CN112070263A - 基于长短期记忆网络模型的城市人群流动预测方法 - Google Patents

基于长短期记忆网络模型的城市人群流动预测方法 Download PDF

Info

Publication number
CN112070263A
CN112070263A CN202010670050.6A CN202010670050A CN112070263A CN 112070263 A CN112070263 A CN 112070263A CN 202010670050 A CN202010670050 A CN 202010670050A CN 112070263 A CN112070263 A CN 112070263A
Authority
CN
China
Prior art keywords
data
crowd
long
prediction
representing
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
Application number
CN202010670050.6A
Other languages
English (en)
Inventor
杨静
杜少毅
陈跃海
张栋
张坤
刘跃文
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010670050.6A priority Critical patent/CN112070263A/zh
Publication of CN112070263A publication Critical patent/CN112070263A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于长短期记忆网络模型的城市人群流动预测方法,包括:选择城市人群流动预测的输入参数和输出参数,考虑临近日期的人群流动数据的影响;对于节假日进行标注作为较为重要的人群流动预测影响因子;对于每一天的日期进行标注作为人群流动预测影响因子和日期标注信息;定义输入参数、级联信息以及输出参数之间的模型;运用长短期网络模型对前三年的大理城市人群流动进行训练建模,采用均方根误差计算训练时预测值与真实值的误差,并进行误差反馈;通过网络的训练,建立长短期记忆网络预测模型;载入训练好的模型,进行多步前瞻得到预测结果。本发明针对城市人群流动预测不但提高了预测结果的精度,也具有很好的稳健性。

