CN113269367A - 一种基于边缘协同交替方向乘子法的地铁客流预测方法 - Google Patents

一种基于边缘协同交替方向乘子法的地铁客流预测方法 Download PDF

Info

Publication number
CN113269367A
CN113269367A CN202110630540.8A CN202110630540A CN113269367A CN 113269367 A CN113269367 A CN 113269367A CN 202110630540 A CN202110630540 A CN 202110630540A CN 113269367 A CN113269367 A CN 113269367A
Authority
CN
China
Prior art keywords
data
edge
passenger flow
prediction
coefficient matrix
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
Application number
CN202110630540.8A
Other languages
English (en)
Other versions
CN113269367B (zh
Inventor
余雪勇
刘一龙
唐耿
葛瑶
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110630540.8A priority Critical patent/CN113269367B/zh
Publication of CN113269367A publication Critical patent/CN113269367A/zh
Application granted granted Critical
Publication of CN113269367B publication Critical patent/CN113269367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是一种基于边缘协同交替方向乘子法的地铁客流预测方法，该包括如下步骤：S1、从本地节点中采集原始客流量数据并进行数据的预处理S2、将经步骤S1预处理的数据集传递给边缘服务器S3、在边缘服务器中，使用边缘协同交替方向乘子法进行套索训练S4、得到预测结果。本发明通过边缘协同交替方向乘子法训练套索模型，对地铁站客流量进行预测分析，若干次迭代后得出最后的预测结果，本发明可应用于地铁等公共交通系统的人流量预测领域，尤其对地铁的短时客流量预测，对地铁运营及管理的决策起到重要参考作用。

Description

一种基于边缘协同交替方向乘子法的地铁客流预测方法
技术领域
本发明属于公共交通系统流量预测领域，具体的说是涉及地铁客实时流量预测，尤其是一种基于边缘协同交替方向乘子法的地铁客流预测方法。
背景技术
地铁作为城市重要的交通配套设施，极大地牵动线下客流走向，现已成为城市公共交通的主要承担者。人流预测作为现代交通管理的一项重要任务，在智能交通服务的诸多任务中发挥着重要作用。进行地铁客流量预测，对地铁客流量进行合理控制，对于保障乘客安全以及确保地铁的高效运营具有重要意义。在地铁网络的作用下，某时刻各地铁站人流量可通过空间位置、地铁线路运行计划、通勤人群等因素直接或间接地影响其他地铁站的人流量，即各地铁站在短时客流量在统计学角度存在内在联系。
ZL2017107571356公开了一种基于大数据分析的地铁客流预测方法，该方法基于递归神经网络(RNN)技术，建立预测模型参数，并根据系统自身预测的客流数与实际发生的客流数据进行比对，持续优化预测模型参数来提高客流预测数据的精确度，但是该系统通过广域网进行数据通信，从而导致较长时延以及巨大带宽占用等问题，对现有Internet带来了巨大挑战；同时，由于板载资源和电池容量等因素影响，在IoT设备上运行计算密集型程序是不切实际的。现有的客流量预测方法均基于集中式云计算进行预测，因此具有上述不足之处。
发明内容
为了解决上述问题，本发明提供了一种基于边缘协同交替方向乘子法的地铁客流预测方法，该方法通过边缘协同交替方向乘子法训练套索模型，对地铁站客流量进行预测分析，若干次迭代后得出最后的预测结果，本发明可应用于地铁等公共交通系统的人流量预测领域，尤其对地铁的短时客流量预测，对地铁运营及管理的决策起到重要参考作用，
为了达到上述目的，本发明是通过以下技术方案实现的：
本发明是一种基于边缘协同交替方向乘子法的地铁客流预测方法，包括如下步骤：
S1、从本地节点中采集原始客流量数据并进行数据的预处理。
通过各站点的边缘节点进行原始数据的采集，并依靠边缘节点板载资源和本地网络对数据进行提取、异常检测、筛选以及识别和整合，从而尽可能地降低偶然误差，提高训练模型的有效性和可靠性，最终得到地铁人流数据包括如下特征：包括某一给定时间段该地铁站经异常检测后的客流量。
S2、将经步骤S1预处理的数据集传递给边缘服务器。
本地节点借助局域网内部通信等方式通过在网络边缘进行数据传输，避开接入因特网而将其预处理过的数据传递到边缘服务器，数据传输到边缘服务器后，边缘服务器将对数据进行向量化、归一化、模型加截距等预处理，为步骤S3的训练做准备。
经步骤S2处理后，得到的训练数据的特征为：一个m行(n+1)列的矩阵，矩阵每行表示某个给定时间采集到的数据，矩阵第一列表示拟合模型所添加截距，第2-(n+1)列表示(归一化后的)n个地铁站的人流量数据。
S3、在边缘服务器中，使用边缘协同交替方向乘子法进行套索训练；
引入边缘协同交替方向乘子法，将边缘协同交替方向乘子法应用于套索模型
Figure BDA0003103552310000021
以分布式方式进行套索训练，采用逐次逼近的思想来进行迭代运算，，具体包括如下步骤：
S3.1训练算法的初始化：初始化测试误差为无穷大，初始化系数矩阵ω为(n*1)的全0阵，定义步长和迭代次数；
S3.2进行迭代训练得到系数矩阵ω：对系数矩阵按列依次前进或后退一个步长，得
wTest(j)＝wTest(j)+eps*sign(sign＝±1)
其中，wTest(j)为在第j个维度方向前进或后退所得到的系数矩阵，eps为步长，sign为前进或后退标识符；
求得此时预测数据以及方差：
SSE＝∑(y-yTest)2
其中，SSE为预测方差，y为实际值，yTest为预测值；
S3.3目标系数矩阵的获得：依次对SSE大小进行两两比较，最终，进行一次循环得到系数矩阵某列前进或后退一个步长，迭代若干次至系数矩阵收敛，得到最终的系数矩阵，即为目标系数矩阵。
步骤S3采用逐次逼近的思想来进行迭代，每次迭代使得系数矩阵向最优方向前进或后退一个步长，若干次迭代后，逼近最优解。
S4、由步骤S3所求得的系数矩阵代入套索模型进行客流量预测，最终获得预测结果；同时，出于对模型性能的评估，保留每次迭代的系数矩阵和均方误差值(MSE)。所述预测方法步骤中所涉及到的数据通信均通过边缘网络进行。
本发明的进一步改进在于：所述步骤S1具体包括如下步骤：
S1.1、数据的采集：通过各站点的边缘节点进行原始数据的采集；
S1.2数据的预处理，具体为：
S1.2.1、异常数据处理：对S1.1所采集到的的数据在本地节点网络层面进行筛查，对明显出现异常的数据进行丢弃；
S1.2.2、数据的整合处理：对各站点的边缘节点采集到的的原始数据进行整合，得到包括某一给定时间段地铁站经异常检测后的客流量的地铁人流数据包。
本发明的进一步改进在于：所述步骤S2具体包括如下步骤：
S2.1数据的传输：借助局域网内部通信的方式，本地节点通过在网络边缘进行数据传输，实现不通过互联网将所采集到的数据传递给边缘服务器；
S2.2数据的预处理：数据传输到边缘服务器后，边缘服务器将对数据进行向量化、归一化、模型加截距的预处理，为套索训练做准备。
本发明的进一步改进在于：所述步骤S4具体包括如下步骤：
S4.1求得预测结果：根据步骤S3套索训练所求得的目标系数矩阵，由套索模型
Figure BDA0003103552310000041
求得预测结果；
S4.2测试：保留每次迭代的系数矩阵以及均方误差：
Figure BDA0003103552310000042
其中，MSE为均方误差，SSE为预测方差，y为实际值，yTest为预测值，m为训练数据数目。
本发明的有益效果是：有益效果
与现有技术相比，本发明具有以下有益效果：
(1)本发明采用分布式边缘计算架构，与传统的集中式云计算架构相比，其并不占用紧缺的互联网带宽等资源，从而降低了互联网时延以及带宽的压力，优化了通信过程中的资源分配问题。
(2)基于边缘节点和本地网络，运用物联网数据挖掘以及数据库等技术进行数据的采集、预处理即识别、筛选等以及基于边缘服务器进行迭代回归使得网络边缘的运力等资源得以充分利用，同时也提高了训练数据的质量，降低了原始数据获取即预处理的成本。
(3)本发明的套索训练中，参与设备即地铁站仅需与边缘服务器共享处理过的数据向量即可进行模型训练，并且此过程均在网络边缘进行，数据并不传入云端，因而使各节点的隐私性得以保障。
(4)本发明利用边缘协同交替方向乘子法分布式地解决套索模型的目标优化问题，既易于实现、迭代简单，又使收敛速度大大提升，可快速收敛到较为理想的精确度。在多次仿真实验中表明，该方案可以在数百次迭代中快速收敛至较佳状态，在其后迭代中可较为迅速地收敛至最佳状态，并且其性能相对于其他方案较为优异，所得到的误差在所能接受的范围内。
交替方向乘子法通过分解协调过程，将大的全局问题分解为多个较小、较容易求解的局部子问题，并通过协调子问题的解而得到大的全局问题的解。
附图说明
图1是本发明预测方法的流程示意图。
图2是本发明所使用的边缘协同回归预测流程示意图。
图3为本发明仿真结果之MSN图。
具体实施方式
以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。
本发明是一种基于边缘计算中IoT设备数据样本训练套索回归模型的协作学习方案，对某给定时间内如每半小时地铁站客流量进行预测分析，算法包括本地节点中数据采集和预处理、向边缘服务器传递参数、基于边缘协同交替方向乘子法算法进行lasso回归即多次迭代至lasso模型收敛，得到最终的预测结果四个部分。
本发明从数据采集、预处理到模型的迭代训练均在网络边缘进行，通过分布式的边缘计算算法，针对公共交通系统流量预测，尤其是地铁系统流量预测这一领域设备节点较多、通信较密集、设备节点资源有限以及隐私性要求等特点，本系统可缓解网络时延、带宽等方面的压力；并对网络边缘的运力等资源实现充分利用；同时能够满足隐私性的要求；并且，本系统实验预测精度较为理想，迭代复杂度同其他同类系统相比明显较低，迭代时间处于可接受的范围。综上，本发明明显适用于公共交通系统流量预测领域，尤其是地铁系统流量预测领域。
具体的，本发明的基于边缘协同交替方向乘子法的地铁客流预测方法包括如下步骤：
S1、从本地节点中采集原始客流量数据并进行数据的预处理。
S1.1、数据的采集：对每一选定的本地节点，本实例为地铁站进站闸机，每二十分钟或每半小时，统计进出站人数，得出每个时间段客流量。
S1.2数据的预处理，具体为：
S1.2.1、异常数据处理：对S1.1所采集到的的数据本地节点网络层面进行进行筛查，对明显出现异常的数据例如负值等进行丢弃，如无数据则补零，从而避免原始数据异常对数据预测造成的影响，减小偶然误差。
S1.2.2、数据的整合处理：对每个地铁站的所有闸机在某给定时间段即每二十分钟或每半小时所采集的数据进行整合，得到该地铁站在每二十分钟或每半小时的客流量。
S2、将经步骤S1预处理的数据集传递给边缘服务器。
S2.1数据的传输：各地铁站可通过城市地铁系统内部局域网等方式，实现不通过互联网而将所采集到的数据传递给边缘服务器。
S2.2数据的预处理：边缘服务器将各地铁站在所采集的数据汇集为向量，每个时间间隔为向量的一行，设有m个时间间隔，n个地铁站，则最终得到矩阵的大小为m*n，并对其进行归一化，归一化方法：矩阵按列依次减去其均值，后除以其方差。即：
XDeal(i，j)＝(X(i，j)-XMean(j))/XVar(j)
其中xMean(j)为矩阵第j列均值，xVar(j)为矩阵第j列方差。其后，将矩阵各列向后依次移动一列，并设置第一列为1，为模型加截距，为套索训练拟合做准备。
将步骤S2.2处理后得到的训练数据特征为：一个m行*(n+1)列的矩阵，矩阵每行表示某个给定时间采集到的数据，矩阵第一列表示拟合模型所添加截距，第2-(n+1)列表示归一化后的n个地铁站的人流量数据。
S3、在边缘服务器中，使用边缘协同交替方向乘子法进行套索训练；
Lasso(套索，即最小绝对收缩和选择算子)是将正则化和变量选择结合到一起进行预测(prediction and forecasting)的线性回归技术。定义套索模型：
Figure BDA0003103552310000071
从而可解决以下最小化问题：
Figure BDA0003103552310000072
将边缘协同交替方向乘子法应用于套索模型，以分布式方式进行套索训练。通过引入辅助变量{(ωi，bi)，i＝1，2，...，n}可将上述问题重新表述为：
Figure BDA0003103552310000073
其中，x为训练变量；y为预测变量；ω为系数矩阵，b为模型截距，{(ωi，bi)，i＝1，2，...，n}可看作边缘计算系统中某节点i的局部特征参数。
参阅图2，此方法中，选用前向选择法进行套索回归，使用逐次逼近来逼近每次迭代的最优解，若干次迭代后，无限逼近于本发明所求的最优解。将其与边缘协同交替方向乘子法结合使用，既保留了其有效性强和易于实现的特性，又由于边缘协同交替方向乘子法将乘数方法的快速收敛特性和对偶上升方法的可分解性相集成，使收敛速度大大提升，可快速收敛到较为理想的精确度。
具体包括如下步骤：
S3.1训练算法的初始化：初始化测试误差为无穷大，初始化系数矩阵ω为(n*1)的全0阵，定义合适的步长和迭代次数；
S3.2进行迭代训练得到系数矩阵ω：对系数矩阵按列依次前进或后退一个步长，得
wTest(j)＝wTest(j)+eps*sign(sign＝±1)
其中，wTest(j)为在第j个维度方向前进或后退所得到的系数矩阵，eps为步长，sign为前进或后退标识符；
求得此时预测数据以及方差：
SSE＝∑(y-yTest)2
其中，SSE为预测方差，y为实际值，yTest为预测值；
S3.3目标系数矩阵的获得：依次对SSE大小进行两两比较，最终，进行一次循环得到系数矩阵某列前进或后退一个步长，迭代若干次至系数矩阵收敛即系数矩阵各个元素不再变化，得到最终的系数矩阵，即为目标系数矩阵。
S4、得到预测结果。
S4.1求得预测结果：根据步骤S3套索训练所求得的目标系数矩阵，由套索模型
Figure BDA0003103552310000082
求得预测结果；
S4.2求均方误差等，保留每次迭代的系数矩阵以及均方误差：
Figure BDA0003103552310000081
其中，MSE为均方误差，SSE为预测方差，y为实际值，yTest为预测值，m为训练数据数目。
检验上述仿真实验预测结果有效性方法如下：
每次迭代后，保存其均方误差值
Figure BDA0003103552310000091
其中，MSE为均方误差，SSE为预测方差，y为实际值，yTest为预测值，m为训练数据数目。
通过对每次迭代的系数矩阵进行作图观察，可观察到迭代到一定次数系数矩阵趋于收敛；通过对均方误差进行作图观察，参阅图3，可观察到均方误差快速收敛到较高精度，随着迭代继续进行，误差精度收敛到更高精度，对该检验可充分说明本算法的高有效性与高可靠性。
本发明提供地铁系统客流量预测，从而为地铁系统高效运行提供了保障。在地铁网络的作用下，某时段各地铁站人流量可通过空间位置、地铁线路运行计划、通勤人群等诸多因素直接或间接地影响其他地铁站的人流量，即各地铁站在短时客流量在统计学角度存在内在联系。正因为如此，只有掌握各地铁站的人流量，并基于此实现各地铁站客流量的预测，才能对每个地铁站进行更为合理的人流控制以及各线路的协调安排如增减列车班次、增减服务人员等，进而能够使运力一定的情况下实现效率最大化，提升整体服务质量，实现社会效益最大化。综上，实施科学有效地轨道交通客流量预测，对满足居民的出行需求、降低轨道交通运营成本、提升轨道交通运营质量等方面具有重要意义，从而实现社会资源的合理分配，实现社会效益、经济效益的利益最大化。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (7)

1.一种基于边缘协同交替方向乘子法的地铁客流预测方法，其特征在于：所述地铁客流预测方法包括如下步骤：
S1、从本地节点中采集原始客流量数据并进行数据的预处理；
S2、将经步骤S1预处理的数据集传递给边缘服务器；
S3、在边缘服务器中，使用边缘协同交替方向乘子法进行套索训练；
S4、得到预测结果。
2.根据权利要求1所述一种基于边缘协同交替方向乘子法的地铁客流预测方法，其特征在于：所述步骤S3中，将边缘协同交替方向乘子法应用于套索模型
Figure FDA0003103552300000011
以分布式方式进行套索训练，具体包括如下步骤：
S3.1训练算法的初始化：初始化测试误差为无穷大，初始化系数矩阵ω为(n*1)的全0阵，定义步长和迭代次数；
S3.2进行迭代训练得到系数矩阵ω：对系数矩阵按列依次前进或后退一个步长，得
wTest(j)＝wTest(j)+eps*sign (sign＝±1)
其中，wTest(j)为在第j个维度方向前进或后退所得到的系数矩阵，eps为步长，sign为前进或后退标识符；
求得此时预测数据以及方差:
SSE＝∑(y-yTest)2
其中，SSE为预测方差，y为实际值，yTest为预测值；
S3.3目标系数矩阵的获得：依次对SSE大小进行两两比较，最终，进行一次循环得到系数矩阵某列前进或后退一个步长，迭代若干次至系数矩阵收敛，得到最终的系数矩阵，即为目标系数矩阵。
3.根据权利要求1所述一种基于边缘协同交替方向乘子法的地铁客流预测方法，其特征在于：所述步骤S1具体包括如下步骤：
S1.1、数据的采集：通过各站点的边缘节点进行原始数据的采集；
S1.2数据的预处理，具体为：
S1.2.1、异常数据处理：对S1.1所采集到的的数据在本地节点网络层面进行筛查，对明显出现异常的数据进行丢弃；
S1.2.2、数据的整合处理：对各站点的边缘节点采集到的的原始数据进行整合，得到包括某一给定时间段地铁站经异常检测后的客流量的地铁人流数据包。
4.根据权利要求1所述一种基于边缘协同交替方向乘子法的地铁客流预测方法，其特征在于：所述步骤S2具体包括如下步骤：
S2.1数据的传输：借助局域网内部通信的方式，本地节点通过在网络边缘进行数据传输，实现不通过互联网将所采集到的数据传递给边缘服务器；
S2.2数据的预处理：数据传输到边缘服务器后，边缘服务器将对数据进行向量化、归一化、模型加截距的预处理，为套索训练做准备。
5.根据权利要求4所述一种基于边缘协同交替方向乘子法的地铁客流预测方法，其特征在于：将步骤S2.2处理后得到的训练数据特征为：一个m行*(n+1)列的矩阵，矩阵每行表示某个给定时间采集到的数据，矩阵第一列表示拟合模型所添加截距，第2-(n+1)列表示归一化后的n个地铁站的人流量数据。
6.根据权利要求1所述一种基于边缘协同交替方向乘子法的地铁客流预测方法，其特征在于：所述步骤S4具体包括如下步骤：
S4.1求得预测结果：根据步骤S3套索训练所求得的目标系数矩阵，由套索模型
Figure FDA0003103552300000021
求得预测结果；
S4.2测试：保留每次迭代的系数矩阵以及均方误差：
Figure FDA0003103552300000031
其中，MSE为均方误差，SSE为预测方差，y为实际值，yTest为预测值，m为训练数据数目。
7.根据权利要求1-6任一项所述一种基于边缘协同交替方向乘子法的地铁客流预测方法，其特征在于：所述预测方法步骤中所涉及到的数据通信均通过边缘网络进行。
CN202110630540.8A 2021-06-07 2021-06-07 一种基于边缘协同交替方向乘子法的地铁客流预测方法 Active CN113269367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110630540.8A CN113269367B (zh) 2021-06-07 2021-06-07 一种基于边缘协同交替方向乘子法的地铁客流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110630540.8A CN113269367B (zh) 2021-06-07 2021-06-07 一种基于边缘协同交替方向乘子法的地铁客流预测方法

Publications (2)

Publication Number Publication Date
CN113269367A true CN113269367A (zh) 2021-08-17
CN113269367B CN113269367B (zh) 2022-08-12

Family

ID=77234281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110630540.8A Active CN113269367B (zh) 2021-06-07 2021-06-07 一种基于边缘协同交替方向乘子法的地铁客流预测方法

Country Status (1)

Country Link
CN (1) CN113269367B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819418A (zh) * 2022-06-28 2022-07-29 西南交通大学 一种车站客流控制方法、装置、设备及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819418A (zh) * 2022-06-28 2022-07-29 西南交通大学 一种车站客流控制方法、装置、设备及可读存储介质
CN114819418B (zh) * 2022-06-28 2022-09-23 西南交通大学 一种车站客流控制方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN113269367B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
US20210407284A1 (en) Vehicle traffic flow prediction method with missing data
CN110866649B (zh) 一种短期地铁客流预测方法、系统及电子设备
Hu et al. Fast image recognition of transmission tower based on big data
CN110516866B (zh) 一种用于城市轨交列车拥挤度的实时估计方法
CN115050177A (zh) 一种基于时空多头注意力机制的高速公路拥堵预测方法
CN113269367B (zh) 一种基于边缘协同交替方向乘子法的地铁客流预测方法
Fattore et al. AutoMEC: LSTM-based user mobility prediction for service management in distributed MEC resources
CN108549907A (zh) 一种基于多源迁移学习的数据校验方法
CN113469125B (zh) 多无人机协同信号识别方法及识别系统
CN111144281A (zh) 基于机器学习的城市轨道交通od客流估计方法
CN109118769A (zh) 一种基于交通监测数据的路段自由流速度挖掘方法
CN115209426A (zh) 一种边缘车联网内数字孪生服务器动态部署方法
CN113282352A (zh) 基于多无人机协同辅助边缘计算的节能卸载方法
CN113485212A (zh) 宽带卫星信号智能识别系统
Wang et al. A credibility-aware swarm-federated deep learning framework in internet of vehicles
CN116720132A (zh) 电力业务识别系统、方法、设备、介质和产品
Kim et al. K-FL: Kalman Filter-Based Clustering Federated Learning Method
Liu et al. HPL-ViT: A unified perception framework for heterogeneous parallel LiDARs in V2V
Dutta et al. A cross validated clustering technique to prevent road accidents in VANET
He et al. Research on equipment health diagnosis system of railway passenger station based on cloud-edge collaboration
Liu et al. Efficient bus arrival time prediction based on spark streaming platform
He et al. The prediction of passenger flow distribution for urban rail transit based on multi-factor model
CN111830934A (zh) 一种电力机车故障源定位方法及装置
CN115633090B (zh) 一种基于eSIM卡和5G网络的多源数据链接方法
SUPARNA et al. A MULTI STREAM FUTURE FUSION APPROACH FOR TRAFFIC PREDICTION

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