CN109785618B - 一种基于组合逻辑的短时交通流预测方法 - Google Patents
一种基于组合逻辑的短时交通流预测方法 Download PDFInfo
- Publication number
- CN109785618B CN109785618B CN201910027353.3A CN201910027353A CN109785618B CN 109785618 B CN109785618 B CN 109785618B CN 201910027353 A CN201910027353 A CN 201910027353A CN 109785618 B CN109785618 B CN 109785618B
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- prediction result
- data set
- 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.)
- Active
Links
Images
Abstract
本发明涉及一种基于组合逻辑的短时交通流预测方法，包括：采集交通流量数据得到第一数据集；对所述第一数据集进行预处理得到第二数据集；利用所述第二数据集分别对随机森林回归预测模型和BP神经网络预测模型进行训练，得到随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果；将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成最终模型；将所述第二数据集输入所述最终模型得到最终预测结果。本发明实施例通过对随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果进行二次建模得到最终模型，使用较少的数据实现了更精确和更高效的短时交通流预测。
Description
技术领域
本发明属于ITS(智能交通系统)领域，具体涉及一种基于组合逻辑的短时交通流预测方法。
背景技术
现有交通状况下，交通拥堵、效率低下已经成为世界性的难题。交通问题的重要性不仅体现在人们的一行一动中，更对宏观层面的城市建设、规划管理产生着决定性的影响。然而，通过交通流量预测以及智慧交通调度系统能够有效的减轻交通拥堵问题。但短时交通流具有高度的不确定性和非线性，有可能会随着天气、交通管制、突发事件的影响，简单的线性模型无法反应出交通流量的变化规律，因此需要较为复杂的模型进行预测。
当前技术中存在一种模糊自适应的短时交通流预测算法，主要是使用深度学习中的深度卷积神经网络进行规则的生成，运用深度学习自动学习特征的特点自动获取交通流中的隐含规律，从而生成模型进行预测。深度学习在特征提取方面的确具有很大的优势，但是这种算法需要大量的数据进行分析，但在交通流预测中，大量数据意味着时间跨度很大的数据，很多数据对于短时交通流预测已经过时，并不能起到很好的效果，并且深度学习训练时对硬件设备要求较高，时间效率很不理想。
目前，国内外对于交通流量的研究现状在于针对不同模型的优势和劣势，在不同的交通预测场景下，采取组合预测模型，现有的基于支持向量机(SVM)与BP神经网络结合的交通流预测算法，本方法需要大量的参数进行调整，并且训练周期较长，预测精度较低。
发明内容
为了解决现有技术中存在的缺陷和不足，本发明提供了一种基于组合逻辑的短时交通流预测方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于组合逻辑的短时交通流预测方法，包括：
采集交通流量数据得到第一数据集；
对所述第一数据集进行预处理得到第二数据集；
利用所述第二数据集分别对随机森林回归预测模型和BP神经网络预测模型进行训练，得到随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果；
将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成最终模型；
将所述第二数据集输入所述最终模型得到最终预测结果。
在本发明的一个实施例中，采集交通流量数据得到第一数据集，包括：
采集交通流量数据得到第一数据集，其中，所述第一数据集包括交通流量、当天天气状况。
在本发明的一个实施例中，对所述第一数据集进行预处理得到第二数据集，包括：
对所述第一数据集中的交通流量缺省值采用插补方式处理得到处理后的交通流量数据；
对所述第一数据集中的当天天气状况缺省值采取删除记录的方式处理得到处理后的天气状况数据；
对所述第一数据集中的异常值采取直接删除的方式处理得到处理后的数据；
对处理后的交通流量数据、处理后的天气状况数据、处理后的数据进行归一化处理，得到所述第二数据集。
在本发明的一个实施例中，利用所述第二数据集分别对随机森林回归预测模型和BP神经网络预测模型进行训练，得到随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果，包括：
利用所述第二数据集的训练集数据对所述随机森林回归预测模型进行训练形成随机森林回归预测模型的预测结果；
利用所述第二数据集的训练集数据对所述BP神经网络预测模型进行训练形成BP神经网络预测模型的预测结果。
在本发明的一个实施例中，将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成最终模型，包括：
