CN112418547A - 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 - Google Patents
一种基于gcn-lstm组合模型的公交车站点客流量预测方法 Download PDFInfo
- Publication number
- CN112418547A CN112418547A CN202011403103.4A CN202011403103A CN112418547A CN 112418547 A CN112418547 A CN 112418547A CN 202011403103 A CN202011403103 A CN 202011403103A CN 112418547 A CN112418547 A CN 112418547A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- matrix
- bus
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06N3/045—Combinations of 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
- G06N3/048—Activation functions
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于GCN‑LSTM组合模型的公交车站点客流量预测方法属于交通预测领域。本发明首先用图卷积神经网络提取客流量数据的空间相关性,并将带有空间相关信息的数据输入长短期记忆循环单元进行时间特征提取,最后经过一个全连接层得到预测结果。该方法通过同时关注交通数据的时空特征,从而解决了现有方法无法充分提取交通数据的时空特征的缺点,提高了客流量数据预测的精度,可以更好地解决短时客流量预测问题。
Description
技术领域
本发明属于交通预测技术领域,具体涉及一种基于神经网络的短时公交车站点客流量的预测方法。
背景技术
随着城市化进程的不断推进,机动车保有量快速增长,随之而来的交通拥挤、交通事故频发和环境污染等问题日益严重。公共交通系统是城市交通的一个重要部分,而公共交通在节地、降耗、减排、促进公平和谐等方面相对于其他交通方式具有比较突出的优势,公共交通的良好发展对于缓解城市交通拥堵、减少空气污染、改善人们的出行方式以及优化城市交通结构意义重大。公共交通体系的完善与否,直接影响着城市公共交通整体效率以及居民出行的方便程度。近年来,中国积极贯彻公交优先发展战略,城市公交行业发展迅速。
到目前为止,基于交通有关特征的提取已经得到广泛研究,主要包括交通流量以及交通需求量的分析。大多数研究采用了机器学习算法以及统计学习的方法,如SVM算法、贝叶斯回归算法、以及人工神经网络等,各种方法不断改进,预测效果已经显著提升。现在大多数研究都将交通数据作为时序数据进行处理,忽略了交通数据的空间特征。由于交通特征具有高度不确定性的特点,只考虑时序关系并不能很好的得出交通数据变化的规律。一般情况下,交通的流量数据会有空间特征,即相邻观测点之间存在位置上的联系。此时,我们就需要考虑空间信息来提高我们的预测效果。
发明内容
通过考虑交通数据的空间相关性能够更准确地发现各个站点之间的相关性,也可以提高交通数据的预测精度。本发明提出了一种基于GCN-LSTM组合模型的公交车站点客流量预测方法,在考虑到时序特征的同时,首先用图卷积神经网络(GCN)提取客流数据的空间相关性,并将带有空间信息的数据用长短期记忆循环神经网络(LSTM)进行时间特征提取,从而提高模型的预测精度。
为实现上述目的,本发明采用以下方案:
步骤1.交通流量数据预处理
首先,将公交站点的拓扑结构看成一张图G,公交站点为节点集合V,公交站点间相邻关系集合为E。所以图可表示为G(V,E)。
其次,构建公交车站点的拓扑结构,即每个公交站点的相邻情况。以邻接矩阵的形式存储,邻接矩阵是一个s*s的二维矩阵,邻接矩阵的值为0或1。其中s代表公交站点的数量,行和列分别代表按照公交站点编号顺序排列的站点,邻接矩阵的值中0表示两个站点不相邻,1表示两个站点相邻,并且邻接矩阵为对称矩阵,这里邻接矩阵记为A。
最后,对公交站点所有时刻的客流量数据进行最大最小归一化处理,计算公式为:
其中xmax和xmin分别表示公交站点所有时刻客流量数据的最大值和最小值,x为公交站点某个时刻的客流量,f为x最大最小归一化之后的客流量。
对于归一化后的客流量数据,为了适应图卷积神经网络的输入格式,需要将一维的客流量数据转化为二维的客流量数据矩阵,构建客流量的输入矩阵如下所示:
其中,横向表示一个公交站点的客流量随时间的变化,t表示时刻的个数,纵向表示所有公交站点在一个时刻的客流量数据,s表示公交站点的个数,矩阵中的元素xst表示第s个公交站点在第t个时刻的客流量。
步骤2.构建图卷积神经网络提取空间特征
图卷积神经网络需要输入邻接矩阵和特征矩阵。图卷积神经网络在傅里叶域中构造一个滤波器,该滤波器作用于图上,通过它的一阶邻域捕获节点之间的空间特征,然后通过叠加多个卷积层来构建图卷积神经网络模型,一个图卷积层可以表示为如下公式:
其中,σ表示Leaky Relu激活函数,是无向图G的邻接矩阵加上自连接(就是每个顶点和自身加一条边),Is为单位矩阵。是的度矩阵,除对角线外的元素值都为0,对角线上的元素值为H(l)是第l+1层的输入矩阵,H(l+1)是第l+1层输出,H(0)=X。θ(l)是第l+1层的参数矩阵。本发明采用两个图卷积层来提取空间特征。
步骤3.构建长短期记忆循环单元提取时间特征
将步骤2中图卷积网络单元提取到的空间特征输入到长短期记忆循环单元中进行处理,从而提取时间特征。长短期记忆循环单元的构建过程如下:
ft=σ(Wfxt+Ufht-1+bf) (4)
it=σ(Wixt+Uiht-1+bi) (5)
ot=σ(Woxt+Uoht-1+bo) (7)
ht=ot⊙tanh(Ct) (8)
长短期记忆循环单元的计算过程如公式(4)~(8)所示。其中,ft表示遗忘门, it表示输入门,ht-1表示长短期记忆单元在t-1时刻的隐藏状态,xt表示t时刻输入的特征向量。表示Ct备选的用来更新的内容,Ct表示经过输入门和输出门之后的状态,ot表示输出层上的状态,ht表示长短期记忆单元在t时刻的隐藏状态,σ表示Sigmoid激活函数,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wf,Wi,Wc,Wo,Uf,Ui,Uc,Uo为权重,bf,bi,bc,bo为偏置项。
步骤4.优化组合模型,进行特征预测
将步骤3中提取的时空特征输入到全连接层中进行处理,最后输出所有公交站点的预测客流量。使用均方误差函数作为模型训练的损失函数,该函数定义如下:
其中,Pst表示第s个公交站点在第t个时刻的客流量预测值,Xst表示第s 个公交站点在第t个时刻的客流量真实值,N是预测值的总个数。根据上述损失函数,通过反向传播算法不断更新模型参数。训练好模型之后,将测试集数据输入到模型中,模型最后输出所有公交站点在下一时刻的客流量预测值。
与现有技术相比,本发明的优势为:针对现有的短时客流量预测方法无法充分利用交通数据的时空特征来实现准确预测的问题,本发明提出结合图卷积神经网络和长短期记忆循环神经网络来提取交通数据的时空特征的方法,从而提升公交站点客流量的预测效果。
附图说明
图1.本发明的流程图
图2.本发明的模型整体结构图
具体实施方式
下面结合附图对本发明进行详细步骤说明。
步骤1.交通流量数据预处理
首先,根据公交路线信息和站点信息对公交站点构造道路拓扑结构图,其中图表示为G,V表示所有站点的集合,E表示站点相邻关系的集合。以邻接矩阵的形式存储,邻接矩阵是一个s*s的二维矩阵,邻接矩阵的值为0或1。其中s代表公交站点的数量,行和列分别代表按照公交站点编号顺序排列的站点,邻接矩阵的值中,0表示两个站点不相邻,1表示两个站点相邻,并且邻接矩阵为对称矩阵,这里邻接矩阵记为A。
其次,对原始数据进行特征提取,可以通过IC卡刷卡数据信息结合路线及站点的相关信息,统计得到每个公交站点每个时刻的客流量数据,每个时刻的客流量数据大于等于0,然后对全部客流量数据进行最大最小归一化,计算公式为:
其中,xmax和xmin分别表示公交站点所有时刻客流量数据的最大值和最小值,x为公交站点某个时刻的客流量,f为x最大最小归一化之后的客流量。 f的取值范围为0到1的闭区间。
最后,构建交通数据的特征矩阵X,将归一化后的数据表示成特征矩阵的形式,它描述了每个公交站点的客流量随时间的变化,每行代表一个站点,每列代表同一时段不同站点的客流量。特征矩阵X构建如下:
其中,横向表示一个公交站点的客流量随时间的变化,t表示时刻的个数,纵向表示所有公交站点在一个时刻的客流量数据,s表示公交站点的个数,矩阵中的元素xst表示第s个公交站点在第t个时刻的客流量。预测模型需要依据邻接矩阵A和特征矩阵X的输入矩阵来输出公交站点在t+1时刻的客流量。
步骤2.构建图卷积神经网络提取空间特征
某个公交站点的客流量不仅仅与其自身的历史客流量有关,还与其他站点的客流量有关,因此选取图卷积神经网络来挖掘交通数据的空间特征。为了加强网络学习时的数值稳定性,引入拉普拉斯矩阵,可以有效防止多层网络优化时出现的梯度消失或爆炸的现象。使用以下公式表示图卷积操作:
