CN115547058B - 一种基于梯度下降的出行链模型参数快速标定方法 - Google Patents
一种基于梯度下降的出行链模型参数快速标定方法 Download PDFInfo
- Publication number
- CN115547058B CN115547058B CN202211535379.7A CN202211535379A CN115547058B CN 115547058 B CN115547058 B CN 115547058B CN 202211535379 A CN202211535379 A CN 202211535379A CN 115547058 B CN115547058 B CN 115547058B
- Authority
- CN
- China
- Prior art keywords
- traffic
- model
- mode
- trip
- parameters
- 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 25
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000011664 signaling Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- 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
- G06Q10/0639—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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种基于梯度下降的出行链模型参数快速标定方法，属于出行链模型参数标定技术领域。包括：S1.基于出行链模型的交通需求计算，通过交通需求迭代运算，获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果；S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定；S3.计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定；S4.根据目的地选择和方式选择标定的模型参数，进行基于出行链模型的交通需求模型预测，直到目的地选择和方式选择的校核指标都满足校核要求。解决了现有技术中存在出行链模型参数多、标定校核工作复杂、工作量大、人工成本高的技术问题。
Description
技术领域
本申请涉及出行链模型参数快速标定方法，尤其涉及一种基于梯度下降的出行链模型参数快速标定方法，属于出行链模型参数标定技术领域。
背景技术
中国专利CN113327424B公开了出行链模型的交通需求预测方法，该方法在进行出行预测时，相较于四阶段模型，预测精度更高，对于政策和模型的敏感性方面具有优越性。基于出行链模型的需求计算主要步骤包括：出行链生成，目的地选择，方式选择，时段划分，交通分配等；其中，目的选择的效用公式如下：
方式选择的效用计算公式如下：
针对目的地选择和方式选择参数大部分需要通过调查数据和多源大数据进行标定和校核。但是针对目的地选择中的BX和方式选择中的β6pcm的参数无法直接标定，且该模型参数直接影响多个步骤的运行结果。现有的标定方法主要是通过模型工程师在多轮模型运行后进入平衡稳态后，通过模型运行特征来进行人工参数标定，该过程需要耗费模型工程师大量的时间和精力。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在出行链模型参数多、标定校核工作复杂、工作量大、人工成本高的技术问题，本发明提供一种基于梯度下降的出行链模型参数快速标定方法。
方案一、一种基于梯度下降的出行链模型参数快速标定方法，包括以下步骤：
S1.基于出行链模型的交通需求计算，通过交通需求迭代运算，获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果；
S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定；
S3.基于目的地选择参数标定完成后计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定；
S4.根据目的地选择和方式选择标定的模型参数，进行基于出行链模型的交通需求模型预测，直到目的地选择和方式选择的校核指标都满足校核要求。
优选的，S2具体包括以下步骤：
S21.基于目的地选择结果，按交通大区或者根据校核要求划分的功能地带进行集计统计，获得模型大区或功能地带层级分布矩阵；
S22.基于手机信令分析的交通小区分布矩阵，按交通大区或者进行校核的功能地带进行集计，获得手机大区或功能地带层级分布矩阵；
S23.计算所述模型大区或功能地带层级分布矩阵和所述手机大区或功能地带层级分布矩阵误差；
其中，
表示手机信令交通大区p到交通大区q的出行总量，
表示模型交通大区p到交通大区q的出行总量，
为模型交通大区p到交通大区q的出行误差；
S24.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行迭代次数判断；若误差小于阈值，满足校核要求，完成模型参数标定，返回到出行链模型需求计算；
阈值判断公式：
其中，abs为绝对值函数，
为出行误差，σ为误差接受阈值；
最大迭代次数判断：
目的地选择参数标定迭代次数判断：i≥N，迭代次数i达到最大迭代次数N，结束目的地参数标定过程，返回到出行链模型需求计算；i<N，对目的地选择模型参数进行更新；
