CN111612281B - 一种地铁站人流量峰值的预测方法、装置和计算机设备 - Google Patents
一种地铁站人流量峰值的预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111612281B CN111612281B CN202010578239.2A CN202010578239A CN111612281B CN 111612281 B CN111612281 B CN 111612281B CN 202010578239 A CN202010578239 A CN 202010578239A CN 111612281 B CN111612281 B CN 111612281B
- Authority
- CN
- China
- Prior art keywords
- peak value
- flow
- prediction
- pedestrian
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种地铁站人流量峰值的预测方法、装置和计算机设备。所述方法包括:根据历史数据获得人流密集地铁站及其人流量峰值时段,构建训练样本集,将其输入基于图卷积的时空特征提取网络、峰值判别网络和峰值预测网络的预测模型,提取人流密集地铁站的人流量时空特征,输出峰值判别和峰值预测结果,根据预先设置的基于调整类别权重的损失函数训练预测模型。将地铁站的实时人流量数据输入训练好的预测模型,得到实时峰值判别和预测结果。上述方法在分类与回归框架上基于图卷积网络判别和预测地铁站人流量峰值,以基于调整类别权重的损失函数为目标函数,避免了峰值预测偏低的问题,提高了地铁站人流量预测的准确度。
Description
技术领域
本申请涉及于数据挖掘技术领域,特别是涉及一种地铁站人流量峰值的预测方法、装置和计算机设备。
背景技术
城市作为区域经济、政治和文化的中心,城市居民的日常出行需求呈多样化高频次的特点。但公共交通拥挤、公共场所人群密集、道路交通拥堵等低出行舒适度的问题也日益突出。对人流密集区域或交通站点人流量变化进行预测有利于人流密集管控、道路交通疏导等措施的展开。
人流量变化预测的实现通常是根据历史观测数据构建人流量预测模型,使用该模型预测未来一段时间内城市中某区域或交通站点的人群到达和离开的数量。人流量变化预测属于时间序列预测的一种,根据其预测算法的不同可分为基于传统机器学习方法和深度学习方法两大类。基于传统机器学习的人流量变化预测方法构建的大多数是单目标变量、浅层的人流量变化预测模型。近年来,多数人流量预测模型采用了深度学习方法,利用全连接层、经典卷积网络层或图卷积网络层对人流量时间序列进行空间维度的关联关系建模,取得了比基于传统机器学习方法更好的预测性能。
但是目前的人流量变化预测方法往往在人流量出现峰值时出现低估的现象,即虽然其预测结果高于同一时段历史平均值,但仍然低于真实的人流量。如地铁站的人流量变化通常较有规律,其人流量高峰时段基本与人们上下班通勤时段一致。然而由于交通状况的快速变化、社区活动、天气等多种因素,某些地铁站在某些时段可能出现特别大的人流量高峰。这种突然出现的人流量“峰”值,远高于该地铁站同一时段历史平均的高峰人流量。现有大部分人流量预测算法以降低平均预测误差为目标进行预测模型优化,这使得大多数模型在上述“峰”值的预测上会出现“低估”的现象。这一问题非常不利于城市公共安全、人流密集管控等措施的实施。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高地铁站人流量峰值时段预测准确度的一种地铁站人流量峰值的预测方法、装置和计算机设备。
一种地铁站人流量峰值的预测方法,所述方法包括:
从预设的数据源获取地铁站的历史人流量数据,根据历史人流量数据将对应地铁站标记为人流密集地铁站,并获得人流密集地铁站的人流量峰值时段,根据人流密集地铁站和对应的人流峰值时段构建训练样本集。
将训练样本集中的人流密集地铁站和对应的人流峰值时段输入预先设置的预测模型,预测模型包括:基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络。
由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果,根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练预测模型,得到训练好的预测模型。
获取地铁站的实时人流量数据,将实时人流量数据输入训练好的预测模型,得到实时人流量数据的峰值判别结果和峰值预测结果。
其中一个实施例中,基于调整类别权重的损失函数的构建方式包括:
根据峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差,构建峰值判别损失函数和峰值预测损失函数。
其中一个实施例中,从预设的数据源获取地铁站的历史人流量数据,根据历史人流量数据将对应地铁站标记为人流密集地铁站,并获得人流密集地铁站的人流量峰值时段,根据人流密集地铁站和对应的人流峰值时段构建训练样本集的步骤包括:
从预设的数据源获取地铁站的历史人流量数据。
根据历史人流量数据和预设的人流密集站点阈值,将对应地铁站标记为人流密集地铁站。
根据预设的观察时间窗口和预设的人流密集时段阈值,从历史人流量数据中得到人流密集地铁站的人流量峰值时段。
根据人流密集地铁站和对应的人流峰值时段构建训练样本集。
其中一个实施例中,构建预先设置的预测模型的步骤包括:
定义各层图卷积的线性变换可学习参数矩阵,用于对人流密集地铁站的特征向量进行行线性变换。
定义邻接可学习参数矩阵,用于对人流密集地铁站的特征向量进行相互交换。
基于图卷积网络定义人流量时空特征提取网络,基于分类与回归框架将人流量时空特征提取网络分别接入基于全连接网络层的峰值判别网络和峰值预测网络。
其中一个实施例中,由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果,根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练预测模型,得到训练好的预测模型的步骤包括:
由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果。
根据人流量时空特征、峰值判别结果和峰值预测结果,获得预先设置的基于调整类别权重的损失函数的值。
当损失函数的值大于预设值时,采用梯度下降法计算并设置预测模型中的预测参数的值。
当损失函数的值小于预设值时,获得训练好的预测模型。
其中一个实施例中,根据预设的基于调整类别权重的损失函数,采用训练样本集训练预测模型的步骤包括:
采用梯度下降法计算并设置预测模型中的预测参数的值,将训练样本集输入预测模型。
当损失函数的值小于预设值时,获得训练好的预测模型。
其中一个实施例中,根据预设的观察时间窗口和预设的人流密集时段阈值,从历史人流量数据中得到人流密集地铁站的人流量峰值时段的步骤,包括:
从历史人流量数据中获取在p个预设的时间窗口内进入人流密集地铁站的总人数,当总人数大于预设的人流密集时段阈值时,将p个时间窗口设为人流密集地铁站的人流量峰值时段。
其中一个实施例中,根据历史人流量数据和预设的人流密集站点阈值,将对应地铁站标记为人流密集地铁站的步骤包括:
根据历史人流量数据得到进入地铁站的总人数,将总人数大于预设的人流密集站点阈值的地铁站标记为人流密集地铁站。
一种地铁站人流量峰值的预测装置,其特征在于,装置包括:
训练样本集构建模块,用于从预设的数据源获取地铁站的历史人流量数据,根据历史人流量数据将对应地铁站标记为人流密集地铁站,并获得人流密集地铁站的人流量峰值时段,根据人流密集地铁站和对应的人流峰值时段构建训练样本集。
训练样本集输入模块,用于将训练样本集中的人流密集地铁站和对应的人流峰值时段输入预先设置的预测模型,预测模型包括:基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络。
预测模型训练模块,用于由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果,根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练预测模型,得到训练好的预测模型。
地铁站量人流峰值预测模块,用于获取地铁站的实时人流量数据,将实时人流量数据输入训练好的预测模型,得到实时人流量数据的峰值判别结果和峰值预测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任意一个实施例中所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任意一个实施例中所述方法的步骤。
上述一种地铁站人流量峰值的预测装置方法、装置、计算机设备和存储介质,利用地铁站的历史数据确定地铁站人流量峰值时段相关参数,构建训练样本集,在分类与回归框架上基于图卷积网络搭建峰值判别与预测网络,构建基于调整类别权重的损失函数,训练得到地铁站峰值判别与预测模型,并利用该模型进行峰值预测。本申请针对地铁站人流量预测问题,在分类与回归框架上提出基于图卷积的峰值判别与预测方法,可以避免以降低平均预测误差为优化目标带来的模型峰值预测“低估”问题,有针对性地提高了地铁站人流量预测在峰值时段的预测准确度。
附图说明
图1为一个实施例中地铁站人流量峰值的预测方法的步骤流程示意图;
图2为一个实施例中人流量时空特征提取网络的示意图;
图3为一个实施例中预测模型的组成示意图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种地铁站人流量峰值的预测方法,包括以下步骤:
步骤102:从预设的数据源获取地铁站的历史人流量数据,根据历史人流量数据将对应地铁站标记为人流密集地铁站,并获得人流密集地铁站的人流量峰值时段,根据人流密集地铁站和对应的人流峰值时段构建训练样本集。
具体地,预设的数据源可以是存储地铁人流量数据的各种设备,人流量数据的采集来源可以包括地铁购票记录、闸机记录、人流量统计设备等。根据从数据源中获取历史人流量数据后,可以根据预先设定的数据处理和判定规则,将历史人流量数据中满足判定条件的地铁站设为人流密集地铁站。如根据历史人流量数据计算人流量密度,将人流量密度值高于预设值的地铁站设为人流密集地铁站等。并且获得人流密集地铁站的人流密集时段,如将人流量密度值高于预设值的时段设为该人流密集地铁站的人流密集时段。根据人流密集地铁站及其人流密集时段,构建包含人流量空间和时间特征的训练样本集。
步骤104:将训练样本集中的人流密集地铁站和对应的人流峰值时段输入预先设置的预测模型,预测模型包括:基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络。
将训练样本集中的人流密集地铁站和对应的人流峰值时段输入预先设置的预测模型。预测模型包括基于图卷积的时空特征提取网络,以及基于分类和回归框架的峰值判别网络和峰值预测网络。时空特征提取网络通过全连接网络接入峰值判别网络和峰值预测网络,构成预测模型。