Description

基于长短期记忆网络模型的城市人群流动预测方法
技术领域
本发明涉及时间序列预测技术领域,特别涉及一种实现周期较长的时间序列预测方法 ——长短期记忆网络
背景技术
对于云南省这种旅游热门城市,尤其是大理、昆明这种热门旅游景点经常会出现人群 “井喷”现象,在节假日期间这种现象更为显著。为防范城市流聚集场所存在的各种安全 隐患,亟需科学有效的预测方法进行人流量预测,及早发现人群流动特征,为区域管理资 源的协调提供决策依据。现有的人群预测方法大多都是利用传统时间序列预测算法或其改 进的算法,进行未来时刻的人群流动量预测,这些方法有着一定的效果,但是还是存在着 预测精度不高,对特殊节假日的预测效果不佳等等问题。
时间序列预测问题也可以称为回归预测问题。因为在进行这样的预测过程时,考虑到 事物发展的延续性,需要利用到过去和现在的时间数据对未来的数据进行拟合,进而推断 出数据的变化趋势。与此同时,通过各种各样的统计办法消除数据出于诸多因素产生的随 机性、偶然性带来的影响也是格外重要。回归预测模型主要分为两类:1)基于传统方法 的回归模型。使用数据变化的趋势来直接模拟和预测未来数据。2)基于神经网络模型方法的回归模型。通过非线性地模拟数据,使得模型能够更好的表达数据的波动和趋势。
基于传统方法的回归模型主要通过对过去数据进行模拟,然后计算预测得到的数据与 当前值进行比较。如果拟合效果很好,就将这种线性贡献权重延伸到未来,计算得到预测 结果。较为常见的传统预测模型有ARIMA模型、VAR模型等。在ARIMA模型中,一般 将在时间跨度上的一系列数据当作一个随机序列,然后需要通过一些统计方法来模拟这个 序列的波动和趋势走向。一旦数据拟合效果良好即模型被认可识别之后,就可以根据序列 的过去和现在的数据来拟合预测未来值
如前所述,非线性模型能够更好地模拟数据的波动和预测数据未来趋势。现在较为流 行的非线性方法是深度学习,因为它能够挖掘到数据深度的信息,使得序列数据的预测更 加地稳健和精准。比如循环神经网络能够很好地解决时间序列预测问题,很大程度上取决 于它具有优良的非线性动力学习特性和理解能力,所以能够很好地学习并且表示序列数据 之间的依赖关系。
长短期记忆网络(LSTM)是一种特殊的循环神经网络,通过独特的门限函数,长短期记忆网络能够很好地学习长期依赖关系。门限是有选择地让信息通过。它们由一个sigmoid神经网络层和逐点乘法运算组成。sigmoid层输出0到1之间的数字,描述了每个 成分应该通过门限的程度。0表示“不让任何成分通过”,而1表示“让所有成分通过!”。 LSTM有三种这样的门限,来保护和控制单元状态。长短期记忆网络关键点在于单元状态, 单元状态能够贯穿整个网络,只有一些小的线性相互作用。这很容易让信息以不变的方式 向下流动。所以记住信息很长一段时间几乎是它们固有的行为,而不需要像循环神经网络 一样努力去学习。
发明内容
本发明的目的在于提供一种基于长短期记忆网络并且级联多种影响因素的城市人群 流动预测方法,以解决上述现有的理论与设计上存在的缺陷或不足;该预测方法是为了考 虑城市人群流动的多种影响因素、并且提升预测方法的精度,通过一次输入一组数据来体 现数据之间的关联性(也可以称为临近性),并且对输入进行级联节假日、日期标注信息, 使得模型在学习那些节假日(春节、五一、国庆)时能够表现出较好的鲁棒性和高精度。
为了实现上述的目的,本发明采用如下技术方案:
基于长短期记忆网络模型的城市人群流动预测方法,包括以下步骤:
步骤一:选择城市人群流动预测的输入参数
Figure BDA0002581937220000021
和输出参数
Figure BDA0002581937220000031
其中
Figure BDA0002581937220000032
Figure BDA00025819372200000312
表示观察序列人群流动量 数据,i表示观察序列人群流动量数据的年份标注,j表示观察序列人群流动量数据在一 年中的日期标注,n表示对观察数据按照日期的统一排序,obs+t表示对观察数据的时间标注。
步骤二:添加节假日标注信息L与输入参数
Figure BDA0002581937220000033
进行级联;
其中L∈{0,,0表示该天是普通日子,1表示该天是节假日;
Figure BDA0002581937220000034
Figure BDA00025819372200000313
表示观察序列人群流动量数据,i表示观察序列人群流动量数据的年份标注,j表示观察序列人群流动量数据在一年中的日期标注,n表示对观察数据按照日期的统一排序,obs+t表示对观察数据的时间标注。
步骤三:添加日期标注信息D与输入参数
Figure BDA0002581937220000035
进行级联;
其中D∈{d1,d2,…,dT},di∈[0,1],T∈{365,366};
Figure BDA0002581937220000036
T表示一年中的天数,
Figure BDA0002581937220000037
表示观察序 列人群流动量数据,i表示观察序列人群流动量数据的年份标注,j表示观察序列人群流 动量数据在一年中的日期标注,n表示对观察数据按照日期的统一排序,obs+t表示对观 察数据的时间标注。
步骤四:定义输入参数
Figure BDA0002581937220000038
级联信息L、D与输出参数的模型
Figure BDA0002581937220000039
