CN112862187A - 一种公交客流预测方法、装置、电子设备及存储介质 - Google Patents
一种公交客流预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112862187A CN112862187A CN202110164579.5A CN202110164579A CN112862187A CN 112862187 A CN112862187 A CN 112862187A CN 202110164579 A CN202110164579 A CN 202110164579A CN 112862187 A CN112862187 A CN 112862187A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- bus
- neural network
- convolutional neural
- data
- 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 67
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 107
- 210000002569 neuron Anatomy 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 92
- 238000000605 extraction Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 102100033620 Calponin-1 Human genes 0.000 description 3
- 102100033591 Calponin-2 Human genes 0.000 description 3
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 3
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- 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)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种公交客流预测方法、装置、电子设备及存储介质,涉及人工智能技术领域,尤其涉及神经网络领域。具体实现方案为:将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果;基于各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果,对公交车在下一个时刻上的客流数据进行预测。本申请实施例能够针对短时公交客流的发展变化趋势进行有效地、可靠地、准确地预测,从而可以为公交的运营调度以及市民的有效出行提供重要保障。
Description
技术领域
本公开涉及人工智能技术领域,进一步涉及神经网络技术,尤其涉及一种公交客流预测方法、装置、电子设备及存储介质。
背景技术
随着城市经济的迅速发展,交通需求不断增大,大城市逐渐陷入交通拥堵状态。为了提高道路的通行能力,减少交通事故,改善城市公共交通环境,须逐步建立和完善先进的智能交通***。智能交通***不仅需要合理的公交线网规划,还要对公交客流进行精准地、实时地预测,适时地对公交运营调度进行调整和优化,为市民提供实时、准确、有效的公交出行服务,实现公交资源的动态配置优化,节约市民的出行时间,有效缓解交通拥堵,从而达到绿色环保出行的目的。
公交客流预测是指在当前时刻对下一决策时刻乃至以后若干时刻的客流做出实时预测。短时公交客流预测的时间小于15min。短时公交站点客流预测是调整公交发车频率、优化公交调度资源的重要依据。因此,研究公交站点短时客流预测具有重要的现实意义。目前,国内外公交客流预测的算法分为两种:(1)基于线性估计模型进行公交客流预测。例如,线性估计模型可以包括:自回归移动平均模型、多元线性回归模型、卡尔曼滤波模型等;(2)基于机器学习的方法进行公交客流预测。例如,机器学习的方法可以包括:支持向量机、神经网络、深度学习等。但是上述方案(1)解决不了非线性问题以及公交客流存在的随机性、时变性和不确定性等问题;上述方案(2)对短时公交客流的预测不准确。
发明内容
本申请提供了一种公交客流预测方法、装置、电子设备及存储介质,能够针对短时公交客流的发展变化趋势进行有效地、可靠地、准确地预测,从而可以为公交的运营调度以及市民的有效出行提供重要保障。
根据本申请的第一方面,提供了一种公交客流预测方法,所述方法包括:
将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对所述公交车在当前时刻上的客流数据的输出结果;
基于各个双分支神经元针对所述公交车在所述当前时刻上的客流数据的输出结果,对所述公交车在下一个时刻上的客流数据进行预测。
根据本申请的第二方面,提供了一种公交客流预测装置,所述装置包括:输入模块和预测模块;其中,
所述输入模块,用于将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对所述公交车在当前时刻上的客流数据的输出结果;
