CN112613630B - 一种融合多尺度时空统计信息的短时交通需求预测方法 - Google Patents
一种融合多尺度时空统计信息的短时交通需求预测方法 Download PDFInfo
- Publication number
- CN112613630B CN112613630B CN202110007677.8A CN202110007677A CN112613630B CN 112613630 B CN112613630 B CN 112613630B CN 202110007677 A CN202110007677 A CN 202110007677A CN 112613630 B CN112613630 B CN 112613630B
- Authority
- CN
- China
- Prior art keywords
- scale
- time
- partition
- space
- demand
- 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 31
- 238000005192 partition Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000015654 memory Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 241000287107 Passer Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
- G06Q10/025—Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/049—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种融合多尺度时空统计信息的短时交通需求预测方法,属于深度学习与交通需求预测的交叉技术应用领域。预测方法包括:提出了多尺度六边形分区的城市交通需求统计区域多尺度划分方法,并计算各区域在不同时空尺度下的交通需求量;构建融合多尺度六边形出行需求时空信息的卷积长短期记忆交通需求预测模型;根据历史数据对模型进行训练,并用训练好的模型对各区域的需求进行实时预测。该方法将多尺度下六边形分区与深度学习相结合,捕捉区域多尺度时空需求信息,有效提升预测精度。
Description
技术领域
本发明涉及一种融合多尺度时空统计信息的短时交通需求预测方法,属于深度学习与交通需求预测的交叉技术应用领域。
背景技术
需求响应网约出行服务作为信息通信技术(ICT)在智能交通中的创新应用之一,在居民日常出行中越来越受欢迎。作为需求响应出行服务之一的网约车服务提高了人们的出行质量,提供了更多的出行选择,但是基于动态需求预测的网约车调度的成功率和满意度不高,如何进一步减少空车运营和等待时间,仍然是一个尚未解决和迫切需要解决的问题。动态网约出行服务的核心是以较高的时空效率连接司机和乘客。更好地进行乘客需求的时空预测,是为运营车队优化调度提供建议、节约司机运营成本、以及提高居民出行服务质量的关键。如何有效挖掘历史出行需求数据潜在的时空特征,提供更准确的需求预测,已成为智能交通领域日益关注的问题。
针对需求响应交通出行需求与供给匹配过程中的各种不确定性,研究人员开发了大量的需求预测模型,以提高这种日益增长的需求响应型交通服务的质量。早期的研究除了常用的统计方法如移动平均法,以自回归综合移动平均模型(ARIMA)为代表的时间序列方法被广泛应用于交通需求预测。Jiang等人在文献[Jiang,X.,Zhang,L.,Chen,M.X.,2014.Short-term forecasting of high-speed rail demand:A hybrid approachcombining ensemble empirical mode decomposition and gray support vectormachine with real-world applications in China.Transportation Research Part C:Emerging Technologies 44,110–127.]中提出了一种结合集成经验模式分解(EEMD)和灰色支持向量机(GSVM)模型的高速铁路混合需求预测方法。随着深度学习技术在计算机视觉和自然语言处理方面的成功,相应的方法逐渐被应用到交通预测中。Xu等人[Xu,J.,Rahmatizadeh,R.,Boloni,L.,Turgut,D.,2018.Real-Time Prediction of Taxi DemandUsing Recurrent Neural Networks.IEEE Transactions on IntelligentTransportation Systems 19,2572–2581.]结合长短期记忆模型(LSTM)和混合密度网络来预测城市不同区域的出租车需求。Ke等人[Ke,J.,Zheng,H.,Yang,H.,Chen,X.(Michael),2017.Short-term forecasting of passenger demand under on-demand rideservices:A spatio-temporal deep learning approach.Transportation ResearchPart C:Emerging Technologies 85,591–608.]将卷积长短期记忆模型(ConvLSTM)用于交通需求预测。
现有的方法或发明的缺陷:1)现有方法在网格划分与需求时空特征的捕获上缺乏综合的考量,预测精度有待于进一步的提升;2)现有方法在时空尺度的选择上依据经验进行选择,对多种尺度时空统计误差引起的不确定性缺乏足够的研究;3)现有方法在数据清洗的过程中往往通过设定阈值的方式,过滤掉需求量较小的样本,忽略了偏远郊区的稀疏需求问题。
发明内容
为解决上述问题,本发明提出了多尺度六边形分区方法对城市进行区域划分,并计算各区域在不同时空尺度下的交通需求量;构建基于多尺度六边形的卷积长短期记忆交通需求预测模型;根据历史数据对模型进行训练,并用训练好的模型对各区域的需求进行多尺度实时预测。本发明将多尺度下六边形分区与卷积长短期记忆模型相结合,捕捉区域多尺度时空需求特征,同时给出多尺度下的需求预测结果,用于预测短时需求响应式交通需求,增加了预测信息量,缓解了交通需求的时空分布不均匀性,提升模型预测精度。
本发明的技术方案:
一种融合多尺度时空统计信息的短时交通需求预测方法,步骤如下:
(1)多尺度下六边形网格划分,计算不同尺度下各分区时空需求量
采用不同空间尺度的六边形网格Ls={ls1,ls2,...,lsi,...lsn}对城市进行分区,在边长100-300m范围内选择六边形分区作为基准分区,然后通过边长乘以2倍、4倍、8倍的方式拓展六边形分区的空间尺度模式。采用不同时间尺度Tr={Tr1,Tr2,...,Trt,...Trm}对一天的时间进行分段,在5-15min范围内选择适宜的时间段作为基准时间尺度,然后分别通过乘以2倍、4倍、8倍的方式拓展时间尺度模式;根据经纬度信息将需求响应出行历史订单数据映射到不同时空尺度的网格中,则有表示在空间尺度s、时间尺度r的情况下,分区lsi的第Trt时间段的交通需求。
以最小尺度的六边形分区作为基准分区,获取基准分区所对应的各级别高尺度分区编号,则对应的多尺度时空需求在筛选基准分区对应高级别尺度的分区时,存在两种情况:若基准分区被高级别尺度分区完全覆盖时,则覆盖分区即为基准分区相应尺度下对应分区;若基准分区被两个高级别尺度分区均分时,则两分区各以50%的概率作为基准分区相应尺度下对应分区。
每一个目标分区的交通需求在空间上受其邻近的区域影响较大,同时选取目标分区及环绕其周围的第1层6个邻近分区、以及第2层的12个邻近分区的交通需求来共同捕获目标分区的空间特征,目标分区与其2层邻近分区的空间分布关系(如图2所示),则的局部邻域需求可表示为向量其中
用同样的手段获取基准分区对应的其他各空间尺度归一化局部领域矩阵,并将各尺度的矩阵叠加为5行9列S层(尺度)的三维张量,记为 则表示为基准分区i、基准时间段t、时间尺度r对应的多空间尺度的局部领域需求特征。以时间尺度r对应的历史h个时间段的多空间尺度需求作为输入,预测时间尺度r下一个时间段各空间尺度下的需求构建相应的输入和输出样本,并按比例划分时间尺度r下的训练集和测试集。按同样的方式分别构建其他各时间尺度下的训练集和测试集,用于测试相应时间尺度下的预测结果。
(2)设计交通需求预测模型
采用卷积长短期记忆模型进行时空序列预测,将目标分区的历史多空间尺度交通需求作为卷积长短期记忆模型的输入,输出即为交通预测模型包括4个ConvLSTM层,分别具有8,16,32,32个隐藏态,在边缘区域使用补零的操作,卷积核大小为3×3,最后通过4层全连接层,最后输出各空间尺度下的交通需求预测结果。
构建空间尺度自适应误差损失选择函数L为均方根误差RMSE和平均绝对百分比误差MAPE的组合: 其中定示真实需求,表示预测值,对每次预测得到的各空间尺度下的需求值,筛选出误差较小的一组用作模型整体损失函数计算,等价于,在每次迭代的过程中,模型自适应地朝着目标位置的最优尺度方向来更新参数。
(3)根据历史数据训练模型,并进行实时需求预测
利用步骤(1)中的各时间尺度下的训练集对步骤(2)中的预测模型进行训练,选取均方根误差RMSE和平均绝对百分比误差MAPE作为模型预测精度指标。对于每个基准分区,首先通过各时间尺度下的测试集的预测结果评估各时间尺度的综合预测精度;其次选择最优时间尺度下的测试集,评估相应各空间尺度下的预测结果,选择最优空间尺度。获取各基准分区最优的时空尺度,建立最优多时空尺度的交通需求预测模型,将实时需求数据归一化后输入到最优的交通需求预测模型,得到预测结果,再进行反归一化,得到最终预测结果,实现城市各区域最优多时空尺度的实时需求预测。
本发明的有益效果:
本发明首先将多尺度六边形分区与卷积长短期记忆模型相结合,能更好地捕获交通需求的时空特征,交通需求预测模型在误差损失函数计算时动态地选择各尺度下预测误差,提升了模型的预测精度;最后,本模型在进行需求预测时,同时获得多尺度下需求预测结果,增加了需求预测信息量。
附图说明
图1是多层六边形网格划分图,其中,K=3;
图2是局部邻域六边形分区图;
图3是输入端数据处理模型图;
图4是卷积长短期记忆模型图;
图5是误差损失函数计算图;
图6是时空尺度需求预测模型图;
图7是本发明方法的流程示意图。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
本发明的一种融合多尺度时空统计信息的短时交通需求预测方法的流程如图7所示,具体步骤如下:
首先,采用多级空间尺度的六边形网格对某城市进行分区,计算不同空间尺度下各分区的动态响应式出行的时空需求量。采用不同空间尺度的六边形网格Ls={ls1,ls2,...,lsi,...lsn}对城市进行分区,在边长100-300m范围内选择适宜的六边形分区作为基准分区,然后通过边长乘以2倍、4倍、8倍的方式拓展六边形分区的空间尺度模式。采用不同时间尺度Tr={Tr1,Tr2,...,Trt,...Trm}对一天的时间进行分段,在5-15min范围内选择适宜的时间段作为基准时间尺度,然后分别通过乘以2倍、4倍、8倍的方式拓展时间尺度模式。分别用s={1,2,3,4}、r={1,2,3,4}表示不同的空间和时间尺度模式。根据经纬度信息将订单数据映射到不同时空尺度的网格中,则确表示在空间尺度s、时间尺度r的情况下,分区lsi的第Trt时间段的交通需求。不同的尺度的六边形网格关系如图1所示,其中G=3表示相邻尺度的两个六边形网格中,较高级别的六边形网格面积是较低级别六边形网格面积的3倍数。
以200m尺度的六边形分区作为基准分区,获取其所对应的各级别高尺度分区编号,则对应的多尺度时空需求在筛选基准分区对应高级别尺度的分区时,存在两种情况:若其被高级别尺度分区完全覆盖时,则覆盖分区即为其相应尺度下对应分区;若其被两个高级别尺度分区均分时,则两分区各以50%的概率作为其相应尺度下对应分区。
一个区域的交通需求在空间上受其邻近的区域影响较大,同时选取目标分区及环绕其周围的第1层6个邻近分区、以及第2层的12个邻近分区的交通需求来共同捕获目标分区的空间特征,目标分区与其2层邻近分区的空间分布关系如图2所示,则的局部邻域需求可表示为向量其中
用同样的手段获取基准分区对应的其他各空间尺度归一化局部领域矩阵,并将各尺度的矩阵叠加为5行9列4层(尺度)的三维张量,如图3所示,记为则表示为基准分区i、基准时间段t、时间尺度r对应的多空间尺度的局部领域需求特征。以时间尺度r对应的历史h个时间段的需求作为输入,预测时间尺度r下一个时间段各空间尺度下的需求构建相应的输入和输出样本,并按比例划分时间尺度r下的训练集和测试集。按同样的方式分别构建其他各时间尺度下的训练集和测试集,用于测试相应时间尺度下的预测结果。
其次,设计交通需求预测模型。采用卷积长短期记忆模型进行时空序列预测,将目标分区的历史多空间尺度交通需求作为卷积长短期记忆模型的输入,输出即为预测模型包括4个ConvLSTM层,分别具有8,16,32,32个隐藏态,在边缘区域使用补零的操作,卷积核大小为3×3,最后通过4层全连接层连接最后的输出结果,具体的卷积长短期记忆预测模型如图4所示。
最后,对于每个时间尺度r,根据历史数据训练模型,评估相应的各空间尺度下的预测精度,确定各基准位置的最优时空尺度,并进行实时最优多尺度需求预测。利用训练集对预测模型进行训练,损失函数为均方根误差(RMSE)和平均绝对百分比误差的组合: 其中表示真实需求,表示预测值,对每次预测得到时间尺度r下的4个空间尺度下的需求值,筛选出误差较小的一组用作误差损失函数计算,预测模型也因此在每次训练过程中动态的筛选最优的空间尺度。根选取RMSE和MAPE作为模型预测精度指标,通过测试集的预测结果评估时间尺度r对应不同时空尺度的模型预测精度,误差函数计算模型如图5所示。
对于每个基准分区,首先通过各时间尺度下的测试集的预测结果评估各时间尺度的综合预测精度;其次选择最优时间尺度下的测试集,评估对应各空间尺度下的预测结果,选择最优空间尺度。获取各基准分区最优的时空尺度,建立最优多时空尺度需求预测模型,将实时需求数据归一化后输入到最优需求预测模型,得到预测结果,再进行反归一化,得到最终预测结果,实现城市各区域最优多空间尺度的实时需求预测。多时空尺度需求预测模型的整体框架如图6所示。
Claims (1)
1.一种融合多尺度时空统计信息的短时交通需求预测方法,其特征在于,步骤如下:
(1)多尺度下六边形网格划分,计算不同尺度下各分区时空需求量
采用不同空间尺度的六边形网格Ls={ls1,ls2,...,lsi,…lsn}对城市进行分区,在边长100-300m范围内选择六边形分区作为基准分区,然后通过边长乘以2倍、4倍、8倍的方式拓展六边形分区的空间尺度模式;采用不同时间尺度Tr={Tr1,Tr2,...,Trt,...Trm}对一天的时间进行分段,在5-15min范围内选择时间段作为基准时间尺度,然后分别通过乘以2倍、4倍、8倍的方式拓展时间尺度模式;根据经纬度信息将需求响应出行历史订单数据映射到不同时空尺度的网格中,则有表示在空间尺度s、时间尺度r的情况下,分区lsi的第Trt时间段的交通需求;
以最小尺度的六边形分区作为基准分区,获取基准分区所对应的各级别高尺度分区编号,则对应的多尺度时空需求在筛选基准分区对应高级别尺度的分区时,存在两种情况:若基准分区被高级别尺度分区完全覆盖时,则覆盖分区即为基准分区相应尺度下对应分区;若基准分区被两个高级别尺度分区均分时,则两分区各以50%的概率作为基准分区相应尺度下对应分区;
每一个目标分区的交通需求在空间上受其邻近的区域影响大,同时选取目标分区及环绕其周围的第1层6个邻近分区、以及第2层的12个邻近分区的交通需求来共同捕获目标分区的空间特征,目标分区与其2层邻近分区的空间分布关系,则的局部邻域需求可表示为向量其中
用同样的手段获取基准分区对应的其他各空间尺度归一化局部领域矩阵,并将各尺度的矩阵叠加为5行9列S层的三维张量,记为则表示为基准分区i、基准时间段t、时间尺度r对应的多空间尺度的局部领域需求特征;以时间尺度r对应的历史h个时间段的多空间尺度需求作为输入,预测时间尺度r下一个时间段各空间尺度下的需求构建相应的输入和输出样本,并按比例划分时间尺度r下的训练集和测试集;按同样的方式分别构建其他各时间尺度下的训练集和测试集,用于测试相应时间尺度下的预测结果;
(2)设计交通需求预测模型
采用卷积长短期记忆模型进行时空序列预测,将目标分区的历史多空间尺度交通需求作为卷积长短期记忆模型的输入,输出即为交通预测模型包括4个ConvLSTM层,分别具有8,16,32,32个隐藏态,在边缘区域使用补零的操作,卷积核大小为3×3,最后通过4层全连接层,最后输出各空间尺度下的交通需求预测结果;
构建空间尺度自适应误差损失选择函数L为均方根误差RMSE和平均绝对百分比误差MAPE的组合: 其中表示真实需求,表示预测值,对每次预测得到的各空间尺度下的需求值,筛选出误差小的一组用作模型整体损失函数计算,等价于,在每次迭代的过程中,模型自适应地朝着目标位置的最优尺度方向来更新参数;
(3)根据历史数据训练模型,并进行实时需求预测
利用步骤(1)中的各时间尺度下的训练集对步骤(2)中的预测模型进行训练,选取均方根误差RMSE和平均绝对百分比误差MAPE作为模型预测精度指标;对于每个基准分区,首先通过各时间尺度下的测试集的预测结果评估各时间尺度的综合预测精度;其次选择最优时间尺度下的测试集,评估相应各空间尺度下的预测结果,选择最优空间尺度;获取各基准分区最优的时空尺度,建立最优多时空尺度的交通需求预测模型,将实时需求数据归一化后输入到最优的交通需求预测模型,得到预测结果,再进行反归一化,得到最终预测结果,实现城市各区域最优多时空尺度的实时需求预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110007677.8A CN112613630B (zh) | 2021-01-05 | 2021-01-05 | 一种融合多尺度时空统计信息的短时交通需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110007677.8A CN112613630B (zh) | 2021-01-05 | 2021-01-05 | 一种融合多尺度时空统计信息的短时交通需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613630A CN112613630A (zh) | 2021-04-06 |
CN112613630B true CN112613630B (zh) | 2022-09-20 |
Family
ID=75253715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110007677.8A Active CN112613630B (zh) | 2021-01-05 | 2021-01-05 | 一种融合多尺度时空统计信息的短时交通需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613630B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673780B (zh) * | 2021-09-02 | 2022-09-06 | 大连理工大学 | 一种基于深度集成学习的交通稀疏需求预测方法 |
CN115131961B (zh) * | 2022-06-08 | 2023-11-10 | 北京理工大学 | 智能交通感知方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
-
2021
- 2021-01-05 CN CN202110007677.8A patent/CN112613630B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于深度CNN-LSTM-ResNet组合模型的出租车需求预测;段宗涛等;《交通运输系统工程与信息》;20180815(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613630A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN110766942B (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
US20200135017A1 (en) | Transportation network speed foreeasting method using deep capsule networks with nested lstm models | |
CN110599236A (zh) | 一种基于gru模型的短时停车需求预测方法 | |
CN108629503B (zh) | 一种基于深度学习的出租车上车需求量的预测方法 | |
CN111754025B (zh) | 基于cnn+gru的公交短时客流预测方法 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN110991713A (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN112150207A (zh) | 基于时空上下文注意力网络的网约车订单需求预测方法 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN110555990A (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
Li et al. | The forecasting of passenger demand under hybrid ridesharing service modes: A combined model based on WT-FCBF-LSTM | |
CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
CN116029525A (zh) | 车辆调度方法、车辆调度服务器及计算机可读的存储介质 |
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 |