CN109102108B - 一种基于通信数据和神经网络的实时地铁人流密度预测方法 - Google Patents
一种基于通信数据和神经网络的实时地铁人流密度预测方法 Download PDFInfo
- Publication number
- CN109102108B CN109102108B CN201810782663.1A CN201810782663A CN109102108B CN 109102108 B CN109102108 B CN 109102108B CN 201810782663 A CN201810782663 A CN 201810782663A CN 109102108 B CN109102108 B CN 109102108B
- Authority
- CN
- China
- Prior art keywords
- time
- subway
- data
- real
- neural network
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 210000002569 neuron Anatomy 0.000 claims abstract description 15
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种基于通信数据和神经网络的实时地铁人流密度预测方法,属于大数据与深度学习技术领域。包括数据预处理、构建和训练权值共享循环神经网络模型、实时预测地铁人流密度三个步骤,先构建地铁进出站数据集B,对一定距离范围内的通信数据进行清洗得到数据集C,以K个地铁站为聚类中心对数据集C进行处理,统计每类包含的乘客数p并作为t时刻的潜在乘客;组合数据集B、C,得到数据集A(t);再构建和训练权值共享循环神经网络模型,输入A(t),计算t时刻下的隐藏层神经元输出ht,然后计算共享层的输出st,最终计算输出yt,即可。本发明可以准确、快速地给出实时的地铁人流密度的预测,包括地铁站附近特殊情况下的人流密度预测。
Description
技术领域
本发明涉及一种基于通信数据和权值共享循环神经网络的实时地铁人流密度预测方法,属于大数据与深度学习领域。
背景技术
公共交通是一个城市中最重要的几个组成部分之一,随着大数据处理技术的成熟,人们对公共交通系统有了新的要求,为了出行的质量,需要第一时间知道公共交通的拥堵情况,甚至是未来一段时间的交通情况。公共交通情况的即时甚至超前反馈,对于决策者来说也是十分重要的。
地铁作为公共交通的重要组成部分,承担了大部分的公共交通任务,对地铁人流密度进行预测,对于指导市民出行和公共交通管理都具有重要的现实意义。目前,对地铁人流的处理主要集中在现场监控和疏导方面,而且是依靠现场检测数据和历史数据进行,预测的准确性和实时性都较差,涉及地铁站周边一定范围内的潜在乘客的预测技术未见报道。
发明内容
本发明要解决的技术问题是针对现有技术不能对地铁人流进行实时预测或预测准确性差的缺点,提出一种基于通信数据和神经网络的实时地铁人流密度预测方法,利用地铁站及周边人员通信数据,通过权值共享的循环神经网络进行地铁人流密度的预测,实现地铁人流密度的实时预测,提高预测的准确性。
为解决上述技术问题,本发明提供一种基于通信数据和神经网络的实时地铁人流密度预测方法,包括数据预处理、构建和训练权值共享循环神经网络模型、实时预测地铁人流密度三个步骤,具体过程如下:
(1)进行数据预处理
(1.1)构建地铁进出站数据集B=(t,in,out,num),即t时刻的进站人数、出站人数、站台等候人数;
(1.2)对一定距离范围内的通信数据进行清洗,只保留用户编号、经度、纬度、时间,得到数据集c=(id,t,x,y);
(1.3)对数据集c进行处理,对每个时刻t的数据进行聚类,以K个地铁站为聚类中心,采用欧氏距离进行聚类,聚类完成后统计每类包含的乘客数p,将其作为t时刻的潜在乘客;
(1.4)组合数据集B、c,得到下面两个部分需要使用的数据集A(t)=(in,out,num,p),代表t时刻地铁站进站人数、出站人数、站内等待人数、潜在乘客人数,并将符号简化为A(t)={x0(t),...x3(t)};
其中,in-t时刻的进站人数,out-t时刻的出站人数,num-t时刻的站台等候人数,id-通信用户编号,x-通信用户经度、y-通信用户纬度,t-时间,k-地铁站数(可根据实际需要具体确定),p-每类包含的乘客数,x0(t)-t时刻地铁站进站人数,x1(t)-t时刻地铁站出站人数,x2(t)-t时刻地铁站内等待人数,X3(t)-t时刻地铁站潜在乘客人数;
(2)构建和训练权值共享循环神经网络模型,该模型包括一个输入层、一个隐藏层、一个权值共享层、一个输出层,即:
(2.1)输入经步骤(1)数据预处理过程处理出的A(t)={x0(t),...x3(t)};
(2.2)根据步骤(2.1)中的输入集合上一个时刻t-1时隐藏层的输出ht-1,计算t时刻下的隐藏层神经元输出ht=tanh(Whxxt+Whhht-1+bh);
(2.4)根据步骤(2.3)计算出的共享层输出st计算最终输出yt=σ(Wosst+bo),即得到预测的下一个时刻的人流密度;
其中,Whx、Wos-训练出来的模型的参数(即连接神经元之间的边的权重矩阵),bo、bs、bh-神经网络的偏置参数,xt-t时刻的输入,ht-1-上一个时刻隐藏层的神经元的输出值,Whh-上一个时刻隐藏层神经元输出对应的权值矩阵,-多个神经网络共享的权值;
(3)实时预测地铁人流密度
(3.1)实时接收地铁站的数据和通信数据,按照步骤(1)的数据预处理方式对实时接受到的数据进行处理,输出神经网络需要使用的输入数据集;
(3.2)使用步骤(2)训练好的模型,对下一时刻的地铁站人流密度进行预测,得到预测结果。
所述步骤(1.2)中进行清洗的通信数据距离范围为地铁站周边0.5-1km,具体根据实际需要确定。
所述预测方法的整个操作过程均基于并行化的云计算引擎Resa完成,可以达到实时预测的效果。
本发明的实施采用现有通信数据信息接收处理系统和信息机器学习处理系统等配合进行。
本发明针对目前缺乏实时地铁人流密度预测技术的情况,采用地铁站原有的乘客数据构成系统背景数据,结合通信数据来挖掘出潜在的地铁乘客,将处于地铁站一定范围内的产生通信数据的人作为潜在乘客,并考虑周边会展、演出等特殊人流情况,通过聚类算法来决定哪些乘客会被划入范围,并利用深度学习中的循环神经网络作为预测的模型,对循环神经网络进行改进,考虑地铁站之间相互影响,构建一种权值共享的循环神经网络模型,采用在GitHub上开源的并行化计算系统Resa作为预测系统的计算引擎,继而用于地铁人流密度的实时预测,根据实时的数据去预测下一个时刻的地铁人流密度情况,使得模型预测的结果更加合理和准确,有效实现地铁人流密度的实时预测,为市民提供准确有效实时的预测数据,改善市民的出行体验。
本发明提出的实时地铁人流密度预测方法具有数据预处理、模型训练、在线处理和预测三个功能,可以准确、快速的给出实时的地铁人流密度的预测,包括地铁站附近刚刚结束大型集会活动存在非常多潜在乘客而导致下一个时刻的地铁人流密度陡然上升等特殊情况下的人流密度预测。具有可准确、快速预测地铁站人流密度等优点。
附图说明
图1是本发明方法运行流程图。
图2是本发明数据聚类样图。
图3是本发明权值共享的循环神经网络图。
图4是本发明循环神经网络神经元展开图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详尽描述,实施例中未注明的技术或产品,均为现有技术或可以通过购买获得的常规产品。
实施例1:如图1-4所示,本基于通信数据和神经网络的实时地铁人流密度预测方法包括数据预处理、构建和训练权值共享循环神经网络模型、实时预测地铁人流密度三个步骤,具体过程如下:
(1)进行数据预处理
(1.1)构建地铁进出站数据集B=(t,in,out,num),即t时刻的进站人数、出站人数、站台等候人数;
(1.2)对地铁站周边0.5km距离范围内的通信数据进行清洗,只保留用户编号、经度、纬度、时间,得到数据集c=(id,t,x,y);
(1.3)对数据集c进行处理,对每个时刻t的数据进行聚类,以k个地铁站为聚类中心,采用欧氏距离进行聚类,聚类完成后统计每类包含的乘客数p,将其作为t时刻的潜在乘客;
(1.4)组合数据集B、c,得到下面两个部分需要使用的数据集A(t)=(in,out,num,p),代表t时刻地铁站进站人数、出站人数、站内等待人数、潜在乘客人数,并将符号简化为A(t)={x0(t),...x3(t)};
其中,in-t时刻的进站人数,out-t时刻的出站人数,num-t时刻的站台等候人数,id-通信用户编号,x-通信用户经度、y-通信用户纬度,t-时间,K-作为聚类中心的地铁站数(k=8个),p-每类包含的乘客数,x0(t)-t时刻地铁站进站人数,x1(t)-t时刻地铁站出站人数,x2(t)-t时刻地铁站内等待人数,X3(t)-t时刻地铁站潜在乘客人数;
(2)构建和训练权值共享循环神经网络模型,该模型包括一个输入层、一个隐藏层、一个权值共享层、一个输出层,即:
(2.1)输入经步骤(1)数据预处理过程处理出的A(t)={x0(t),...x3(t)};
(2.2)根据步骤(2.1)中的输入集合上一个时刻t-1时隐藏层的输出ht-1,计算t时刻下的隐藏层神经元输出ht=tanh(Whxxt+Whhht-1+bh);
(2.4)根据步骤(2.3)计算出的共享层输出st计算最终输出yt=σ(Wosst+bo),即得到预测的下一个时刻的人流密度;
其中,Whx、Wos-训练出来的模型的参数,bo、bs、bh-神经网络的偏置参数,xt-t时刻的输入,ht-1-上一个时刻隐藏层的神经元的输出值,Whh-上一个时刻隐藏层神经元输出对应的权值矩阵,-多个神经网络共享的权值;
(3)实时预测地铁人流密度
(3.1)实时接收地铁站的数据和通信数据,按照步骤(1)的数据预处理方式对实时接受到的数据进行处理,输出神经网络需要使用的输入数据集;
(3.2)使用步骤(2)训练好的模型,对下一时刻的地铁站人流密度进行预测,得到预测结果。
本发明的实施采用现有通信数据信息接收处理系统和信息机器学习处理系统等配合进行,整个操作过程均基于并行化的云计算引擎Resa完成。
本方法中,通信数据的例表如下:
用户编号 | 时间 | 经度 | 维度 |
00001 | 9:00:00am | 89.112341 | 55.213423 |
00002 | 9:01:00am | 84.112341 | 54.213423 |
00003 | 9:02:00am | 83.112341 | 55.213423 |
00004 | 9:03:00am | 82.112341 | 56.213423 |
实施例2:如图1-4所示,本基于通信数据和神经网络的实时地铁人流密度预测方法包括数据预处理、构建和训练权值共享循环神经网络模型、实时预测地铁人流密度三个步骤,具体过程与实施例1相同。步骤(1.2)中对地铁站周边0.8/km距离范围内的通信数据进行清洗,步骤(1.3)中以5个地铁站为聚类中心(即k=5)。
实施例3:如图1-4所示,本基于通信数据和神经网络的实时地铁人流密度预测方法包括数据预处理、构建和训练权值共享循环神经网络模型、实时预测地铁人流密度三个步骤,具体过程与实施例1相同。步骤(1.2)中对地铁站周边1/km距离范围内的通信数据进行清洗,步骤(1.3)中以3个地铁站为聚类中心(即k=3)。
上面结合附图对本发明的技术内容作了说明,但本发明的保护范围并不限于所述内容,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下对本发明的技术内容做出各种变化,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于通信数据和神经网络的实时地铁人流密度预测方法,其特征在于:所述预测方法包括数据预处理、构建和训练权值共享循环神经网络模型、实时预测地铁人流密度三个步骤,具体过程如下:
(1)进行数据预处理
(1.1)构建地铁进出站数据集B=(t,in,out,num),即t时刻的进站人数、出站人数、站台等候人数;
(1.2)对一定距离范围内的通信数据进行清洗,只保留用户编号、经度、纬度、时间,得到数据集C=(id,t,x,y);
(1.3)对数据集C进行处理,对每个时刻t的数据进行聚类,以K个地铁站为聚类中心,采用欧氏距离进行聚类,聚类完成后统计每类包含的乘客数p,将其作为t时刻的潜在乘客;
(1.4)组合数据集B、C,得到下面两个部分需要使用的数据集A(t)=(in,out,num,p),代表t时刻地铁站进站人数、出站人数、站内等待人数、潜在乘客人数,并将符号简化为A(t)={χ0(t),χ1(t),χ2(t),χ3(t)};
其中,in-t时刻的进站人数,out-t时刻的出站人数,num-t时刻的站台等候人数,id-通信用户编号,x-通信用户经度、y-通信用户纬度,t-时间,K-地铁站数,p-每类包含的乘客数,x0(t)-t时刻地铁站进站人数,x1(t)-t时刻地铁站出站人数,x2(t)-t时刻地铁站内等待人数,x3(t)-t时刻地铁站潜在乘客人数;
(2)构建和训练权值共享循环神经网络模型,该模型包括一个输入层、一个隐藏层、一个权值共享层、一个输出层,即:
(2.1)输入经步骤(1)数据预处理过程处理出的A(t)={χ0(t),χ1(t),χ2(t),χ3(t)};
(2.2)根据步骤(2.1)中的输入集合上一个时刻t-1时隐藏层的输出ht-1,计算t时刻下的隐藏层神经元输出ht=tanh(Whxxt+Whhht-1+bh);
(2.4)根据步骤(2.3)计算出的共享层输出st计算最终输出yt=σ(Wosst+bo),即得到预测的下一个时刻的人流密度;
其中,Whx、Wos-训练出来的模型的参数,bo、bs、bh-神经网络的偏置参数,xt-t时刻的输入,ht-1-上一个时刻隐藏层的神经元的输出值,Whh-上一个时刻隐藏层神经元输出对应的权值矩阵,-多个神经网络共享的权值;
(3)实时预测地铁人流密度
(3.1)实时接收地铁站的数据和通信数据,按照步骤(1)的数据预处理方式对实时接收到的数据进行处理,输出神经网络需要使用的输入数据集;
(3.2)使用步骤(2)训练好的模型,对下一时刻的地铁站人流密度进行预测,得到预测结果。
2.根据权利要求1所述的基于通信数据和神经网络的实时地铁人流密度预测方法,其特征在于:所述步骤(1.2)中进行清洗的通信数据距离范围为地铁站周边0.5-1km。
3.根据权利要求1所述的基于通信数据和神经网络的实时地铁人流密度预测方法,其特征在于:所述预测方法的整个操作过程均基于并行化的云计算引擎Resa完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810782663.1A CN109102108B (zh) | 2018-07-16 | 2018-07-16 | 一种基于通信数据和神经网络的实时地铁人流密度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810782663.1A CN109102108B (zh) | 2018-07-16 | 2018-07-16 | 一种基于通信数据和神经网络的实时地铁人流密度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102108A CN109102108A (zh) | 2018-12-28 |
CN109102108B true CN109102108B (zh) | 2021-10-26 |
Family
ID=64846513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810782663.1A Active CN109102108B (zh) | 2018-07-16 | 2018-07-16 | 一种基于通信数据和神经网络的实时地铁人流密度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102108B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612281B (zh) * | 2020-06-23 | 2023-04-14 | 中国人民解放军国防科技大学 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463364B (zh) * | 2014-12-04 | 2018-03-20 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