所述预测模块,用于基于各个双分支神经元针对所述公交车在所述当前时刻上的客流数据的输出结果,对所述公交车在下一个时刻上的客流数据进行预测。
根据本申请的第三方面,提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请任意实施例所述的公交客流预测方法。
根据本申请的第四方面,提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的公交客流预测方法。
根据本申请的第五方面,提供了一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的公交客流预测方法。
根据本申请的技术解决了现有技术中基于线性估计模型进行公交客流预测无法解决的非线性问题以及公交客流存在的随机性、时变性和不确定性等问题以及基于机器学习的方法进行公交客流预测对短时公交客流的预测不准确的技术问题,本申请提供的技术方案,能够针对短时公交客流的发展变化趋势进行有效地、可靠地、准确地预测,从而可以为公交的运营调度以及市民的有效出行提供重要保障。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的公交客流预测方法的第一流程示意图;
图2是本申请实施例提供的公交客流预测方法的第二流程示意图;
图3是本申请实施例提供的公交客流预测模型的结构示意图;
图4是本申请实施例提供的公交客流预测装置的结构示意图;
图5是用来实现本申请实施例的公交客流预测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的公交客流预测方法的第一流程示意图,该方法可以由公交客流预测装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,公家客流预测方法可以包括以下步骤:
S101、将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果。
在本步骤中,电子设备可以将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果。具体地,电子设备可以将第一张公交卡对应的乘车数据输入至第一个双分支神经元(CNN1)中;将第二张公交卡对应的乘车数据输入至第二个双分支神经元(CNN2)中;…将第n张公交卡对应的乘车数据输入至第n个双分支神经元(CNNn)中;其中,n为大于1的自然数。进一步的,每一张公交卡对应的乘车数据可以包括多个维度的信息。例如,每一张公交卡对应的乘车数据至少可以包括:***、上车刷卡时间、下车刷卡时间、卡片类型;进一步的,卡片类型至少可以包括:普通卡、学生卡、老人卡、残疾卡、员工卡、治安监督卡、军属卡等。较佳地,本申请还可以进一步考虑出行时间、天气状况、工作日与非工作日出行、日高峰出行与非高峰出行等外部因素,提高公交客流预测的准确度。
鉴于无监督特征学习的强大表述能力和对大量数据样本的充分利用,借助源数据集中的大量数据,包括公交IC卡的刷卡数据、公交进出站数据、公交车视频检测数据样本、公交站点视频检测数据样本等;利用无监督学习方法训练多个网络,形成具有深度网络结构的层叠自动编码机,以获得不同日期、不同时间段的短时客流的有效高层语义表达特征。该特征既具有不同时间分布特性,又具有周期变动性。基于无监督特征学习方法学习到的特征表达的数据量非常庞大,无法通过神经网络全连接方式来计算,因此必须借助卷积神经网络的局部连接方式、特征提取不变性以及可靠且高效的预测性能来预测短时公交客流。
卷积神经网络(Convolutional Neural Networks,简称CNN)是多层感知机的变种模型,是近年迅速发展并引起全球高度重视的一种高效识别方法。CNN的结构由卷积层和聚合层交替组成,每一层的输出为一组特征图。第一层为特征提取层。前一层的局部接收域与每个神经元的输入相连,提取该局部的特征后,将确定与其他特征间的位置关系。第二层为特征映射层,CNN网络计算层由N个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相同。特征映射结构将ReLu函数作为CNN激活函数,使得特征映射具有位移不变性。神经网络的卷积运算是通过稀疏连接、参数共享、等变表示的重要特性来改进学习训练***。
研究发现,运用多隐层的卷积神经网络可以提取到数据的本质特征,有利于对公交客流数据特征进行分类。如果不断地增加网络卷积层的深度,将导致神经网络的性能低下。因此,对CNN网络结构的改进方法有两种:一种方法为适当增加卷积层,另一种方法为适当调整卷积核的大小。表1为本申请实施例提供的9种不同的CNN网络结构的性能对比表。
序号 | 卷积层数 | 卷积核 | 训练集准确率 | 测试集准确率 |
1 | 2 | 2×2 | 1.00 | 0.89 |
2 | 2 | 3×3 | 1.00 | 0.91 |
3 | 2 | 4×4 | 1.00 | 0.93 |
4 | 3 | 2×2 | 1.00 | 0.85 |
5 | 3 | 3×3 | 1.00 | 0.95 |
6 | 3 | 4×4 | 1.00 | 0.92 |
7 | 4 | 2×2 | 0.94 | 0.63 |
8 | 4 | 3×3 | 0.98 | 0.84 |
9 | 4 | 4×4 | 1.00 | 0.87 |
表1
