CN111160622A - 基于混合神经网络模型的景区客流预测方法和装置 - Google Patents
基于混合神经网络模型的景区客流预测方法和装置 Download PDFInfo
- Publication number
- CN111160622A CN111160622A CN201911249040.9A CN201911249040A CN111160622A CN 111160622 A CN111160622 A CN 111160622A CN 201911249040 A CN201911249040 A CN 201911249040A CN 111160622 A CN111160622 A CN 111160622A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- scenic spot
- time sequence
- sequence data
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003062 neural network model Methods 0.000 title claims abstract description 80
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims description 26
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 15
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 241000566693 Asteriscus Species 0.000 description 1
- 235000007516 Chrysanthemum Nutrition 0.000 description 1
- 244000189548 Chrysanthemum x morifolium Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000277269 Oncorhynchus masou Species 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005065 mining Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000012546 transfer Methods 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/14—Travel agencies
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (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)
- Image Analysis (AREA)
Abstract
本发明公开了基于混合神经网络模型的景区客流预测方法和装置。本发明的方法包括:获取景区周边公共交通客流登降时序数据以及景区客流时序数据;将景区周边公共交通客流登降时序数据以及景区客流时序数据作为卷积神经网络模型的输入对象,利用卷积神经网络模型进行特征提取,得到特征向量;利用长短期记忆网络模型对特征向量进行处理,将处理得到的景区客流时序数据作为预测结果。本发利用卷积神经网络模型提取景区周边公共交通登降时序数据与景区客流时序数据之间的潜在关系并形成特征向量,最后将特征向量以时间序列方式输入长短期记忆网络模型中进行景区客流预测,提高了对景区客流的预测精度。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于混合神经网络模型的景区客流预测方法和装置。
背景技术
随着我国旅游业的蓬勃发展,游客量逐年上升,据世界旅游组织预测,2020年中国将成为世界第一旅游目的地,第四大客源输出国。因此,旅游需求预测在国家旅游发展政策制定、旅游市场资源优化配置、旅游企业战略实施等方面有着极为重要的作用,而游客人数预测又是旅游需求预测的核心,同时也是众多学者研究的难点课题。
在数据选择方面,城市公共交通数据采集和分析技术可以提供及时、准确、可靠地公共交通运行数据和客流信息,而既有研究大多采用单一类型的客流监测数据,局限性高且数据量小,缺乏对景区周边多模式交通客流的融合分析,无法满足景区的综合预测预警需要。
在预测方法的选择方面,由于景区客流量易受天气、节假日等诸多外部因素影响,具有复杂的非线性与波动性,很难捕捉其内在变化规律,然而传统的宏观客流预测方法,如时序分析模型(ARMA、ARIMA)、支持向量回归(SVR)等大多基于数理统计的思想,事先建立序列的主观模型,再根据主观模型进行预测,缺少对数据样本的学习过程,不具备泛化和自学习的能力,难以实现对景区客流的精准预测。近年来,人工神经网络在金融、能源、交通等领域的短期时序预测中的得到了大量应用与发展,如长短期记忆模型(LSTM)、BP神经网络、卷积神经网络(CNN)等,其中LSTM因其不仅易于实现任何复杂非线性映射功能,且能够发挥模型固有的长期记忆的能力,而成为应用较为成功的时序预测方法,但它并不能有效挖掘非连续数据之间蕴含的有效信息与潜在关系,进而导致对景区客流的预测精度不够。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷,并提供至少后面将说明的优点。
本发明的一个目的是提供基于混合神经网络模型的景区客流预测方法,其可以提高对于景区客流的预测精度。
本发明的另一个目的是提供基于混合神经网络模型的景区客流预测装置,其可以提高对于景区客流的预测精度。
为了实现根据本发明的这些目的和其它优点,提供了一种基于混合神经网络模型的景区客流预测方法,包括:
获取景区周边公共交通客流登降时序数据以及景区客流时序数据;
将所述景区周边公共交通客流登降时序数据以及所述景区客流时序数据作为卷积神经网络模型的输入对象,利用所述卷积神经网络模型对景区周边公共交通客流登降时序数据以及景区客流时序数据进行特征提取,得到特征向量;
利用长短期记忆网络模型对所述特征向量进行处理,将处理得到的景区客流时序数据作为预测结果。
优选的是,所述的基于混合神经网络模型的景区客流预测方法中,所述景区周边公共交通客流登降时序数据包括景区周边公共交通到达客流时序数据和景区周边公共交通离开客流时序数据。
