** |
CN112905659A (zh) * | 2021-02-05 | 2021-06-04 | 希盟泰克(重庆)实业发展有限公司 | 一种基于bim与人工智能的城市轨道交通数据分析方法 |
CN112907056A (zh) * | 2021-02-08 | 2021-06-04 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及*** |
CN112965888A (zh) * | 2021-03-03 | 2021-06-15 | 山东英信计算机技术有限公司 | 一种基于深度学习预测任务量的方法、***、设备及介质 |
CN113051474A (zh) * | 2021-03-24 | 2021-06-29 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及*** |
CN113435502A (zh) * | 2021-06-25 | 2021-09-24 | 平安科技(深圳)有限公司 | 站点流量确定方法、装置、设备及存储介质 |
CN113449905A (zh) * | 2021-05-21 | 2021-09-28 | 浙江工业大学 | 一种基于门控循环单元神经网络的交通拥堵预警方法 |
CN113556266A (zh) * | 2021-07-16 | 2021-10-26 | 北京理工大学 | 一种以流量工程为中心的流量矩阵预测方法 |
CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及*** |
CN114973653A (zh) * | 2022-04-27 | 2022-08-30 | 中国计量大学 | 一种基于时空图卷积网络的交通流预测方法 |
CN115116212A (zh) * | 2022-05-06 | 2022-09-27 | 浙江科技学院 | 一种道路网络的交通预测方法、计算机设备、存储介质和程序产品 |
CN115526382A (zh) * | 2022-09-09 | 2022-12-27 | 扬州大学 | 一种路网级交通流预测模型可解释性分析方法 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及*** |
CN116110588A (zh) * | 2022-05-10 | 2023-05-12 | 北京理工大学 | 基于动态邻接矩阵和时空注意力的医学时间序列预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN110866649A (zh) * | 2019-11-19 | 2020-03-06 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、***及电子设备 |
-
2020
- 2020-08-25 CN CN202010860224.5A patent/CN111738535A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN110866649A (zh) * | 2019-11-19 | 2020-03-06 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、***及电子设备 |
Non-Patent Citations (1)
Title |
---|
桎皓: "《IT610》", 12 August 2020 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257614A (zh) * | 2020-10-26 | 2021-01-22 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112257614B (zh) * | 2020-10-26 | 2022-05-17 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112488185A (zh) * | 2020-11-27 | 2021-03-12 | 湖南大学 | 包含时空特性的车辆运行参数预测方法,***,电子设备及可读存储介质 |
CN112488185B (zh) * | 2020-11-27 | 2024-04-26 | 湖南大学 | 包含时空特性的车辆运行参数预测方法和*** |
CN112651577A (zh) * | 2021-01-08 | 2021-04-13 | 重庆邮电大学 | 一种基于融合时空数据的隧道形变预测方法 |
CN112651577B (zh) * | 2021-01-08 | 2022-03-22 | 重庆邮电大学 | 一种基于融合时空数据的隧道形变预测方法 |
CN112766597B (zh) * | 2021-01-29 | 2023-06-27 | 中国科学院自动化研究所 | 公交客流预测方法及*** |
CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及*** |
CN112905659A (zh) * | 2021-02-05 | 2021-06-04 | 希盟泰克(重庆)实业发展有限公司 | 一种基于bim与人工智能的城市轨道交通数据分析方法 |
CN112907056B (zh) * | 2021-02-08 | 2022-07-12 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及*** |
CN112907056A (zh) * | 2021-02-08 | 2021-06-04 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及*** |
CN112965888A (zh) * | 2021-03-03 | 2021-06-15 | 山东英信计算机技术有限公司 | 一种基于深度学习预测任务量的方法、***、设备及介质 |
CN113051474A (zh) * | 2021-03-24 | 2021-06-29 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及*** |
CN113051474B (zh) * | 2021-03-24 | 2023-09-15 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及*** |
CN113449905A (zh) * | 2021-05-21 | 2021-09-28 | 浙江工业大学 | 一种基于门控循环单元神经网络的交通拥堵预警方法 |
CN113435502A (zh) * | 2021-06-25 | 2021-09-24 | 平安科技(深圳)有限公司 | 站点流量确定方法、装置、设备及存储介质 |
CN113556266A (zh) * | 2021-07-16 | 2021-10-26 | 北京理工大学 | 一种以流量工程为中心的流量矩阵预测方法 |
CN114973653B (zh) * | 2022-04-27 | 2023-12-19 | 中国计量大学 | 一种基于时空图卷积网络的交通流预测方法 |
CN114973653A (zh) * | 2022-04-27 | 2022-08-30 | 中国计量大学 | 一种基于时空图卷积网络的交通流预测方法 |
CN115116212A (zh) * | 2022-05-06 | 2022-09-27 | 浙江科技学院 | 一种道路网络的交通预测方法、计算机设备、存储介质和程序产品 |
CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及*** |
CN116110588A (zh) * | 2022-05-10 | 2023-05-12 | 北京理工大学 | 基于动态邻接矩阵和时空注意力的医学时间序列预测方法 |
CN116110588B (zh) * | 2022-05-10 | 2024-04-26 | 北京理工大学 | 基于动态邻接矩阵和时空注意力的医学时间序列预测方法 |
CN115526382B (zh) * | 2022-09-09 | 2023-05-23 | 扬州大学 | 一种路网级交通流预测模型可解释性分析方法 |
CN115526382A (zh) * | 2022-09-09 | 2022-12-27 | 扬州大学 | 一种路网级交通流预测模型可解释性分析方法 |
CN115620525B (zh) * | 2022-12-16 | 2023-03-10 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738535A (zh) | 轨道交通时空短时客流预测方法、装置、设备及存储介质 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
Shukla | Neuro-genetic prediction of software development effort | |
CN116128122B (zh) | 一种考虑突发因素的城市轨道交通短时客流预测方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 | |
CN114692984A (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
CN114299723A (zh) | 一种交通流量预测方法 | |
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 | |
CN114783608A (zh) | 基于图自编码器的慢病人群疾病风险预测模型的构建方法 | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN116227180A (zh) | 基于数据驱动的机组组合智能决策方法 | |
TW200814708A (en) | Power save method and system for a mobile device | |
CN112529284A (zh) | 基于神经网络的私家车停留时间预测方法、设备及介质 | |
CN110991729A (zh) | 一种基于迁移学习和多头注意力机制的负荷预测方法 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN112988851B (zh) | 反事实预测模型数据处理方法、装置、设备及存储介质 | |
CN112182498A (zh) | 一种基于网络表示学习的老人看护装置与方法 | |
CN116110588B (zh) | 基于动态邻接矩阵和时空注意力的医学时间序列预测方法 | |
Wang et al. | TATCN: time series prediction model based on time attention mechanism and TCN | |
CN116227738A (zh) | 一种电网客服话务量区间预测方法及*** | |
CN114912354B (zh) | 一种预测蚊媒传染病风险的方法、装置及介质 | |
CN110717577A (zh) | 一种注意区域信息相似性的时间序列预测模型构建方法 | |
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 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201002 |