如上述表1所示,当卷积核大小相同时,3层卷积层的CNN在测试集上的准确率最高;当卷积层数相同时,3×3的卷积核CNN的性能最好。在确保CNN网络结构性能相差较小且CNN规模不大的前提下,本申请可以将CNN网络结构改进为3层卷积层,且每层卷积核为3×3。
通过对比不同的CNN结构的性能可知,CNN网络结构的改进虽然可以提高CNN网络的性能,但同时也会产生过拟合的问题。研究发现,训练中出现过拟合问题是因为CNN的全连接层的参数完全按照训练数据的特征识别结果更新,如果不对成熟的训练数据进行分类,则无法对测试数据进行准确的提取和分类。因此,本申请在训练卷积神经网络的过程中,在Adam算法优化器中引入dropout技术,其中的参数设为0.75,在深度学习网络的训练过程中,使参数以0.75的概率从网络中丢弃,提高了网络的泛化能力。具体地,为了防止和减少过拟合问题,本申请在全连接层后加入了dropout的优化方案。dropout是在每层神经元训练开始时,随机删除一定比例的隐藏层神经元,以保证输入层和输出层的个数不变。根据BP神经网络学习算法对卷积神经网络中的参数进行更新学习,完成第一次迭代更新,第二次迭代中随机删除部分神经元,直到完成训练。具体分析如下,在未加入dropout时的神经网络的训练过程为:在加入dropout后的神经网络的训练过程为: 其中,l是隐藏层的索引;z表示l层的向量输入;y是每一层的输出;w是权值参数;f表示激活函数。
S102、基于各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果,对公交车在下一个时刻上的客流数据进行预测。
在本步骤中,电子设备可以基于各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果,对公交车在下一个时刻上的客流数据进行预测。具体地,电子设备可以通过第一个双分支神经元(CNN1)得到针对第一张公交卡对应的乘车数据的输出结果(P1);通过第二个双分支神经元(CNN2)得到针对第二张公交卡对应的乘车数据的输出结果(P2);…;通过第n个双分支神经元(CNNn)得到针对第n张公交卡对应的乘车数据的输出结果(Pn);然后基于第一个双分支神经元(CNN1)的输出结果(P1)、第二个双分支神经元(CNN2)的输出结果(P2)、…、第n个双分支神经元(CNNn)的输出结果(Pn)对公交车在下一个时刻上的客流数据进行预测。
本申请实施例提出的公交客流预测方法,先将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果;然后基于各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果,对公交车在下一个时刻上的客流数据进行预测。也就是说,本申请可以基于多个双分支神经元对公交车在下一个时刻上的客流数据进行预测。而在现有的公交客流预测方法中,基于线性估计模型进行公交客流预测;或者,基于机器学习的方法进行公交客流预测。因为本申请采用了基于多个双分支神经元对公交车在下一个时刻上的客流数据进行预测的技术手段,克服了现有技术中基于线性估计模型进行公交客流预测无法解决的非线性问题以及公交客流存在的随机性、时变性和不确定性等问题以及基于机器学习的方法进行公交客流预测对短时公交客流的预测不准确的技术问题,本申请提供的技术方案,能够针对短时公交客流的发展变化趋势进行有效地、可靠地、准确地预测,从而可以为公交的运营调度以及市民的有效出行提供重要保障;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2是本申请实施例提供的公交客流预测方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图2所示,公交客流预测方法可以包括以下步骤:
S201、若卷积神经网络不满足预先设置的收敛条件,则在源数据集的公交客流序列中提取出预定数量的历史客流数据作为当前训练样本;其中,公交客流序列包括:结构化公交客流序列和非结构化公交客流序列。
在本步骤中,若卷积神经网络不满足预先设置的收敛条件,则电子设备可以在源数据集的公交客流序列中提取出预定数量的历史客流数据作为当前训练样本;其中,公交客流序列包括:结构化公交客流序列和非结构化公交客流序列。具体地,电子设备可以在结构化公交客流序列和非结构化公交客流序列中提取出预定数量的历史客流数据;然后将预定数量的历史客流数据构建一个训练集,并对训练集中的各个历史客流数据进行数据标准化;再将数据标准化后的历史客流数据作为当前训练样本。例如,IC卡的刷卡数据、公交进出站数据为结构化数据;从公交站点、公交车上采集的客流视频图像为非结构化数据。
S202、使用当前训练样本对卷积神经网络进行训练,并通过预先训练好的Adam算法优化器对卷积神经网络进行优化,重复执行上述操作,直到卷积神经网络满足预先设置的收敛条件。