其中
Figure BDA00025819372200000310
是对于观察时刻obs+t+1人流量数据的预测结果,
Figure BDA00025819372200000311
是时刻t的输入参 数,W*是长短时记忆网络模型,Dt是对于时刻t信息的日期标注信息,Lt是对于时刻t 信息的节假日标注信息。
步骤五:对于训练数据
Figure BDA0002581937220000041
采用均方根误差计算训练时预测值
Figure BDA0002581937220000042
与真实 值
Figure BDA0002581937220000043
进行误差反馈,
步骤六:通过训练,建立长短期记忆模型W*
步骤七:载入训练完毕的长短期记忆网络模型W*,输入k1={1,2,…,obs}天的数据以 及级联信息
Figure RE-GDA0002750012710000044
obs是一个常数,表示我们在网络模型之中采用的观察天数,预测第obs+1天的人群流动数量
Figure RE-GDA0002750012710000045
将得到的预测第obs+1天的结果
Figure RE-GDA0002750012710000046
与前面已知的输入数据
Figure RE-GDA0002750012710000047
联合起来,输入k2={2,3,…,obs+1}天的数据以及级联信息Dt、Lt,预测第obs+2天的人群流动数量
Figure RE-GDA0002750012710000048
重复步骤七前述操作,直到得到预测结果
Figure RE-GDA0002750012710000049
pred是一个常数表示我们在网络模型之中采用的预测天数。
步骤一中选取一段临近时间的观察序列人群流动量数据
Figure BDA00025819372200000410
作为一次输入 的数据。
与现有技术相比,本发明的优势如下:对于普通日子的城市人群流动预测,由于没有 那些突然改变城市人群流动数量的影响因素,所以这些普通日子的城市人群流动预测会与 前一段时间的城市人群流动量相近。我们只需要对这段时间的城市人群流动分配一定的贡 献数值,就能够很好地预测城市人群流动数量的变化。它能够体现出城市人群流动量独有 的数据性质:关联性。
本发明步骤二中选取节假日L和日期的标注信息D作为输入的级联信息,可以体现影 响城市人群流动量的变化的因素,使得模型在预测节假日问题之上较常规方法具有更强的 鲁棒性和高精度。
本发明步骤七中将得到的预测结果再次迭代入输入之中,使得预测的结果能够有着更 好的误差精度。
附图说明
图1是实现基于长短期记忆网络模型的城市人群预测方法示意图;
图2是基于长短期记忆网络模型的城市人群流动预测方法流程图;
图3是我们利用传统方法ARIMA得到的实验结果图。
图4是我们利用循环神经网络模型RNN得到的部分实验结果图,蓝色线表示真实值,橙色线表示预测的结果。
图5是我们利用长短期记忆网络模型LSTM得到的部分实验结果图,蓝色线表示 真实值,橙色线表示预测的结果。
图6是我们基于长短期记忆网络得到的实验结果误差图,预测的内容为当地和外地 人群流动数量;
具体实施方式
根据长短期记忆网络原理对本设计做进一步的详细描述。
参见图1、图2,本发明基于长短期记忆网络模型的城市人群流动预测方法分为以下 五个步骤,每个步骤具体如下:
1)根据长短期记忆网络模型选择输入参数
Figure BDA0002581937220000051
和输出参数
Figure BDA0002581937220000052
(1a)输入参数:选择城市3年的人群流动量作为观察序列人群流动量数据
Figure BDA0002581937220000053
并且使用min-max归一化将数据值归一化到[0,1],其中
Figure BDA0002581937220000054
k=i*365+j,
Figure BDA0002581937220000055
表示该城市在第i年的第j天的当地人群流 动量量数据,
Figure BDA0002581937220000056
表示该城市在第i年的第j天的外地人群流动量量数据,k表示 对观察数据按照日期的统一排序。将数据进行分组,一次输入的输入为:
Figure BDA0002581937220000057
(1b)输出参数:预测序列人群流动量数据
Figure BDA0002581937220000058
n+pred表示在第n 组数据的预测中第pred天的预测结果。
2)添加节假日标注信息L与输入参数
Figure BDA0002581937220000061
进行级联得到
Figure BDA0002581937220000062
(2a)其中L∈{0,1},0表示该天是普通日子,1表示该天是节假日;
Figure BDA0002581937220000063
Figure BDA0002581937220000064
表示观察序列人群流动量数据, i表示观察序列人群流动量数据的年份标注,j表示观察序列人群流动量数据在一年中 的日期标注,n表示对观察数据按照日期的统一排序,obs+t表示对观察数据的时间标 注。
3)添加日期标注信息D与输入参数
Figure BDA0002581937220000065
进行级联得到
Figure BDA0002581937220000066
(3a)其中D∈{d1,d2,…,dT},di∈[0,1],T∈{365,366};
