CN110414715B - 一种基于社团检测的客流量预警方法 - Google Patents

一种基于社团检测的客流量预警方法 Download PDF

Info

Publication number
CN110414715B
CN110414715B CN201910580147.5A CN201910580147A CN110414715B CN 110414715 B CN110414715 B CN 110414715B CN 201910580147 A CN201910580147 A CN 201910580147A CN 110414715 B CN110414715 B CN 110414715B
Authority
CN
China
Prior art keywords
community
points
regional
point
similarity
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
Application number
CN201910580147.5A
Other languages
English (en)
Other versions
CN110414715A (zh
Inventor
曾园园
江昊
周蜀杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910580147.5A priority Critical patent/CN110414715B/zh
Publication of CN110414715A publication Critical patent/CN110414715A/zh
Application granted granted Critical
Publication of CN110414715B publication Critical patent/CN110414715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明提供了一种基于社团检测的客流量预警方法，通过计算各个区域点间人员流动情况的特征矩阵之间的相似度获得各个点之间的连接关系，构建空间网络图，采用BGLL社团检测算法计算出社团划分情况，计算一系列多个时间点下的社团划分情况，通过LSTM深度神经网络预测下一时刻的社团划分情况，结合各个区域点客流量数进行预警。本发明的方法可以监测各个区域点产生的客流量异常情况，更加灵活地对突发情况进行预警。

