CN107529651B - 一种基于深度学习的城市交通客流预测方法和设备 - Google Patents
一种基于深度学习的城市交通客流预测方法和设备 Download PDFInfo
- Publication number
- CN107529651B CN107529651B CN201710712072.2A CN201710712072A CN107529651B CN 107529651 B CN107529651 B CN 107529651B CN 201710712072 A CN201710712072 A CN 201710712072A CN 107529651 B CN107529651 B CN 107529651B
- Authority
- CN
- China
- Prior art keywords
- neural network
- passenger flow
- input
- time
- output
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的城市交通客流预测方法和设备用于解决提供一种准确的能预测城市交通线路上的未来短时内客流的方法的问题。其中方法包括步骤:根据交通路线和站点的地理信息,构建网格地图;根据站点的客流量信息更新网格地图中站点所对应的网格的像素值;将网格地图作为深度学习算法的输入,预测城市交通的客流量。由上述技术方案可知,本发明利用地理信息系统将地铁客流站点网络转换成图片信息作为卷积神经网络的输入,提取客流的空间信息。然后将卷积神经网络的输出作为长短时神经网络的输入进行时间特征的提取。最后将时空特征作为全连接神经网络的输入进行客流预测。
Description
技术领域
本发明涉及通信技术/计算机技术,具体涉及一种基于深度学习的城市交通客流预测方法和设备。
背景技术
城市轨道交通是城市公共交通的骨干,具有节能,用地少,运量大,全天候、无污染,安全等特点,属于绿色公共交通体系,符合可持续发展的原则,适用于大型城市。尤其是随着公交导向的城市发展模式(TOD)的不断完善,公交在城市规划中的地位更加凸显。但是在轨道交通高速发展的同时,越来越多的客流问题也随之出现。客流的时间和空间上的不均衡性日益严重。以北京地铁为例,2015年北京地铁的日均客流量达到911万人次。如此巨大的客流量给北京地铁的运行带来了巨大的压力。同时由于北京的用地规划呈现单中心环形分布,导致地铁客流出现十分明显的空间和时间差异。
准确的预测客流是解决城市轨道交通客流问题的关键。按照预测周期的不同,客流预测可分为长期预测,中期预测和短期预测。通常情况下,长期和中期客流预测多用于城市轨道交通的规划设计阶段,利用较长周期的客流预测来确定整体的规划方案,线路走向以及车站规模等。而短期客流预测多用于轨道交通日常的运营管理中,例如开行方案的调整,限流措施的制定。准确的短时客流预测为乘客提供更多的信息,以便对出行时间,出行方式等做出更好的选择,也可以为轨道交通管理部门提供更多制定针对性措施的依据。因此短时客流预测在城市轨道交通日常运营中起到至关重要的作用。
因此,需要提供一种准确的能预测城市交通线路上的未来短时内客流的方法。
发明内容
鉴于上述问题,本发明提出了克服上述问题或者至少部分地解决上述问题的一种基于深度学习的城市交通客流预测方法和设备。
为此目的,第一方面,本发明提出一种基于深度学习的城市交通客流预测方法,包括步骤:根据交通路线和站点的地理信息,构建网格地图;
根据站点的客流量信息更新网格地图中站点所对应的网格的像素值;
将网格地图作为深度学习算法的输入,预测城市交通的客流量。
可选的,所述将网格地图作为深度学习算法的输入,预测城市交通的客流量,包括:
通过卷积神经网络提取空间特征信息;
将空间特征输入长短时记忆神经网络,提起时间特征信息;
将提取的时间特征信息和空间特征信息输入至全连接神经网络中预测客流值,全连接神经网络的数学表达式为:
Y=W2Ht+b
其中,W2和b分别表示隐藏层和全连接层之间的权重和截距,Y是最终输出预测结果,H是提取的时空特征信息和时间特征信息,t表示时间。
可选的,所述通过卷积神经网络提取空间特征信息,包括:
构建卷积神经网络,
其中卷积神经网络的第l层的卷积层输出可以表示为:
池化层的最大池化方法:
ypool=max(def),e∈[1...p].f∈[1...q]
其中p和q表示二维池化器的大小,def表示坐标(e,f)的输入值,而ypool表示池化的输出值;
flatten表示最终的转换过程,空间特征信息表示为:
可选的,所述将空间特征输入长短时记忆神经网络,提起时间特征信息,包括:
构建包括输入门,忘记门以及输出门的长短时记忆神经网络,三个门分别记为It,Ft,Ot;
输出单元:Ct=It e Ct+Ft e Ct-1
隐藏层输出:Ht=Ot e tanh(Ct)
可选的,在获得Y之后,包括:
选取Y使均方误差最小;
均方误差表示为:
第二方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述方法的步骤。