S25.目的地选择模型参数更新计算：
其中，BXi表示为第i次目的地选择迭代标定结果，λ表示参数学习方向，
表示参数学习步长；
学习方向计算：
学习率计算公式如下：
其中，n为标定迭代次数；
S26.根据新标定的参数，返回至S1，重新开始迭代。
优选的，S3具体包括以下步骤：
S31.基于方式选择结果，按交通大区或者根据校核要求划分的功能地带进行的集计统计，获得模型大区或功能地带层级的交通方式出行总量；
S32.基于调查数据分析得到交通大区或者根据校核要求划分的功能地带下的交通分担率和目的地选择计算得到的出行总量，计算待校核的交通大区或功能地带层级的交通方式出行总量；
S33.计算模型结果与手机信令待校核数据的误差；
其中，
表示手机信令交通大区p到交通大区p采用交通方式m的出行总量，
表示模型交通大区p到交通大区q采用交通方式m的出行总量，
表示交通大区p到交通大区p采用交通方式m的出行总量误差；
S34.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行最大迭代次数判断；若误差小于阈值，满足校核要求，不需要参数标定，返回到出行链模型需求计算；
阈值判断公式：
其中，abs为绝对值函数，σ为误差接受阈值；
最大迭代次数判断：i≥N，迭代次数i达到最大迭代次数N，结束方式选择模型参数标定，返回到出行链模型需求计算；i<N，模型未收敛，进行参数更新；
S35参数更新计算：
其中，β6i+1表示为第i+1次方式选择迭代标定结果，β6i表示为第i次方式选择迭代标定结果，λ表示参数学习方向，
表示参数学习步长；
学习方向λ计算：
学习率计算公式如下：
其中，n标定迭代次数。
方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种基于梯度下降的出行链模型参数快速标定方法的步骤。
方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种基于梯度下降的出行链模型参数快速标定方法。
本发明的有益效果如下：本发明基于出行链模型基准参数的需求计算，让模型达到收敛状态，获取收敛状态下的道路交通阻抗，其次，统计交通模型在目的地选择阶段的交通分布矩阵和基于手机信令的识别出来的交通分布矩阵，根据误差项和迭代次数确定模型参数的学***衡，即完成模型参数的标定和校核。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为一种基于梯度下降的出行链模型参数快速标定方法流程示意图；
图2为学习率变化曲线示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1说明本实施方式，一种基于梯度下降的出行链模型参数快速标定方法，包括以下步骤：
S1.基于出行链模型的交通需求计算，通过交通需求迭代运算，获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果；
S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定；
S21.基于目的地选择结果，按交通大区或者根据校核要求划分的功能地带进行集计统计，获得模型大区或功能地带层级分布矩阵；
S22.基于手机信令分析的交通小区分布矩阵，按交通大区或者进行校核的功能地带进行集计，获得手机大区或功能地带层级分布矩阵；
S23.计算所述模型大区或功能地带层级分布矩阵和所述手机大区或功能地带层级分布矩阵误差；
其中，
表示手机信令交通大区p到交通大区q的出行总量，
表示模型交通大区p到交通大区q的出行总量，
为模型交通大区p到交通大区q的出行误差；
S24.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行迭代次数判断；若误差小于阈值，满足校核要求，完成模型参数标定，返回到出行链模型需求计算；
阈值判断公式：
其中，abs为绝对值函数，
为出行误差，σ为误差接受阈值；
最大迭代次数判断：
目的地选择参数标定迭代次数判断：i≥N，迭代次数i达到最大迭代次数N，结束目的地参数标定过程，返回到出行链模型需求计算；i<N，对目的地选择模型参数进行更新；
S25.目的地选择模型参数更新计算：
其中，BXi表示为第i次目的地选择迭代标定结果，λ表示参数学习方向，
表示参数学习步长；
学习方向计算：
学习率计算公式如下：
其中，n为标定迭代次数；
S26.根据新标定的参数，返回至S1，重新开始迭代；
S3.基于目的地选择参数标定完成后计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定，包括以下步骤：
S31.基于方式选择结果，按交通大区或者根据校核要求划分的功能地带进行的集计统计，获得模型大区或功能地带层级的交通方式出行总量；
S32.基于调查数据分析得到交通大区或者根据校核要求划分的功能地带下的交通分担率和目的地选择计算得到的出行总量，计算待校核的交通大区或功能地带层级的交通方式出行总量；
S33.计算模型结果与手机信令待校核数据的误差；
其中，
表示手机信令交通大区p到交通大区p采用交通方式m的出行总量，
表示模型交通大区p到交通大区q采用交通方式m的出行总量，
表示交通大区p到交通大区p采用交通方式m的出行总量误差；
S34.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行最大迭代次数判断；若误差小于阈值，满足校核要求，不需要参数标定，返回到出行链模型需求计算；
阈值判断公式：