将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果；
对所述第一预测结果进行误差分析后形成第二预测结果；
将所述第二预测结果和所述第二数据集的训练集输入线性回归模型形成最终模型。
在本发明的一个实施例中，将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果，包括：
利用线性回归模型对所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果。
在本发明的一个实施例中，对所述第一预测结果进行误差分析后形成第二预测结果，包括：
采用迭代法将所述第一预测结果和所述第二数据集的验证集采用均方根误差进行模型评价后形成所述第二预测结果。
在本发明的一个实施例中，将所述第二预测结果和所述第二数据集的训练集输入线性回归模型形成最终模型，包括：
将所述第二预测结果作为输入，将所述第二数据集的训练集作为输出，输入到线性回归模型形成最终模型。
在本发明的一个实施例中，将所述第二数据集输入所述最终模型得到最终预测结果，包括：
将所述第二数据集的测试集输入所述最终模型后得到所述最终预测结果。
与现有技术相比，本发明的有益效果：
本发明通过对随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果进行二次建模得到最终模型，使用较少的数据实现了更精确和更高效的短时交通流预测，相比单个模型的预测精度提高了10％左右。
通过以下参考附图的详细说明，本发明的其它方面和特征变得明显。但是应当知道，该附图仅仅为解释的目的设计，而不是作为本发明的范围的限定，这是因为其应当参考附加的权利要求。还应当知道，除非另外指出，不必要依比例绘制附图，它们仅仅力图概念地说明此处描述的结构和流程。
附图说明
图1为本发明实施例提供的一种基于组合逻辑的短时交通流预测方法流程图；
图2为本发明实施例提供的一种车流信息采集系统流程图；
图3为本发明实施例提供的一种随机森林回归预测模型算法流程图；
图4为本发明实施例提供的一种BP神经网络预测模型算法概图；
图5为本发明实施例提供的一种Sigmoid函数。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
本发明实施例提供的一种基于组合逻辑的短时交通流预测方法，该方法包括如下步骤：
步骤1、采集交通流量数据得到第一数据集。
请参照图1和图2，图1为本发明实施例提供的一种基于组合逻辑的短时交通流预测方法流程图，图2为本发明实施例提供的一种车流信息采集系统流程图。
所述交通流量数据包括：车辆视频流信息、不同路段路况信息和当天天气状况。
优选地，不同路段的路况信息包括：路长、路宽、交通信号灯数目等。
采集交通流量数据主要是利用嵌入式设备获取车辆视频流信息、不同路段的路况信息和当天天气状况。具体地，通过Nanopi设备获取视频，然后通过车辆信息的识别获取车辆的数目、速度等信息，最终将十天的车流数据以10min的采集间隔保存到第一数据集。
步骤2、对所述第一数据集进行预处理得到第二数据集。
对所述第一数据集中的交通流量缺省值采用插补方式处理得到处理后的交通流量数据。
具体地，插补方式有以下两种情况：
连续缺省值较少时，我们会采用线性插值法，就是找到前后非缺省的值，然后相减求均值；
连续缺省值较多时，求出历史数据中该时段的流量期望进行补充。
对所述第一数据集中的当天天气状况缺省值采取删除记录的方式处理得到处理后的天气状况数据。
对所述第一数据集中的异常值采取直接删除的方式处理得到处理后的数据。
对处理后的交通流量数据、处理后的天气状况数据、处理后的数据进行归一化处理，得到所述第二数据集。
具体地，使用min-max方法对所述处理后的交通流量数据、处理后的天气状况数据、处理后的数据进行归一化，使得归一化处理后的数据都映射到[0,1]之间，即对每个数据都进行计算：
其中，
表示归一化后的i时刻的交通流数据；
max表示交通流数据中的最大值；
min表示交通流数据中的最小值；
fi表示采集到的某时刻的交通流数据。
进一步地，我们将归一化处理后的数据存储到第二数据集。
步骤3、利用所述第二数据集分别对随机森林回归预测模型和BP神经网络预测模型进行训练，得到随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果。
进一步地，从所述第二数据集中随机划分70％作为训练集，从所述第二数据集中随机划分15％作为验证集，从所述第二数据集中随机划分15％作为测试集。
优选地，训练集包括：特征值和label值(将预测值)，其中，训练集是用来训练模型，验证集是用来确定模型和模型的最优化，测试集是为了测试已经训练好的模型。
步骤3.1、利用所述第二数据集的训练集数据对所述随机森林回归预测模型进行训练形成随机森林回归预测模型的预测结果。
请参见图3，图3为本发明实施例提供的一种随机森林回归预测模型算法流程图。
根据所述第二数据集构建随机森林回归预测模型，其具体方法为：
步骤a1、令决策树序号t＝1；
步骤a2、从所述第二数据集的训练集中采用Bootstrap方法有放回地进行k次随机采样，抽取N个数据样本作为第t棵决策树的训练集S(t)；
步骤a3、从所述训练集S(t)样本中的d个特征中随机选择m个特征组成集合，然后从该集合中选择一个最优的属性用于划分左右孩子，并重复该步骤，最终生成决策树Tt；
