CN113298314B - 一种考虑动态时空相关性的轨道交通客流预测方法 - Google Patents
一种考虑动态时空相关性的轨道交通客流预测方法 Download PDFInfo
- Publication number
- CN113298314B CN113298314B CN202110646415.6A CN202110646415A CN113298314B CN 113298314 B CN113298314 B CN 113298314B CN 202110646415 A CN202110646415 A CN 202110646415A CN 113298314 B CN113298314 B CN 113298314B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- time
- rail transit
- matrix
- correlation
- 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 19
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000004308 accommodation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑动态时空相关性的轨道交通客流预测方法,属于城市轨道交通管理领域。该方法在通过时空注意力机制学习轨道交通客流中的动态时空相关性后,运用图卷积网络GCN和一维卷积网络CNN分别学习轨道交通网络客流的空间特性以及时间特性,再通过提取外部特征,进行加权融合之后得到预测结果,实现对轨道交通客流的精确预测;具体步骤如下:定义考虑动态时空相关性的轨道交通客流预测模型;引入空间注意力机制,学习轨道交通客流中的动态空间相关性;引入时间注意力机制,学习轨道交通客流中的动态时间相关性;进行全连接网络的外部特征提取;进行模型搭建,实现对轨道交通客流的预测。本发明能显著提升轨道交通管理调度的效率和精确度。
Description
技术领域
本发明涉及交通管理领域,特别是城市轨道交通智能管理技术领域,涉及一种考虑动态时空相关性的轨道交通客流预测方法。
背景技术
随着社会经济的发展和城市化进程的加快,城市规模越来越大,人口越来越多,城市所面临的交通拥堵、环境污染等问题日益严重。城市轨道交通以其低成本、低能耗、高运载量等特点,成为解决上述问题的一剂良方。
目前,我国的轨道交通运营面临两个方面的挑战。从个人方面出发,随着地铁客流的增加,乘客对于轨道交通的运输服务质量要求越来越高。从城市方面出发,随着轨道网络的发展,其运营变得越来越复杂。针对这些问题,精准的客流预测,可以帮助优化列车的调度和制定合理的运营方案,从而降低轨道交通的运输压力和提升乘客的舒适度。由于预测结果的精确性直接影响运营管理部门进行组织实施相关措施的合理性,而地铁客流在时间维度上具有周期性与随机性,在空间维度上具有相关性等特点,同时也受一些外界因素的影响,这使得轨道交通客流预测成为一个亟待解决的关键问题,而现有的交通流预测方法在建模时大多缺乏对交通数据的动态时空相关性以及外部特征的考虑,所以需要一种新的基于轨道刷卡数据且考虑动态时空相关性的轨道交通客流预测方法,并以此来提升轨道交通管理调度的效率和精确度。
发明内容
有鉴于此,本发明的目的在于提供一种考虑动态时空相关性的轨道交通客流预测方法,该方法在通过时空注意力机制学习轨道交通客流中的动态时空相关性后,运用图卷积网络GCN和一维卷积网络CNN分别学习轨道交通网络客流的空间特性以及时间特性,再通过全连接网络提取外部特征,进行加权融合之后得到预测结果,从而实现对轨道交通客流的精确预测。
为达到上述目的,本发明提供如下技术方案:
一种考虑动态时空相关性的轨道交通客流预测方法,该方法具体包括以下步骤:
S1:定义考虑动态时空相关性的轨道交通客流预测模型;S2:引入空间注意力机制,学习轨道交通客流中的动态空间相关性;S3:引入时间注意力机制,学习轨道交通客流中的动态时间相关性;S4:进行全连接网络的外部特征提取;S5:进行模型搭建,实现对轨道交通客流的预测。
进一步,在步骤S1中,具体包括:
首先定义一个轨道交通网络图G=(V,E,A),其中V表示轨道站点集合,V={v1,...,vn},E表示图中连接两个轨道站点的边,A表示邻接矩阵;令表示车站i第t时段的c个属性的值,这里的c为进站客流量、出站客流量、工作日与日期编码、天气编码、电子地图兴趣点POI编码,/>表示所有车站在t时刻的所有属性值,表示所有车站在t时刻的客流量;短时客流预测问题被定义为求解一个函数f,能够得到所有车站I未来第t+1到t+Δ时段的客流预测值
进一步,在步骤S2中,所述引入空间注意力机制具体包括:
分别定义查询向量Q,键向量K,其公式计算分别为,Query=xTWq,Key=xWk1Wk2,其中x∈RN×C×T,xT∈RN×T×C,为输入,Wk1∈RC×T,Wk2∈RT,Wq∈RC为可训练学习的权重矩阵;空间注意力矩阵S的计算公式为:
S=Vs·σ((KeyQueryT)+BS)
Vs,BS∈RN×N是可以学习的权重矩阵,σ是激活函数,S∈RN×N为站点间相关程度评分矩阵,Si,j表示站点j对于站点i的相关程度评分,关联度越高,评分就越高;
使用SoftMax函数对空间注意力评分矩阵按列进行归一化,确保每个节点的总的注意力权重为1,在后续进行图卷积时,使用空间注意力矩阵S’与邻接矩阵A来动态调整节点间的互相影响权重。