优选的是,所述的基于混合神经网络模型的景区客流预测方法中,所述景区周边公共交通客流登降时序数据的来源包括公交车客流登降时序数据、地铁客流登降时序数据、出租车客流登降时序数据、共享单车客流登降时序数据以及公租自行车客流登降时序数据中的一种或者多种。
优选的是,所述的基于混合神经网络模型的景区客流预测方法中,所述获取所述景区周边公共交通客流登降时序数据,包括:
规划一个研究区域,所述研究区域覆盖所述景区;
判断公共交通OD数据中起点和终点中是否存在至少一个地点位于所述研究区域内,获取所述公共交通OD数据位于所述研究区域内的地点的客流登降时序数据。
为了实现根据本发明的这些目的和其它优点,提供了一种基于混合神经网络模型的景区客流预测装置,包括:
获取模块,用于获取景区周边公共交通客流登降时序数据以及景区客流时序数据;
提取模块,用于将所述景区周边公共交通客流登降时序数据以及所述景区客流时序数据作为卷积神经网络模型的输入对象,利用所述卷积神经网络模型对景区周边公共交通客流登降时序数据以及景区客流时序数据进行特征提取,得到特征向量;
处理模块,用于利用长短期记忆网络模型对所述特征向量进行处理,将处理得到的景区客流时序数据作为预测结果。
优选的是,所述的基于混合神经网络模型的景区客流预测装置中,所述景区周边公共交通客流登降时序数据包括景区周边公共交通到达客流时序数据和景区周边公共交通离开客流时序数据。
优选的是,所述的基于混合神经网络模型的景区客流预测装置中,所述景区周边公共交通客流登降时序数据的来源包括公交车客流登降时序数据、地铁客流登降时序数据、出租车客流登降时序数据、共享单车客流登降时序数据以及公租自行车客流登降时序数据中的一种或者多种。
优选的是,所述的基于混合神经网络模型的景区客流预测装置中,所述获取模块包括:
规划模块,用于规划一个研究区域,所述研究区域覆盖所述景区;
获取子模块,用于判断公共交通OD数据中起点和终点中是否存在至少一个地点位于所述研究区域内,获取所述公共交通OD数据位于所述研究区域内的地点的客流登降时序数据。
本发明还提供了一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的方法。
本发明还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时,实现所述的方法。
本发明至少包括以下有益效果:
本发明采用景区周边公共交通登降时序数据与景区客流时序数据,利用卷积神经网络模型提取景区周边公共交通登降时序数据与景区客流时序数据之间的潜在关系,并形成特征向量,最后将特征向量以时间序列方式输入长短期记忆网络模型中进行景区客流预测。实验结果表明,该方法较传统客流预测方法ARIMA模型与标准LSTM网络预测方法具有更高的预测精度,且具有一定的鲁棒性。研究成果能为交通运输管理部门动态调整交通运力与景区管理部门评价客流疏导方案提供科学方法和技术支持。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例的流程图;
图2(a)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中公交车到达客流时序数据的示意图;
图2(b)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中公交车离开客流时序数据的示意图;
图2(c)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中地铁到达客流时序数据的示意图;
图2(d)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中地铁离开客流时序数据的示意图;
图2(e)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中出租车到达客流时序数据的示意图;
图2(f)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中出租车离开客流时序数据的示意图;
图2(g)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中共享自行车到达客流时序数据的示意图;
图2(h)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中共享自行车离开客流时序数据的示意图;
图2(i)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中景区客流时序数据的示意图;
图3为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中一维卷积神经网络模型的结构示意图;
图4为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中长短期记忆网络模型中一个LSTM层的结构示意图;
图5为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中长短期记忆网络模型中一个LSTM单元的结构示意图;
图6为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中CNN-LSTM混合神经网络模型的结构示意图;
图7为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中所规划的南锣鼓巷景区的研究区域的示意图;
图8为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中CNN-LSTM网络模型的输入数据结构的示意图;
图9(a)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中对8月26日景区客流的预测结果示意图;
图9(b)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中对8月27日景区客流的预测结果示意图;
图9(c)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中对8月28日景区客流的预测结果示意图;
图9(d)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中对8月29日景区客流的预测结果示意图;
图9(e)为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中对8月30日景区客流的预测结果示意图;
图10为本发明所提供的基于混合神经网络模型的景区客流预测装置的一个实施例的结构示意图;