Figure BDA0002581937220000067
T表示一年中的天数,
Figure BDA0002581937220000068
表示观察序列人 群流动量数据,i表示观察序列人群流动量数据的年份标注,j表示观察序列人群流动量 数据在一年中的日期标注,n表示对观察数据按照日期的统一排序,obs+t表示对观察数 据的时间标注。
4)定义输入参数
Figure BDA0002581937220000069
级联信息L、D与输出参数的预测模型
Figure BDA00025819372200000610
(4a)其中
Figure BDA00025819372200000611
是对于观察时刻obs+t+1人流量数据的预测结果,W*是长短时记忆网络模型的参数。
5)将我们得到的输入参数和级联信息
Figure BDA00025819372200000612
输入网络中进行训练。
(5a)将输入参数和级联信息
Figure BDA00025819372200000613
通过一个高维嵌入层映射到256维的向量空 间之中得到数据Xt
(5b)选择网络隐含层大小为128,运用全零矩阵实现网络模型的初始化过程;
(5c)对于初始化网络,一次性输入数据的批数为8组数据,其中一组数据包含20天的输入和级联信息,对于数据集总共遍历150次;
(5d)遗忘门:在长短期记忆网络的计算过程之中,需要先确定想要“丢弃”的信息(例如,一些对于当前数据没有贡献的历史数据或者状态)。这个过程需要通过一个被称 作为遗忘门的结构完成。具体来说,使用遗忘门读取前一个隐含层的输出状态ht-1和当前 时刻的输入Xt,然后决定需要在多少程度上保留前一个细胞状态。1表示‘完全保留’, 0表示‘完全舍弃’。遗忘门计算公式如下:
ft=σ(Wf·[ht-1,Xt]+bf)
式中:ft——遗忘门限;ht-1——前一时刻单元的输出;xt——输入;Wf——遗忘门限的权重矩阵
(5e)输入门:在计算过程中需要将获得的新信息进一步确定,并且将它输入到下一 个细胞之中,参与下一个细胞的状态的形成。输入门的主要功能有两个:第一,决定本文需要更新的数值,一般由一个sigmoid层(输入门层)来实现这个功能;第二,将前一时 刻的细胞状态
Figure BDA0002581937220000071
加入到当前时刻的细胞状态之中,一般由一个tanh层来实现这个功能。 输入门计算公式如下:
Figure BDA0002581937220000072
式中:
Figure BDA0002581937220000073
——表示前一时刻细胞状态
Figure BDA0002581937220000074
式中:Ct——表示当前时刻细胞状态(循环发生的地方)
(5f)输出门:输出门一般用来对隐含层的输出作一些变化进而能够得到本文需要的 数值,将当前时刻的细胞状态通过一个tanh层,在与sigmoid门的输出进行相乘,表示本文的输出在当前细胞状态中的取舍程度。因为在输入的时候,将输入的数据映射到高维空间,那么在输出结果的时候,也同样需要将得到的高维空间结果反映射到原来的维度空间。
输入、输出门计算公式如下:
it=σ(Wi·[ht-1,Xt]+bi)
式中:it——输出门限;ht-1——前一时刻单元的输出
ot=σ(Wo·[ht-1,Xt]+bo)
式中:ot——表示当前时刻的输出
(5g)采用均方根误差计算训练时预测值
Figure BDA0002581937220000081
与真实值
Figure BDA0002581937220000082
进行误差反馈。
Figure BDA0002581937220000083
其中,N是测试集测试时所预测的城市人群流动变化的天数,
Figure BDA0002581937220000084
表示预测的第obs+t天的城市人群流动数量。
6)通过训练,建立长短期记忆网络模型W*
7)载入训练完毕的长短期记忆网络模型W*,输入k1={1,2,…,obs}天的数据以及对应 的级联信息得到
Figure BDA0002581937220000085
预测第k2={obs+1,obs+2,…,obs+pred}天的人群流动数量;
(7a)载入训练完毕的长短期记忆网络模型W*,输入k1={1,2,…,obs}天的数据以及 级联信息
Figure BDA0002581937220000086
预测第obs+1天的人群流动数量
Figure BDA0002581937220000087
(7b)将得到的预测结果
Figure BDA0002581937220000088
与前面已知数据
Figure BDA0002581937220000089
联合起来,输入 k2={2,3,…,obs+1}天的数据以及级联信息,预测第obs+2天的人群流动数量
Figure BDA00025819372200000810
(7c)重复上述步骤(7a)、(7b),直到得到预测结果
Figure BDA00025819372200000811
(7d)在测试集测试的过程,选择观察12天的数据,然后预测接下来8天的人群流动数据。
本发明中给出了一种基于长短期记忆网络模型的城市人群流动预测方法,并利用python对该预测方法进行实验验证。从图3到图6的实验验证结果可以看到,相对于传 统预测方法ARIMA和循环神经网络模型,我们这种级联多种影响因素的长短期记忆网络 能够更好的预测节假日的人群流动变化并且具有更好的精确度和稳健性。