进一步,在步骤S3中,所述引入时间注意力机制具体包括:
分别定义查询向量Q,键向量K,其公式计算分别为,Query=Wqx,Key=xTWk1Wk2,其中x∈RN×C×T,xT∈RT×C×N,为输入,Wk1∈RN,Wk2∈RC×N,Wq∈RC为可训练学习的权重矩阵;时间注意力矩阵E的计算公式为:
E=Ve·σ((KeyTQuery)+Be)
Ve,Be∈RT×T是可以学习的权重矩阵,σ是激活函数,E∈RT×T为时间片之间关联程度评分矩阵,Ei,j表示时间片j对于时间片i的关联程度评分,关联度越高,评分就越高;
使用SoftMax函数对时间注意力评分矩阵按列进行归一化,确保每个时间片点的总的注意力权重为1;将归一化后的时间注意力矩阵S′与输入x相乘得到通过合并相关信息动态调整输入。
进一步,在步骤S4中,所述进行外部特征提取包括:使用百度地图API获取某一地区的电子地图兴趣点POI数据,数据包括了餐饮、旅游景点、公共设施、交通设施、购物、教育、金融、商务住宅、生活服务、体育、医疗、政府办公、住宿服务13个大类。更具体的小类有21类,由于POI数据字段中的类型种类过多,需要所有的POI进行归类,在参照2012年新版《城市用地分类与规划建设用地标准》(标准号GB50137-2011)之后,将POI划分为7类:商业娱乐、交通管理、商务办公、公共服务、住宅住宿、教育、旅游。
进一步,在步骤S5中,在交通流预测中,在对真实的路网进行建模时往往采用无向图,路网所对应的邻接矩阵为对称矩阵。由于轨道交通网络与道路网络的特性不同,在构造邻接矩阵时不能选择抽取真实轨道交通网络作为邻接图,因此在本发明中,所述进行模型搭建采用基于站点客流转移矩阵的邻接矩阵构造方法。
本发明的有益效果在于:本发明针对现有技术中存在的问题,提出一种考虑动态时空相关性的轨道交通客流预测方法,该方法在通过时空注意力机制学习轨道交通客流中的动态时空相关性后,运用图卷积网络GCN和一维卷积网络CNN分别学习轨道交通网络客流的空间特性以及时间特性,再通过全连接网络提取外部特征,进行加权融合之后得到预测结果,从而实现对轨道交通客流的精确预测。本发明提供的方法具有很好的应用前景,能显著提升轨道交通管理调度的效率和精确度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明的总体模型框架图;
图2为本发明的总体客流预测图;
图3为站点周围的POI数据表。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
图1为本发明的总体模型框架图,如图所示,本发明提供了一种考虑时空相关性的轨道客流预测方法,该模型由四个组件组成,前三个组件分别对近邻依赖、日周期依赖、周周期依赖三个时间特性进行建模,第四个组件对天气、地理信息等外部特征进行建模。具体步骤包括:
步骤1:运用时空注意力机制学习动态时空相关性。在引入空间注意力机制以及时间注意力机制后,将二者合并成时空注意模块,该模块使得网络可以自动将有价值的信息赋予更多的关注,经过注意力机制调整的输入被输入到时空特征网络模块中,时空特征网络模块包含下文将要论述的一个在空间维度上的图卷积,以及一个在时间维度上的卷积。图卷积主要用于获取领域中获取空间相关性,卷积主要用于获取相邻时间的时间相关性。
步骤2:运用图卷积网络GCN提取空间特征。根据卷积定理,即函数卷积的傅里叶变换是函数傅立叶变换的乘积,图卷积是一种卷积运算,可以通过使用在傅里叶域中对角化的线性算子来代替经典的卷积算子来实现。因此信号x在图G上通过卷积核gθ来滤波:
gθ*Gx=gθ(UΛUT)x=Ugθ(Λ)UTx
youtput=σ(gθ*Gx)
其中*G代表在图上的卷积操作。但是由于在进行神经网络的前向传播时都要进行矩阵分解计算U、Λ、UT,当图G的规模特别大时,计算代价非常高。因此本发明使用切比雪夫多项式来近似代替卷积核,公式如下:
其中βk多项式系数向量,重新缩放的特征值对角矩阵,λmax是拉普拉斯矩阵的最大特征值,Tk(·)是k阶切比雪夫多项式,其递归计算公式如下:
利用切比雪夫多项式的近似展开式求解该公式,相当于利用卷积核gθ提取以网络中每个节点为中心的周围0到K-1阶邻域的信息。图卷积模块的激活函数σ使用整流线性单元(ReLU)。为了动态调整节点间的联系性,将切比雪夫多项式的每一项与空间注意力矩阵S’进行组合,再将上述定义推广到带有时间注意力的多通道图信号此时图卷积公式为:
步骤3:运用一维卷积CNN提取时间特征。在图卷积操作后,已经在空间维度上捕获了图中每个节点的相邻信息,之后需要在时间维度上再堆叠一个标准卷积层,通过该卷积层合并相邻时间片的信息更新节点的信号。某个组件的第r层的时空卷积如下:
其中*代表卷积操作,Φ是时间维卷积核的参数,时间维度的激活函数为ReLU。带有时空注意机制的时空卷积模块简称为时空块,多个时空块以残差方式连接,最终成为一个组件。最后再用一个全连接网络提取外部特征,将输出进行加权融合后产生预测结果,从而显著提升轨道交通管理调度的效率和精确度。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种考虑动态时空相关性的轨道交通客流预测方法,其特征在于:该方法具体包括以下步骤:
S1:定义考虑动态时空相关性的轨道交通客流预测模型;
S2:引入空间注意力机制,学习轨道交通客流中的动态空间相关性;