步骤106:由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果,根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练预测模型,得到训练好的预测模型。
以训练样本集中人流密集地铁站为节点,以其人流量数据为特征向量,建立多个人流密集地铁站之间的关联图。预测模型基于图卷积网络提取人流密集地铁站的人流量时空特征,基于行分类和回归框架,对图卷积网络提取到的人流量时空特征进行峰值判别和峰值预测,输出地铁站的峰值判别结果和峰值预测结果。
基于调整类别权重定义峰值判别损失函数和峰值预测损失函数,以预测误差最小为优化目标,进行模型训练。这种方式可以解决人流量预测样本集中,人流量密集时段的样本占比过少导致峰值时段预测误差较大的问题,针对性地降低地铁站进站人流量峰值时段预测误差。
步骤108:获取地铁站的实时人流量数据,将实时人流量数据输入训练好的预测模型,得到实时人流量数据的峰值判别结果和峰值预测结果。
上述一种地铁站人流量峰值的预测装置方法、装置、计算机设备和存储介质,利用地铁站的历史数据确定地铁站人流量峰值时段相关参数,构建训练样本集,在分类与回归框架上基于图卷积网络搭建峰值判别与预测网络,构建基于调整类别权重的损失函数,训练得到地铁站峰值判别与预测模型,并利用该模型进行峰值预测。本申请针对地铁站人流量预测问题,在分类与回归框架上提出基于图卷积的峰值判别与预测方法,可以避免以降低平均预测误差为优化目标带来的模型峰值预测“低估”问题,有针对性地提高了地铁站人流量预测在峰值时段的预测准确度。
其中一个实施例中,基于调整类别权重的损失函数的构建方式包括:
根据峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差,构建峰值判别损失函数和峰值预测损失函数。
具体地,根据如下所示的峰值判别损失函数LClassification和峰值预测损失函数LRegression:
LClassification=Q·[αLC.T+(1-α)LC.F+βLR.T+(1-β)LR.F]
LRegression=λLR.T+(1-λ)LR.F
其中,Q为分类损失与回归损失的比例调整因子;α、β、λ为调整类别损失的权重参数,均是0到1之间的实数;LC.T和LC.F分别表示正类样本(人流量密集时段样本)和负类样本的修正交叉熵损失,LR.T和LR.F分别表示正类样本和负类样本的预测均方根误差。
LC.T、LC.F、LR.T和LR.F的表达式分别为:
本实施例给出了一种基于调整类别权重的损失函数的构建方式,可以避免平均预测误差为目标函数,不考虑样本数量比例造成的模型峰值预测“低估”问题。
其中一个实施例中,从预设的数据源获取地铁站的历史人流量数据,根据历史人流量数据将对应地铁站标记为人流密集地铁站,并获得人流密集地铁站的人流量峰值时段,根据人流密集地铁站和对应的人流峰值时段构建训练样本集的步骤包括:
从预设的数据源获取地铁站的历史人流量数据。
根据历史人流量数据和预设的人流密集站点阈值,将对应地铁站标记为人流密集地铁站。
根据预设的观察时间窗口和预设的人流密集时段阈值,从历史人流量数据中得到人流密集地铁站的人流量峰值时段。
根据人流密集地铁站和对应的人流峰值时段构建训练样本集。
具体地,本实施例获取预设区域中所有地铁站在预设时段中的进站人流量数据,以过所获取为过去一年中同一城市所有地铁站为例进行说明:
获取过去一年同一城市所有m个地铁站中乘客通过地铁站闸机的刷卡或投币记录数据。统计各地铁站过去一年进站人流量总和,按从大到小排列,取前个地铁站并标记为人流密集地铁站,集合记为表示向上取整。其中,∈是预设的人流密集站点阈值,取值范围是0到1间的实数,用于确定人流密集的站点以及峰值时段。
以n个长度为τ的观察时间窗口对获得的记录数据进行划分,统计每个地铁站在每个时间窗口内进站乘客数量,得到该城市过去一年n个时间窗口所有地铁站的进站人流量记录。地铁站人流量观察时间窗口单位长度τ的取值可以根据实际情况调整,如15分钟、30分钟、1小时等。地铁站观察峰值时段窗口数p<n,可以将其设置为1到10间的整数。因此,对地铁站的观察峰值时段长度为p·τ。
中第k个人流密集地铁站在连续p个时间窗口内进站人流量总和大于预设的人流密集时段阈值δk时,该p个时间窗口定义为该地铁站的人流量峰值时段,标记否则为0。δk的确定方式可以是:根据历史人流量数据,统计人流密集地铁站每连续p个时间窗口进站人流量的总和,按从大到小排列,取第位置的数值为δk。
将各地铁站每连续p个时间窗口的人流量记录数据及其后续p个时间窗口的人流量记录数据构成一个样本的输入数据与待预测数据,构建训练样本集。
本实施例给出了一种获得预测模型的训练样本集的具体方式,可以通过较简单的数据处理获得人流密集地铁站及其人流量峰值时段,从而构建训练样本集。
其中一个实施例中,构建预先设置的预测模型的步骤包括:
定义各层图卷积的线性变换可学习参数矩阵,用于对人流密集地铁站的特征向量进行行线性变换。
定义邻接可学习参数矩阵,用于对人流密集地铁站的特征向量进行相互交换。
基于图卷积网络定义人流量时空特征提取网络,基于分类与回归框架将人流量时空特征提取网络分别接入基于全连接网络层的峰值判别网络和峰值预测网络。