其中，abs为绝对值函数，σ为误差接受阈值；
最大迭代次数判断：i≥N，迭代次数i达到最大迭代次数N，结束方式选择模型参数标定，返回到出行链模型需求计算；i<N，模型未收敛，进行参数更新；
S35参数更新计算：
其中，β6i+1表示为第i+1次方式选择迭代标定结果，β6i表示为第i次方式选择迭代标定结果，λ表示参数学习方向，
表示参数学习步长；
学习方向λ计算：
学习步长参数过大，学习速度快，易震荡，适用于模型刚训练时，参数过小，学习率慢，易出行过拟合，收敛速度慢，适用于模型训练后期，因此定义学习率计算公式：
其中，n标定迭代次数；
参照图2所示，模型训练初，迭代步长长，学习速度快，随着迭代次数增加，学习率下降，避免模型参数震荡。
S4.根据目的地选择和方式选择标定的模型参数，进行基于出行链模型的交通需求模型预测，直到目的地选择和方式选择的校核指标都满足校核要求，即S23,S33误差小于阈值或达到最大迭代次数。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (3)
1.一种基于梯度下降的出行链模型参数快速标定方法，其特征在于，包括以下步骤：
S1.基于出行链模型的交通需求计算，通过交通需求迭代运算，获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果；
S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定，包括以下步骤：
S21.基于目的地选择结果，按交通大区或者根据校核要求划分的功能地带进行集计统计，获得模型大区或功能地带层级分布矩阵；
S22.基于手机信令分析的交通小区分布矩阵，按交通大区或者进行校核的功能地带进行集计，获得手机大区或功能地带层级分布矩阵；
S23.计算所述模型大区或功能地带层级分布矩阵和所述手机大区或功能地带层级分布矩阵误差；
其中，
表示手机信令交通大区p到交通大区q的出行总量，
表示模型交通大区p到交通大区q的出行总量，
为模型交通大区p到交通大区q的出行误差；
S24.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行迭代次数判断；若误差小于阈值，满足校核要求，完成模型参数标定，返回到出行链模型需求计算；
阈值判断公式：
其中，abs为绝对值函数，
为出行误差，σ为误差接受阈值；
最大迭代次数判断：
目的地选择参数标定迭代次数判断：i≥N，迭代次数i达到最大迭代次数N，结束目的地参数标定过程，返回到出行链模型需求计算；i<N，对目的地选择模型参数进行更新；
S25.目的地选择模型参数更新计算：
其中，BXi表示为第i次目的地选择迭代标定结果，λ表示参数学习方向，
表示参数学习步长；
学习方向计算：
学习率计算公式如下：
其中，n为标定迭代次数；
S26.根据新标定的参数，返回至S1，重新开始迭代；
S3.基于目的地选择参数标定完成后计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定，包括以下步骤：
S31.基于方式选择结果，按交通大区或者根据校核要求划分的功能地带进行的集计统计，获得模型大区或功能地带层级的交通方式出行总量；
S32.基于调查数据分析得到交通大区或者根据校核要求划分的功能地带下的交通分担率和目的地选择计算得到的出行总量，计算待校核的交通大区或功能地带层级的交通方式出行总量；
S33.计算模型结果与手机信令待校核数据的误差；
其中，
表示手机信令交通大区p到交通大区q采用交通方式m的出行总量，
表示模型交通大区p到交通大区q采用交通方式m的出行总量，
表示交通大区p到交通大区q采用交通方式m的出行总量误差；
S34.对误差进行阈值判断，若误差大于阈值，不满足校核要求，进行最大迭代次数判断；若误差小于阈值，满足校核要求，不需要参数标定，返回到出行链模型需求计算；
阈值判断公式：
其中，abs为绝对值函数，σ为误差接受阈值；
最大迭代次数判断：i≥N，迭代次数i达到最大迭代次数N，结束方式选择模型参数标定，返回到出行链模型需求计算；i<N，模型未收敛，进行参数更新；
S35参数更新计算：
其中，β6i+1表示为第i+1次方式选择迭代标定结果，β6i表示为第i次方式选择迭代标定结果，λ表示参数学习方向，
表示参数学习步长；
学习方向λ计算：
学习率计算公式如下：
其中，n标定迭代次数；
S4.根据目的地选择和方式选择标定的模型参数，进行基于出行链模型的交通需求模型预测，直到目的地选择和方式选择的校核指标都满足校核要求。
2.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1所述的一种基于梯度下降的出行链模型参数快速标定方法的步骤。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的一种基于梯度下降的出行链模型参数快速标定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211535379.7A CN115547058B (zh) | 2022-12-02 | 2022-12-02 | 一种基于梯度下降的出行链模型参数快速标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211535379.7A CN115547058B (zh) | 2022-12-02 | 2022-12-02 | 一种基于梯度下降的出行链模型参数快速标定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115547058A CN115547058A (zh) | 2022-12-30 |