Description

一种基于社团检测的客流量预警方法
技术领域
本发明设计数据挖掘和LSTM长短期记忆神经网络技术领域，具体涉及一种基于社团检测的客流量预警方法。
背景技术
随着社会的进步，城市化步伐的加快，城市人口越来越多，同时，随着人们的生活水平的提高，越来越多的人选择在节假日、休息日去城市旅游。随着城市人口规模和流动性的逐步增大，各类节假日庆祝活动、大型集会活动、娱乐活动等数量的增多，规模扩大，群体安全已经成为了城市公共安防所关注的重要问题之一。
有研究表明人的行为对公共安全事件的产生发展有重大影响，及时发现辨识人的行为并做出风险评估有利于提高公共安全管理水平。对城市各区域客流量进行预测和风险评估对于城市的安全和管理等方面都有重要的意义，同时也具有一定的挑战性。区域的客流量具有以下一些特征：与时间的强关联，即前一段时间的客流量对下一时刻的客流量有很大的影响；外部因素的影响，是否是工作日、节假日，天气情况，以及是否有重大活动等都会对区域内客流量产生影响。
如果能够准确地预测城市各个中心区域的客流量以及客流量的异常情况，就可以更好地调配安保人员，同时进行智能引导和疏散，减少公共安全事故的发生，也减少经济损失。
本发明申请人在实施本发明的过程中，发现现有的技术中至少存在以下技术问题：在进行客流量预警时普遍通过阈值来进行划分，具有一定的绝对性，只能监测人流量比较大的时候的情况，不能灵活地判断突发状况的产生；只针对单一区域进行分析，不能考虑多个区域之间人员流动情况的关系。
由上述可知，现有的技术方法存在比较大的局限性，有明显的技术问题。
发明内容
本发明就是针对现有技术的不足，提供了一种基于社团检测的客流量预警方法，用以解决现有的技术方法中不能灵活检测客流突发变动情况以及无法考虑多个区域间的关联性的技术问题。
本发明所设计的基于社团检测的客流量预警方法，其特征在于，包括以下步骤：
步骤S1：构建各个区域点人员流动信息的特征矩阵，计算各个区域点人员流动情况矩阵的相似度，将该相似度作为各个区域点之间的连接的边的权重，构建一张空间上的网络图；
步骤S2：通过一种根据网络中各点间连接边的权重进行社团划分的社团检测的方法，将人员流动情况相似的区域点划分进同一个社区；
步骤S3：获得一系列时间点上的社团划分情况，得到社团划分编号的序列，通过深度神经网络进行社团结构的预测分析。
进一步地，所述步骤S1的具体过程包括：
步骤S1.1：构建各个区域点上的特征矩阵，特征矩阵包含的元素为：该统计时刻下的区域内用户数量，该统计时刻下区域内漫入人数，该统计时刻下区域内漫出人数，该统计时刻下净流入人数，漫入数与总人数的比例，漫出数与总人数的比例；
步骤S1.2：采用欧式距离方法分别计算各个区域点特征矩阵间的相似度，得到两个点的特征矩阵之间的距离d之后再得到相似度S，得到的相似度S是一个在(0,1]区间内的值；
步骤S1.3：构建不同时间点下的区域图，选取一系列时间点，并计算这些时间下的各个区域点间的人员流动情况的相似度，由此构建出具有时序性的空间区域网络图。
更进一步地，所述步骤S1.2中计算相似度时首先采用欧式距离的方式计算两个区域点的人员流动情况特征矩阵的距离，具体计算方法为：
Figure BDA0002112901940000021
其中x1i为区域点1的特征矩阵中的每个元素，x2i为区域点2的特征矩阵中对应的元素；
得到两个特征矩阵的距离后d，通过以下公式计算可得到两个区域点间的相似度S：
Figure BDA0002112901940000022
进一步地，所述步骤S2具体过程包括：
步骤S2.1：读取空间网络图中区域点和区域点之间连接边的权重，将每个区域点划分为一个社团，选取一个区域点并依次移动该点到相邻的区域点所在的社团，并计算整体模块度增量，最终将该点移动到使模块度增量最大的社团中；
步骤S2.2：重新定义社团间的权重，并重复迭代步骤S2.1的过程，直至移动任何一个点模块度都不再增加为止，输出最终的社团检测结果。
更进一步地，所述步骤S2.1中模块度增量具体计算方式如下：
Figure BDA0002112901940000031
其中∑in是社团(Community)内部的所有边的权重之和，∑tot是社团中所有与节点相关的边的权重之和。ki是节点i上的所有边的权重之和。ki，in是节点i到社区C中的所有节点的边的权重之和，m是网络中所有边的权重之和。
进一步地，步骤S3包括具体包括：
步骤S3.1：从网站获取天气、节假日信息，并与对应时间的社团结构相匹配。
步骤S3.2：采用LSTM长短时记忆网络对下一时刻的社团结构进行预测。
步骤S3.3：对比预测出的下一时刻社团结构与上一时刻社团结构，根据风险级别进行预警。
更进一步地，步骤S3.1中从天气后报网站采用爬虫手段获取所需要的时间的天气状况，并进行编号量化处理；从相关网站获取法定节假日信息，对所有日期数据进行分类别标注，共分为三类：工作日，双休日，法定节假日；最后对这两类数据都进行one-hot编码处理。
本发明的优点在于：可以通过社团结构的变化情况监测客流量的突发异常情况，相比较采用阈值进行预警的方法更加灵活有效，由于考虑了整个城市各个区域点之间的人员流动关系的相似性，能够监测多个区域的突发状况，不再是单一的监测某一区域的客流量异常情况，更加全面。
附图说明
图1为本发明实施例中一种基于社团检测的客流量预警方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种基于社团检测的客流量预警方法，采用一种带权值的社团检测的方式分析社团结构，并采用机器学习的方式进行社团结构的预测，得出社团结构变化情况，并根据风险级别进行预警。