第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上执行的计算机程序,所述处理器执行所述程序时实现如上所述方法的步骤。
由上述技术方案可知,本法通过网格地图提取交通的空间特征,通过网格像素值结合网格地图提取交通的时间特征,从而有效的预测城市交通的客流量。
前面是提供对本发明一些方面的理解的简要发明内容。这个部分既不是本发明及其各种实施例的详尽表述也不是穷举的表述。它既不用于识别本发明的重要或关键特征也不限定本发明的范围,而是以一种简化形式给出本发明的所选原理,作为对下面给出的更具体的描述的简介。应当理解,单独地或者组合地利用上面阐述或下面具体描述的一个或多个特征,本发明的其它实施例也是可能的。
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为本发明的一个实施例中实施所述方法的示意图;
图2为本发明的一个实施例中客流图片转换示意图;
图3为本发明的一个实施例中卷积神经网络结构示意图;
图4为本发明的一个实施例中时空特征提取神经网络结构示意图;
图5为本发明的一个实施例中短期预测结果示意图;
图6为本发明的一个实施例中长期预测结果示意图。
具体实施方式
下面将结合示例性的通信系统描述本发明。
在一个实施例中,如图1所示,一种基于深度学习的城市交通客流预测方法,包括步骤:
S101、根据交通路线和站点的地理信息,构建网格地图;
S102、根据站点的客流量信息更新网格地图中站点所对应的网格的像素值;
S103、将网格地图作为深度学习算法的输入,预测城市交通的客流量。
可以理解的是交通路线和站点的地理信息可以是记录在数据库中的,也可以是以地图图片形式表示,也可以是以矢量图形式表示的,为了降低计算量,在一些实施例中,将上述地图表示形式转换为符合计算要求的位图格式。
网格地图是基于上述位图格式构建的,即将位图划分为一定数量的网格。
本法通过网格地图提取交通的空间特征,通过网格像素值结合网格地图提取交通的时间特征,从而有效的预测城市交通的客流量。
在传统的地铁客流预测方法中,地铁客流都被看做一个简单的向量数据。这种简单的处理导致在预测是丢失了很多特征信息,从而影响预测的精度。本发明提供一种将地铁网络转化为图片表示的方法,能够保留站点之间的位置信息。首先将整体的地铁网络划分为不同的网格作为基础图片。然后把地铁客流网络与网格图片进行映射,得到每一个站点所属的网格坐标,并将客流量数据作为网格的像素值,没有站点的网格像素值设置为0。
在应用于预测地铁客流量时,本发明的客流量信息可以是通过地铁公交IC卡数据获得。将所有的地铁IC卡交易记录以站点和时间为单位进行聚类计算可以得到不同时间段内不同站点的客流量。具体聚类的时间长短应该根据数据的结构和质量来确定。过短的时间区间会增加预测的计算量,同时在实际应用中的意义较小,而过大的时间区间会导致预测的误差较大。本发明根据IC数据的特点,选择聚类时间为2分钟,既保证的适中的计算量,同时也能够更加灵活地进行客流预测。
而网格的划分主要依据为整体地铁网络的大小。划分的基本原则是保证尽量少的车站落在相同的网格中。过大的划分会导致过多的车站映射至重复的像素点中,而过小的划分会导致计算量的急剧增加。因此根据应用的地铁网络的结构选取合适的网格划分可以有效的提高预测的效率。
其中m和n分别表示x轴和y轴的长度。mij表示像素点(i,j)的像素值,对应于站点的客流量。Mt组成了t时间段内的一个图片通道。整体转换流程如图2所示。
在一个实施例中,所述将网格地图作为深度学习算法的输入,预测城市交通的客流量,包括:
通过卷积神经网络提取空间特征信息;
将空间特征输入长短时记忆神经网络,提起时间特征信息;
将提取的时间特征信息和空间特征信息输入至全连接神经网络中预测客流值,全连接神经网络的数学表达式为:
Y=W2Ht+b
其中,W2和b分别表示隐藏层和全连接层之间的权重和截距,Y是最终输出预测结果。算式中H泛指的是提取的时空特征,因为提取的特征是网络内部的的结果,因此没有具体的表现形式,采用H统一进行表示。下标t表示时间点。
即分别利用卷积神经网络和长短时记忆网络对轨道交通客流的空间特征和时间特征进行提取。最后将长短时记忆网络的输出作为全连接神经网络的输入进行最后的短时客流预测。
在预测过程中,均方误差是评价预测值与真实值之间差异的最重要的指标之一。整个神经网络的预测目标就是使得下面这个公式的值最小:
本发明通过结合卷积神经网络和长短时记忆神经网络分别提取轨道交通站点客流的空间特征信息和时间特征信息。首先利用地理信息系统将地铁客流站点网络转换成图片信息作为卷积神经网络的输入,提取客流的空间信息。然后将卷积神经网络的输出作为长短时神经网络的输入进行时间特征的提取。最后将时空特征作为全连接神经网络的输入进行客流预测。整体的神经网络结构如图4所示。
如图3所示,在本发明的一个实施例中,卷积神经网络主要由两部分组成:卷积层和池化层。利用这两个神经网络层可以提取空间特征信息。用pool表示池化层,L表示CNN的层数。第l层的权重,输入和输出分别表示为其中j表示多个卷积滤波器的编号。则第一层卷积和池化可以表示为:
其中σ表示激活函数,c1表示卷积过滤器的数量。因此第l层的输出可以表示为:
激活函数σ是应用于每一个卷积层的用来转换数据范围的函数,可以使得神经网络处理十分复杂的系统。本发明中应用的激活函数为Relu函数:
而池化层可以有效的减小数据维度,因为池化层主要在特定的区域内提取特征,将高维原始数据转换为低维的特征信息。本发明中应用的池化层为最大池化方法:
ypool=max(def),e∈[1...p].f∈[1...q]
其中p和q表示二维池化器的大小,def表示坐标(e,f)的输入值,而ypool表示池化的输出值。这里的坐标指的是输入至过滤器内的矩阵的每一个元素的坐标,输入的矩阵大小为p×q。
最后提取的特征信息会被转换成为一个一维的特征向量,其中包括最终提取的空间特征信息。用flatten表示最终的转换过程:
在一个实施例中,所述通过卷积神经网络提取空间特征信息,包括:
构建卷积神经网络,
其中卷积神经网络的第l层的卷积层输出可以表示为:
池化层的最大池化方法:
ypool=max(def),e∈[1...p].f∈[1...q]
其中p和q表示二维池化器的大小,def表示坐标(e,f)的输入值,而ypool表示池化的输出值;
flatten表示最终的转换过程,空间特征信息表示为:
除了空间相关性之外,轨道交通客流还表现出明显的时间相关性,当前的客流会受到历史客流的影响,比如地铁客流存在明显的早晚高峰的时间特征。因此在客流预测过程中,时间的相关性也需要考虑到模型中。本发明利用长短时记忆网络来提取客流的时间特征信息。这种模型能够很好的处理长时间序列的客流预测问题。通过特殊的单元进行误差控制以保证较强的学习能力。传统的递归神经网络,当预测时间较长时,会出现梯度消失或梯度爆炸。而长短时神经网络通过引入记忆单元来控制神经网络何时进行信息更新,适当的忘记之前的数据信息,从而解决了梯度爆炸或梯度消失的问题。
长短时神经网络是传统递归神经网络的扩展,它主要包括三个部分:输入层,隐藏层以及输出层。长短时神经网络共包含三个门单元,分别为:输入门,忘记门以及输出门,三个门的值在0到1之间。而记忆单元包含所有的历史信息,通过这三个门单元对神经网络进行控制。
输出单元:Ct=It e Ct+Ft e Ct-1
隐藏层输出:Ht=Ot e tanh(Ct)
最后的隐藏层输出就表示空间特征信息。忘记门控制内存单元需要遗忘多少信息,输入门控制每个内存单元需要加入多少新信息,而输出门控制每个内存单元需要输出多少信息。
在本发明的一个实施例中,采集北京市轨道交通站点2015年6月客流数据进行实例验证。截止到2015年,北京市共建成312座地铁站点。根据地铁IC卡数据可以得到267座站点的客流量,占全部车站数的80%以上。其中前25天作为训练样本,后5天作为检验样本,训练样本和验证样本的比例为5:1。为了验证本发明在不同预测条件下的性能,分别设计了短期预测和长期预测两种不同的任务。短期预测任务为用历史前40分钟客流预测全网未来10分钟的客流,长期预测任务为用历史的前40分钟客流预测全网未来20分钟的客流。
首先将北京地铁网络转换为图片。根据整体的网络结构,将北京地铁网络划分为横向纵向各分为60,共3600个网格。然后将267座站点映射到网格图片中,其中有10对站点落在相同的网格中,将其中一个站点根据空间位置调整至最邻近的网格,可以保证不丢失空间信息。没有站点的网格数值设置为0。在计算前对客流数据进行标准化,图2是转换后的客流图片。
在处理完基础数据后需要构建神经网络的结构,神经网络分为卷积神经网络和长短时记忆网络两大部分。卷积神经网络共分为3层,每一层包括一个卷积层和一个池化层。卷积层和池化层的过滤器大小分别为(3,3)和(2,2),激活函数选用relu。长短时记忆网络的输出维度为2000。考虑计算性能,训练样本的大小设置为20。整体的网络结构如表示1所示:
表1神经网络结构
为了验证本发明的性能,共实现8种不同的方法来进行对比,分别为最小二乘法(OLS),K-最邻近(KNN),稀疏自编码器(SAE),人工神经网络(ANN),递归神经网络(RNN),卷积神经网络(CNN),长短时记忆神经网络(LSTM)以及本发明提出的卷积神经网络-长短时记忆神经网络(CNN-LSTM)。图5表示八种不同的算法在短期客流预测中的MSE结果。从图中可以看出本发明采用的方法预测的准确率最高,MSE为59.078,是唯一一种将误差控制在60以下的方法。OSL和SAE算法的误差都超过了100,分为140.47和107.29。ANN和RNN算法的误差在90到100之间,而CNN和KNN的误差在60到70之间。同时在短期预测中,CNN的精确度要高于LSTM的精度,说明在短期预测中,空间特征的作用要大于时间特征。
图6表示长期预测中八种方法的结果。整体上长期预测的误差要大于误差短期预测的误差,这与目标时间段的长短有关。在长期预测中,本发明提出的神经网络同样得到最高的预测精度,MSE为61.432,是唯一一种将误差控制在70以下的长期预测方法。OLS方法的误差最大,达到了146.941.而SAE和RNN算法的误差基本相同,都在120左右。KNN算法的预测结果较好,误差值仅为69.039。与短期预测不同,长期预测中LSTM的精度要高于CNN算法,说明随着预测时长的增加,时间相关性对预测的影响越来越重要。