Claims (3)

1.基于长短期记忆网络模型的城市人群流动预测方法,其特征在于,包括以下步骤:
步骤一:选择城市人群流动预测的输入参数
Figure FDA0002581937210000011
和输出参数
Figure FDA0002581937210000012
其中
Figure FDA0002581937210000013
表示观察序列人群流动量数据,i表示观察序列人群流动量数据的年份标注,j表示观察序列人群流动量数据在一年中的日期标注,n表示对观察数据按照日期的统一排序,obs+t表示对观察数据的标注。一次性将数据
Figure FDA0002581937210000014
输入,这能够准确表达临近日期的人群流动数据
Figure FDA0002581937210000015
对真实信息
Figure FDA0002581937210000016
的影响;
步骤二:添加节假日标注信息L与输入参数
Figure FDA0002581937210000017
进行级联;
其中L∈{0,,0表示该天是普通日子,1表示该天是节假日;
Figure FDA0002581937210000018
表示观察序列人群流动量数据,i表示观察序列人群流动量数据的年份标注,j表示观察序列人群流动量数据在一年中的日期标注,n表示对观察数据按照日期的统一排序,obs+t表示对观察数据的时间标注;
步骤三:添加日期标注信息D与输入参数
Figure FDA0002581937210000019
进行级联;
其中D∈{d1,d2,…,dT},di∈[0,1],T∈{365,366};
Figure FDA00025819372100000110
T表示一年中的天数,
Figure FDA00025819372100000111
表示观察序列人群流动量数据,i表示观察序列人群流动量数据的年份标注,j表示观察序列人群流动量数据在一年中的日期标注,n表示对观察数据按照日期的统一排序,obs+t表示对观察数据的标注;
步骤四:定义输入参数、级联信息与输出参数的模型
Figure FDA00025819372100000112
其中
Figure FDA00025819372100000113
是对于观察时刻obs+t+1人流量数据的预测结果,
Figure FDA00025819372100000114
是时刻t的一组输入参数,W*是长短时记忆网络模型,Dt是对于时刻t信息的日期标注信息,Lt是对于时刻t信息的节假日标注信息;
步骤五:对于训练数据,采用均方根误差计算训练时预测值与真实值进行误差反馈;
均方根误差计算公式如下:
Figure FDA0002581937210000021
其中,N是测试集测试时所预测的城市人群流动变化的天数,
Figure FDA0002581937210000022
表示预测的时刻obs+t的城市人群流动数量;
步骤六:通过训练,建立长短期记忆模型W*
步骤七:载入训练完毕的长短期记忆网络模型W*,输入k1天的数据
Figure FDA0002581937210000023
预测后k2天的人群流动数量
Figure FDA0002581937210000024
2.根据权利要求1所述的基于长短期记忆网络模型的城市人群流动预测方法,其特征在于:步骤一选取一段临近时间{1,2,…,obs}的观察序列人群流动量数据
Figure FDA0002581937210000025
作为一次输入的数据。
3.根据权利要求1所述的基于长短期记忆网络模型的城市人群流动预测方法,其特征在于:步骤二中选取节假日L和日期的标注信息D作为输入的级联信息。
CN202010670050.6A 2020-07-13 2020-07-13 基于长短期记忆网络模型的城市人群流动预测方法 Pending CN112070263A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010670050.6A CN112070263A (zh) 2020-07-13 2020-07-13 基于长短期记忆网络模型的城市人群流动预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010670050.6A CN112070263A (zh) 2020-07-13 2020-07-13 基于长短期记忆网络模型的城市人群流动预测方法

