CN112801424A - 一种利用层级结构的新站点流量预测方法 - Google Patents

一种利用层级结构的新站点流量预测方法 Download PDF

Info

Publication number
CN112801424A
CN112801424A CN202110342766.8A CN202110342766A CN112801424A CN 112801424 A CN112801424 A CN 112801424A CN 202110342766 A CN202110342766 A CN 202110342766A CN 112801424 A CN112801424 A CN 112801424A
Authority
CN
China
Prior art keywords
flow
group
sites
distribution
hierarchical structure
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
CN202110342766.8A
Other languages
English (en)
Inventor
郭斌
王倩茹
欧阳逸
於志文
王亮
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Publication of CN112801424A publication Critical patent/CN112801424A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/08—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
    • G06Q10/02—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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种利用层级结构的新站点流量预测方法，通过将站点在空间上组成层级结构：划分为群组和个体站点，其中一个群组由多个个体站点组成。首先通过群组之间的还车关系建立群组之间的流量传播路径。对群组之间的流量传播路径建模后，根据一个群组内的站点相似性较大的特性，对新站点未来的流量传播路径进行模拟。同时结合群组之间的流量传播和站点之间的流量传播，对城市中的所有站点进行流量预测，包括对已有站点和新站点的流量预测。本方案的最佳案例可以对新站点提升至少5.1％，对已有站点提升至少6％。

Description

一种利用层级结构的新站点流量预测方法
技术领域
本发明涉及数据挖掘和回归分析领域，尤其涉及一种利用层级结构的新站点流量预测方法。
背景技术
随着共享经济的发展，共享出行成为了人们普遍的出行方式，例如使用共享单车出行的方式。用户可以再任一站点租用一辆单车并再任一站点还车，大大提高了人们出行的便利性。根据美国纽约共享单车公司Citi Bike的统计，2017年纽约的共享单车站点已经超过800个，共享单车数量超过12000个。并且，一年内有超过1000万个骑行数据。即使共享单车为人们出行带来了一些便利，它同时也存在一些问题。由于用户在任一站点的租车和还车导致每个站点的共享单车常常出现供需比平衡的问题。为了对这些站点的单车进行有序的调度，需要对整个城市各个站点未来的流量进行预测，以防出现站点单车过多或者过少的情况。目前已有了一些针对已有车站的流量预测方法，例如利用卷积神经网络对每个时间点每个站点的周围的站点流量进行卷积，然后使用递归神经网络卷积后对每个时间点的信息进行传递，最终实现对每个站点的流量预测。尽管这些方法对已有站点的预测已经提供了较为满意的预测结果，但是没有对新建站点的流量进行预测。这些方法在预测站点流量时没有考虑到未来添加站点的情况，只对目前现有的车站的未来流量进行预测。这导致有新站点加入时，不能对新站点的未来流量进行预测。然而，平均每年单车公司建立超过100个新站点。不考虑新站点的方法对这种真实城市场景不能进行精准预测。
发明内容
本发明提出一种利用层级结构的新站点流量预测方法，结合群组之间的流量传播和站点之间的流量传播，对城市中的所有站点进行流量预测。
本发明的技术方案为：一种利用层级结构的新站点流量预测方法，所述方法包括以下步骤：
步骤1:对历史数据进行处理，将历史数据划分为时间片；所述每个时间片代表一个时刻；对所述历史数据中的个体站点数据进行编码，获取每个时刻的编码表示，所述编码表示代表历史的个体站点数据的特征信息；
步骤2:假设个体站点在城市范围内的流量传播编码分布为正太分布，根据已有的站点之间的历史流量传播关系，使用变分自编码分别学习所述正太分布的均值和方差，则经过学习后的正太分布可以表示个体站点在城市内的真实流量分布；
步骤3:假设群组在城市范围内的流量传播编码分布为正太分布，使用变分自编码学习群组流量传播的正太分布的均值和方差，则经过学习后的正太分布可以表示群组的真实流量分布；
步骤4:利用步骤1-3中计算的个体站点的正态分布和群组分配给各个站点的流量，预测下一时刻城市中所有站点的流量，包括对已有站点和新站点的流量预测。
进一步地，一种利用层级结构的新站点流量预测方法，所述时间片的划分标准包括按天、按小时。
进一步地，一种利用层级结构的新站点流量预测方法，所述对多个个体站点历史数据进行自编码时，由于每个时刻的个体站点之间的流量传播不同，所以要对多个时刻的历史数据进行整合。
进一步地，一种利用层级结构的新站点流量预测方法，将每个t时刻的个体站点流量传播关系看作一个传播网络，其邻接矩阵为ASt，t-Δt时刻到t-1时刻之间的历史数据{ASt-Δt,…,ASt-1}可以使用进化图神经网络EvolveGCN进行编码。
进一步地，一种利用层级结构的新站点流量预测方法，对群组历史数据进行自编码之前，需要对个体站点进行分组。
进一步地，一种利用层级结构的新站点流量预测方法，使用K-MEANS的聚类方式以个体站点之间的物理距离和站点的流量变化为特征，计算这些特征之间的欧氏距离将这些个体站点分为m个组。
进一步地，一种利用层级结构的新站点流量预测方法，当一个新站点加入时，衡量新站点与已有群组之间的距离，选择距离最近的群组将站点加入进去。
进一步地，一种利用层级结构的新站点流量预测方法，对所述群组的流量传播编码与所属个体站点的流量传播编码不同，所述群组在每个时刻的流量传播变化较小，无需对每个时刻都进行学习，只需要学习一个固定的分布即可；再将表示的群组信息向个别站点进行分配。
进一步地，一种利用层级结构的新站点流量预测方法，所述将群组的流量信息分配到城市的各个站点中，分别计算群组内的站点权重和群组对其他群组内站点的权重；利用得到的权重通过层级图神经网络将群组信息分配给个体站点。
本发明的有益效果为：本发明的原理是将站点在空间上组成层级结构：划分为群组和个体站点，其中一个群组由多个个体站点组成。首先通过群组之间的还车关系建立群组之间的流量传播路径。对群组之间的流量传播路径建模后，根据一个群组内的站点相似性较大的特性，对新站点未来的流量传播路径进行模拟。同时结合群组之间的流量传播和站点之间的流量传播，对城市中的所有站点进行流量预测，包括对已有站点和新站点的流量预测。本方案的最佳案例可以对新站点提升至少5.1％，对已有站点提升至少6％。
附图说明
图1为一种利用层级结构的新站点流量预测方法框架图。
具体实施方式
下面结合附图来进一步描述本发明的技术方案：
一种利用层级结构的新站点流量预测方法，所述方法包括以下步骤：
步骤1:对历史数据进行处理，将历史数据划分为时间片；所述每个时间片代表一个时刻；对所述历史数据中的个体站点数据进行编码，获取每个时刻的编码表示，所述编码表示代表历史的个体站点数据的特征信息。所述时间片的划分标准可以根据所使用的本方法要实现的具体事件来选择，具体包括按天、按小时等。
步骤2:假设个体站点在城市范围内的流量传播编码分布为正太分布，根据已有的站点之间的历史流量传播关系，使用变分自编码分别学习所述正太分布的均值和方差，则经过学习后的正太分布可以表示个体站点在城市内的真实流量分布。
实际预测过程中，所述对多个个体站点历史数据进行自编码时，由于每个时刻的个体站点之间的流量传播不同，所以要对多个时刻的历史数据进行整合。具体为将每个t时刻的个体站点流量传播关系看作一个传播网络，其邻接矩阵为ASt，t-Δt时刻到t-1时刻之间的历史数据{ASt-Δt,…,ASt-1}可以使用进化图神经网络EvolveGCN进行编码。
首先，初始化一个可训练参数
Figure BDA0002999753830000051
其大小为n×d。d为设定好的一个数字，l为EvolveGCN的网络层数，也是初始设定的一个数字。使用门控神经单元GRU对每一层的参数
Figure BDA0002999753830000052
进行运算，使得参数向前传递：
Figure BDA0002999753830000053
使用
Figure BDA0002999753830000054
对t时刻的传播网络
Figure BDA0002999753830000055
进行运算，得到每个时刻的每一层的隐层变量
Figure BDA0002999753830000056
Figure BDA0002999753830000057
使用门控神经单元GRU将
Figure BDA0002999753830000058
向前传播，将t-Δt的信息整合为一个隐层变量
Figure BDA0002999753830000059
利用上述变量计算个体站点的正太分布参数，μE和σE。其中，
Figure BDA00029997538300000510
μE＝FC1(HE),log(σE)2＝FC2(HE)
ZE＝μE+σE·∈1,where∈1～N(0,I)
步骤3:假设群组在城市范围内的流量传播编码分布为正太分布，使用变分自编码学习群组流量传播的正太分布的均值和方差，则经过学习后的正太分布可以表示群组的真实流量分布。
对群组历史数据进行自编码之前，需要对个体站点进行分组。本实施例中使用K-MEANS的聚类方式以个体站点之间的物理距离和站点的流量变化为特征，计算这些特征之间的欧氏距离将这些个体站点分为m个组。
当一个新站点加入时，衡量新站点与已有群组之间的距离，选择距离最近的群组将站点加入进去。方法为：
初始化可训练参数HC、WC，其大小分别为m×dh，dh×dc。dh,dc分别为设定好的数值。对于群组的流量传播网络GC，其邻接矩阵为AC。计算其流量传播网络的隐层表示EC：
EC＝ReLU(AC×HC×WC)
对所述群组的流量传播编码与所属个体站点的流量传播编码不同，所述群组在每个时刻的流量传播变化较小，无需对每个时刻都进行学习，只需要学习一个固定的分布即可；再将表示的群组信息向个别站点进行分配。
为了将群组的流量信息分配到城市的各个站点中，分别计算群组内的站点权重和群组对其他群组内站点的权重Einter，其中
Figure BDA0002999753830000061
为Wintra中第i行第j列的数值，
Figure BDA0002999753830000062
为Winter中第i行第j列的数值。同理，
Figure BDA0002999753830000063
为
Figure BDA0002999753830000064
中的数值：
Figure BDA0002999753830000071
Figure BDA0002999753830000072
进一步，利用得到的权重通过层级图神经网络将群组信息分配给个体站点，得到一个新的变量HB表示个体站点流量传播：
Figure BDA0002999753830000073
进一步，利用上述变量计算群组分配到站点的流量正态分布参数：μC和σC：
μC＝FC3(HB)，log(σC)2＝FC4(HB)
ZC＝μC+σC·∈2where∈2～N(0,I)
步骤4:利用步骤1-3中计算的个体站点的正态分布和群组分配给各个站点的流量，预测下一时刻城市中所有站点的流量，包括对已有站点和新站点的流量预测。
由于步骤1-3中涉及到可训练参数，需要对这些已经初始化的参数进行训练，使得模型达到较好的性能。
利用步骤1-3中计算得到的ZC和ZE，拼接得到Z，使用前向传播神经网络FC计算得到各个站点在t时刻的流量分布：
Figure BDA0002999753830000074
进一步，使用以下损失函数L训练以上参数，当损失函数L最小时的参数为本模型的最佳参数。
Figure BDA0002999753830000081
Figure BDA0002999753830000082
进一步，得到各个参数值后，输入下一段历史数据序列，可以得到未来下一时刻的流量分布。
根据实验验证，本方案的最佳案例可以对新站点提升至少5.1％，对已有站点提升至少6％。

Claims (9)

1.一种利用层级结构的新站点流量预测方法，其特征在于：所述方法包括以下步骤：
步骤1:对历史数据进行处理，将历史数据划分为时间片；所述每个时间片代表一个时刻；对所述历史数据中的个体站点数据进行编码，获取每个时刻的编码表示，所述编码表示代表历史的个体站点数据的特征信息；
步骤2:假设个体站点在城市范围内的流量传播编码分布为正太分布，根据已有的站点之间的历史流量传播关系，使用变分自编码分别学习所述正太分布的均值和方差，则经过学习后的正太分布可以表示个体站点在城市内的真实流量分布；
步骤3:假设群组在城市范围内的流量传播编码分布为正太分布，使用变分自编码学习群组流量传播的正太分布的均值和方差，则经过学习后的正太分布可以表示群组的真实流量分布；
步骤4:利用步骤1-3中计算的个体站点的正态分布和群组分配给各个站点的流量，预测下一时刻城市中所有站点的流量，包括对已有站点和新站点的流量预测。
2.根据权利要求1所述的一种利用层级结构的新站点流量预测方法，其特征在于：所述时间片的划分标准包括按天、按小时。
3.根据权利要求1所述的一种利用层级结构的新站点流量预测方法，其特征在于：所述对多个个体站点历史数据进行自编码时，由于每个时刻的个体站点之间的流量传播不同，所以要对多个时刻的历史数据进行整合。
4.根据权利要求3所述的一种利用层级结构的新站点流量预测方法，其特征在于：将每个t时刻的个体站点流量传播关系看作一个传播网络，其邻接矩阵为ASt，t-Δt时刻到t-1时刻之间的历史数据{ASt-Δt,…,ASt-1}可以使用进化图神经网络EvolveGCN进行编码。
5.根据权利要求1所述的一种利用层级结构的新站点流量预测方法，其特征在于：对群组历史数据进行自编码之前，需要对个体站点进行分组。
6.根据权利要求5所述的一种利用层级结构的新站点流量预测方法，其特征在于：使用K-MEANS的聚类方式以个体站点之间的物理距离和站点的流量变化为特征，计算这些特征之间的欧氏距离将这些个体站点分为m个组。
7.根据权利要求5所述的一种利用层级结构的新站点流量预测方法，其特征在于：当一个新站点加入时，衡量新站点与已有群组之间的距离，选择距离最近的群组将站点加入进去。
8.根据权利要求1所述的一种利用层级结构的新站点流量预测方法，其特征在于：对所述群组的流量传播编码与所属个体站点的流量传播编码不同，所述群组在每个时刻的流量传播变化较小，无需对每个时刻都进行学习，只需要学习一个固定的分布即可；再将表示的群组信息向个别站点进行分配。
9.根据权利要求8所述的一种利用层级结构的新站点流量预测方法，其特征在于：所述将群组的流量信息分配到城市的各个站点中，分别计算群组内的站点权重和群组对其他群组内站点的权重；利用得到的权重通过层级图神经网络将群组信息分配给个体站点。
CN202110342766.8A 2020-11-20 2021-03-30 一种利用层级结构的新站点流量预测方法 Pending CN112801424A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020113139520 2020-11-20
CN202011313952 2020-11-20

Publications (1)

Publication Number Publication Date
CN112801424A true CN112801424A (zh) 2021-05-14

Family

ID=75816049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110342766.8A Pending CN112801424A (zh) 2020-11-20 2021-03-30 一种利用层级结构的新站点流量预测方法

Country Status (1)

Country Link
CN (1) CN112801424A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633661A (zh) * 2024-01-26 2024-03-01 西南交通大学 一种基于进化图自监督学习的运渣车高危污染源分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7035240B1 (en) * 2000-12-27 2006-04-25 Massachusetts Institute Of Technology Method for low-energy adaptive clustering hierarchy
US20150100295A1 (en) * 2013-10-09 2015-04-09 Fujitsu Limited Time series forecasting ensemble
CN110210656A (zh) * 2019-05-21 2019-09-06 上海交通大学 基于站点行为分析的共享单车流量预测方法及系统
CN110298303A (zh) * 2019-06-27 2019-10-01 西北工业大学 一种基于长短时记忆网络扫视路径学习的人群识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7035240B1 (en) * 2000-12-27 2006-04-25 Massachusetts Institute Of Technology Method for low-energy adaptive clustering hierarchy
US20150100295A1 (en) * 2013-10-09 2015-04-09 Fujitsu Limited Time series forecasting ensemble
CN110210656A (zh) * 2019-05-21 2019-09-06 上海交通大学 基于站点行为分析的共享单车流量预测方法及系统
CN110298303A (zh) * 2019-06-27 2019-10-01 西北工业大学 一种基于长短时记忆网络扫视路径学习的人群识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DONGWEI XU ETAL.: "Road traffic network state prediction based on a generative adversarial network", 《IET INTELLIGENT TRANSPORT SYSTEMS》 *
林燕平;窦万峰;: "基于网络模型的城市公共自行车需求量预测研究", 计算机应用研究, no. 09 *
荣 斌等: "基于时空多图卷积网络的交通站点流量预测", 《计算机工程》, vol. 46, no. 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633661A (zh) * 2024-01-26 2024-03-01 西南交通大学 一种基于进化图自监督学习的运渣车高危污染源分类方法
CN117633661B (zh) * 2024-01-26 2024-04-02 西南交通大学 一种基于进化图自监督学习的运渣车高危污染源分类方法

Similar Documents

Publication Publication Date Title
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
CN111653088B (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN109272157A (zh) 一种基于门控神经网络的高速公路交通流参数预测方法及系统
CN111862579A (zh) 一种基于深度强化学习的出租车调度方法及系统
CN108470444A (zh) 一种基于遗传算法优化的城市区域交通大数据分析系统与方法
Huang et al. A novel bus-dispatching model based on passenger flow and arrival time prediction
CN110599234A (zh) 一种产品销售预测方法
CN111582552B (zh) 一种基于多目标遗传算法的共享单车停放点分配方法
CN105160866A (zh) 一种基于深度学习神经网络结构的交通流预测方法
CN111612252A (zh) 大规模应急设施的自动选址方法、装置及可读存储介质
CN111489064B (zh) 一种面向Df-PBS系统的公共自行车站点动态规划方法和系统
Xu et al. Secure and reliable transfer learning framework for 6G-enabled Internet of Vehicles
CN108564391A (zh) 一种考虑主客观信息的共享电动汽车需求预测方法及系统
CN107358325A (zh) 一种物流配送中心选址方法、装置及计算机可读存储介质
CN110570656B (zh) 定制公共交通线路方法及装置
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
CN114912357A (zh) 基于用户模型学习的多任务强化学习用户运营方法及系统
CN114066503A (zh) 一种基于构建虚拟服务片区进行出租车需求预测的方法
CN112801424A (zh) 一种利用层级结构的新站点流量预测方法
CN116050752A (zh) 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法
CN110413722B (zh) 地址选择方法、装置以及非瞬时性存储介质
CN115952355A (zh) 基于时空幂律注意力的下一兴趣点推荐系统
Yang et al. Dynamic Origin‐Destination Matrix Estimation Based on Urban Rail Transit AFC Data: Deep Optimization Framework with Forward Passing and Backpropagation Techniques
Sekhar et al. Development of neuro-fuzzy-based multimodal mode choice model for commuter in Delhi
Sen et al. Comparative evaluation of metaheuristic algorithms for hyperparameter selection in short-term weather forecasting

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210514

WD01 Invention patent application deemed withdrawn after publication