CN106156890B (zh) * | 2016-07-07 | 2018-06-29 | 北京交通大学 | 一种城市轨道交通通道内客流检测和预测方法及其系统 |
CN106327632A (zh) * | 2016-08-17 | 2017-01-11 | 成都仁通融合信息技术有限公司 | 一种获取地铁线路各站点实时路况的系统及方法 |
CN108200566B (zh) * | 2016-12-08 | 2021-03-05 | 中国移动通信集团设计院有限公司 | 一种人流拥塞预警方法及装置 |
CN106982334A (zh) * | 2017-03-02 | 2017-07-25 | 上海申通地铁集团有限公司 | 用于地铁车站的客流监控装置及方法 |
-
2018
- 2018-07-16 CN CN201810782663.1A patent/CN109102108B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109102108A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Group pooling for deep tourism demand forecasting | |
CN109308543B (zh) | 基于ls-svm和实时大数据的地铁短期客流预测方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN109919108A (zh) | 基于深度哈希辅助网络的遥感图像快速目标检测方法 | |
CN104376716B (zh) | 一种基于贝叶斯网络模型的公交时刻表动态生成方法 | |
CN108022012A (zh) | 基于深度学习的车辆位置预测方法 | |
CN112733967A (zh) | 联邦学习的模型训练方法、装置、设备及存储介质 | |
Nagaraj et al. | Passenger flow prediction in bus transportation system using deep learning | |
CN106570597A (zh) | 一种sdn架构下基于深度学习的内容流行度预测方法 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
Luo et al. | Fine-grained service-level passenger flow prediction for bus transit systems based on multitask deep learning | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN111931978A (zh) | 一种基于时空特性的城市轨道交通客流状态预测方法 | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
Chen et al. | Driving decision-making analysis of car-following for autonomous vehicle under complex urban environment | |
CN109102108B (zh) | 一种基于通信数据和神经网络的实时地铁人流密度预测方法 | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
Kyriacou et al. | Bayesian traffic state estimation using extended floating car data | |
Yang et al. | Dynamic Origin‐Destination Matrix Estimation Based on Urban Rail Transit AFC Data: Deep Optimization Framework with Forward Passing and Backpropagation Techniques | |
CN113128772A (zh) | 一种基于序列到序列模型的人群数量预测方法以及装置 | |
Yang et al. | Alighting and boarding time prediction in different types of waiting areas at subway stations | |
CN116386020A (zh) | 多源数据融合的高速公路收费站出口流量预测方法及系统 | |
Alekseev et al. | Forecasting the air transport demand for passengers with neural modelling |
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 |