图11为本发明所提供的电子设备的一个实施例的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
图1为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例的流程图。本发明提供了一种基于混合神经网络模型的景区客流预测方法,包括:
步骤101,获取景区周边公共交通客流登降时序数据以及景区客流时序数据。
在一个实施例中,以南锣鼓巷景区作为研究对象,图2(a)至图2(h)分别为四种来源的景区周边公共交通客流登降时序数据的示意图,包括公交车客流登降时序数据,地铁客流登降时序数据,出租车客流登降时序数据以及共享自行车客流登降时序数据的示意图。图2(e)为景区客流时序数据的示意图。上述景区周边公共交通客流登降时序数据以及景区客流时序数据的数据源来自北京市2018年8月1日到8月30日整月的公交刷卡数据、地铁刷卡数据、出租车轨迹数据、共享自行车订单数据、南锣鼓巷核心区内客流激光检测数据。将图2(a)至图2(h)与图2(i)进行对比,可以看出,公共交通客流作为景区客流的重要输入来源,且两者的时间分布均呈现一定的周期变化,如周末客流量明显高于周内,各时段不同交通方式的客流成互补式增长,但同时公共交通客流受到如天气、节假日、活动等各种因素影响,且各类交通方式的影响因素又不尽相同,例如共享自行车、出租车易受到运营商调度的影响,公交地铁易受到特殊活动的影响,因此景区周边公共交通客流与景区客流两者之间复杂的非线性映射关系很难用传统的统计建模方法来挖掘。基于此,本发明选择深度学习方法来实现综合考虑景区周边公共交通客流影响的景区客流预测。
步骤102,将所述景区周边公共交通客流登降时序数据以及所述景区客流时序数据作为卷积神经网络模型的输入对象,利用所述卷积神经网络模型对景区周边公共交通客流登降时序数据以及景区客流时序数据进行特征提取,得到特征向量。该特征向量用于表征景区周边公共交通客流登降时序数据与景区客流时序数据之间的关联关系。
步骤103,利用长短期记忆网络模型对所述特征向量进行处理,将处理得到的景区客流时序数据作为预测结果。
卷积神经网络(Convolutional Neural Networks,CNN)借助卷积运算的优势,能够对原始数据进行更高层次和更抽象的表达。CNN主要包含输入层、卷积层、池化层、全连接层和输出层,本质在于通过对输入数据进行逐层卷积与赤化操作来提取数据之间隐藏的拓扑结构特征,随着层数的增加,提取到的特征越来越抽象,最后将这些抽象特征通过全连接层汇合,并通过激活函数解决分类问题或回归问题。由数据先验可知时序数据存在局部相关性,所以能够运用CNN处理其局部特征,因此本发明利用CNN提取公共交通客流数据高维特征,挖掘景区周边公共交通客流与景区客流之间的关联关系,并从中剔除不稳定成分,将处理后的稳定时序数据输入长短期记忆网络(Long Short-Term Memory,LSTM)进行预测。图3为一维卷积神经网络的结构示意图,展示了一维卷积的卷积过程。
值得说明的是,本发明不局限于采用一维卷积神经网络模型,也可以二维卷积神经网络模型。采用一维卷积神经网络模型和二维卷积神经网络模型的不同之处在于,输入的数据结构不同,但不影响最终对景区客流的预测精度。
针对传统循环神经网络(Recurrent Neural Network,RNN)易产生梯度爆炸与梯度消失的情况,LSTM网络模型作为一种改进的RNN,不仅可以有效地避免梯度消失等问题,同时在处理和预测具有较长间隔和延迟事件的时间序列方面具有显著效果。LSTM层的内部结构如图4所示,其中输入是t个时刻的时间序列x=(x1,x2,...,xt),输出是隐含层序列h=(h1,h2,...,ht),每次迭代时均将上一时刻隐藏值ht-1与当前时刻的输入值xt一起输入,从而传递来自多个时刻前的信息。
LSTM单元结构如图5所示,具体为在RNN的每一神经元内加入三种选择门,即遗忘门、输入门、输出门。其中遗忘门去除应被神经元忘记的信息ft,通过读取上一时刻隐含层的状态ht-1,以及当前时刻的输入xt,最后将输出的值赋值给Ct-1,表达式如式(1)所示。
ft=σ(Wf·[ht-1,xt]+bf) (1)
输入门确定保存哪些新信息至单元状态中,它包括两个模块,一是利用sigmoid层确定要输入的值it,二是利用tanh层确定一个新的侯选值向量然后将需要丢弃的信息ft·Ct-1与相加,即可将单元状态由Ct-1产生更新Ct,具体表达式如式(2)~式(4)所示。
it=σ(Wi·[ht-1,xt]+bi) (2)
输出门确定需要输出的值ht,该输出以当前时刻的单元状态为基础,首先通过sigmoid函数来确定单元状态中需要被输出的部分ot,然后利用tanh层对单元状态Ct进行处理,最后乘以sigmoid函数的输出,具体表达式如式(5)~式(6)所示。
ot=σ(Wo·[ht-1,xt]+bo) (5)
ht=ot·tanh(Ct) (6)
式(1)~(5)中,W表示对应的权重,b为对应的偏执项,σ代表sigmoid函数,tanh表示双曲正切激活函数。
CNN更适合提取数据的局部特征并组合抽象成高层特征,而LSTM更适合进行时间扩展,具有长期记忆功能,更为适合处理时间序列。因此针对景区周边公共交通客流与景区客流之间的时空关系,本发明将CNN与LSTM以混合模型的方式相结合,从而设计出具有提取时序数据潜在特征的能力的混合神经网络模型,利用该混合神经网络模型对景区周边公共交通客流时序数据与景区客流时序数据进行分析和处理,从而达到提高景区客流预测精度的目的。
图6为本发明的基于混合神经网络模型的景区客流预测方法的一个实施例中CNN-LSTM混合神经网络模型的结构示意图。本发明所提供的CNN-LSTM混合神经网络模型主要由CNN与LSTM两部分构成。其中CNN网络主要负责特征提取,可通过调整卷积核大小来提取反映多因素时间序列数据的不同宽窄时间段的特征。LSTM网络负责客流预测,将CNN输出的一维向量数组作为输入,经过由多个LSTM神经元构成的递归神经网络隐含层得到多个结果,输出层再将隐含层的多个结果通过一层全连接网络映射为期望的输出格式,可以通过增加LSTM单元与隐含层个数有利于提高模型的预测能力。
优选地,将CNN-LSTM混合神经网络模型按照以下方式进行设置:CNN部分设计为四个卷积层与四个池化层,其中卷积层中的卷积核数目依次为32、64、64、32,卷积核大小均为1×3,池大小为1,接着由Flatten层将三维向量数组压平成长度为544的一维向量数组。LSTM部分由三个LSTM层与一个全连接层组成,其中每层LSTM单元个数分别为32、64、128。最优结构与参数配置由表1列出,其中输入表示为Input(序列长度×输入数据纬度),CNN层参数表示为conv<输出维度,卷积核个数>,LSTM层参数表示为(单元个数)。