在本步骤中,电子设备可以使用当前训练样本对卷积神经网络进行训练,并通过预先训练好的Adam算法优化器对卷积神经网络进行优化,重复执行上述操作,直到卷积神经网络满足预先设置的收敛条件。具体地,电子设备在使用当前训练样本对卷积神经网络进行训练时,可以先通过各个双分支神经元中的第一网络通道和第二网络通道分别在当前训练样本中进行特征提取,得到当前训练样本在第一网络通道上的特征提取结果和在第二网络通道上的特征提取结果;然后基于当前训练样本在第一网络通道上的特征提取结果和在第二网络通道上的特征提取结果,对卷积神经网络进行训练。较佳地,电子设备在基于当前训练样本在第一网络通道上的特征提取结果和在第二网络通道上的特征提取结果,对卷积神经网络进行训练之前,还可以将第一网络通道对应的卷积神经网络和第二网络通道对应的卷积神经网络进行级联操作,得到级联后的卷积神经网络;然后执行基于当前训练样本在第一网络通道上的特征提取结果和在第二网络通道上的特征提取结果,对级联后的卷积神经网络进行训练的操作。在通常情况下,卷积的作用是提取特征,在识别过程中,输入特征提取得越精细,识别的精度就越高。CNN网络通过不同的卷积层和池化层级交替堆叠生成通道,通过设计卷积核大小及不同池化实现所需要的效果。然而,在一系列操作过程中,通过一条通道、一种网络结构对特征图进行卷积,可能所提取的特征图不够充分。本申请针对公交客流具有结构化数据和非结构化数据的特点,提出了结合两条不同网络通道对不同的特征进行卷积操作的方法,通过级联操作将两条网络通道的输出结果进行结合。具体的操作为:将降维后的两类特征数据并行分为两条支路运行:一条支路采用卷积层3×3的卷积核进行卷积操作;另一条支路在前一条支路的基础上进行残差操作。在下次特征图进行降维前,通过级联操作结合两条支路上的特征图,从而形成一个新的特征图。由于残差网络更容易被改进和优化,可以通过适当增加网络深度来提高准确率。其核心是解决了增加CNN卷积网络深度产生的退化问题,通过增加网络深度来提高网络性能。残差学习结构主要是通过前向神经网络和外部使用短接(shortcut)连接实现,shortcut连接相当于执行了同等的映射。通过实验发现,用来学习残差的网络层数应大于1,否则残差网络退化为线性,卷积层Layers取值为3时,网络的性能较稳定。整个网络通过端到端的反向传播进行训练,用卷积层进行深度残差学习,主要原理是在初始卷积层结构的shortcut操作,以组成基本的残差模块。通过逐级累加残差模块,可以成功地缓解网络随深度增加而产生退化的问题,从而提升了网络的整体性能。这里运用了双网络级联融合:在上次降维前,对支路一的CNN卷积神经网络和支路二含有残差模块的卷积神经网络进行级联操作,通过这种方式将两个不同的特征数据进行了整合,最后整体输出。
在本申请的具体实施例中,电子设备在通过预先训练好的Adam算法优化器对卷积神经网络进行优化时,可以将卷积神经网络的输出结果输入至预先训练好的Adam算法优化器中,通过Adam算法优化器在卷积神经网络中随机删除预定比例的双分支神经元;并基于神经网络学习算法对卷积神经网络中的参数进行更新学习。
S203、将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果。
S204、基于各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果,对公交车在下一个时刻上的客流数据进行预测。
图3是本申请实施例提供的公交客流预测模型的结构示意图。如图3所示,该模型主要由输入层、隐含层、输出层、模型训练和模型预测组成;其中,输入层为全连接层,需要对样本数据进行处理,以满足CNN输入的要求;隐含层由多个CNN神经元组成,包括:CNN1、CNN2、…、CNNn;其中,n为大于1的自然数;输出层通过一个全连接网络将隐含层的多个结果重新映射成模型期望的结果。具体地,CNN1的输入数据为X1;输出数据为P1;CNN2的输入数据为X2;输出数据为P2;…;CNNn的输入数据为Xn;输出数据为Pn。例如,IC卡刷卡数据、公交进出站数据为结构化数据,从公交站点、公交车上采集的客流视频图像为非结构化数据。通过获取训练集的数据,将训练方法用于深度网络的学习中,提高了深度网络的收敛速度,实现了大规模的神经网络训练。在训练过程中,每个训练样本都有一个配额,衡量了该样本被抽取用于训练的概率。在预测过程中,使用Adam算法的优化器对模型进行优化。从公交客流数据序列中提取公交上下车时间序列的特征数据,利用双分支的卷积神经网络模型进行公交客流预测。
卷积神经网络是一种反向传播神经网络,对非线性***具备很强的模拟能力。通过对训练数据的不断学习,以及对网络权值和阈值的不断更新,网络误差逐渐减小,接近期望输出。卷积神经网络分全连接层、卷积核的反向传播、池化层的反向通路;CNN使用BP框架内的随机梯度下降和其变体,如Adam算法。SGD算法在每次迭代中随机选择样本来计算梯度,使用大量学习样本的情形下,有利于信息筛选,SGD算法在迭代初期能快速收敛,计算复杂度更小。改进的CNN网络是对CNN卷积神经网络进行优化,更新网络参数θ,采用Adam优化算法替换SGD算法,以实现最小化损失函数。SGD算法保持单一的学习率(α),以更新所有的权重,在网络学习训练过程中学习率未变化。Adam算法优化器计算梯度的一阶矩估计和二阶矩估计,对自适应性学习率设置不同的参数。Adam算法优化器的内存需求低、计算效率高,Adam算法优化器梯度对角缩放具有不变性。