本发明实施例提供了一种基于社团检测的客流量预警方法，参见图1，该方法包括：
步骤S1：构建各个区域点人员流动信息的特征矩阵，计算各个区域点人员流动情况矩阵的相似度，得到各个点之间的连接的边的权重，构建一张空间上的网络图。
具体来说，在一种实施方式中，选取某城市中两个月的数据，每个时间点上有n个区域的人员流动信息，构建n个区域对应的人员流动信息特征矩阵，再依次计算每个点及与之相邻的n-1个点的特征矩阵的相似度，两个点特征矩阵的相似度为两点间连接的权值，由此构建成图的形式，导出为txt格式文件，供后续步骤的实验读取操作。
步骤S1.1：构建各个区域点上的特征矩阵，特征矩阵包含的元素为：该统计时刻下的区域内用户数量，该统计时刻下区域内漫入人数，该统计时刻下区域内漫出人数，该统计时刻下净流入人数，漫入数与总人数的比例，漫出数与总人数的比例。
选取其中一个时间点下所有n个区域点的人员流动信息，初始信息包括区域内人员数量，漫入数，漫出数，通过计算得到净流入人数，漫入数比例，漫出数比例，将这六种人员流动情况特性构成一个6*1的一维矩阵，该矩阵即为表示该区域在该时间下的人员流动情况特征矩阵。具体包括：
步骤S1.2：采用欧式距离方法分别计算各个区域点特征矩阵间的相似度，得到两个点的特征矩阵之间的距离d之后再得到相似度S，得到的相似度S是一个在(0,1]区间内的值，S越大相似度越高，两个矩阵之间的差异越小。
依次计算每个区域点与其他区域点的人员流动信息特征矩阵的相似度，具体计算方式如下：
首先计算两个矩阵的欧式距离d
Figure BDA0002112901940000041
其中x1i为区域点1的特征矩阵中的每个元素，x2i为区域点2的特征矩阵中对应的元素。
得到两个特征矩阵的距离后d，再计算得到两个区域点间的相似度S
Figure BDA0002112901940000042
得到各个点两两之间的相似度后，构建网络图，以区域点1、区域点2以及两点间相似度S的形式罗列出所有区域点情况，构成该时间点下的一张网络图。
步骤S1.3：构建不同时间点下的区域图。选取一系列时间点，并计算这些时间下的各个区域点间的人员流动情况的相似度，该相似度即为连接各个点间边的权重，由此构建出具有时序性的空间区域网络图。其中相似度由BGLL算法进行计算。
实验时，一般选取某地两个月的数据，将数据中每个时间点上的区域点人员流动信息都按照步骤S1.1及步骤S1.2的流程进行计算，得到所有时间点下的区域网络图，并分别存储为txt格式文件，留待后续实验步骤进一步操作。
步骤S2：通过一种根据网络中各点间连接边的权重进行社团划分的社团检测的方法，将人员流动情况相似的区域点划分进同一个社区。先读取步骤S1.2中获取的网络图txt文件，然后经过多次迭代，得到最终的社团划分情况，输出一个社团结构矩阵。具体包括：
步骤S2.1：读取空间网络图中的区域点和区域点之间边的权重，选取一个点并依次移动该点到相邻的点所在的社团，并计算整体模块度增量，最终将该点移动到使模块度增量最大的社区中。
具体地，首先读取S1.3中生成的网络图的txt文件，先选取一个时间点，将网络图中每个节点(区域点)先分配进一个社团，然后移动一个区域点到其相邻的各个区域点所在的社团中，并分别计算模块度增量，计算方式具体如下：
Figure BDA0002112901940000051
其中∑in是社团(Community)内部的所有边的权重之和，∑tot是社团中所有与节点相关的边的权重之和。ki是节点i上的所有边的权重之和。ki，in是节点i到社区C中的所有节点的边的权重之和，m是网络中所有边的权重之和。
得到所有模块度增量后，将该点移动到令模块度增量最大的社区。
步骤S2.2：重新定义社团间的权重，重复迭代步骤S2.1的过程，直至移动任何一个区域点模块度都不再增加为止，输出最终的社团检测结果。
具体来说，在进行了步骤S2.1的操作之后，重新定义新的各个社团间的权重，再次移动一个点到其相邻的所有社团中，并分别计算模块度增量，最终将该点移动到使模块度增量最大的社团中。重复进行上述过程，直到移动任何一个点模块度增量都不再变化为止，输出划分好的社团结构。
步骤S3：获得一系列时间点上的社团划分情况，得到社团划分编号的序列，通过深度神经网络进行社团结构的预测分析。
具体来说，将步骤S1.3中得到的两个月数据下所有时间点的网络图都进行步骤S2的所有操作，得到所有时间点下的社团结构，再采用LSTM长短期记忆神经网络对具有时间相关性的社区结构进行学习，并预测下一时刻的社团结构分布情况，结合预测出的结果与上一时刻的社团结构，分析社团结构变化情况，对应风险级别进行预警。将所有的社团结构信息按照步长144，构造成一个[n，144，1]的矩阵输入LSTM长短期记忆神经网络，该网络的输出为预测的下一时刻的社团结构的矩阵，其中，此处的n根据社团的数据集大小而定。
步骤S3.1：从网站获取天气、节假日信息，并与对应时间的社团结构相匹配。
具体来说，由于人员流动情况与天气、节假日等外界影响因素有比较明显的关联性，所以首先采用爬虫手段从天气后报网站上获取该实施例中选取的两个月数据对应时间的天气情况，并进行编码。再从相关网站获得法定节假日的信息，同样也进行编码操作，然后对所有外部影响因素进行one-hot编码，并对应相应时间的社团结构。
步骤S3.2：采用LSTM长短时记忆网络对下一时刻的社团结构进行预测。
具体来说，将步骤S3.1中得到的时间序列以及one-hot编码的外界影响因素分成训练集和测试集两部分，将训练集输入LSTM长短期记忆神经网络，设置合适的超参数，学习社团结构变化规律，测试集用于测试神经网络的预测情况。本发明的实施中超参数中的epoch设置为500，bachsize设置为128。
步骤S3.3：对比预测出的下一时刻社团结构与上一时刻社团结构，根据风险级别进行预警。
具体来说，通过步骤S3.2中学习出的神经网络预测下一时刻的社团结构，对比下一时刻的社团结构与上一时刻的社团结构的变化情况，对比预先设置的风险级别，当社团结构变化程度达到一定级别时，进行预警。
本发明提供的方法具有如下优点或者有益技术效果：
本发明提出了一种基于社团检测的客流量预警方法，可以通过社团结构的变化情况监测客流量的突发异常情况，相比较采用阈值进行预警的方法更加灵活有效，由于考虑了整个城市各个区域点之间的人员流动关系的相似性，能够监测多个区域的突发状况，不再是单一的监测某一区域的客流量异常情况，更加全面。
尽管已描述了本发明的优选实施例，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，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种基于社团检测的客流量预警方法，其特征在于，包括：
步骤S1：构建各个区域点人员流动信息的特征矩阵，计算各个区域点人员流动信息的特征矩阵的相似度，将该相似度作为各个区域点之间的连接的边的权重，构建一张空间上的网络图，具体如下：
步骤S1.1：构建各个区域点上的特征矩阵，特征矩阵包含的元素为：统计时刻下的区域点内用户数量，统计时刻下区域内漫入人数，统计时刻下区域内漫出人数，统计时刻下净流入人数，漫入人数与总人数的比例，漫出人数与总人数的比例；
步骤S1.2：采用欧式距离方法分别计算各个区域点特征矩阵间的相似度，得到两个区域点的特征矩阵之间的距离
Figure QLYQS_1
之后再得到相似度S，得到的相似度S是一个在(0,1]区间内的值；
步骤S1.3：构建不同时间点下的区域图，选取一系列时间点，并计算这些时间点下的各个区域点间的人员流动情况的相似度，由此构建出具有时序性的空间区域网络图；
步骤S2：通过一种根据网络中各点间连接边的权重进行社团划分的社团检测的方法，将人员流动情况相似的区域点划分进同一个社区，具体如下：
步骤S2.1：读取空间网络图中区域点和区域点之间连接边的权重，将每个区域点划分为一个社团，选取一个区域点并依次移动该区域点到相邻的区域点所在的社团，并计算整体模块度增量，最终将该区域点移动到使模块度增量最大的社团中，模块度增量的具体计算如下：
Figure QLYQS_2
其中
Figure QLYQS_3
是社团内部的所有边的权重之和，/>
Figure QLYQS_4
是社团中所有与节点相关的边的权重之和；/>
Figure QLYQS_5
是节点i上的所有边的权重之和，/>
Figure QLYQS_6
是节点i到社区中的所有节点的边的权重之和，m是网络中所有边的权重之和；
步骤S2.2：重新定义社团间的权重，并重复迭代步骤S2.1的过程，直至移动任何一个点模块度都不再增加为止，输出最终的社团检测结果；
步骤S3：获得一系列时间点上的社团划分情况，得到社团划分编号的序列，通过深度神经网络对比预测出的下一时刻社团结构与上一时刻社团结构，根据设定的风险级别进行预警。
2.如权利要求1所述的方法，其特征在于：步骤S1.2中计算相似度时首先采用欧式距离的方式计算两个区域点的人员流动情况特征矩阵的距离，具体计算方法为：
Figure QLYQS_7
其中
Figure QLYQS_8
为区域点1的特征矩阵中的每个元素，/>
Figure QLYQS_9
为区域点2的特征矩阵中对应的元素；
得到两个特征矩阵的距离后
Figure QLYQS_10
，通过以下公式计算可得到两个区域点间的相似度S：/>
Figure QLYQS_11
。
3.如权利要求1所述的方法，其特征在于，所述步骤S3包括具体包括：
步骤S3.1：从网站获取天气、节假日信息，并与对应时间的社团结构相匹配；
步骤S3.2：采用LSTM长短时记忆网络对下一时刻的社团结构进行预测；
步骤S3.3：对比预测出的下一时刻社团结构与上一时刻社团结构，根据风险级别进行预警。
4.如权利要求3所述的方法，其特征在于：所述步骤S3.1中从天气后报网站采用爬虫手段获取所需要的时间的天气状况，并进行编码量化处理；从相关网站获取法定节假日信息，对所有日期数据进行分类别标注，共分为三类：工作日，双休日，法定节假日；最后对天气状况和日期这两类数据都进行one-hot编码处理。
CN201910580147.5A 2019-06-28 2019-06-28 一种基于社团检测的客流量预警方法 Active CN110414715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910580147.5A CN110414715B (zh) 2019-06-28 2019-06-28 一种基于社团检测的客流量预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910580147.5A CN110414715B (zh) 2019-06-28 2019-06-28 一种基于社团检测的客流量预警方法