表1模型结构与参数配置
本发明所提供的CNN-LSTM混合神经网络模型以时间序列一维特征向量作为网络的输入,将景区客流作为预测结果进行输出。样本构造时首先将归一化的时序数据按照时间进程依次排列,组成二维数据矩阵形式,以滑动窗口截取方式构造数据集。具体地,将归一化后的景区周边公共交通客流登降时序数据与景区客流时序数据分别依照时间进程排列,将景区客流时序数据和景区周边公共交通客流登降时序数据分别构成二维数据矩阵中的不同行,二维数据矩阵中的每一列对应于相同时刻下来自于不同来源的客流数据,从而形成用于向CNN-LSTM混合神经网络模型输入的数据结构。在采用多种来源的景区周边公共交通客流登降时序数据的情况下,不同来源的景区周边公共交通客流登降时序数据分别构成二维数据矩阵中的不同行。
在一个优选的实施例中,所述的基于混合神经网络模型的景区客流预测方法中,所述景区周边公共交通客流登降时序数据包括景区周边公共交通到达客流时序数据和景区周边公共交通离开客流时序数据。
将图2(a)至图2(h)与图2(i)进行对比,可以看出,对于任一种来源的景区周边公共交通客流,到达客流和离开客流均各自呈现出周期性的变化规律,并且各自表现出与景区客流之间存在一定关联关系。因此,在利用景区周边公共交通客流登降时序数据和景区客流时序数据构建CNN-LSTM网络模型的输入数据结构时,将景区周边公共交通到达时序数据和景区周边公共交通离开客流时序数据分别作为2维数据输入,即构成二维数据矩阵中的不同行。
基于该设计,CNN可以同时提取出景区周边公共交通到达客流和离开客流与景区客流之间的关联关系,进而最终获得更加准确地景区客流预测结果。而且,基于上述设计,就不再需要单独考虑景区周边公共交通到达客流和离开客流各自对于景区客流的影响,即不需要对景区周边公共交通到达客流和离开客流与景区客流之间的关联关系进行单独求解,进而有利于简化预测过程。
也可以将某一个来源的景区周边公共交通总登降量时序数据作为本发明所提供的混合神经网络模型的输入对象,用于对于景区客流的预测,而不将到达客流和离开客流时序数据作为输入对象。某一个时刻的总登降量为该时刻到达客流与离开客流之和。但是基于总登降量时序时序的预测过程不能反映达到客流和离开客流各自对于景区客流的影响,相比于基于到达客流和离开客流时序数据的预测过程,可能会导致预测精度下降。
在一个优选的实施例中,所述的基于混合神经网络模型的景区客流预测方法中,所述景区周边公共交通客流登降时序数据的来源包括公交车客流登降时序数据、地铁客流登降时序数据、出租车客流登降时序数据、共享单车客流登降时序数据以及公租自行车客流登降时序数据中的一种或者多种。
将图2(a)至图2(h)与图2(i)进行对比,可以看出,不同来源的景区周边公共交通客流均各自呈现出周期性的变化规律,并且各自表现出与景区客流之间存在一定关联关系。而对于景区周边公共交通客流登降时序数据的具体来源的选择,需要考虑景区的具体情况。举例来说,某一景区周边仅有公交站点,没有地铁站点,则在预测过程中所采用的景区周边公共交通客流登降时序数据的来源就不包括地铁客流登降时序数据,可能包括公交车客流登降时序数据、出租车客流登降时序数据、共享单车客流登降时序数据以及公租自行车客流登降时序数据。相应地,假设某一景区周边没有公租自行车站点,则在预测过程中所采用的景区周边公共交通客流登降时序数据的来源就不包括公租自行车客流登降时序数据,可能包括公交车客流登降时序数据、出租车客流登降时序数据、共享单车客流登降时序数据以及公租自行车客流登降时序数据。
优选将景区周边所存在的公共交通方式均考虑在内,以期获得更加精确地预测结果。
每一种来源的客流登降时序数据都包括到达客流时序数据和离开客流时序数据,如公交车客流登降时序数据包括公交车到达客流时序数据和公交车离开客流时序数据。
优选地,对于某一种来源的景区周边公共交通,以地铁为例,地铁在景区周边存在多个站点,则可以将每一个站点的地铁客流登降时序数据作为单独的一组数据进行使用,即在构建混合神经网络模型的输入数据结构时,以每一个站点的地铁客流登降时序数据作为二维数据矩阵中的一行。公交车客流登降时序数据也可以采用与地铁客流登降时序数据相同的方式处理。基于该设计,不需要将景区周边所有站点的地铁客流或者公交客流进行加和计算,可以进一步简化数据处理的过程。
在一个优选的实施例中,所述的基于混合神经网络模型的景区客流预测方法中,所述获取所述景区周边公共交通客流登降时序数据,包括:规划一个研究区域,所述研究区域覆盖所述景区;判断公共交通OD数据中起点和终点中是否存在至少一个地点位于所述研究区域内,获取所述公共交通OD数据位于所述研究区域内的地点的客流登降时序数据。
由于数据源均为传感器采集的原始数据,具有冗余度高、噪点数据多、体量巨大等特点,因此首先需要对各类数据进行降噪等预处理,去除如上下车记录缺失,订单时间偏移等噪声数据,然后根据数据特征或特殊字段提取各类公共交通的OD信息,最后通过对比OD数据中的起始点坐标或站点名称,判断至少有一点在研究区域内的公交、地铁站点名称相同,从而筛选得出景区周边公共交通客流OD数据,进而得到景区研究区域内的公共交通客流登降量时序数据。
具体地,公交车与地铁均使用市政交通一卡通出行,因此可利用卡号检索两种交通方式中相同乘客的刷卡记录,通过对比OD数据的起点或者终点是否与研究区域内某一公交站点或者地铁站点一致,则可以确定该公交站点或者地铁站点的客流登降时序数据。而且通过提取研究区域内的公交地铁出行链,可以排除乘客路过该区域内站点换乘而并非进入景区游览的记录,减小此类情况对景区核心区内客流预测的影响。对于出租车,可以通过订单系统确定乘客的下车、上车位置是否位于研究区域内,进而确定在该研究区域内出租车客流登降时序数据。对于共享单车,可以通过后台管理系统确定借车、还车位置是否位于研究区域内,进而确定在该研究区域内共享单车客流登降时序数据。公租自行车有明确的借车还车站点,其分析过程与公交车的分析过类似。景区客流时序数据可以根据景区内部所设置的激光检测设备或者其他的检票设备进行确定。
为进一步说明本发明的基于混合神经网络模型的景区客流预测方法,利用本发明基于混合神经网络模型的景区客流预测方法对南锣鼓巷历史文化街区的景区客流进行预测。