其中,表示拉普拉斯矩阵,σ表示Leaky Relu激活函数,是无向图G的邻接矩阵加上自连接(就是每个顶点和自身加一条边),Is为单位矩阵。是的度矩阵,除对角线外的元素值为0,对角线上的元素值为H(l)是第l+1层的输入矩阵,H(l+1)是第l+1层输出,H(0)=X,X为步骤1中的特征矩阵。θ(l)是第l+1层的参数矩阵。本发明采用两层图卷积进行空间特征提取。
步骤3.构建长短期记忆循环单元提取时间特征
将步骤2中图卷积网络单元提取的空间特征数据输入到长短期记忆循环单元进行处理,从而提取公交站点客流量数据的时间特征。下面为长短期记忆循环单元的计算过程:
ft=σ(Wfxt+Ufht-1+bf)
it=σ(Wixt+Uiht-1+bi)
ot=σ(Woxt+Uoht-1+bo)
ht=ot⊙tanh(Ct)
其中,ft表示遗忘门,it表示输入门,ht-1表示长短期记忆单元在t-1时刻的隐藏状态,xt表示t时刻输入的特征向量。表示Ct备选的用来更新的内容, Ct表示经过输入门和输出门之后的状态,ot表示输出层上的状态,ht表示长短期记忆单元在t时刻的隐藏状态,σ表示Sigmoid激活函数,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wf,Wi,Wc,Wo,Uf,Ui,Uc,Uo为权重, bf,bi,bc,bo为偏置项。遗忘门确定上一状态的输出在当前状态中保留的成分,输入门控制原始输入中在当前状态中保留的成分,输出门是利用控制单元Ct确定输出ot中有多少成分输出到隐藏层中。长短期记忆循环单元引入门限机制来控制信息得积累速度,并可以选择遗忘部分之前累积的信息,实现了信息得长时间传递,使之前时刻的信息可以一直参与训练。
步骤4.优化组合模型,进行特征预测
将步骤3提取的时空特征输入到全连接层进行处理,最后输出所有公交站点在下一时刻的客流量预测值。使用均方误差作为模型训练的损失函数,并使用Adam优化器对模型进行优化。损失函数具体定义如下:
其中,Pst表示第s个公交站点在第t个时刻的客流量预测值,Xst表示第 s个公交站点在第t个时刻的客流量真实值,N是预测值的总个数。根据上述损失函数,通过反向传播算法不断更新模型参数。训练好模型之后,将测试集的数据输入到模型中,模型最后输出所有公交站点在下一时刻的客流量预测值。
在训练过程中可以将训练轮数设置为1000,采用Adam优化器,学习率设为0.001,并且使用早停法来防止模型过拟合。批大小设置为32、64、128,通过设置不同的批大小选择训练效果好的模型。
使用训练数据训练好模型之后,将测试数据输入到模型中得到预测结果。最后可以使用回归问题最常用的三个评价指标来对模型进行评价,三个指标分别为平均绝对值误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)。三个指标分别定义为:
其中,Pst表示第s个公交站点在第t个时刻的客流量预测值,Xst表示第 s个公交站点在第t个时刻的客流量真实值,N是预测值的总个数。MAE、RMSE 和MAPE的值越小,表明方法的预测效果越好。
Claims (1)
1.一种基于GCN-LSTM组合模型的公交车站点客流量预测方法,其特征在于,包括以下步骤:
步骤1.交通流量数据预处理
首先,将公交站点的拓扑结构看成一张图G,公交站点为节点集合V,公交站点间相邻关系集合为E;所以图表示为G(V,E);
其次,构建公交车站点的拓扑结构,即每个公交站点的相邻情况;以邻接矩阵的形式存储,邻接矩阵是一个s*s的二维矩阵,邻接矩阵的值为0或1;其中s代表公交站点的数量,行和列分别代表按照公交站点编号顺序排列的站点,邻接矩阵的值中0表示两个站点不相邻,1表示两个站点相邻,并且邻接矩阵为对称矩阵,这里邻接矩阵记为A;
最后,对公交站点所有时刻的客流量数据进行最大最小归一化处理,计算公式为:
其中xmax和xmin分别表示公交站点所有时刻客流量数据的最大值和最小值,x为公交站点某个时刻的客流量,f为x最大最小归一化之后的客流量;
对于归一化后的客流量数据,为了适应图卷积神经网络的输入格式,需要将一维的客流量数据转化为二维的客流量数据矩阵,构建客流量的输入矩阵如下图所示:
其中,横向表示一个公交站点的客流量随时间的变化,t表示时刻的个数,纵向表示所有公交站点在一个时刻的客流量数据,s表示公交站点的个数,矩阵中的元素xst表示第s个公交站点在第t个时刻的客流量;
步骤2.构建图卷积神经网络提取空间特征
图卷积神经网络需要输入邻接矩阵和特征矩阵;图卷积神经网络在傅里叶域中构造一个滤波器,该滤波器作用于图上,通过它的一阶邻域捕获节点之间的空间特征,然后通过叠加多个卷积层来构建图卷积神经网络模型,一个图卷积层表示为如下公式:
其中,σ表示Leaky Relu激活函数,是无向图G的邻接矩阵加上自连接也就是每个顶点和自身加一条边,Is为单位矩阵;是的度矩阵,除对角线外的元素值都为0,对角线上的元素值为H(l)是第l+1层的输入矩阵,H(l+1)是第l+1层输出,H(0)=X;θ(l)是第l+1层的参数矩阵;采用两个图卷积层来提取空间特征;
步骤3.构建长短期记忆循环单元提取时间特征
将步骤2中图卷积网络单元提取到的空间特征输入到长短期记忆循环单元中进行处理,从而提取时间特征;长短期记忆循环单元的构建过程如下:
ft=σ(Wfxt+Ufht-1+bf) (4)
it=σ(Wixt+Uiht-1+bi) (5)
ot=σ(Woxt+Uoht-1+bo) (7)
ht=ot⊙tanh(Ct) (8)
长短期记忆循环单元的计算过程如公式(4)~(8)所示;其中,ft表示遗忘门,it表示输入门,ht-1表示长短期记忆单元在t-1时刻的隐藏状态,xt表示t时刻输入的特征向量;表示Ct备选的用来更新的内容,Ct表示经过输入门和输出门之后的状态,ot表示输出层上的状态,ht表示长短期记忆单元在t时刻的隐藏状态,σ表示Sigmoid激活函数,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wf,Wi,Wc,Wo,Uf,Ui,Uc,Uo为权重,bf,bi,bc,bo为偏置项;
步骤4.优化组合模型,进行特征预测
将步骤3中提取的时空特征输入到全连接层中进行处理,最后输出所有公交站点的预测客流量;使用均方误差函数作为模型训练的损失函数,该函数定义如下:
其中,Pst表示第s个公交站点在第t个时刻的客流量预测值,Xst表示第s个公交站点在第t个时刻的客流量真实值,N是预测值的总个数;根据上述损失函数,通过反向传播算法不断更新模型参数;训练好模型之后,将测试集数据输入到模型中,模型最后输出所有公交站点在下一时刻的客流量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403103.4A CN112418547B (zh) | 2020-12-03 | 2020-12-03 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403103.4A CN112418547B (zh) | 2020-12-03 | 2020-12-03 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418547A true CN112418547A (zh) | 2021-02-26 |
CN112418547B CN112418547B (zh) | 2024-04-09 |
Family
ID=74830039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011403103.4A Active CN112418547B (zh) | 2020-12-03 | 2020-12-03 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418547B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113112791A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及系统 |
CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
CN113537626A (zh) * | 2021-08-03 | 2021-10-22 | 西北工业大学 | 一种聚合信息差异的神经网络结合时间序列预测的方法 |
CN113537580A (zh) * | 2021-06-28 | 2021-10-22 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113627977A (zh) * | 2021-07-30 | 2021-11-09 | 北京航空航天大学 | 一种基于异构图的房屋价值预测方法 |
CN113627591A (zh) * | 2021-07-30 | 2021-11-09 | 马上消费金融股份有限公司 | 动态图数据的处理方法、装置、电子设备及存储介质 |
CN113779875A (zh) * | 2021-08-31 | 2021-12-10 | 润联软件系统(深圳)有限公司 | 基于图神经模型的风力发电量预测方法及其相关设备 |
CN113947132A (zh) * | 2021-09-16 | 2022-01-18 | 广东工业大学 | 基于gcn图神经网络的公交到站预测方法、计算机及介质 |