Publications (2)

Publication Number Publication Date
CN110414715A CN110414715A (zh) 2019-11-05
CN110414715B true CN110414715B (zh) 2023-06-09

Family

ID=68358578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910580147.5A Active CN110414715B (zh) 2019-06-28 2019-06-28 一种基于社团检测的客流量预警方法

Country Status (1)

Country Link
CN (1) CN110414715B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126697B (zh) * 2019-12-24 2024-01-23 范士喜 人员情况预测方法、装置、设备及存储介质
CN111915073A (zh) * 2020-04-28 2020-11-10 同济大学 一种考虑日期属性和天气因素的铁路城际客流短期预测方法
CN111652161A (zh) * 2020-06-08 2020-09-11 上海商汤智能科技有限公司 人群过密预测方法、装置、电子设备及存储介质
CN115358492B (zh) * 2022-10-19 2023-03-24 通号通信信息集团有限公司 客流预测方法、装置和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577727A (zh) * 2017-08-22 2018-01-12 武汉大学 一种群体移动行为特性分析方法
CN108446759A (zh) * 2018-02-11 2018-08-24 陕西师范大学 基于季节性长短期记忆网络模型的旅游客流量预测方法
CN109214612A (zh) * 2018-11-20 2019-01-15 广东机场白云信息科技有限公司 一种基于xgboost机场客流量时空分布预测方法
CN109583656A (zh) * 2018-12-06 2019-04-05 重庆邮电大学 基于a-lstm的城市轨道交通客流量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577727A (zh) * 2017-08-22 2018-01-12 武汉大学 一种群体移动行为特性分析方法
CN108446759A (zh) * 2018-02-11 2018-08-24 陕西师范大学 基于季节性长短期记忆网络模型的旅游客流量预测方法
CN109214612A (zh) * 2018-11-20 2019-01-15 广东机场白云信息科技有限公司 一种基于xgboost机场客流量时空分布预测方法
CN109583656A (zh) * 2018-12-06 2019-04-05 重庆邮电大学 基于a-lstm的城市轨道交通客流量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Incorporating Human Movement Behavior;Lihua Wu 等;《PLOS ONE》;20160119;第1-18页 *
Revisiting Spatial-Temporal Similarity: A Deep Learning Framework;Huaxiu Yao等;《Arxiv》;20181103;第1-8页 *
Spatialtemporal traffic flow prediction with KNN and LSTM;xianglong luo等;《HINDWI》;20190227;第1-10页 *
面向手机信令数据的交通枢纽人流量短时预测算法;林培群等;《哈尔滨工业大学学报》;20180930(第09期);第1-7页 *

Also Published As

Publication number Publication date
CN110414715A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110414715B (zh) 一种基于社团检测的客流量预警方法
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
Lin et al. Using machine learning to assist crime prevention
CN112506990B (zh) 一种基于时空信息的水文数据异常检测方法
CN111126680A (zh) 一种基于时间卷积神经网络的道路断面交通流量预测方法
Esquivel et al. Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks
CN111176953B (zh) 一种异常检测及其模型训练方法、计算机设备和存储介质
CN111967712B (zh) 一种基于复杂网络理论的交通风险预测方法
CN114565124A (zh) 一种基于改进图卷积神经网络的船舶交通流预测方法
CN111105628A (zh) 一种停车场画像构建方法和装置
Chohlas-Wood et al. Mining 911 calls in New York City: Temporal patterns, detection, and forecasting
Zhuang et al. Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network
CN116011684A (zh) 一种基于时空图卷积网络的交通流量预测方法
CN112598165A (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
CN111160959A (zh) 一种用户点击转化预估方法及装置
CN110689140A (zh) 一种通过大数据进行轨交报警数据智能管理的方法
CN114548493A (zh) 一种电能表电流过载预测方法与系统
CN111800807A (zh) 一种基站用户数量告警的方法及装置
CN111145535B (zh) 一种复杂场景下的行程时间可靠性分布预测方法
Ahani et al. A feature weighting and selection method for improving the homogeneity of regions in regionalization of watersheds
CN117275215A (zh) 一种基于图过程神经网络的城市道路拥堵时空预测方法
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN110807014A (zh) 一种基于交叉验证的台区数据异常甄别方法和装置
CN103560925A (zh) 利用相关性的it运维指标预报方法
CN115829150A (zh) 一种积水预测系统

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