S3:引入时间注意力机制,学习轨道交通客流中的动态时间相关性;
S4:进行全连接网络的外部特征提取;
S5:进行模型搭建,实现对轨道交通客流的预测;
在步骤S1中,具体包括:
首先定义一个轨道交通网络图G=(V,E,A),其中V表示轨道站点集合,V={v1,...,vn},E表示图中连接两个轨道站点的边,A表示邻接矩阵;令表示车站i第t时段的c个属性的值,这里的c为进站客流量、出站客流量、工作日与日期编码、天气编码和电子地图兴趣点POI编码,/>表示所有车站在t时刻的所有属性值,表示所有车站在t时刻的客流量;短时客流预测问题被定义为求解一个函数f,能够得到所有车站I未来第t+1到t+Δ时段的客流预测值在步骤S2中,引入空间注意力机制具体包括:
分别定义查询向量Q,键向量K,其公式计算分别为,Query=xTWq,Key=xWk1Wk2,其中x∈RN×C×T,xT∈RN×T×C,为输入,Wk1∈RC×T,Wk2∈RT,Wq∈RC为训练学习的权重矩阵;空间注意力矩阵S的计算公式为:
S=Vs·σ((KeyQueryT)+BS),VS,BS∈RN×N是学习的权重矩阵,σ是激活函数,S∈RN×N为站点间相关程度评分矩阵,Si,j表示站点j对于站点i的相关程度评分,关联度越高,评分就越高;
使用SoftMax函数对空间注意力评分矩阵按列进行归一化,确保每个节点的总的注意力权重为1,在后续进行图卷积时,使用空间注意力矩阵S'与邻接矩阵A来动态调整节点间的互相影响权重;
在步骤S3中,引入时间注意力机制具体包括:
分别定义查询向量Q,键向量K,其公式计算分别为,Query=Wqx,Key=xTWk1Wk2,其中x∈RN×C×T,xT∈RT×C×N,为输入,Wk1∈RN,Wk2∈RC×N,Wq∈RC为训练学习的权重矩阵;时间注意力矩阵E的计算公式为:E=Ve·σ((KeyTQuery)+Be)
Ve,Be∈RT×T是学习的权重矩阵,σ是激活函数,E∈RT×T为时间片之间关联程度评分矩阵,Ei,j表示时间片j对于时间片i的关联程度评分,关联度越高,评分就越高;
使用SoftMax函数对时间注意力评分矩阵按列进行归一化,确保每个时间片点的总的注意力权重为1;将归一化后的时间注意力矩阵S'与输入x相乘得到通过合并相关信息动态调整输入;
在步骤S4中,进行外部特征提取包括:使用百度地图API获取某一地区的电子地图兴趣点POI数据,数据包括餐饮、旅游景点、公共设施、交通设施、购物、教育、金融、商务住宅、生活服务、体育、医疗、政府办公、住宿服务13个大类;
在步骤S5中,进行模型搭建采用基于站点客流转移矩阵的邻接矩阵构造方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646415.6A CN113298314B (zh) | 2021-06-10 | 2021-06-10 | 一种考虑动态时空相关性的轨道交通客流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110646415.6A CN113298314B (zh) | 2021-06-10 | 2021-06-10 | 一种考虑动态时空相关性的轨道交通客流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298314A CN113298314A (zh) | 2021-08-24 |
CN113298314B true CN113298314B (zh) | 2023-09-01 |
Family
ID=77327778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110646415.6A Active CN113298314B (zh) | 2021-06-10 | 2021-06-10 | 一种考虑动态时空相关性的轨道交通客流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298314B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529081B (zh) * | 2022-02-18 | 2024-06-11 | 哈尔滨工程大学 | 一种时空联合的交通流量预测方法及装置 |
CN114519469B (zh) * | 2022-02-22 | 2024-05-31 | 重庆大学 | 一种基于Transformer框架的多变量长序列时间序列预测模型的构建方法 |
CN117591919B (zh) * | 2024-01-17 | 2024-03-26 | 北京工业大学 | 客流预测方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667092A (zh) * | 2020-04-21 | 2020-09-15 | 北京交通大学 | 基于图卷积神经网络的轨道交通短时客流预测方法和系统 |
CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
CN112801355A (zh) * | 2021-01-20 | 2021-05-14 | 南京航空航天大学 | 基于长短期时空数据多图融合时空注意力的数据预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346621B2 (en) * | 2013-05-23 | 2019-07-09 | yTrre, Inc. | End-to-end situation aware operations solution for customer experience centric businesses |
WO2020148680A1 (en) * | 2019-01-15 | 2020-07-23 | Aptiv Technologies Limited | Utilizing passenger attention data captured in vehicles for localization and location-based services |
-
2021
- 2021-06-10 CN CN202110646415.6A patent/CN113298314B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667092A (zh) * | 2020-04-21 | 2020-09-15 | 北京交通大学 | 基于图卷积神经网络的轨道交通短时客流预测方法和系统 |
CN112801355A (zh) * | 2021-01-20 | 2021-05-14 | 南京航空航天大学 | 基于长短期时空数据多图融合时空注意力的数据预测方法 |
CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113298314A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298314B (zh) | 一种考虑动态时空相关性的轨道交通客流预测方法 | |
CN107247938B (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
Beiró et al. | Predicting human mobility through the assimilation of social media traces into mobility models | |
CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN105045858B (zh) | 基于投票的出租车载客点推荐方法 | |
CN104699818B (zh) | 一种多源异构的多属性poi融合方法 | |
CN110322064B (zh) | 城市出行需求预测方法 | |
CN104731962A (zh) | 一种社交网络中基于相似社团的好友推荐方法及系统 | |
Faro et al. | Evaluation of the traffic parameters in a metropolitan area by fusing visual perceptions and CNN processing of webcam images | |
CN113487066A (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
CN111931998B (zh) | 一种基于移动定位数据的个体出行模式预测方法及系统 | |
CN108717676A (zh) | 基于多数据融合的不同尺度下的职住空间评价方法及系统 | |
CN113380043B (zh) | 一种基于深度神经网络计算的公交到站时间预测方法 | |
CN112487724B (zh) | 基于分区和改进cnn-ca模型的城市动态扩张模拟方法 | |
Cai et al. | Discovery of urban functional regions based on Node2vec | |
CN117475638B (zh) | 基于多通道超图卷积网络的交通od客流预测方法及系统 | |
Gu et al. | A transportation network evolution model based on link prediction | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN114329240A (zh) | 选址特征筛选方法、装置、电子设备及存储介质 | |
US20240029556A1 (en) | Short-term traffic flow prediction method based on causal gated-low-pass graph convolutional network | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN113641749A (zh) | 一种基于二部图的人口流动网络估计方法及系统 | |
CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
Yongdong et al. | Analysis of road travel behaviour based on big trajectory data | |
CN110633890A (zh) | 一种土地利用效率判断方法和系统 |
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 |