南锣鼓巷历史文化街区作为北京标准的胡同,主干道为南锣鼓巷,南北走向,北端与鼓楼东大街相交,南端与地安门东大街相交。主干道全场786米,宽度不均匀,最宽地方大约12米左右,最窄地方大约不到6米,整体平均宽度大约8米。主干道两侧布满各种类型商铺,以小吃店和工艺品店为主。主干道东侧和西侧分别与17条主要胡同相交,且各胡同均可通向环绕四周的机动车道,其中主街道东侧有炒豆胡同、东棉花胡同、秦老胡同、菊儿胡同、小菊胡同、前圆恩寺胡同.、后圆恩寺胡同、北兵马司胡同、板厂胡同共计9条胡同;主街道西侧包括了前鼓楼苑胡同、沙井胡同、景阳胡同、福祥胡同、蓑衣胡同、黑芝麻胡同、雨儿胡同、帽儿胡同共计8条胡同。由于景区位于北京市中心城区,所处位置交通发达,公交、地铁线路众多,其周边公交站包括宝钞胡同站、小经厂站、鼓楼站、地安门外站、地安门东站、锣鼓巷站、交道口南站和北兵马司站八个站点,以及南锣鼓巷站和什刹海站两个地铁站点。尽管景区内部禁止搭乘共享自行车以及出租车驶入,但游客可由任一胡同步行至四周机动车道乘坐公共交通。
因此,本实施例充分考虑了南锣鼓巷景区的公共交通设施的空间分布,选择以南锣鼓巷核心街区为中心,东西分别延至地安门外大街与交道口南大街,与核心街区南北相交的鼓楼东大街与地安门东大街四条机动车道共同形成一个面积约100万平方米的矩形范围作为研究区域,图7展示了针对南锣鼓巷景区所规划的研究区域以及景区周边各公交地铁站点的空间分布情况。
本实施例数据源来自北京市2018年8月1日到8月30日整月的公交刷卡数据、地铁刷卡数据、出租车轨迹数据、共享自行车订单数据、南锣鼓巷核心区内客流激光检测数据。其中公交每日平均刷卡记录约为2200万条、地铁每日刷卡记录约为2300万条、共享单车订单数约为140万条。实验数据的基本情况如表2所示。
表2实验数据基本情况
在上述实验数据中,是以15min作为采样间隔进行采样的,即每隔15min获得一次实验数据。根据景区客流预警需求,需要在当天预测第二天早3:00至晚10:00景区内客流总人数,且频率为每15min一个客流量估计值。
本发明所提供的CNN-LSTM混合神经网络模型以时间序列一维特征向量作为网络的输入,将景区客流作为预测结果进行输出。样本构造时首先将归一化的时序数据按照时间进程依次排列,组成二维数据矩阵形式,以滑动窗口截取方式构造数据集。本实施例采用了景区周边多源公共交通客流登降时序数据包括公交车客流登降时序数据、地铁客流登降时序数据、出租车客流登降时序数据以及共享单车客流登降时序数据,且每一来源的景区周边公共交通客流登降时序数据还包含到达客流时序数据和离开客流时序数据。根据前面的分析,在南锣鼓巷景区周边,存在8个公交站点和2个地铁站点,出租车和共享单车没有固定站点,因此将整个研究区域内出租车或共享单车的客流数据作为一个整体考虑,即样本构造所形成的二维数据矩阵包含8个公交站点的客流到达时序数据和客流离开时序数据,2个地铁站点的客流到达时序数据和客流离开时序数据,出租车客流到达时序数据和客流离开时序数据,共享单车客流到达时序数据和和客流离开时序数据以及景区客流时序数据,共计25维数据。实施例输入步长设置为10,即使用前10个样本预测下一个值。因此,输入形式为一个二维向量,维度为(10,25)。图8为该实施例中CNN-LSTM网络模型的输入数据结构的示意图。其中t为间隔为15min的某一具体时刻,t+n为t时刻之后n个15min间隔的时刻。预测标签为该时刻预测参数yi的值(i时刻景区内客流人数)。
本实施例实验硬件处理器为Intel Core i5-6500,内存为12GB,GPU显卡为AMDRadeon R5 340X。软件部分利用基于TensorFlow的Keras深度学习平台上实现,由于Keras提供简洁的编程接口,便于用户理解神经网络架构,同时具有模块化的特点,支持模型层的自由组合与层层叠加,从而降低了代码实现难度。
数据首先进入CNN部分,CNN部分设计为四个卷积层与四个池化层,其中卷积层中的卷积核数目依次为32、64、64、32,卷积核大小均为1×3,池大小为1,接着由Flatten层将三维向量数组压平成长度为544的一维向量数组,作为全局特征提取,然后接入由三个LSTM层与一个全连接层组成的LSTM序列建模部分得到最终的预测结果,其中每层LSTM单元个数分别为32、64、128。按照上述过程向前调整输入序列完成前向传播过程,得到预测输出景区客流值,再结合真实值反向传播求解并更新模型参数,循环上述步骤,直至模型收敛。模型采用随机梯度下降的方进行优化,学习率为0.001,迭代次数为100,损失函数选择均方误差MSE。经过试验效果对比,本实施例选择的最佳结构与参数配置见表1。
本实施例选取经过参数调优的ARIMA方法与仅使用LSTM网络模型方法预测结果进行对比。对于本发明所述的基于混合神经网络模型的景区客流预测方法,将经过预处理的范围在2018年8月1日~8月25日(前25天)的景区周边公共交通客流登降时序数据与景区客流时序数据作为训练数据集,将剩下的范围在2018年8月26日~8月30日(后5天)的景区周边公共交通客流登降时序数据与景区客流时序数据作为测试数据集。对于现有的ARIMA方法与仅使用LSTM网络模型方法,将经过预处理的范围在2018年8月1日~8月25日(前25天)的景区客流时序数据作为训练数据集,将剩下的范围在2018年8月26日~8月30日(后5天)的景区客流时序数据作为测试数据集。为了评估各模型的性能与稳定性,将各模型的测试数据集以天为单位划分为5个子集。
为了更好的分析不同参数设置下CNN-LSTM客流预测模型的预测效果,同时与对比算法进行比较,本实施例选择平均绝对误差(Mean Absolute Error MAE)、平均绝对百分比误差(Mean Absolute Percentage Error MAPE)与预测精度(Prediction Accuracy PA)三种指标进行评价。具体定义如式(7)~式(9)所示,其中Yt,i与Yp,i分别代表i时刻的真实客流人数与预测客流人数。
各算法模型在三类评价指标下的详细对比结果以及预测值与实际值的折线图分别如表3和图9(a)至图9(e)所示。
见表3,经过误差计算结果比较可以发现,本发明所提供的CNN-LSTM混合神经网络模型在所有测试数据集上的三种误差指标均优于ARIMA与LSTM。由于ARIMA模型本质上只能捕捉线性关系,很难刻画这一复杂非线性序列的变化规律,因此五个测试数据集中的MSE均达到1000人以上,且在8月30日中的MAPE高达2.29,预测精度较差。LSTM模型的各项指标虽较好于ARIMA模型,但在8月26日预测精度不佳,且各测试数据集指标波动较大。本发明所提供的CNN-LSTM混合神经网络模型比仅使用LSTM方法的MAE指标平均提升了60%,同时CNN-LSTM三种指标在各测试数据集中的波动范围均不超过20%。
表3模型预测结果比较