CN114205250A (zh) * | 2021-12-09 | 2022-03-18 | 西安电子科技大学 | 基于时空网络stn的虚拟网络链路流量预测方法 |
CN114267422A (zh) * | 2021-12-24 | 2022-04-01 | 中国电建集团中南勘测设计研究院有限公司 | 地表水质参数预测方法、系统、计算机设备及存储介质 |
CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及系统 |
CN114973678A (zh) * | 2022-06-08 | 2022-08-30 | 广州航海学院 | 一种基于图注意力神经网络和时空大数据的交通预测方法 |
CN114997543A (zh) * | 2022-08-03 | 2022-09-02 | 通号通信信息集团有限公司 | 人流量预测方法、模型训练方法、电子设备、可读介质 |
CN115115094A (zh) * | 2022-05-26 | 2022-09-27 | 浙江省机电设计研究院有限公司 | 结合序列局部信息与多序列关联关系的交通流量预测方法 |
CN115145899A (zh) * | 2022-06-29 | 2022-10-04 | 广东工业大学 | 一种基于制造企业数据空间的时空数据异常检测方法 |
CN115392554A (zh) * | 2022-08-17 | 2022-11-25 | 北京建筑大学 | 基于深度图神经网络和环境融合的轨道客流预测方法 |
CN115440032A (zh) * | 2022-08-09 | 2022-12-06 | 浙江工业大学 | 一种长短期公共交通流量预测方法 |
CN115564114A (zh) * | 2022-10-10 | 2023-01-03 | 南京航空航天大学 | 一种基于图神经网络的空域碳排放短期预测方法及系统 |
CN116885698A (zh) * | 2023-06-16 | 2023-10-13 | 西安理工大学 | 基于多图融合的电动汽车充电站群负荷预测方法及装置 |
CN117035446A (zh) * | 2023-07-24 | 2023-11-10 | 西华大学 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
CN117131999A (zh) * | 2023-09-14 | 2023-11-28 | 浙江非线数联科技股份有限公司 | 基于数字孪生的轨道交通客流量预测系统及其方法 |
CN117370787A (zh) * | 2023-09-25 | 2024-01-09 | 哈尔滨工业大学 | 基于图卷积神经网络和长短期记忆神经网络的框架结构地震损伤识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
CN109919358A (zh) * | 2019-01-31 | 2019-06-21 | 中国科学院软件研究所 | 一种基于神经网络时空注意力机制的实时站点流量预测方法 |
WO2020024319A1 (zh) * | 2018-08-01 | 2020-02-06 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
CN111210633A (zh) * | 2020-02-09 | 2020-05-29 | 北京工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
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 |
CN111931978A (zh) * | 2020-06-29 | 2020-11-13 | 南京熊猫电子股份有限公司 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
-
2020
- 2020-12-03 CN CN202011403103.4A patent/CN112418547B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
WO2020024319A1 (zh) * | 2018-08-01 | 2020-02-06 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
CN109919358A (zh) * | 2019-01-31 | 2019-06-21 | 中国科学院软件研究所 | 一种基于神经网络时空注意力机制的实时站点流量预测方法 |
CN111210633A (zh) * | 2020-02-09 | 2020-05-29 | 北京工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
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 |
CN111931978A (zh) * | 2020-06-29 | 2020-11-13 | 南京熊猫电子股份有限公司 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
Non-Patent Citations (2)
Title |
---|
吴俊杰;刘冠男;王静远;左源;部慧;林浩;: "数据智能:趋势与挑战", 系统工程理论与实践, no. 08, 3 August 2020 (2020-08-03) * |
梁强升;许心越;刘利强;: "面向数据驱动的城市轨道交通短时客流预测模型", 中国铁道科学, no. 04, 15 July 2020 (2020-07-15) * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113112791A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及系统 |
CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
CN113537580B (zh) * | 2021-06-28 | 2024-04-09 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113537580A (zh) * | 2021-06-28 | 2021-10-22 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113627977A (zh) * | 2021-07-30 | 2021-11-09 | 北京航空航天大学 | 一种基于异构图的房屋价值预测方法 |
CN113627591A (zh) * | 2021-07-30 | 2021-11-09 | 马上消费金融股份有限公司 | 动态图数据的处理方法、装置、电子设备及存储介质 |
CN113537626A (zh) * | 2021-08-03 | 2021-10-22 | 西北工业大学 | 一种聚合信息差异的神经网络结合时间序列预测的方法 |
CN113779875A (zh) * | 2021-08-31 | 2021-12-10 | 润联软件系统(深圳)有限公司 | 基于图神经模型的风力发电量预测方法及其相关设备 |
CN113947132B (zh) * | 2021-09-16 | 2022-08-02 | 广东工业大学 | 基于gcn图神经网络的公交到站预测方法、计算机及介质 |
CN113947132A (zh) * | 2021-09-16 | 2022-01-18 | 广东工业大学 | 基于gcn图神经网络的公交到站预测方法、计算机及介质 |
CN114205250A (zh) * | 2021-12-09 | 2022-03-18 | 西安电子科技大学 | 基于时空网络stn的虚拟网络链路流量预测方法 |
CN114267422A (zh) * | 2021-12-24 | 2022-04-01 | 中国电建集团中南勘测设计研究院有限公司 | 地表水质参数预测方法、系统、计算机设备及存储介质 |
CN114267422B (zh) * | 2021-12-24 | 2023-01-31 | 中国电建集团中南勘测设计研究院有限公司 | 地表水质参数预测方法、系统、计算机设备及存储介质 |
CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及系统 |
CN115115094A (zh) * | 2022-05-26 | 2022-09-27 | 浙江省机电设计研究院有限公司 | 结合序列局部信息与多序列关联关系的交通流量预测方法 |
CN115115094B (zh) * | 2022-05-26 | 2024-02-06 | 浙江省机电设计研究院有限公司 | 结合序列局部信息与多序列关联关系的交通流量预测方法 |
CN114973678A (zh) * | 2022-06-08 | 2022-08-30 | 广州航海学院 | 一种基于图注意力神经网络和时空大数据的交通预测方法 |
CN114973678B (zh) * | 2022-06-08 | 2024-04-09 | 广州航海学院 | 一种基于图注意力神经网络和时空大数据的交通预测方法 |