通过对不同算法在不同预测任务下的性能的对比可以看出本发明提出的时空特征提取的神经网络相比于传统的神经网络和统计学模型可以得到更高的预测精度。说明客流时空相关性对客流有非常重要的影响,在预测时必须将时空特征纳入到模型之中。
第二方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述方法的步骤。
第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上执行的计算机程序,所述处理器执行所述程序时实现如上所述方法的步骤。
本文中使用的“监视”包括与用仪器来观察、记录或检测有关的任何类型的功能,这些仪器对被监视的元件或元件组的操作或状态没有任何影响。
本文中使用的“至少一个”、“一个或多个”以及“和/或”是开放式的表述,在使用时可以是联合的和分离的。例如,“A、B和C中的至少一个”,“A、B或C中的至少一个”,“A、B和C中的一个或多个”以及“A、B或C中的一个或多个”指仅有A、仅有B、仅有C、A和B一起、A和C一起、B和C一起或A、B和C一起。
术语“一个”实体是指一个或多个所述实体。由此术语“一个”、“一个或多个”和“至少一个”在本文中是可以互换使用的。还应注意到术语“包括”、“包含”和“具有”也是可以互换使用的。
本文中使用的术语“自动的”及其变型是指在执行处理或操作时没有实质的人为输入的情况下完成的任何处理或操作。然而,即使在执行处理或操作时使用了执行所述处理或操作前接收到的实质的或非实质的人为输入,所述处理或操作也可以是自动的。如果输入影响所述处理或操作将怎样进行,则视该人为输入是实质的。不影响所述处理或操作进行的人为输入不视为是实质的。
本文中使用的术语“计算机可读介质”是指参与将指令提供给处理器执行的任何有形存储设备和/或传输介质。计算机可读介质可以是在IP网络上的网络传输(如SOAP)中编码的串行指令集。这样的介质可以采取很多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如NVRAM或者磁或光盘。易失性介质包括诸如主存储器的动态存储器(如RAM)。计算机可读介质的常见形式包括例如软盘、柔性盘、硬盘、磁带或任何其它磁介质、磁光介质、CD-ROM、任何其它光介质、穿孔卡、纸带、任何其它具有孔形图案的物理介质、RAM、PROM、EPROM、FLASH-EPROM、诸如存储卡的固态介质、任何其它存储芯片或磁带盒、后面描述的载波、或计算机可以读取的任何其它介质。电子邮件的数字文件附件或其它自含信息档案或档案集被认为是相当于有形存储介质的分发介质。当计算机可读介质被配置为数据库时,应该理解该数据库可以是任何类型的数据库,例如关系数据库、层级数据库、面向对象的数据库等等。相应地,认为本发明包括有形存储介质或分发介质和现有技术公知的等同物以及未来开发的介质,在这些介质中存储本发明的软件实施。
本文中使用的术语“确定”、“运算”和“计算”及其变型可以互换使用,并且包括任何类型的方法、处理、数学运算或技术。更具体地,这样的术语可以包括诸如BPEL的解释规则或规则语言,其中逻辑不是硬编码的而是在可以被读、解释、编译和执行的规则文件中表示。
本文中使用的术语“模块”或“工具”是指任何已知的或以后发展的硬件、软件、固件、人工智能、模糊逻辑或能够执行与该元件相关的功能的硬件和软件的组合。另外,虽然用示例性实施方式来描述本发明,但应当理解本发明的各方面可以单独要求保护。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (6)
1.一种基于深度学习的城市交通客流预测方法,其特征在于,包括步骤:根据交通路线和站点的地理信息,构建网格地图;
根据站点的客流量信息更新网格地图中站点所对应的网格的像素值;
将网格地图作为深度学习算法的输入,预测城市交通的客流量;
所述将网格地图作为深度学习算法的输入,预测城市交通的客流量,包括:
通过卷积神经网络提取空间特征信息;
将空间特征输入长短时记忆神经网络,提取时间特征信息;
将提取的时间特征信息和空间特征信息输入至全连接神经网络中预测客流值,全连接神经网络的数学表达式为:
Y=W2Ht+b
其中,W2和b分别表示隐藏层和全连接层之间的权重和截距,Y是最终输出预测结果,H是提取的时空特征信息和时间特征信息,t表示时间。
5.一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,该程序被处理器执行时实现如权利要求1至4任一所述方法的步骤。
6.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上执行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712072.2A CN107529651B (zh) | 2017-08-18 | 2017-08-18 | 一种基于深度学习的城市交通客流预测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712072.2A CN107529651B (zh) | 2017-08-18 | 2017-08-18 | 一种基于深度学习的城市交通客流预测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107529651A CN107529651A (zh) | 2018-01-02 |