具体地,本实施例基于图卷积网络构建了地铁站人流量时空特征提取网络。人流量时空特征提取网络由3层串接的基于谱的图卷积网络层构成,其具体结构如图2所示。其中,Hl-1表示上一层的输出,是当前第l层图卷积的输入。l=1时,即第1层图卷积的输入H0是过去p个时间窗口各地铁站人流量形成的向量。第l层图卷积的输出σ(·)是激活函数sigmoid,是邻接可学习参数矩阵,的物理含义是将图中各节点的特征向量进行交互线性变换,即将各地铁站人流量的时空特征进行相互交换。Wl是第l层的线性变换可学习参数矩阵,Hl-1Wl的物理含义是将图中各节点的特征向量进行独立的线性变换,即将各地铁站人流量时空特征进行线性变换。
基于分类与回归框架,在人流量时空特征提取网络后分别接入基于全连接网络层的峰值判别网络和峰值预测网络,如图3所示。将峰值判别网络提取的分类特征,通过单独的全连接网络层接入到峰值预测网络中,以提高峰值预测准确度,最终形成完整构建预测模型。
本实施例提供了一种构建预测模型的具体方式,对各地铁站人流量时空特征进行线性变换,并且将各地铁站人流量的时空特征进行相互交换,以提取地铁站人流量时空特征。基于分类与回归框架,根据提取到的特征输出峰值判别结果和峰值预测结果。
其中一个实施例中,由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果,根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练预测模型,得到训练好的预测模型的步骤包括:
由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果。
根据人流量时空特征、峰值判别结果和峰值预测结果,获得预先设置的基于调整类别权重的损失函数的值。
当损失函数的值大于预设值时,采用梯度下降法计算并设置预测模型中的预测参数的值,当损失函数的值小于预设值时,获得训练好的预测模型。
具体地,采用迭代的方式,使用梯度下降法计算并设置预测模型中的预测参数的值:
设定当前迭代次数为N,损失函数最小阈值为Δ,学习率为ζ。
将训练样本集输入到峰值判别与预测网络中,计算得到地铁站峰值时段判别概率,进而计算第N次迭代时的峰值判别损失函数LClassification N的值;计算得到地铁站峰值预测结果,进而计算第N次迭代时的人流量预测损失函数LRegression N的值。判断预测误差LRegression N是否小于最小阈值Δ。若是,则认为训练过程结束;若不是,则进行下一次迭代。
进行迭代时,获取当前峰值判别网络中的学习参数θClassification,和当前峰值预测网络中的学习参数θRegression。采用梯度下降法对上述学习参数进行更新,根据得到的学习参数构建第N+1次迭代时的峰值判别网络和峰值预测网络,具体表达式为:
其中,N=1时的学习参数值可以根据情况预设。
本实施例定义了峰值判别网络和峰值预测网络的训练方法,为实现预测模型提供了一种具体的实现方式。
其中一个实施例中,获取与训练样本集相对应的测试样本集,将测试样本及输入训练好的预测模型中,得到地铁站峰值判别结果和地铁站人流量峰值预测结果,并计算地铁站峰值判别结果的判别准确率和召回率,地铁站人流量峰值预测结果的预测误差,以及其它时段的人流量预测误差。
具体地,地铁站峰值判别结果的判别准确率precision和召回率recall的计算方法分别为:
其中,count()函数表示统计对应条件的样本数量。
地铁站人流量峰值预测结果的预测误差bf_loss,以及其它时段的人流量预测误差nf_loss都采用均方根误差,其计算方法分别为:
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种地铁站人流量峰值的预测装置,其特征在于,装置包括:
训练样本集构建模块,用于从预设的数据源获取地铁站的历史人流量数据,根据历史人流量数据将对应地铁站标记为人流密集地铁站,并获得人流密集地铁站的人流量峰值时段,根据人流密集地铁站和对应的人流峰值时段构建训练样本集;
训练样本集输入模块,用于将训练样本集中的人流密集地铁站和对应的人流峰值时段输入预先设置的预测模型,预测模型包括:基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络。
预测模型训练模块,用于由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果,根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练预测模型,得到训练好的预测模型。
地铁站人流量峰值预测模块,用于获取地铁站的实时人流量数据,将实时人流量数据输入训练好的预测模型,得到实时人流量数据的峰值判别结果和峰值预测结果。
其中一个实施例中,还包括损失函数构建模块,用于根据峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差,构建峰值判别损失函数和峰值预测损失函数。
其中一个实施例中,训练样本集构建模块用于:从预设的数据源获取地铁站的历史人流量数据。根据历史人流量数据和预设的人流密集站点阈值,将对应地铁站标记为人流密集地铁站。根据预设的观察时间窗口和预设的人流密集时段阈值,从历史人流量数据中得到人流密集地铁站的人流量峰值时段。根据人流密集地铁站和对应的人流峰值时段构建训练样本集。
其中一个实施例中,还包括预测模型构建模块,用于:
定义各层图卷积的线性变换可学习参数矩阵,用于对人流密集地铁站的特征向量进行行线性变换。
定义邻接可学习参数矩阵,用于对人流密集地铁站的特征向量进行相互交换。
