CN109086926B - 一种基于组合神经网络结构的短时轨道交通客流预测方法 - Google Patents
一种基于组合神经网络结构的短时轨道交通客流预测方法 Download PDFInfo
- Publication number
- CN109086926B CN109086926B CN201810829015.7A CN201810829015A CN109086926B CN 109086926 B CN109086926 B CN 109086926B CN 201810829015 A CN201810829015 A CN 201810829015A CN 109086926 B CN109086926 B CN 109086926B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- neural network
- data
- rail transit
- wavelet
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000004807 localization Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于组合神经网络短时轨道交通客流预测方法,它是通过自编码神经网络模型,对采集到的轨道交通客流数据进行训练,使用逐层贪婪训练法依次训练每层网络,抽象出客流的本质规律;然后将学习到的参数用于初始化小波神经网络,利用有监督学习对权值进行调整,最后利用调整后的小波神经网络对短时轨道交通客流进行预测。本发明的方法可以对轨道交通客流数据进行更深入的特征提取,而且具备良好的时频局部化性能及函数逼近功能,因此在对轨道交通客流进行短时预测时精准度更高,性能更优。
Description
技术领域
本发明涉及轨道交通客流预测领域,具体涉及一种基于组合神经网络结构的短时轨道交通客流预测方法。
背景技术
随着国民经济的快速发展,国内交通网络结构愈发复杂,对于缓解城市道路压力、提高人们出行效率、降低能源消耗等方面,城市公共交通的大力发展是目前最有效的措施。轨道交通与其他交通工具相比,能提供更快的服务速度和更大的承载容量,对缓解城市交通拥堵、提高城市出行效率、改善城市交通结构、促进经济社会可持续发展有着十分重要的作用。
轨道交通项目的规划与设计中很多重要问题的判断与决策都需要通过客流预测提供数据支持,根据客流预测各项数据,将对轨道交通建设的重要问题作出判断和决策。传统的轨道交通客流数据预测方法主要有支持向量机、神经网络和决策树等,这些方法在一定规模的轨道交通客流数据基础上进行建模,从而进行预测,取得了一定的预测成效。但随着大数据时代的到来,诸如支持向量机这类浅层模型难以有效发掘海量数据下的隐含信息,无法获得最佳性能。
发明内容
针对上述问题,本发明提出一种基于组合神经网络的短时轨道交通客流预测模型,可以对轨道交通客流数据进行更深入的特征提取。基于该模型对轨道交通客流进行短时预测时精准度更高,性能更优。
为解决上述技术问题,采用的技术方案如下:
一种基于组合神经网络结构的短时轨道交通客流预测方法,包括以下步骤:
步骤1:把采集到的轨道交通线路上单个车站在运营时间内每隔一时段汇总一次的进出站客流量作为原始样本,对原始样本进行预处理并按照客流特性进行数据分类得到预处理样本;
步骤2:由步骤1得到的预处理样本,输入到自编码神经网络中,学习客流特征,在训练过程中对参数值进行调整;
步骤3:利用步骤2中的参数初始化小波神经网络,得到客流预测值。
更进一步的,所述步骤1具体为:
步骤1-1:确定神经网络的输入输出量;将客流预测根据时间的跨度分为长期、中期和短期客流预测;并作为初始样本;
步骤1-2:进行样本预处理;
步骤1-3:对异常数据进行处理;
步骤1-4:聚类分析处理,根据日期对客流数据进行分批处理;
步骤1-5:训练数据矩阵的构建;将处理后的数据矩阵中任意选取n组来构建训练数据矩阵,剩下的数据构建测试数据矩阵,构建神经网络的m×n维训练数据矩阵;
步骤1-6:归一化处理;使用归一化公式将样本数据归一化为[0,1]内的值,使客流数据处于同一数量级别,所用公式为:
更进一步的,所述步骤2具体为:
步骤2-1:建立基于自编码技术的小波神经网络模型;
步骤2-2:利用自动编码器提取客流数据特征;自编码包含两个过程:
(3)从输入层到隐藏层的原始数据x的编码过程:
h=gθ1(x)=σ(W1x+b1)
(4)从隐藏层到输出层的解码过程:
其中,σ是非线性激活函数,一般为sigmoid激活函数,表达式为
在训练样本上寻找参数θ={W1,W2,b1,b2},使得重构误差最小,对于包含m个样本的数据集上整体的重构误差损失函数表达式为:
将客流数据(x1,x2,…,xn)输入到一个自编码器,得到一个code(h1,h2,…,hr),经过decoder复现输入数据,最终提取到客流数据的特征;
步骤2-3:小波神经网络实现客流预测;小波神经网络包含输入层、隐含层和输出层,传递函数为Morlet函数,表达式为:
code的值为自编码器中的客流特征,将自编码器中训练好的参数作为小波神经网络的初始参数;
由上式得出输入数据为X=(x1,x2,…,xn)T,对应输入的节点数为n个;隐层小波基函数为r个;输出向量为Y=(y1,y2,…,yl)T,输出的节点数为l个;vij,wjk,aj和bj分别是第i个输入到第j个隐层节点的权值,第j个隐层节点到第k个输出节点的权值、第j个小波基的尺度参数和位移参数;得到的小波神经网络的输出值为:
小波神经网络的输出值与网络期望输出存在误差E,定义如下:
其中:dk为期望输出结果;yk为实际输出结果;对网络权值和小波基函数系数修正公式为:
其中,η表示比例系数,在训练过程中反映了学习速率;t为迭代次数。
更进一步的,步骤3中所述的小波神经网络,需利用权利要求3中训练好的自编码神经网络参数对其进行初始化,其传递函数为Morlet函数:
与现有的技术相比,本发明的有益效果是:本发明的方法可以对轨道交通客流数据进行更深入的特征提取,而且具备良好的时频局部化性能及函数逼近功能,因此在对轨道交通客流进行短时预测时精准度更高,性能更优。
附图说明
图1为本发明自编码神经网络结构图;
图2为本发明小波神经网络结构图;
图3为本发明组合神经网络算法建立过程示意图。
具体实施方法
下面将结合附图和实例对本发明方案进行详细说明。
基于组合神经网络的短时轨道交通客流预测方法包括以下步骤:
步骤1、确定神经网络的输入输出量
客流预测根据时间的跨度可以分为三类,分别为长期、中期和短期客流预测。由于城市轨道交通客流的不确定性、复杂性和随机性,使用短时预测能对客流的变化情况进行更为精确的研究。因此在本实例中对线路采集到的各个车站在运营时间内每隔15分钟汇总一次的进出站客流数据做处理,并作为初始样本。
步骤1-2、样本预处理
步骤1-3:异常数据处理
轨道交通历史客流数据,由于受到天气、节假日等因素的影响,会存在数据异常的现象,需要将这些数据进行剔除。
步骤1-4:聚类分析处理
客流样本与日期之间存在周期性变化规律,因此在短时客流预测前,有必要划分日期类型,根据日期对客流数据进行分批处理。在本实例中,通过matlab对客流数据进行聚类分析。
步骤1-5:训练数据矩阵的构建
将处理后的数据矩阵中任意选取n组来构建训练数据矩阵,剩下的数据构建测试数据矩阵,由此构建神经网络的m×n维训练数据矩阵。
步骤1-6:归一化处理
使用归一化公式将样本数据归一化为[0,1]内的值,使得客流数据处于同一数量级别,加快神经网络收敛。在本实例中,使用0-1标准化方法,所用公式为:
步骤2、由步骤1得到的预处理样本,输入到自编码神经网络中,学习客流特征,在训练过程中对参数值进行调整
步骤2-1:建立基于自编码技术的小波神经网络模型
步骤2-2:自动编码器学习客流的特征
自动编码器是一种利用经过无监督学习从无标签数据中提取高维复杂输入数据的分层特征,并得到原始数据的分布式特征表示的深度学习神经网络结构。它是由数据输入层、隐藏层、输出重构层组成。自编码包含两个过程:
(5)从输入层到隐藏层的原始数据x的编码过程:
h=gθ1(x)=σ(W1x+b1)
(6)从隐藏层到输出层的解码过程:
对自编码器的训练过程就是在训练样本上寻找参数θ={W1,W2,b1,b2},使得重构误差最小,对于包含m个样本的数据集上整体的重构误差损失函数表达式为:
因此,本发明采用的自编码模型,将客流数据(x1,x2,…,xn)输入到一个自编码器后,就会得到一个code(h1,h2,…,hr),再经过decoder复现输入数据,因此code承载了输入数据的特征。所以在自编码器进行训练过程中,通过调整encode编码器和decoder解码器的参数,使得重构误差最小,就可以提取到客流数据的特征。
步骤2-3:小波神经网络实现客流预测
小波分析具有良好时频局部化性能及其函数逼近的功能,因此,小波神经网络较传统神经网络具备更强的近似能力和更好的容错性。小波神经网络包含三层,分别是输入层、隐含层、输出层,传递函数为Morlet函数,表达式为:
code的值就是自编码器中提取到的客流特征,因此从输入层到隐藏层的参数代表了特征值的提取过程。将自编码器中训练好的参数作为小波神经网络的初始参数,有利于提高网络预测精度。
因此,输入数据为X=(x1,x2,…,xn)T,对应输入的节点数有n个;隐层小波基函数有r个;输出向量为Y=(y1,y2,…,yl)T,输出的节点数有l个;vij,wjk,aj和bj分别是第i个输入到第j个隐层节点的权值,第j个隐层节点到第k个输出节点的权值、第j个小波基的尺度参数和位移参数。得到的小波神经网络的输出值为:
小波神经网络的输出值与网络期望输出存在误差E,通常定义如下:
其中:dk为期望输出结果;yk为实际输出结果。权值修正采用梯度学习算法,直至总误差降低到可接受的范围。对网络权值和小波基函数系数修正公式为:
其中,η表示比例系数,在训练过程中反映了学习速率;t为迭代次数。
步骤3、利用实验数据,进行预测
将训练好的小波神经网络进行预测,得到预测数据。将预测数据反归一化,得到车站未来一天在运营时段内每15分钟的进出站预测客流量。
Claims (2)
1.一种基于组合神经网络结构的短时轨道交通客流预测方法,其特征在于:包括以下步骤:
步骤1:把采集到的轨道交通线路上单个车站在运营时间内每隔一时段汇总一次的进出站客流量作为原始样本,对原始样本进行预处理并按照客流特性进行数据分类得到预处理样本,具体为:
步骤1-1:确定神经网络的输入输出量;将客流预测根据时间的跨度分为长期、中期和短期客流预测;并作为初始样本;
步骤1-2:进行样本预处理;
步骤1-3:对异常数据进行处理;
步骤1-4:聚类分析处理,根据日期对客流数据进行分批处理;
步骤1-5:训练数据矩阵的构建;将处理后的数据矩阵中任意选取n组来构建训练数据矩阵,剩下的数据构建测试数据矩阵,构建神经网络的m×n维训练数据矩阵;
步骤1-6:归一化处理;使用归一化公式将样本数据归一化为[0,1]内的值,使客流数据处于同一数量级别,所用公式为:
步骤2:由步骤1得到的预处理样本,输入到自编码神经网络中,学习客流特征,在训练过程中对参数值进行调整,具体为:
步骤2-1:建立基于自编码技术的小波神经网络模型;
步骤2-2:利用自动编码器提取客流数据特征;自编码包含两个过程:
(1)从输入层到隐藏层的原始数据x的编码过程:
h=gθ1(x)=σ(W1x+b1)
(2)从隐藏层到输出层的解码过程:
在训练样本上寻找参数θ={W1,W2,b1,b2},使得重构误差最小,对于包含m个样本的数据集上整体的重构误差损失函数表达式为:
将客流数据(x1,x2,…,xn)输入到一个自编码器,得到一个code(h1,h2,…,hr),经过decoder复现输入数据,最终提取到客流数据的特征;
步骤2-3:小波神经网络实现客流预测;小波神经网络包含输入层、隐含层和输出层,传递函数为Morlet函数,表达式为:
code的值为自编码器中的客流特征,将自编码器中训练好的参数作为小波神经网络的初始参数;
由上式得出输入数据为X=(x1,x2,…,xn)T,对应输入的节点数为n个;隐层小波基函数为r个;输出向量为Y=(y1,y2,…,yl)T,输出的节点数为1个;vij,wjk,aj和bj分别是第i个输入到第j个隐层节点的权值,第j个隐层节点到第k个输出节点的权值、第j个小波基的尺度参数和位移参数;得到的小波神经网络的输出值为:
小波神经网络的输出值与网络期望输出存在误差E,定义如下:
其中:dk为期望输出结果;yk为实际输出结果;对网络权值和小波基函数系数修正公式为:
其中,η表示比例系数,在训练过程中反映了学习速率;t为迭代次数;
步骤3:利用步骤2中的参数初始化小波神经网络,得到客流预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810829015.7A CN109086926B (zh) | 2018-07-25 | 2018-07-25 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810829015.7A CN109086926B (zh) | 2018-07-25 | 2018-07-25 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086926A CN109086926A (zh) | 2018-12-25 |
CN109086926B true CN109086926B (zh) | 2022-03-18 |
Family
ID=64838652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810829015.7A Active CN109086926B (zh) | 2018-07-25 | 2018-07-25 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086926B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110265147B (zh) * | 2019-05-05 | 2023-05-05 | 深圳大学 | 神经网络及其训练方法、预测方法、设备及存储介质 |
CN110619422A (zh) * | 2019-11-04 | 2019-12-27 | 广东工业大学 | 一种智能车站客流状况预测方法和系统 |
CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
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 |
CN112926687A (zh) * | 2021-03-30 | 2021-06-08 | 武汉工程大学 | 基于PCANet和WNN的用户异常用电检测的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002133391A (ja) * | 2000-10-25 | 2002-05-10 | Raito Kogyo Co Ltd | 地層判別方法及び地層判別システム |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
EP2784729A1 (en) * | 2013-03-25 | 2014-10-01 | Amadeus | Method and system for detecting anomaly in passenger flow |
CN107748927A (zh) * | 2017-10-10 | 2018-03-02 | 东南大学 | 旅游交通短时客流大数据预测方法 |
-
2018
- 2018-07-25 CN CN201810829015.7A patent/CN109086926B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002133391A (ja) * | 2000-10-25 | 2002-05-10 | Raito Kogyo Co Ltd | 地層判別方法及び地層判別システム |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
Non-Patent Citations (2)
Title |
---|
城市轨道交通客流短期预测方法及实证研究;毛静;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20121015(第10期);正文第17-38页的3.城市轨道交通客流时序特征分析和4.基于时序特征的多模块加权神经网络客流预测方法 * |
城市轨道交通客流预测模型实证分析研究;崔博;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170215(第02期);正文第27-44页第四章常态客流预测模型建立与实证分析 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086926A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
CN113487061A (zh) | 一种基于图卷积-Informer模型的长时序交通流量预测方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN111210633A (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN113487855B (zh) | 一种基于emd-gan神经网络结构的交通流预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111598325A (zh) | 基于层次聚类和分层注意力机制的交通速度预测方法 | |
CN112580859B (zh) | 一种基于全局注意力机制的雾霾预测方法 | |
Wang et al. | Prediction and analysis of train passenger load factor of high-speed railway based on LightGBM algorithm | |
CN114970815A (zh) | 一种基于改进pso算法优化lstm的交通流预测方法及装置 | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
CN108491958B (zh) | 一种短时公交客流弦不变量预测方法 | |
CN110796301B (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN116404637A (zh) | 电力系统短期负荷预测方法和电力系统短期负荷预测装置 | |
Lai et al. | Short‐term passenger flow prediction for rail transit based on improved particle swarm optimization algorithm | |
CN115909717A (zh) | 一种基于深度学习的高速公路短时交通流预测方法 | |
CN114915563A (zh) | 一种网络流量预测方法和系统 | |
Huang et al. | Short-term traffic flow parameters prediction based on multi-scale analysis and artificial neural network |
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 |