| CN115547058B true CN115547058B (zh) | 2023-04-18 |
Family
ID=84721625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211535379.7A Active CN115547058B (zh) | 2022-12-02 | 2022-12-02 | 一种基于梯度下降的出行链模型参数快速标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115547058B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4117964B2 (ja) * | 1999-03-31 | 2008-07-16 | 株式会社東芝 | 車両運行システムおよび車両運行方法 |
| CN105374206B (zh) * | 2015-12-09 | 2017-12-08 | 敏驰信息科技（上海）有限公司 | 一种主动式交通需求管理的***及其工作方法 |
| US20170200249A1 (en) * | 2016-01-08 | 2017-07-13 | Florida International University Board Of Trustees | Systems and methods for intelligent, demand-responsive transit recommendations |
| CN113327424B (zh) * | 2021-08-02 | 2022-01-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 交通需求的预测方法、预测装置及电子设备 |
| CN115080550B (zh) * | 2022-05-31 | 2023-08-01 | 交通运输部规划研究院 | 路网交通量分配方法及装置 |
-
2022
- 2022-12-02 CN CN202211535379.7A patent/CN115547058B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115547058A (zh) | 2022-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932301B (zh) | 数据填充方法及装置 | |
| CN114241779B (zh) | 一种城市快速路交通流短时预测方法、计算机及存储介质 | |
| CN112926742A (zh) | 全息量子动力学模拟 | |
| CN111079944B (zh) | 迁移学习模型解释实现方法及装置、电子设备、存储介质 | |
| CN109741177A (zh) | 用户信用的评估方法、装置及智能终端 | |
| CN113609815A (zh) | 一种电路仿真优化方法、装置、计算机设备及存储介质 | |
| CN110955685A (zh) | 一种大数据基数估计方法、***、服务器和存储介质 | |
| CN110968564A (zh) | 一种数据处理方法及数据状态预测模型的训练方法 | |
| CN115547058B (zh) | 一种基于梯度下降的出行链模型参数快速标定方法 | |
| CN110874635B (zh) | 一种深度神经网络模型压缩方法及装置 | |
| CN113988438A (zh) | 一种基于ic载板生产流程的自检方法及*** | |
| CN110837853A (zh) | 一种快速分类模型构建方法 | |
| CN114861569A (zh) | 一种气动特性评估方法、电子设备及存储介质 | |
| CN115080909B (zh) | 影响物联感知设备数据的分析方法、电子设备及存储介质 | |
| WO2020186380A1 (en) | Techniques to forecast future orders using deep learning | |
| TWI778789B (zh) | 配方建構系統、配方建構方法、內儲程式之電腦可讀取記錄媒體與非暫時性電腦程式產品 | |
| CN115169089A (zh) | 基于核密度估计和copula的风电功率概率预测方法和装置 | |
| CN113901616A (zh) | 一种零件的搜索方法和*** | |
| Woltmann et al. | Learned Selection Strategy for Lightweight Integer Compression Algorithms. | |
| CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 | |
| CN113742849B (zh) | 类固液飞行器总体设计的变量灵敏度分析方法及装置 | |
| CN116959259B (zh) | 基于学校放学事件的交通预测方法、电子设备及存储介质 | |
| KR20190131338A (ko) | Sagd 생산곡선 예측장치 | |
| CN115543226B (zh) | 一种闪存数据存储处理方法及*** | |
| CN113076687B (zh) | 一种电子能损计算方法、装置及电子设备 |
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 |