基于图卷积网络定义人流量时空特征提取网络,基于分类与回归框架将人流量时空特征提取网络分别接入基于全连接网络层的峰值判别网络和峰值预测网络。
其中一个实施例中,预测模型训练模块用于:由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果。根据人流量时空特征、峰值判别结果和峰值预测结果,获得预先设置的基于调整类别权重的损失函数的值。当损失函数的值大于预设值时,采用梯度下降法计算并设置预测模型中的预测参数的值,当损失函数的值小于预设值时,获得训练好的预测模型。
其中一个实施例中,训练样本集构建模块用于:从历史人流量数据中获取在p个预设的时间窗口内进入人流密集地铁站的总人数,当总人数大于预设的人流密集时段阈值时,将p个时间窗口设为人流密集地铁站的人流量峰值时段。
其中一个实施例中,训练样本集构建模块用于:根据历史人流量数据得到进入地铁站的总人数,将总人数大于预设的人流密集站点阈值的地铁站标记为人流密集地铁站。
关于地铁站人流量峰值的预测装置的具体限定可以参见上文中对于地铁站人流量峰值的预测方法的限定,在此不再赘述。上述地铁站人流量峰值的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储地铁站人流量历史数据,地铁站人流量预测模型训练样本数据集、验证数据集和测试数据集,地铁站人流量预测模型数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种地铁站人流量峰值的预测方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
从预设的数据源获取地铁站的历史人流量数据,根据历史人流量数据将对应地铁站标记为人流密集地铁站,并获得人流密集地铁站的人流量峰值时段,根据人流密集地铁站和对应的人流峰值时段构建训练样本集。将训练样本集中的人流密集地铁站和对应的人流峰值时段输入预先设置的预测模型,预测模型包括:基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络。由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果,根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练预测模型,得到训练好的预测模型。获取地铁站的实时人流量数据,将实时人流量数据输入训练好的预测模型,得到实时人流量数据的峰值判别结果和峰值预测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差,构建峰值判别损失函数和峰值预测损失函数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从预设的数据源获取地铁站的历史人流量数据。根据历史人流量数据和预设的人流密集站点阈值,将对应地铁站标记为人流密集地铁站。根据预设的观察时间窗口和预设的人流密集时段阈值,从历史人流量数据中得到人流密集地铁站的人流量峰值时段。根据人流密集地铁站和对应的人流峰值时段构建训练样本集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:定义各层图卷积的线性变换可学习参数矩阵,用于对人流密集地铁站的特征向量进行行线性变换。定义邻接可学习参数矩阵,用于对人流密集地铁站的特征向量进行相互交换。基于图卷积网络定义人流量时空特征提取网络,基于分类与回归框架将人流量时空特征提取网络分别接入基于全连接网络层的峰值判别网络和峰值预测网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果。根据人流量时空特征、峰值判别结果和峰值预测结果,获得预先设置的基于调整类别权重的损失函数的值。当损失函数的值大于预设值时,采用梯度下降法计算并设置预测模型中的预测参数的值,当损失函数的值小于预设值时,获得训练好的预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从历史人流量数据中获取在p个预设的时间窗口内进入人流密集地铁站的总人数,当总人数大于预设的人流密集时段阈值时,将p个时间窗口设为人流密集地铁站的人流量峰值时段。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据历史人流量数据得到进入地铁站的总人数,将总人数大于预设的人流密集站点阈值的地铁站标记为人流密集地铁站。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
从预设的数据源获取地铁站的历史人流量数据,根据历史人流量数据将对应地铁站标记为人流密集地铁站,并获得人流密集地铁站的人流量峰值时段,根据人流密集地铁站和对应的人流峰值时段构建训练样本集。将训练样本集中的人流密集地铁站和对应的人流峰值时段输入预先设置的预测模型,预测模型包括:基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络。由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果,根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练预测模型,得到训练好的预测模型。