图9(a)至图9(e)分别为本实施例中对8月26至30日景区客流的预测结果示意图,其中,true代表采用真实景区客流数据所绘制的曲线,arima代表基于现有技术中的ARIMA模型对于景区客流预测所得到的预测曲线,lstm代表基于现有技术中的LSTM模型对于景区客流预测所得到的预测曲线,cnn_lstm代表基于本实施例所采用的混合神经网络模型对于景区客流预测所得到的预测曲线。如图9(a)至图9(e)所示,由模型预测结果图中可发现,本发明所提供的基于混合神经网络模型的景区客流预测方法预测得到的景区客流预测曲线精度最高,与实际曲线差异最小。虽然三种模型预测曲线在总体趋势上与真实曲线基本一致,但均存在偏离真实趋势的振荡现象。其中ARIMA模型预测曲线整体变化不大,不能有效识别客流的浮动变化,从而导致后三个测试数据集中与真实曲线有较大的偏差;LSTM模型预测曲线除第一个测试数据集中效果较差以外,其余预测效果较ARIMA有大幅提升,但较真实曲线整体存在超前效应;只有本发明所提供的CNN-LSTM混合神经网络模型与真实曲线形态与波峰对应时刻均保持一致。因此,本发明所提供的基于混合神经网络模型的景区客流预测方法能够结合景区周边多源公共交通的客流时序登降特点,大幅提升客流预测精度。
景区客流预测对于景区发展规划和管理有着极为重要的意义,但其受到季节性、外部冲击、经济周期等多项因素的干扰,具有非线性与非平稳性特征。本实施例针对预测精度日益提高的需求,提出一种基于CNN-LSTM网络混合模型的客流预测方法,利用CNN提取周边多源交通数据的有效特征,再通过LSTM网络进行时序分析,其优势如下:
(1)将景区周边多源数据按时间滑动窗口构造连续一维特征向量作为输入,充分发挥CNN模型的潜在特征提取优势,从而挖掘数据中蕴含的更多有效信息。
(2)将CNN提取的顾及多源交通登降时序的特征向量作为LSTM网络模型的输入,可利用其较好的拟合景区客流数据的时序性与复杂的高维非线性关系。
实验结果表明,对比其他传统客流预测模型,本发明设计的预测模型在各项指标上均有最优表现,提高了客流预测精度,可为景区管理部门提供辅助决策依据。
如图10所示,本发明提供了一种基于混合神经网络模型的景区客流预测装置,包括:
获取模块201,用于获取景区周边公共交通客流登降时序数据以及景区客流时序数据;
提取模块202,用于将所述景区周边公共交通客流登降时序数据以及所述景区客流时序数据作为卷积神经网络模型的输入对象,利用所述卷积神经网络模型对景区周边公共交通客流登降时序数据以及景区客流时序数据进行特征提取,得到特征向量;
处理模块203,用于利用长短期记忆网络模型对所述特征向量进行处理,将处理得到的景区客流时序数据作为预测结果。
针对景区周边公共交通客流与景区客流之间的时空关系,本发明将CNN与LSTM以混合模型的方式相结合,从而设计出具有提取时序数据潜在特征的能力的混合神经网络模型,利用该混合神经网络模型对景区周边公共交通客流时序数据与景区客流时序数据进行分析和处理,从而达到提高景区客流预测精度的目的。
在一个优选的实施例中,所述的基于混合神经网络模型的景区客流预测装置中,所述景区周边公共交通客流登降时序数据包括景区周边公共交通到达客流时序数据和景区周边公共交通离开客流时序数据。
在一个优选的实施例中,所述的基于混合神经网络模型的景区客流预测装置中,所述景区周边公共交通客流登降时序数据的来源包括公交车客流登降时序数据、地铁客流登降时序数据、出租车客流登降时序数据、共享单车客流登降时序数据以及公租自行车客流登降时序数据中的一种或者多种。
在一个优选的实施例中,所述的基于混合神经网络模型的景区客流预测装置中,所述获取模块包括:
规划模块,用于规划一个研究区域,所述研究区域覆盖所述景区;
获取子模块,用于判断公共交通OD数据中起点和终点中是否存在至少一个地点位于所述研究区域内,获取所述公共交通OD数据位于所述研究区域内的地点的客流登降时序数据。
对应于图1中的基于混合神经网络模型的景区客流预测方法,本发明还提供了一种电子设备,如图11所示,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的方法。
具体地,上述存储器1000和处理器2000能够为通用的存储器和处理器,这里不做具体限定,当处理器2000运行存储器1000存储的计算机程序时,能够执行上述基于混合神经网络模型的景区客流预测方法方法,从而能够提高景区客流预测精度。
本发明还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时,实现所述的方法。具体实现可参见方法实施例,在此不再赘述。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.基于混合神经网络模型的景区客流预测方法,其特征在于,包括:
获取景区周边公共交通客流登降时序数据以及景区客流时序数据;
将所述景区周边公共交通客流登降时序数据以及所述景区客流时序数据作为卷积神经网络模型的输入对象,利用所述卷积神经网络模型对景区周边公共交通客流登降时序数据以及景区客流时序数据进行特征提取,得到特征向量;
利用长短期记忆网络模型对所述特征向量进行处理,将处理得到的景区客流时序数据作为预测结果。
2.如权利要求1所述的基于混合神经网络模型的景区客流预测方法,其特征在于,所述景区周边公共交通客流登降时序数据包括景区周边公共交通到达客流时序数据和景区周边公共交通离开客流时序数据。
3.如权利要求2所述的基于混合神经网络模型的景区客流预测方法,其特征在于,所述景区周边公共交通客流登降时序数据的来源包括公交车客流登降时序数据、地铁客流登降时序数据、出租车客流登降时序数据、共享单车客流登降时序数据以及公租自行车客流登降时序数据中的一种或者多种。
4.如权利要求1至3中任一项所述的基于混合神经网络模型的景区客流预测方法,其特征在于,所述获取所述景区周边公共交通客流登降时序数据,包括:
规划一个研究区域,所述研究区域覆盖所述景区;
判断公共交通OD数据中起点和终点中是否存在至少一个地点位于所述研究区域内,获取所述公共交通OD数据位于所述研究区域内的地点的客流登降时序数据。
5.一种基于混合神经网络模型的景区客流预测装置,其特征在于,包括:
获取模块,用于获取景区周边公共交通客流登降时序数据以及景区客流时序数据;
提取模块,用于将所述景区周边公共交通客流登降时序数据以及所述景区客流时序数据作为卷积神经网络模型的输入对象,利用所述卷积神经网络模型对景区周边公共交通客流登降时序数据以及景区客流时序数据进行特征提取,得到特征向量;
处理模块,用于利用长短期记忆网络模型对所述特征向量进行处理,将处理得到的景区客流时序数据作为预测结果。
6.如权利要求5所述的基于混合神经网络模型的景区客流预测装置,其特征在于,所述景区周边公共交通客流登降时序数据包括景区周边公共交通到达客流时序数据和景区周边公共交通离开客流时序数据。