CN115145899A (zh) * | 2022-06-29 | 2022-10-04 | 广东工业大学 | 一种基于制造企业数据空间的时空数据异常检测方法 |
CN114997543A (zh) * | 2022-08-03 | 2022-09-02 | 通号通信信息集团有限公司 | 人流量预测方法、模型训练方法、电子设备、可读介质 |
CN114997543B (zh) * | 2022-08-03 | 2023-01-13 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、可读介质 |
WO2024027362A1 (zh) * | 2022-08-03 | 2024-02-08 | 通号通信信息集团有限公司 | 人流量预测方法、模型训练方法、电子设备、可读介质 |
CN115440032A (zh) * | 2022-08-09 | 2022-12-06 | 浙江工业大学 | 一种长短期公共交通流量预测方法 |
CN115440032B (zh) * | 2022-08-09 | 2024-05-03 | 浙江工业大学 | 一种长短期公共交通流量预测方法 |
CN115392554A (zh) * | 2022-08-17 | 2022-11-25 | 北京建筑大学 | 基于深度图神经网络和环境融合的轨道客流预测方法 |
CN115564114A (zh) * | 2022-10-10 | 2023-01-03 | 南京航空航天大学 | 一种基于图神经网络的空域碳排放短期预测方法及系统 |
CN116885698A (zh) * | 2023-06-16 | 2023-10-13 | 西安理工大学 | 基于多图融合的电动汽车充电站群负荷预测方法及装置 |
CN117035446A (zh) * | 2023-07-24 | 2023-11-10 | 西华大学 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
CN117131999A (zh) * | 2023-09-14 | 2023-11-28 | 浙江非线数联科技股份有限公司 | 基于数字孪生的轨道交通客流量预测系统及其方法 |
CN117131999B (zh) * | 2023-09-14 | 2024-04-30 | 浙江非线数联科技股份有限公司 | 基于数字孪生的轨道交通客流量预测系统及其方法 |
CN117370787A (zh) * | 2023-09-25 | 2024-01-09 | 哈尔滨工业大学 | 基于图卷积神经网络和长短期记忆神经网络的框架结构地震损伤识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112418547B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN109887282B (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN111383452A (zh) | 一种城市路网短期交通运行状态估计与预测方法 | |
CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN112991721A (zh) | 基于图卷积网络节点关联度的城市路网交通速度预测方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN115169724A (zh) | 一种基于时空图卷积神经网络的径流预测方法 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN113487856A (zh) | 基于图卷积网络及注意力机制的交通流组合预测模型 | |
CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN114742209A (zh) | 一种短时交通流预测方法及系统 | |
CN114611814A (zh) | 聚合多尺度时空相似信息的城市交通流预测方法 | |
Dai et al. | Short-term traffic flow prediction: An ensemble machine learning approach | |
CN112562312B (zh) | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN114566048B (zh) | 一种基于多视角自适应时空图网络的交通控制方法 |
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 |