CN107529651B true CN107529651B (zh) | 2020-10-16 |
Family
ID=60766226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710712072.2A Active CN107529651B (zh) | 2017-08-18 | 2017-08-18 | 一种基于深度学习的城市交通客流预测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107529651B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330215A (zh) * | 2020-11-26 | 2021-02-05 | 长沙理工大学 | 一种城市用车需求量预测方法、设备及存储介质 |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280441A (zh) * | 2018-02-09 | 2018-07-13 | 北京天元创新科技有限公司 | 一种人群流量预测方法及系统 |
CN110322037A (zh) * | 2018-03-28 | 2019-10-11 | 普天信息技术有限公司 | 基于推理模型的流量预测方法及装置 |
CN108564227B (zh) * | 2018-04-26 | 2021-08-06 | 重庆大学 | 一种基于时空特征的轨道交通客流量预测方法 |
CN108537392B (zh) * | 2018-04-26 | 2021-08-17 | 重庆大学 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
CN108564228A (zh) * | 2018-04-26 | 2018-09-21 | 重庆大学 | 一种基于时序特征预测轨道交通od客流量的方法 |
CN110570004A (zh) * | 2018-06-05 | 2019-12-13 | 上海申通地铁集团有限公司 | 地铁客流的预测方法及系统 |
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 |
CN109034460A (zh) * | 2018-07-03 | 2018-12-18 | 深圳市和讯华谷信息技术有限公司 | 用于景区客流拥堵程度的预测方法、装置和系统 |
CN109299401B (zh) * | 2018-07-12 | 2022-02-08 | 中国海洋大学 | 基于混合深度学习模型LSTM-ResNet的城域时空流预测方法 |
CN108830430A (zh) * | 2018-08-01 | 2018-11-16 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
CN109376935B (zh) * | 2018-10-31 | 2021-07-02 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
CN109886444B (zh) * | 2018-12-03 | 2023-07-11 | 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 |
CN109583656B (zh) * | 2018-12-06 | 2022-05-10 | 重庆邮电大学 | 基于a-lstm的城市轨道交通客流量预测方法 |
CN109784473A (zh) * | 2018-12-13 | 2019-05-21 | 天津大学 | 一种基于双时序特征学习的短期风功率预测方法 |
CN110147904B (zh) * | 2019-04-23 | 2021-06-18 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
CN110298486B (zh) * | 2019-05-29 | 2023-06-09 | 成都理工大学 | 一种基于卷积神经网络的轨道交通客流量预测方法 |
CN111340660B (zh) * | 2019-07-01 | 2023-09-01 | 黑龙江省华熵助晟网络科技有限公司 | 一种在线学习辅助系统及方法 |
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 |