步骤a4、得到左右决策树的集合
构成随机森林，由k棵决策树预测值的均值得出所述随机森林回归预测模型最终预测结果；
步骤a5、使用验证集的结果对所述随机森林回归预测模型最终预测结果进行最小均方差的误差分析，直到所述第二数据集中的所述交通流量数据训练完，形成随机森林回归预测模型的预测结果。
步骤3.2、利用所述第二数据集的训练集数据对所述BP神经网络预测模型进行训练形成BP神经网络预测模型的预测结果。
请参见图4，图4为本发明实施例提供的一种BP神经网络预测模型算法概图，其中，所述BP神经网络预测模型包括：输入层神经元，隐层神经元和输出层神经元。
根据所述第二数据集构建BP神经网络预测模型，具体方法为：
步骤b1、输入所述BP神经网络预测模型的训练集，其中包括d个特征值x和一个label值y(将预测值)，进行模型训练，其中隐层使用如图5的函数，图5为本发明实施例提供的一种Sigmoid函数，输出层使用线性函数。
步骤b2、隐层神经元输出为：
式中，wij为连接权值，xi为输入特征值，aj为神经元阈值，l为隐层节点数。
步骤b3、输出层神经元输出为：
式中vj为隐层到输出结果的权值，
为预测输出结果。
步骤b4、通过反向传播误差函数计算误差，
式中，
为第i个测试样本的预测结果，yi为测试样本实际结果，E为预测总误差。
步骤b5、由梯度下降法，对所述误差求偏导来调整各层连接权值和阈值。沿负梯度方向进行调整，其中学习率η采用自适应学习率：
ηk＝σ(k)η(k-1)
其中，σ(k)为第k次迭代时的自适应学习速率因子。
权值wij的修正量Δwij为
阈值aj的修正量Δaj为
式中，Δwij是调整两个神经元之间的权值的变化量，η为学习率，E为模型总误差，wij为两个神经元之间的连接权，aj为神经元阈值。
步骤b6、设置迭代次数n＝300，当满足迭代次数时结束训练，得到所述BP神经网络预测模型的预测结果。
步骤4、将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成最终模型。
具体地，本发明采用了模型的组合逻辑，将所述的随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果输入线性回归模型，并对该模型进行训练，将训练后的最优参数输入线性回归模型，形成最终模型。
优选地，最优参数是迭代500次以上使平均绝对百分比误差和均方根误差达到最小的参数。
具体步骤如下：
步骤4.1、将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果。
将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果，包括：利用线性回归模型对所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果。
设模型为y＝bbp*ybp+brf*yrf+bc，
式中，y是所述第一预测结果，而bbp、brf分别为BP神经网络预测模型和随机森林预测模型的权值，ybp、yrf分别为BP神经网络预测模型和随机森林预测模型的预测结果，bc为误差项。
步骤4.2、对所述第一预测结果进行误差分析后形成第二预测结果。
对所述第一预测结果进行误差分析后形成第二预测结果，包括：采用迭代法将所述第一预测结果和所述第二数据集的验证集采用均方根误差进行模型评价后形成所述第二预测结果。
具体地，均方根误差RMSE定义为
式中f表示验证集实际值，
表示第一预测结果中第i个数据，N表示预测样本的个数。
进一步地，验证集实际值属于所述第二数据集的验证集数据，不同时刻对应不同的验证集实际值。
步骤4.3、将所述第二预测结果和所述第二数据集的训练集输入线性回归模型形成最终模型。
具体地，将所述第二预测结果作为输入，将所述第二数据集的训练集作为输出，输入到线性回归模型形成最终模型。
进一步地，将所述第二预测结果作为特征值输入，将所述第二数据集的训练集label值作为输出，输入到线性回归模型形成最终模型。
步骤5、将所述第二数据集输入所述最终模型得到最终预测结果。
将所述第二数据集输入所述最终模型得到最终预测结果，包括：将所述第二数据集的测试集输入所述最终模型后得到所述最终预测结果。
具体地，将所述第二数据集的测试集输入所述最终模型后，计算机会自动循环步骤3和步骤4，从而得到最终预测结果。
步骤6、对所述最终预测结果进行误差分析。
对所述最终预测结果进行误差分析，包括：采用平均绝对百分比误差和均方根误差叠加的方式对所述最终预测结果进行误差分析。
具体地，采用平均绝对百分比误差MAPE和均方根误差RMSE叠加的方式对所述最终预测结果和测试集实际值进行误差分析。
MAPE定义为
RMSE定义为
上式中f表示测试集实际值，
表示最终预测结果，fi表示第i个测试集实际值，
表示最终预测结果中第i个数据，N表示预测样本的个数。
优选地，测试集实际值属于所述第二数据集测试集数据，不同时刻对应不同的测试集实际值。
由以上的误差分析计算结果得出，相比单个模型，预测精度提高了10％左右。
与现有技术相比，本发明的有益效果：
本发明通过对随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果进行二次建模得到最终模型，使用较少的数据实现了更精确和更高效的短时交通流预测，相比单个模型的预测精度提高了10％左右。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (3)
1.一种基于组合逻辑的短时交通流预测方法，其特征在于，包括：
采集交通流量数据得到第一数据集，所述交通流量数据包括车辆视频流信息、不同路段路况信息和当天天气状况；其中，所述不同路段路况信息至少包括交通信号灯数目；
对所述第一数据集进行预处理得到第二数据集；
所述对所述第一数据集进行预处理得到第二数据集，包括：
对所述第一数据集中的交通流量缺省值采用插补方式处理得到处理后的交通流量数据；
对所述第一数据集中的当天天气状况缺省值采取删除记录的方式处理得到处理后的天气状况数据；
对所述第一数据集中的异常值采取直接删除的方式处理得到处理后的数据；
对处理后的交通流量数据、处理后的天气状况数据、处理后的数据进行归一化处理，得到所述第二数据集；
利用所述第二数据集分别对随机森林回归预测模型和BP神经网络预测模型进行训练，得到随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果；
利用所述第二数据集分别对随机森林回归预测模型和BP神经网络预测模型进行训练，得到随机森林回归预测模型的预测结果和BP神经网络预测模型的预测结果，包括：
利用所述第二数据集的训练集数据对所述随机森林回归预测模型进行训练形成随机森林回归预测模型的预测结果；
利用所述第二数据集的训练集数据对所述BP神经网络预测模型进行训练形成BP神经网络预测模型的预测结果；
将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成最终模型；
所述将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成最终模型，包括：
将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果；
对所述第一预测结果进行误差分析后形成第二预测结果；
将所述第二预测结果和所述第二数据集的训练集输入线性回归模型形成最终模型；
将所述第二数据集输入所述最终模型得到最终预测结果；
对所述最终预测结果进行误差分析，包括：
采用平均绝对百分比误差和均方根误差叠加的方式对所述最终预测结果进行误差分析；
将所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果，包括：
利用线性回归模型对所述随机森林回归预测模型的预测结果和所述BP神经网络预测模型的预测结果进行融合处理，形成第一预测结果；
对所述第一预测结果进行误差分析后形成第二预测结果，包括：
采用迭代法将所述第一预测结果和所述第二数据集的验证集采用均方根误差进行模型评价后形成所述第二预测结果。
2.根据权利要求1所述的方法，其特征在于，将所述第二预测结果和所述第二数据集的训练集输入线性回归模型形成最终模型，包括：
将所述第二预测结果作为输入，将所述第二数据集的训练集作为输出，输入到线性回归模型形成最终模型。
3.根据权利要求1所述的方法，其特征在于，将所述第二数据集输入所述最终模型得到最终预测结果，包括：
将所述第二数据集的测试集输入所述最终模型后得到所述最终预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910027353.3A CN109785618B (zh) | 2019-01-11 | 2019-01-11 | 一种基于组合逻辑的短时交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910027353.3A CN109785618B (zh) | 2019-01-11 | 2019-01-11 | 一种基于组合逻辑的短时交通流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109785618A CN109785618A (zh) | 2019-05-21 |
| CN109785618B true CN109785618B (zh) | 2022-05-13 |
Family
ID=66500211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910027353.3A Active CN109785618B (zh) | 2019-01-11 | 2019-01-11 | 一种基于组合逻辑的短时交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109785618B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414719B (zh) * | 2019-07-05 | 2023-02-21 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
| CN110837923A (zh) * | 2019-11-04 | 2020-02-25 | 上海眼控科技股份有限公司 | 通航量预测方法、装置、计算机设备和存储介质 |
| CN111369075A (zh) * | 2020-03-31 | 2020-07-03 | 上海应用技术大学 | 运量预测方法 |