获取地铁站的实时人流量数据,将实时人流量数据输入训练好的预测模型,得到实时人流量数据的峰值判别结果和峰值预测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差,构建峰值判别损失函数和峰值预测损失函数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从预设的数据源获取地铁站的历史人流量数据。根据历史人流量数据和预设的人流密集站点阈值,将对应地铁站标记为人流密集地铁站。根据预设的观察时间窗口和预设的人流密集时段阈值,从历史人流量数据中得到人流密集地铁站的人流量峰值时段。根据人流密集地铁站和对应的人流峰值时段构建训练样本集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:定义各层图卷积的线性变换可学习参数矩阵,用于对人流密集地铁站的特征向量进行行线性变换。定义邻接可学习参数矩阵,用于对人流密集地铁站的特征向量进行相互交换。基于图卷积网络定义人流量时空特征提取网络,基于分类与回归框架将人流量时空特征提取网络分别接入基于全连接网络层的峰值判别网络和峰值预测网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:由时空特征网络提取人流密集地铁站的人流量时空特征,由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果。根据人流量时空特征、峰值判别结果和峰值预测结果,获得预先设置的基于调整类别权重的损失函数的值。当损失函数的值大于预设值时,采用梯度下降法计算并设置预测模型中的预测参数的值,当损失函数的值小于预设值时,获得训练好的预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从历史人流量数据中获取在p个预设的时间窗口内进入人流密集地铁站的总人数,当总人数大于预设的人流密集时段阈值时,将p个时间窗口设为人流密集地铁站的人流量峰值时段。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据历史人流量数据得到进入地铁站的总人数,将总人数大于预设的人流密集站点阈值的地铁站标记为人流密集地铁站。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种地铁站人流量峰值的预测方法,所述方法包括:
从预设的数据源获取地铁站的历史人流量数据,根据所述历史人流量数据将对应地铁站标记为人流密集地铁站,并获得所述人流密集地铁站的人流量峰值时段,根据所述人流密集地铁站和对应的所述人流峰值时段构建训练样本集;
将所述训练样本集中的所述人流密集地铁站和对应的所述人流峰值时段输入预先设置的预测模型,所述预测模型包括:基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络;其中,构建所述预先设置的预测模型的步骤包括:定义各层图卷积的线性变换可学习参数矩阵,用于对所述人流密集地铁站的特征向量进行行线性变换;定义邻接可学习参数矩阵,用于对所述人流密集地铁站的特征向量进行相互交换;基于图卷积网络定义人流量时空特征提取网络,基于分类与回归框架将所述人流量时空特征提取网络分别接入基于全连接网络层的峰值判别网络和峰值预测网络;
由所述时空特征网络提取所述人流密集地铁站的人流量时空特征,由所述峰值判别网络和所述峰值预测网络输出峰值判别结果和峰值预测结果,根据所述人流量时空特征、所述峰值判别结果、所述峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练所述预测模型,得到训练好的预测模型;其中,基于调整类别权重的损失函数的构建方式包括:根据所述峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差,构建峰值判别损失函数和峰值预测损失函数;
获取地铁站的实时人流量数据,将所述实时人流量数据输入训练好的预测模型,得到所述实时人流量数据的峰值判别结果和峰值预测结果。
2.根据权利要求1所述的预测方法,其特征在于,所述从预设的数据源获取地铁站的历史人流量数据,根据所述历史人流量数据将对应地铁站标记为人流密集地铁站,并获得所述人流密集地铁站的人流量峰值时段,根据所述人流密集地铁站和对应的所述人流峰值时段构建训练样本集的步骤包括:
从预设的数据源获取地铁站的历史人流量数据;
根据所述历史人流量数据和预设的人流密集站点阈值,将对应地铁站标记为人流密集地铁站;
根据预设的观察时间窗口和预设的人流密集时段阈值,从所述历史人流量数据中得到所述人流密集地铁站的人流量峰值时段;
根据所述人流密集地铁站和对应的所述人流峰值时段构建训练样本集。
3.根据权利要求1至2中任意一项所述的预测方法,其特征在于,由所述时空特征网络提取所述人流密集地铁站的人流量时空特征,由所述峰值判别网络和所述峰值预测网络输出峰值判别结果和峰值预测结果,根据所述人流量时空特征、所述峰值判别结果、所述峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练所述预测模型,得到训练好的预测模型的步骤包括:
由所述时空特征网络提取所述人流密集地铁站的人流量时空特征,由所述峰值判别网络和所述峰值预测网络输出峰值判别结果和峰值预测结果;
根据所述人流量时空特征、所述峰值判别结果和所述峰值预测结果,获得预先设置的基于调整类别权重的损失函数的值;
当所述损失函数的值大于预设值时,采用梯度下降法计算并设置所述预测模型中的预测参数的值;
当所述损失函数的值小于所述预设值时,获得训练好的预测模型。