7.如权利要求6所述的基于混合神经网络模型的景区客流预测装置,其特征在于,所述景区周边公共交通客流登降时序数据的来源包括公交车客流登降时序数据、地铁客流登降时序数据、出租车客流登降时序数据、共享单车客流登降时序数据以及公租自行车客流登降时序数据中的一种或者多种。
8.如权利要求5至7中任一项所述的基于混合神经网络模型的景区客流预测装置,其特征在于,所述获取模块包括:
规划模块,用于规划一个研究区域,所述研究区域覆盖所述景区;
获取子模块,用于判断公共交通OD数据中起点和终点中是否存在至少一个地点位于所述研究区域内,获取所述公共交通OD数据位于所述研究区域内的地点的客流登降时序数据。
9.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-4中任一项所述的方法。
10.一种存储介质,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,实现权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249040.9A CN111160622A (zh) | 2019-12-09 | 2019-12-09 | 基于混合神经网络模型的景区客流预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249040.9A CN111160622A (zh) | 2019-12-09 | 2019-12-09 | 基于混合神经网络模型的景区客流预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160622A true CN111160622A (zh) | 2020-05-15 |
Family
ID=70555800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911249040.9A Pending CN111160622A (zh) | 2019-12-09 | 2019-12-09 | 基于混合神经网络模型的景区客流预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160622A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754025A (zh) * | 2020-05-25 | 2020-10-09 | 苏州大学文正学院 | 基于cnn+gru的公交短时客流预测方法 |
CN112488419A (zh) * | 2020-12-15 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
CN113051474A (zh) * | 2021-03-24 | 2021-06-29 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及系统 |
CN113255563A (zh) * | 2021-06-10 | 2021-08-13 | 湘南学院 | 一种景区人流控制系统及方法 |
CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN115409741A (zh) * | 2022-11-01 | 2022-11-29 | 长江勘测规划设计研究有限责任公司 | 一种利用河流表面色差测量泥沙含量的机器视觉识别算法 |
CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN117275243A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180336452A1 (en) * | 2017-05-22 | 2018-11-22 | Sap Se | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network |
CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机系统有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 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 |
-
2019
- 2019-12-09 CN CN201911249040.9A patent/CN111160622A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180336452A1 (en) * | 2017-05-22 | 2018-11-22 | Sap Se | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network |
CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机系统有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 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 |
Non-Patent Citations (1)
Title |
---|
陆继翔 等: "基于CNN-LSTM混合神经网络模型的短期负荷预测方法", 电力系统自动化 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754025A (zh) * | 2020-05-25 | 2020-10-09 | 苏州大学文正学院 | 基于cnn+gru的公交短时客流预测方法 |
CN112488419A (zh) * | 2020-12-15 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
CN113051474A (zh) * | 2021-03-24 | 2021-06-29 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及系统 |
CN113051474B (zh) * | 2021-03-24 | 2023-09-15 | 武汉大学 | 一种融合多平台多终端搜索指数的客流预测方法及系统 |
CN113255563A (zh) * | 2021-06-10 | 2021-08-13 | 湘南学院 | 一种景区人流控制系统及方法 |