Publications (1)

Publication Number Publication Date
CN112070263A true CN112070263A (zh) 2020-12-11

Family

ID=73657227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010670050.6A Pending CN112070263A (zh) 2020-07-13 2020-07-13 基于长短期记忆网络模型的城市人群流动预测方法

Country Status (1)

Country Link
CN (1) CN112070263A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983142A (zh) * 2023-03-21 2023-04-18 之江实验室 基于深度生成对抗式网络的区域人口演化模型构造方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564228A (zh) * 2018-04-26 2018-09-21 重庆大学 一种基于时序特征预测轨道交通od客流量的方法
CN109376969A (zh) * 2018-12-14 2019-02-22 中南大学 基于深度学习的城市精细化人口分布动态预测方法及装置
US20190385055A1 (en) * 2018-06-14 2019-12-19 Electronics And Telecommunications Research Institute Method and apparatus for artificial neural network learning for data prediction
CN111144648A (zh) * 2019-12-25 2020-05-12 中国联合网络通信集团有限公司 人流量预测设备及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564228A (zh) * 2018-04-26 2018-09-21 重庆大学 一种基于时序特征预测轨道交通od客流量的方法
US20190385055A1 (en) * 2018-06-14 2019-12-19 Electronics And Telecommunications Research Institute Method and apparatus for artificial neural network learning for data prediction
CN109376969A (zh) * 2018-12-14 2019-02-22 中南大学 基于深度学习的城市精细化人口分布动态预测方法及装置
CN111144648A (zh) * 2019-12-25 2020-05-12 中国联合网络通信集团有限公司 人流量预测设备及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983142A (zh) * 2023-03-21 2023-04-18 之江实验室 基于深度生成对抗式网络的区域人口演化模型构造方法
CN115983142B (zh) * 2023-03-21 2023-08-29 之江实验室 基于深度生成对抗式网络的区域人口演化模型构造方法

Similar Documents

Publication Publication Date Title
Liu et al. A flood forecasting model based on deep learning algorithm via integrating stacked autoencoders with BP neural network
Ma et al. A method for multiple periodic factor prediction problems using complex fuzzy sets
CN110210993B (zh) 基于循环神经网络模型的城市短期燃气负荷预测方法
CN105427138A (zh) 基于神经网络模型的产品市场占有率分析方法及系统
CN109146156B (zh) 一种用于预测充电桩系统充电量的方法
Lai et al. Prediction stock price based on different index factors using LSTM
CN110110372B (zh) 一种用户时序行为自动切分预测方法
CN115017970A (zh) 一种基于迁移学习的用气行为异常检测方法及系统
Kumar et al. Stock Price Prediction Using Machine Learning
CN112070263A (zh) 基于长短期记忆网络模型的城市人群流动预测方法
Wang et al. A transformer-based multi-entity load forecasting method for integrated energy systems
Sri et al. A smart adaptive LSTM technique for electrical load forecasting at source
Bisht et al. Artificial neural network based predictionmodel forestimating the water quality of the river Ganga
Kumar et al. Prediction of job openings in IT sector using long short-term memory model
Li et al. Rainfall runoff prediction via a hybrid model of neighbourhood rough set with LSTM
Li et al. Hydropower generation forecasting via deep neural network
Zhou et al. Water quality prediction approach based on t-SNE and SA-BiLSTM
CN113537540B (zh) 一种基于自动特征工程的供热用气量预测模型
CN112257842A (zh) 一种基于lstm的智能导税模型构建方法及装置
CN111291932A (zh) 面向投融资关系网络链路预测的方法、装置和设备
Mzyece et al. Forecasting Seasonal Rainfall Using A Feed Forward Neural Network With Back-Propagation: A Case Of Zambia
Lanjekar et al. Application of deep machine learning techniques in oil production forecasting
CN113377422B (zh) 一种基于深度学习识别自我承认技术债务方法
Hashemifarzad Electrical load forecasting using adaptive neuro-fuzzy inference system
Hoeronis Netflix Stock Price Trend Prediction Using Recurrent Neural Network

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201211