| CN111639111A (zh) * | 2020-06-09 | 2020-09-08 | 天津大学 | 面向调水工程的多源监测数据深度挖掘和智能分析方法 |
| CN112085157B (zh) * | 2020-07-20 | 2024-02-27 | 西安电子科技大学 | 基于神经网络和树模型的疾病预测方法及其装置 |
| CN112651361A (zh) * | 2020-12-31 | 2021-04-13 | 维特瑞交通科技有限公司 | 一种基于动态交通流量的监测方法 |
| CN113392880B (zh) * | 2021-05-27 | 2021-11-23 | 扬州大学 | 一种基于偏差校正随机森林的交通流短时预测方法 |
| CN114580295B (zh) * | 2022-03-10 | 2024-03-01 | 合肥工业大学 | 一种基于弹性bp随机森林融合的压力工况识别方法 |
| CN116663871B (zh) * | 2023-08-02 | 2023-10-13 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
| CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
-
2019
- 2019-01-11 CN CN201910027353.3A patent/CN109785618B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
| CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于BP神经网络和随机森林的空气污染物浓度预测研究;刘银超;《万方学位论文》;20180530;第14、24-27、30-45、56-59页 * |
| 短时交通流量预测分析;刘永超;《万方学位论文》;20181212;第10-21、29-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109785618A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785618B (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
| CN110097755B (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
| CN109243172B (zh) | 基于遗传算法优化lstm神经网络的交通流预测方法 | |
| CN106295874B (zh) | 基于深信度网络的交通流参数预测方法 | |
| CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及系统 | |
| CN109859469A (zh) | 一种基于集成lstm神经网络的车流量预测方法 | |
| CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
| CN108062561A (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
| CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| Zhao et al. | Short term traffic flow prediction of expressway service area based on STL-OMS | |
| CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
| CN110717581A (zh) | 一种基于温度模糊处理和dbn的短期负荷预测方法 | |
| CN114580545A (zh) | 一种基于融合模型的风电机组齿轮箱故障预警方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
| CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN115936069A (zh) | 一种基于时空注意力网络的交通流预测方法 | |
| CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 | |
| CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 | |
| Zhao et al. | Wavelet embedded attentive Bi-LSTM for short-term passenger flow forecasting | |
| CN114897260A (zh) | 基于lstm神经网络的短期风速预测模型建模方法及预测方法 | |
| Sineglazov et al. | Forecasting aircraft miles flown time series using a deep learning-based hybrid approach |
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 |