CN113255563B (zh) * | 2021-06-10 | 2022-06-10 | 湘南学院 | 一种景区人流控制系统及方法 |
CN113657652B (zh) * | 2021-07-31 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN115409741A (zh) * | 2022-11-01 | 2022-11-29 | 长江勘测规划设计研究有限责任公司 | 一种利用河流表面色差测量泥沙含量的机器视觉识别算法 |
CN116029395B (zh) * | 2023-03-24 | 2023-08-04 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN117275243A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
CN117275243B (zh) * | 2023-11-22 | 2024-02-02 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 | |
Pan et al. | Predicting bike sharing demand using recurrent neural networks | |
Wen et al. | A novel spatiotemporal convolutional long short-term neural network for air pollution prediction | |
Sun et al. | RSOD: Real-time small object detection algorithm in UAV-based traffic monitoring | |
Chen et al. | Predicting station level demand in a bike‐sharing system using recurrent neural networks | |
Xu et al. | Real-time prediction of taxi demand using recurrent neural networks | |
Yang et al. | MF-CNN: traffic flow prediction using convolutional neural network and multi-features fusion | |
Yu et al. | Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking | |
CN108417029B (zh) | 基于自适应多任务深度学习的城市路网行程时间估计方法 | |
Li et al. | The forecasting of passenger demand under hybrid ridesharing service modes: A combined model based on WT-FCBF-LSTM | |
Huang et al. | A GAN framework-based dynamic multi-graph convolutional network for origin–destination-based ride-hailing demand prediction | |
Li et al. | Deep learning based parking prediction on cloud platform | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
Lu et al. | Short-term demand forecasting for online car-hailing using ConvLSTM networks | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
CN111754025A (zh) | 基于cnn+gru的公交短时客流预测方法 | |
Xu et al. | Spatial ensemble prediction of hourly PM2. 5 concentrations around Beijing railway station in China | |
Ma et al. | Investigating the impact of spatial-temporal grid size on the microscopic forecasting of the inflow and outflow gap in a free-floating bike-sharing system | |
Wang et al. | Urban traffic pattern analysis and applications based on spatio-temporal non-negative matrix factorization | |
Jiang et al. | Pedestrian volume prediction with high spatiotemporal granularity in urban areas by the enhanced learning model | |
Panovski et al. | Long and short-term bus arrival time prediction with traffic density matrix | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
CN109409563A (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
Lu et al. | Prediction of tourist flow based on multi‐source traffic data in scenic spot | |
Zhai et al. | An efficiency-enhanced deep learning model for citywide crowd flows prediction |
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 |