本申请实施例提出的公交客流预测方法,先将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果;然后基于各个双分支神经元针对公交车在当前时刻上的客流数据的输出结果,对公交车在下一个时刻上的客流数据进行预测。也就是说,本申请可以基于多个双分支神经元对公交车在下一个时刻上的客流数据进行预测。而在现有的公交客流预测方法中,基于线性估计模型进行公交客流预测;或者,基于机器学习的方法进行公交客流预测。因为本申请采用了基于多个双分支神经元对公交车在下一个时刻上的客流数据进行预测的技术手段,克服了现有技术中基于线性估计模型进行公交客流预测无法解决的非线性问题以及公交客流存在的随机性、时变性和不确定性等问题以及基于机器学习的方法进行公交客流预测对短时公交客流的预测不准确的技术问题,本申请提供的技术方案,能够针对短时公交客流的发展变化趋势进行有效地、可靠地、准确地预测,从而可以为公交的运营调度以及市民的有效出行提供重要保障;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图4是本申请实施例提供的公交客流预测装置的结构示意图。如图4所示,所述装置400包括:输入模块401和预测模块402;其中,
所述输入模块401,用于将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对所述公交车在当前时刻上的客流数据的输出结果;
所述预测模块402,用于基于各个双分支神经元针对所述公交车在所述当前时刻上的客流数据的输出结果,对所述公交车在下一个时刻上的客流数据进行预测。
进一步的,所述装置还包括:训练模块403(图中未示出),用于若所述卷积神经网络不满足预先设置的收敛条件,则在源数据集的公交客流序列中提取出预定数量的历史客流数据作为当前训练样本;其中,所述公交客流序列包括:结构化公交客流序列和非结构化公交客流序列;使用所述当前训练样本对所述卷积神经网络进行训练,并通过预先训练好的Adam算法优化器对所述卷积神经网络进行优化,重复执行上述操作,直到所述卷积神经网络满足所述预先设置的收敛条件。
进一步的,所述训练模块403,具体用于通过各个双分支神经元中的第一网络通道和第二网络通道分别在所述当前训练样本中进行特征提取,得到所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果;基于所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果,对所述卷积神经网络进行训练。
进一步的,所述训练模块403,还用于将所述第一网络通道对应的卷积神经网络和所述第二网络通道对应的卷积神经网络进行级联操作,得到级联后的卷积神经网络;执行基于所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果,对所述级联后的卷积神经网络进行训练的操作。
进一步的,所述训练模块403,具体用于将所述卷积神经网络的输出结果输入至所述预先训练好的Adam算法优化器中,通过所述Adam算法优化器在所述卷积神经网络中随机删除预定比例的双分支神经元;并基于神经网络学习算法对所述卷积神经网络中的参数进行更新学习。
进一步的,所述训练模块403,具体用于在所述结构化公交客流序列和所述非结构化公交客流序列中提取出所述预定数量的历史客流数据;将所述预定数量的历史客流数据构建一个训练集,并对所述训练集中的各个历史客流数据进行数据标准化;将数据标准化后的历史客流数据作为所述当前训练样本。
上述公交客流预测装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的公交客流预测方法。
实施例四
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如公交客流预测方法。例如,在一些实施例中,小公交客流预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的公交客流预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行公交客流预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种公交客流预测方法,所述方法包括:
将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对所述公交车在当前时刻上的客流数据的输出结果;
基于各个双分支神经元针对所述公交车在所述当前时刻上的客流数据的输出结果,对所述公交车在下一个时刻上的客流数据进行预测。
2.根据权利要求1所述的方法,在所述将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中之前,所述方法还包括:
若所述卷积神经网络不满足预先设置的收敛条件,则在源数据集的公交客流序列中提取出预定数量的历史客流数据作为当前训练样本;其中,所述公交客流序列包括:结构化公交客流序列和非结构化公交客流序列;
使用所述当前训练样本对所述卷积神经网络进行训练,并通过预先训练好的Adam算法优化器对所述卷积神经网络进行优化,重复执行上述操作,直到所述卷积神经网络满足所述预先设置的收敛条件。
3.根据权利要求2所述的方法,所述使用所述当前训练样本对所述卷积神经网络进行训练,包括:
通过各个双分支神经元中的第一网络通道和第二网络通道分别在所述当前训练样本中进行特征提取,得到所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果;
基于所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果,对所述卷积神经网络进行训练。