4.根据权利要求2所述的预测方法,其特征在于,根据预设的观察时间窗口和预设的人流密集时段阈值,从所述历史人流量数据中得到所述人流密集地铁站的人流量峰值时段的步骤,包括:
从所述历史人流量数据中获取在p个预设的时间窗口内进入所述人流密集地铁站的总人数,当所述总人数大于预设的人流密集时段阈值时,将所述p个时间窗口设为所述人流密集地铁站的人流量峰值时段。
5.根据权利要求2所述的预测方法,其特征在于,根据所述历史人流量数据和预设的人流密集站点阈值,将对应地铁站标记为人流密集地铁站的步骤包括:
根据历史人流量数据得到进入地铁站的总人数,将所述总人数大于预设的人流密集站点阈值的地铁站标记为人流密集地铁站。
6.一种地铁站人流量峰值的预测装置,其特征在于,所述装置包括:
训练样本集构建模块,用于从预设的数据源获取地铁站的历史人流量数据,根据所述历史人流量数据将对应地铁站标记为人流密集地铁站,并获得所述人流密集地铁站的人流量峰值时段,根据所述人流密集地铁站和对应的所述人流峰值时段构建训练样本集;
训练样本集输入模块,用于将所述训练样本集中的所述人流密集地铁站和对应的所述人流峰值时段输入预先设置的预测模型,所述预测模型包括:基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络;其中,构建所述预先设置的预测模型的步骤包括:定义各层图卷积的线性变换可学习参数矩阵,用于对所述人流密集地铁站的特征向量进行行线性变换;定义邻接可学习参数矩阵,用于对所述人流密集地铁站的特征向量进行相互交换;基于图卷积网络定义人流量时空特征提取网络,基于分类与回归框架将所述人流量时空特征提取网络分别接入基于全连接网络层的峰值判别网络和峰值预测网络;
预测模型训练模块,用于由所述时空特征网络提取所述人流密集地铁站的人流量时空特征,由所述峰值判别网络和所述峰值预测网络输出峰值判别结果和峰值预测结果,根据所述人流量时空特征、所述峰值判别结果、所述峰值预测结果以及预先设置的基于调整类别权重的损失函数,训练所述预测模型,得到训练好的预测模型;其中,基于调整类别权重的损失函数的构建方式包括:根据所述峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差,构建峰值判别损失函数和峰值预测损失函数;
地铁站人流量峰值预测模块,用于获取地铁站的实时人流量数据,将所述实时人流量数据输入训练好的预测模型,得到所述实时人流量数据的峰值判别结果和峰值预测结果。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010578239.2A CN111612281B (zh) | 2020-06-23 | 2020-06-23 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010578239.2A CN111612281B (zh) | 2020-06-23 | 2020-06-23 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612281A CN111612281A (zh) | 2020-09-01 |
CN111612281B true CN111612281B (zh) | 2023-04-14 |
Family
ID=72200676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010578239.2A Active CN111612281B (zh) | 2020-06-23 | 2020-06-23 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612281B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215408A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 轨道交通客流量预测方法及装置 |
CN112163774B (zh) * | 2020-10-09 | 2024-03-26 | 北京海冬青机电设备有限公司 | 手扶梯人流量评估模型建立方法、人流量分析方法及装置 |
CN112529294B (zh) * | 2020-12-09 | 2023-04-14 | 中国科学院深圳先进技术研究院 | 个体随机出行目的地预测模型的训练方法、介质和设备 |
CN112541440B (zh) * | 2020-12-16 | 2023-10-17 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
CN112633517B (zh) * | 2020-12-29 | 2024-02-02 | 重庆星环人工智能科技研究院有限公司 | 一种机器学习模型的训练方法、计算机设备及存储介质 |
CN112906953B (zh) * | 2021-02-04 | 2023-12-22 | 杭州涂鸦信息技术有限公司 | 人流量预测方法、装置、计算机设备和可读存储介质 |
CN112990555A (zh) * | 2021-02-24 | 2021-06-18 | 上海交通大学 | 基于时空并行栅格神经网络的地铁人流量预测方法及系统 |