CN110866649B (zh) * | 2019-11-19 | 2022-09-20 | 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、系统及电子设备 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
CN111178598A (zh) * | 2019-12-16 | 2020-05-19 | 中国铁道科学研究院集团有限公司 | 铁路客运站客流量预测方法、系统、电子设备及存储介质 |
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 |
CN111447190A (zh) * | 2020-03-20 | 2020-07-24 | 北京观成科技有限公司 | 一种加密恶意流量的识别方法、设备及装置 |
CN111460598B (zh) * | 2020-04-13 | 2023-02-10 | 同济大学 | 一种基于机器学习的公交干线网生成方法 |
CN111667092B (zh) * | 2020-04-21 | 2023-06-23 | 北京交通大学 | 基于图卷积神经网络的轨道交通短时客流预测方法和系统 |
CN111624874B (zh) * | 2020-06-09 | 2022-12-06 | 浙江超梵环境科技有限公司 | 用于城市污水处理的泵站集群智能化预测方法及系统、存储介质 |
CN111931978A (zh) * | 2020-06-29 | 2020-11-13 | 南京熊猫电子股份有限公司 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
CN112116155B (zh) * | 2020-09-18 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN112215409B (zh) * | 2020-09-24 | 2024-01-30 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
CN112562378B (zh) * | 2020-12-01 | 2023-04-18 | 平安科技(深圳)有限公司 | 公交车调度方法、装置、计算机设备及介质 |
CN112418547B (zh) * | 2020-12-03 | 2024-04-09 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN113077090B (zh) * | 2021-04-09 | 2023-05-23 | 上海大学 | 客流预测方法、系统及计算机可读存储介质 |
CN113111581B (zh) * | 2021-04-09 | 2022-03-11 | 重庆邮电大学 | 结合时空因素和基于图神经网络的lstm轨迹预测方法 |
CN113222218B (zh) * | 2021-04-16 | 2022-06-10 | 浙江工业大学 | 基于卷积长短时记忆神经网络的交通事故风险预测方法 |
CN113537580B (zh) * | 2021-06-28 | 2024-04-09 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN115146844A (zh) * | 2022-06-27 | 2022-10-04 | 北京交通大学 | 一种基于多任务学习的多模式交通短时客流协同预测方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096568A (zh) * | 2016-06-21 | 2016-11-09 | 同济大学 | 一种基于cnn和卷积lstm网络的行人再识别方法 |
CN106383888A (zh) * | 2016-09-22 | 2017-02-08 | 深圳市唯特视科技有限公司 | 一种利用图片检索定位导航的方法 |
CN106650789A (zh) * | 2016-11-16 | 2017-05-10 | 同济大学 | 一种基于深度lstm网络的图像描述生成方法 |
CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783900B2 (en) * | 2014-10-03 | 2020-09-22 | Google Llc | Convolutional, long short-term memory, fully connected deep neural networks |
-
2017
- 2017-08-18 CN CN201710712072.2A patent/CN107529651B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096568A (zh) * | 2016-06-21 | 2016-11-09 | 同济大学 | 一种基于cnn和卷积lstm网络的行人再识别方法 |