4.根据权利要求3所述的方法,在所述基于所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果,对所述卷积神经网络进行训练之前,所述方法还包括:
将所述第一网络通道对应的卷积神经网络和所述第二网络通道对应的卷积神经网络进行级联操作,得到级联后的卷积神经网络;执行基于所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果,对所述级联后的卷积神经网络进行训练的操作。
5.根据权利要求2所述的方法,所述通过预先训练好的Adam算法优化器对所述卷积神经网络进行优化,包括:
将所述卷积神经网络的输出结果输入至所述预先训练好的Adam算法优化器中,通过所述Adam算法优化器在所述卷积神经网络中随机删除预定比例的双分支神经元;并基于神经网络学习算法对所述卷积神经网络中的参数进行更新学习。
6.根据权利要求2所述的方法,所述在源数据集的公交客流序列中提取出预定数量的历史客流数据作为当前训练样本,包括:
在所述结构化公交客流序列和所述非结构化公交客流序列中提取出所述预定数量的历史客流数据;
将所述预定数量的历史客流数据构建一个训练集,并对所述训练集中的各个历史客流数据进行数据标准化;将数据标准化后的历史客流数据作为所述当前训练样本。
7.一种公交客流预测装置,所述装置包括:输入模块和预测模块;其中,
所述输入模块,用于将公交车在当前时刻上的客流数据分别输入至预先训练好的卷积神经网络的各个双分支神经元中,得到各个双分支神经元针对所述公交车在当前时刻上的客流数据的输出结果;
所述预测模块,用于基于各个双分支神经元针对所述公交车在所述当前时刻上的客流数据的输出结果,对所述公交车在下一个时刻上的客流数据进行预测。
8.根据权利要求7所述的装置,所述装置还包括:训练模块,用于若所述卷积神经网络不满足预先设置的收敛条件,则在源数据集的公交客流序列中提取出预定数量的历史客流数据作为当前训练样本;其中,所述公交客流序列包括:结构化公交客流序列和非结构化公交客流序列;使用所述当前训练样本对所述卷积神经网络进行训练,并通过预先训练好的Adam算法优化器对所述卷积神经网络进行优化,重复执行上述操作,直到所述卷积神经网络满足所述预先设置的收敛条件。
9.根据权利要求8所述的装置,所述训练模块,具体用于通过各个双分支神经元中的第一网络通道和第二网络通道分别在所述当前训练样本中进行特征提取,得到所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果;基于所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果,对所述卷积神经网络进行训练。
10.根据权利要求9所述的装置,所述训练模块,还用于将所述第一网络通道对应的卷积神经网络和所述第二网络通道对应的卷积神经网络进行级联操作,得到级联后的卷积神经网络;执行基于所述当前训练样本在所述第一网络通道上的特征提取结果和在所述第二网络通道上的特征提取结果,对所述级联后的卷积神经网络进行训练的操作。
11.根据权利要求8所述的装置,所述训练模块,具体用于将所述卷积神经网络的输出结果输入至所述预先训练好的Adam算法优化器中,通过所述Adam算法优化器在所述卷积神经网络中随机删除预定比例的双分支神经元;并基于神经网络学习算法对所述卷积神经网络中的参数进行更新学习。
12.根据权利要求8所述的装置,所述训练模块,具体用于在所述结构化公交客流序列和所述非结构化公交客流序列中提取出所述预定数量的历史客流数据;将所述预定数量的历史客流数据构建一个训练集,并对所述训练集中的各个历史客流数据进行数据标准化;将数据标准化后的历史客流数据作为所述当前训练样本。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164579.5A CN112862187A (zh) | 2021-02-05 | 2021-02-05 | 一种公交客流预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164579.5A CN112862187A (zh) | 2021-02-05 | 2021-02-05 | 一种公交客流预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862187A true CN112862187A (zh) | 2021-05-28 |
Family
ID=75988748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110164579.5A Pending CN112862187A (zh) | 2021-02-05 | 2021-02-05 | 一种公交客流预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862187A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713158A (zh) * | 2022-11-23 | 2023-02-24 | 贵州电网有限责任公司信息中心 | 配电网稳定性预测方法、装置、设备及存储介质 |
Citations (3)
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 |
CN111582401A (zh) * | 2020-05-15 | 2020-08-25 | 中原工学院 | 一种基于双分支卷积神经网络的向日葵种子分选方法 |
CN111754025A (zh) * | 2020-05-25 | 2020-10-09 | 苏州大学文正学院 | 基于cnn+gru的公交短时客流预测方法 |
-
2021
- 2021-02-05 CN CN202110164579.5A patent/CN112862187A/zh active Pending
Patent Citations (3)
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 |
CN111582401A (zh) * | 2020-05-15 | 2020-08-25 | 中原工学院 | 一种基于双分支卷积神经网络的向日葵种子分选方法 |
CN111754025A (zh) * | 2020-05-25 | 2020-10-09 | 苏州大学文正学院 | 基于cnn+gru的公交短时客流预测方法 |
Non-Patent Citations (1)
Title |
---|
桑塔努•帕塔纳亚克著: "《Python人工智能项目实战》", 31 October 2019, 机械工业出版社, pages: 156 - 157 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713158A (zh) * | 2022-11-23 | 2023-02-24 | 贵州电网有限责任公司信息中心 | 配电网稳定性预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10387770B2 (en) | Spiking neural network with reduced memory access and reduced in-network bandwidth consumption | |
CN110175628A (zh) | 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法 | |
EP4080416A1 (en) | Adaptive search method and apparatus for neural network | |
CN103870474A (zh) | 一种新闻话题组织方法及装置 | |
CN111754025A (zh) | 基于cnn+gru的公交短时客流预测方法 | |
CN106651213A (zh) | 服务订单的处理方法及装置 | |
CN114492831A (zh) | 联邦学习模型的生成方法及其装置 | |
EP4113316A2 (en) | Method and apparatus for processing table, device, and storage medium | |
WO2023093015A1 (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN113822419A (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
CN113705598A (zh) | 数据分类方法、装置及电子设备 | |
CN115730555A (zh) | 一种芯片布局方法、装置、设备及存储介质 | |
CN113642727B (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
CN112862187A (zh) | 一种公交客流预测方法、装置、电子设备及存储介质 | |
CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN116884211A (zh) | 一种交通序列预测方法、装置、电子设备及存储介质 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及*** | |
CN115907159B (zh) | 一种相似路径台风的确定方法、装置、设备及介质 | |
Alam | Recurrent neural networks in electricity load forecasting | |
CN103605631A (zh) | 一种基于支持向量几何意义的增量学习方法 | |
CN115936522A (zh) | 一种车辆停靠站点的评估方法、装置、设备以及存储介质 | |
CN115630733A (zh) | 订单送达时间预估方法、***、介质及电子设备 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及*** | |
CN113326885A (zh) | 训练分类模型和数据分类的方法及装置 | |
CN114611609A (zh) | 一种图网络模型节点分类方法、装置、设备及存储介质 |
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 |