CN113435867B (zh) * | 2021-08-26 | 2021-12-14 | 北京通建泰利特智能系统工程技术有限公司 | 智慧城市运营方法、系统和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102108A (zh) * | 2018-07-16 | 2018-12-28 | 南京信息工程大学 | 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 |
CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
-
2020
- 2020-06-23 CN CN202010578239.2A patent/CN111612281B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102108A (zh) * | 2018-07-16 | 2018-12-28 | 南京信息工程大学 | 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 |
CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
Non-Patent Citations (4)
Title |
---|
Yanghao Li etc.Online Human Action Detection using Joint Classification-Regression Recurrent Neural Networks.《European Conference on Computer Vision》.2016,全文. * |
李得伟 ; 颜艺星 ; 曾险峰 ; .城市轨道交通进站客流量短时组合预测模型.都市快轨交通.2017,(第01期),全文. * |
李梅 ; 李静 ; 魏子健 ; 王思达 ; 陈赖谨 ; .基于深度学习长短期记忆网络结构的地铁站短时客流量预测.城市轨道交通研究.2018,(第11期),全文. * |
荣斌 ; 武志昊 ; 刘晓辉 ; 赵苡积 ; 林友芳 ; 景一真 ; .基于时空多图卷积网络的交通站点流量预测.计算机工程.2020,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111612281A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612281B (zh) | 一种地铁站人流量峰值的预测方法、装置和计算机设备 | |
CN112418547B (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
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 | |
CN112289034A (zh) | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN112419710B (zh) | 交通拥堵数据预测方法、装置、计算机设备及存储介质 | |
CN112766597B (zh) | 公交客流预测方法及系统 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN110830303A (zh) | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 | |
CN110942637A (zh) | 基于空域图卷积神经网络的scats系统道路交通流预测方法 | |
CN111695722A (zh) | 一种城市轨道交通车站节假日短时客流预测方法 | |
CN113298319B (zh) | 一种基于跳跃图注意力门控循环网络的交通速度预测方法 | |
CN112053560A (zh) | 基于神经网络的短时交通流量预测方法、系统和存储介质 | |
CN112910711A (zh) | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 | |
CN116011684A (zh) | 一种基于时空图卷积网络的交通流量预测方法 | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN111341109B (zh) | 一种基于时空相似性的城市级信号推荐系统 | |
CN115565369A (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
CN113283576B (zh) | 一种基于鲸鱼算法优化lstm的频谱感知方法 | |
CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
CN117077843A (zh) | 基于CBAM-CNN-Transformer的时空注意力细粒度PM2.5浓度预测方法 | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN115394083B (zh) | 一种基于深度学习的高速公路交通拥堵预测方法 | |
CN112785044B (zh) | 公共交通工具的实时满载率预测方法、装置、设备和介质 | |
CN115375020A (zh) | 一种轨道交通关键od对的流量预测方法及系统 |
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 |