CN106383888A (zh) * | 2016-09-22 | 2017-02-08 | 深圳市唯特视科技有限公司 | 一种利用图片检索定位导航的方法 |
CN106650789A (zh) * | 2016-11-16 | 2017-05-10 | 同济大学 | 一种基于深度lstm网络的图像描述生成方法 |
CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
Non-Patent Citations (1)
Title |
---|
Forecasting short-term subway passenger flow under special events scenarios using multiscale radial basis function networks;Yang Li etc;《Transportation Research》;20170430;306-328 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330215A (zh) * | 2020-11-26 | 2021-02-05 | 长沙理工大学 | 一种城市用车需求量预测方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107529651A (zh) | 2018-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
Qin et al. | A novel combined prediction scheme based on CNN and LSTM for urban PM 2.5 concentration | |
Wang et al. | Deep learning for real-time crime forecasting and its ternarization | |
Ma et al. | Parallel architecture of convolutional bi-directional LSTM neural networks for network-wide metro ridership prediction | |
Zhang et al. | Predicting citywide crowd flows using deep spatio-temporal residual networks | |
Tian et al. | Spatial‐temporal attention wavenet: A deep learning framework for traffic prediction considering spatial‐temporal dependencies | |
Ma et al. | Short-term traffic flow forecasting by selecting appropriate predictions based on pattern matching | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
Li et al. | Graph neural network for robust public transit demand prediction | |
CN111415752B (zh) | 一种融合气象因素和搜索指数的手足口病预测方法 | |
CN114330868A (zh) | 基于自注意力的个性化增强图卷积网络的客流预测方法 | |
CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Mulerikkal et al. | Performance improvement for metro passenger flow forecast using spatio-temporal deep neural network | |
CN113298314A (zh) | 一种考虑动态时空相关性的轨道交通客流预测方法 | |
CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及系统 | |
CN113793227B (zh) | 一种用于社交网络事件的类人智能感知与预测方法 | |
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 | |
CN114385611A (zh) | 一种基于人工智能算法和知识图谱的降水预测方法和系统 | |
Du et al. | Highway travel time prediction of segments based on ANPR data considering traffic diversion | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |