CN113673780B - 一种基于深度集成学习的交通稀疏需求预测方法 - Google Patents
一种基于深度集成学习的交通稀疏需求预测方法 Download PDFInfo
- Publication number
- CN113673780B CN113673780B CN202111027632.3A CN202111027632A CN113673780B CN 113673780 B CN113673780 B CN 113673780B CN 202111027632 A CN202111027632 A CN 202111027632A CN 113673780 B CN113673780 B CN 113673780B
- Authority
- CN
- China
- Prior art keywords
- demand
- prediction
- convlstm
- traffic
- model
- 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 27
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims abstract description 12
- 238000005192 partition Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012358 sourcing 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
- G06Q10/04—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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- 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)
- Strategic Management (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)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度集成学习的交通稀疏需求预测方法，属于深度集成学习与交通稀疏需求预测的交叉技术应用领域。预测方法包括：采用六边形网格集计城市空间交通需求数据，通过设置最小需求阈值的方式获取不同稀疏度的欠采样子集；在各子集上训练相应的卷积长短期记忆交通需求预测子模型并识别各子模型的最优预测区间，进一步构建深度集成学习框架来融合各子模型的区间优点；对深度集成框架进行训练，并将训练好的模型用于实时预测。该方法融合了各稀疏条件下子模型的不同预测偏好，有效提升了在全体数据集上的预测精度。
Description
技术领域
本发明涉及一种基于深度集成学习的交通稀疏需求预测方法，属于深度集成学习与交通稀疏需求预测的交叉技术应用领域。
背景技术
基于互联网的约车服务作为一种新的出行方式实时地连接司机和乘客，近年来吸引了越来越多的随机出行需求。相比传统的出租车服务，乘客可以通过手机app提前预约下单，避免了等待巡游出租车的不确定性问题，使车辆的流动性和交通服务水平都得到了一定程度的提升。随着对海量用户订单数据和车辆轨迹数据的收集和分析，网约车服务智能化水平不断演变，提供更完善的个性化需求响应出行服务，正成为传统交通行业的一股颠覆性力量。更加精准的短时交通需求预测是提高网约车平台供需匹配效率的基础，对制定平台监管策略、优化调度方案和改善供需平衡都有着至关重要的作用。
交通出行行为具有高度的时空规律性，已有的大量研究都集中在对交通需求时空相关性的捕捉。这些方法将城市空间网格化，通过时空出行需求的历史信息，对未来时刻的需求进行预测。Ma等人[Ma,Z.,Xing,J.,Mesbah,M.,Ferreira,L.,2014.Predictingshort-term bus passenger demand using a pattern hybridapproach.Transp.Res.Part C Emerg.Technol.39,148–163.]提出了一种基于多模型的交互式模式混合(IMMPH)方法来预测公交短时出行需求，该方法通过组合多模型中的知识来最大化有效信息内容的获取。Zhang等人[Zhang,J.,Zheng,Y.,Qi,D.,Li,R.,Yi,X.,2016.DNN-based prediction model for spatio-temporal data,in:Proceedings ofthe 24th ACM SIGSPATIAL International Conference on Advances in GeographicInformation Systems-GIS’16.ACM Press,New York,New York,USA,pp.1–4.]将卷积神经网络(CNN)应用于一个深度时空预测模型，来实时预测交通流。Ke等人[Ke,J.,Yang,H.,Zheng,H.,Chen,X.,Jia,Y.,Gong,P.,Ye,J.,2019.Hexagon-Based Convolutional NeuralNetwork for Supply-Demand Forecasting of Ride-Sourcing Services.IEEETrans.Intell.Transp.Syst.20,4160–4173.]在网约车交通需求预测中应用六边形的分区形式，更好地聚集了具有相似出行时空特征的需求。现有预测方法通常将部分稀疏需求的时空间样本看作噪声并删除，从而提高模型的整体预测精度，虽然这些方法在需求密集的中心城区具有良好的预测精度，但是，对于随机性大扰动性强、尤其是需求稀疏区域的需求估计问题，现有方法往往无法提供预测值或者精度很低。
现有的方法或发明的缺陷：1)现有方法在基本时空单元的选择上集中于正方形分区，对六边形分区下交通需求预测模型的设计有待于进一步的分析和探讨；2)由于时空分布的异质性和时空网格尺度划分的主观随机性，交通需求预测存在着复杂的稀疏不确定性问题；3)现有交通需求预测算法为提高预测性能通常会设置最小交通需求阈值，人为删除了部分稀疏需求的样本，不同阈值对应的欠采样数据集具有不同的需求分布特征，由于预测结果的精度分布与数据集样本数量分布呈显著正相关关系，最小需求阈值设置的主观随意性导致模型预测结果不稳定；4)不同的最小需求阈值设置使得相应的预测模型仅能对部分时空区间进行有效预测，无法在全样本(全体)数据集上获得良好的预测表现。
基于上述的交通需求预测方法的不足，本发明构建了基于装袋算法的深度集成学习框架，弥补了传统方法中稀疏需求预测的缺失问题，提高了全样本预测精度。通过设置多个最小需求阈值的方式获取全体交通需求的不同稀疏度的欠采样子集，在各子集上训练相应的基于六边形分区的卷积长短期记忆交通需求预测子模型，并识别各子模型的最优预测区间，进一步基于装袋算法构建深度集成学习框架来融合各子模型的预测区间优势，使得模型在保证中心城区需求预测精度的同时，兼顾偏远郊区的稀疏需求预测精度，进一步改善城市网约车出行覆盖范围内的车辆调度智能化水平。
发明内容
本发明提出了多级最小需求阈值的方法对全体交通需求进行欠采样，进而获取不同稀疏度的欠采样子集；构建基于六边形分区的卷积长短期记忆交通需求预测模型，在各子集上训练子模型，并识别出相应的最优预测区间；基于装袋算法构建深度集成学习框架来融合各子模型的预测区间优势，并用训练好的集成模型对全体区域的短时需求量进行预测。
本发明的技术方案：
一种基于深度集成学习的交通稀疏需求预测方法，步骤如下：
(1)多采用六边形网格集计交通需求数据，并获取不同稀疏度的欠采样子集
依据用地规模的大小将城市划分为统一的I个六边形网格分区(边长500～2000m)，依据交通需求规模的大小将全天划分为均匀的T个时间段(15～120min)，来集计不同区域不同时间段的网约车订单。因此，每个分区的交通需求
可以定义为六边形分区i在时间段t处产生的网约车订单量，全体交通需求数据集可表示为
通过设置不同最小需求阈值sh1,…shn的方式获取全体交通需求数据集Sall的多个欠采样子集S1,…Sn，其中Sn表示Sall中删除需求值小于shn的剩余部分数据集。
交通需求具有显著的时空相关性，在空间上以六边形分区i为中心，选择其最邻近两圈共同组成的六边形分区在时间段t的整体需求集合
作为六边形分区i在时间段t的交通需求
的局部空间特征，在时间上进一步选择
的前h个历史时间段的空间特征
作为输入，来共同预测六边形分区i在时间段t+1的交通需求
对各个数据集分别将各个时空单元
对应的历史时空特征
作为输入，未来时间段t+1的实际交通需求
作为输出，并按比例划分训练集和测试集。
(2)构建深度集成学习框架进行稀疏需求预测
构建深度集成学习框架主要包括两个部分：建立基于六边形分区的卷积长短期记忆回归模型，并在各欠采样子集上训练出相应的回归子模型ConvLSTM1,…ConvLSTMn；基于装袋算法集成各子模型的预测区间偏好；具体如下：
(2.1)建立基于六边形分区的卷积长短期记忆回归模型，并在各欠采样子集上训练出相应的回归子模型ConvLSTM1,…ConvLSTMn
卷积长短期记忆模型ConvLSTM作为长短期记忆模型LSTM的变体，在状态传递的过程中采用卷积计算代替矩阵乘法，将输入端数据从一维向量拓展为三维张量，用后两维融合交通需求的空间经纬度关系，使得模型在捕获时间特征的同时兼具捕获空间特征的能力。对各欠采样子集S1,…Sn采用相同的卷积长短期记忆模型配置结构来训练各自对应的回归子模型ConvLSTM1,…ConvLSTMn，包括具有q个隐藏态的多层(3～6层)ConvLSTM层。各层之间采用基于六边形的卷积计算，卷积核按步长为1的顺序遍历ConvLSTM层的每个六边形单元，边界位置进行补零操作，卷积核以一个六边形为中心，包含其最邻近一圈的六个六边形。最后通过连接全连接层输出各子模型的预测结果。选择均方根误差(RMSE)和对称平均绝对百分比误差(SMAPE)的加权和作为误差损失函数进行反馈计算。
(2.2)基于装袋算法集成各子模型的预测区间偏好
不同的最小需求阈值设置导致S1,…Sn有着不同数据分布特征，相应训练出的子模型ConvLSTM1,…ConvLSTMn在全体交通需求数据集Sall上有着各自的预测分布特征和相应的最优预测区间。因此，可将Sall中的交通需求
按大小分为连续的n+1个需求区间段D1,…Dn+1，其中前n个区间段D1,…Dn代表n个子模型的最优预测区间。分别选择SMAPE和RMSE作为预测模型的评估指标，则可生成两组最优区间需求边界点
和
取平均后(如
)为最终的最优预测区间边界点D1,2,…Dn,n+1。
采用独热编码将Sall中的各需求值
按D1,…Dn+1区间归属编码为n+1个类别。建立ConvLSTM分类模型，模型输入端同样为
的前h个历史时间段的空间特征
输出端为六边形分区i在时间段t+1的潜在交通需求区间类别
ConvLSTM分类模型包括具有q个隐藏态的多层(3～6层)ConvLSTM层，各层之间采用基于六边形的卷积计算，卷积核以六边形为中心，包含其最邻近一圈的六个六边形，最后通过连接全连接层输出最终的预测区间类别。选择在预测区间
上表现最优的回归子模型ConvLSTMj来预测该时空单元在t+1时间段的最终交通需求
(3)根据历史数据训练深度集成学习框架，并进行动态短时需求预测
在全体数据集Sall上训练ConvLSTM分类模型识别潜在需求区间，并在不同稀疏度的欠采样子集训练好的回归子模型ConvLSTM1,…ConvLSTMn中，选择在预测区间表现最优子模型进行未来时刻交通需求预测。
将训练好的深度集成学习框架应用于实时交通需求数据，提高稀疏性交通需求预测问题的性能。
本发明的有益效果：
本发明首先在卷积长短期记忆模型中进行基于六边形的卷积计算，减少了前馈传播中的空间拓扑损失；其次，通过设置多级最小需求阈值，比较了不同稀疏出行需求条件下的预测结果差异，明确各稀疏出行需求条件相应的最优预测区间；最后，建立了深度集成学习框架来融合各稀疏条件下子模型最优预测区间的差异化特征，使得模型在保证中心城区需求预测精度的同时，兼顾偏远郊区的稀疏需求预测，进一步改善城市网约出行覆盖全体范围内的车辆优化调度。
附图说明
图1为不同最小需求阈值设置下交通需求空间覆盖范围图；
图2为两层局部邻域六边形分区图；
图3为基于六边形分区的ConvLSTM模型结构示意图；
图4为卷积核尺寸为1的六边形卷积计算示意图；
图5(a)和图5(b)为不同阈值下各子模型预测结果分布示意图；
图6为深度集成学习框架示意图；
图7(a)和图7(b)为深度集成学习框架的预测结果分布示意图；
图8为本发明的流程示意图。
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。
本发明的基本流程如图8所示。
首先，以成都市某月所有网约车订单数据为例，将城市划分为35*46个边长800米的六边形分区，以30分钟为时间间隔聚合不同时空分区的网约车需求。因此，交通需求
可以定义为六边形分区i在时间段t处产生的网约车订单量。对全体需求数据集Sall，在1到32之间按2倍步长设置不同的最小需求阈值，获取相应的欠采样子集S1,…S32，其中S2表示Sall中删除需求值小于2的剩余数据集。设置的最小需求阈值越大，相应的欠采样需求数据集的空间覆盖范围越小，且通常集中于中心城区，如图1所示是一个三层欠采样子集的例子。
交通需求具有显著的时空相关性，在空间上以六边形分区i为中心，选择其最邻近的两圈共同组成的19个六边形分区在时间段t的整体需求集合
作为六边形分区i在时间段t的交通需求
的局部领域分区空间特征，如图2所示；在时间上进一步选择前8个历史时间段的空间特征
作为输入，来共同预测六边形分区i在时间段t+1的交通需求
对各个数据集分别将各个时空单元
对应的历史时空特征
作为输入，未来时间段t+1的实际交通需求
作为输出，并按比例划分训练集和测试集。
在构建深度集成学习框架过程中各欠采样回归子模型结构如图3所示，采用相同的结构配置形式，包括具有8，16，32，32个隐藏态的4层ConvLSTM层，各层之间采用如图4所示的卷积核尺寸为1的六边形卷积计算，卷积核按步长为1的顺序遍历ConvLSTM层的每个六边形单元，边界位置进行补零操作。最后通过连接全连接层输出各子模型的预测结果。选择均方根误差(RMSE)和对称平均绝对百分比误差(SMAPE)的加权和作为误差损失函数进行反馈计算。
不同的最小需求阈值设置导致S1,…Sn有着不同的稀疏性和数据分布特征，相应训练出的回归子模型ConvLSTM1,…ConvLSTMn在全体交通需求数据集Sall上有着各自的预测分布特征和相应的最优预测区间如图5(a)和图5(b)所示。因此，可将交通需求按大小分为连续的7个需求区间段D1,…D7，其中前6个区间段D1,…D6代表6个子模型的最优预测区间。分别选择SMAPE和RMSE作为预测模型的评估指标，则可生成两组最优区间需求边界点
和
取平均后为最终的最优预测区间边界点D1,2,…D6,7，如表1所示。
表1确定最优区间边界点
采用独热编码将Sall中的各需求值按D1,…D7区间归属编码为7个类别。建立ConvLSTM分类模型，模型输入端同样为前8个历史时间段的空间特征
输出为六边形分区i在时间段t+1的预测交通需求区间类别
模型包括具有8，16，32，32个隐藏态的4层ConvLSTM层，各层之间采用如图4所示的卷积核尺寸为1的六边形卷积计算，最后通过连接全连接层输出最终的预测区间类别。选择在预测区间
上表现最好的回归子模型ConvLSTMj来预测该时空单元的在t+1时间段的最终交通需求
在全体数据集Sall上训练ConvLSTM分类模型识别预测需求区间，并在不同稀疏度的欠采样子集训练好的回归子模型ConvLSTM1,…ConvLSTMn中，选择在预测区间表现最优子模型进行未来时刻需求预测，深度集成模型框架如图6所示。
将训练好的深度集成学习框架应用于测试集进行测试结果如图7(a)和图7(b)所示，本发明的深度集成学习框架在稀疏需求值和非稀疏需求值处均取得了良好的预测效果，与各回归子模型相比模型的整体预测性能均有不同程度的提升。
Claims (2)
1.一种基于深度集成学习的交通稀疏需求预测方法，其特征在于，步骤如下：
(1)采用六边形网格集计交通需求数据，并获取不同稀疏度的欠采样子集
依据用地规模的大小将城市划分为统一的I个六边形网格分区，依据交通需求规模的大小将全天划分为均匀的T个时间段，来集计不同区域不同时间段的网约车订单；每个分区的交通需求
定义为六边形分区i在时间段t处产生的网约车订单量，全体交通需求数据集表示为
通过设置不同最小需求阈值sh1，...shn的方式获取全体交通需求数据集Sall的多个欠采样子集S1，...Sn，其中Sn表示Sall中删除需求值小于shn的子集后的剩余部分数据集；
交通需求具有时空相关性，在空间上以六边形分区i为中心，选择与其最邻近的两圈共同组成的六边形分区在时间段t的整体需求集合
作为六边形分区i在时间段t的交通需求
的局部空间特征，在时间上选择
的前h个历史时间段的空间特征
作为输入，来共同预测六边形分区i在时间段t+1的交通需求
对各个数据集分别将各个交通需求
对应的历史时空特征
作为输入，未来时间段t+1的实际交通需求
作为输出，并按比例划分训练集和测试集；
(2)构建深度集成学习框架进行稀疏需求预测
(2.1)建立基于六边形分区的卷积长短期记忆回归模型，并在各欠采样子集上训练出相应的回归子模型ConvLSTM1，...ConvLSTMn；具体如下：
卷积长短期记忆模型ConvLSTM作为长短期记忆模型LSTM的变体，在状态传递的过程中采用卷积计算代替矩阵乘法，将输入端数据从一维向量拓展为三维张量，用后两维融合交通需求的空间经纬度关系，使得模型在捕获时间特征的同时兼具捕获空间特征的能力；对各欠采样子集S1，...Sn采用相同的卷积长短期记忆模型配置结构来训练各自对应的回归子模型ConvLSTM1，...ConvLSTMn，包括具有q个隐藏态的多层ConvLSTM层；各层之间采用基于六边形的卷积计算，卷积核按步长为1遍历ConvLSTM层的每个六边形单元，边界位置进行补零操作，卷积核以一个六边形为中心，包含其最邻近一圈的六个六边形；最后通过连接全连接层输出各子模型的预测结果；选择均方根误差RMSE和对称平均绝对百分比误差SMAPE的加权和作为误差损失函数进行反馈计算；
(2.2)基于装袋算法集成各子模型的预测区间偏好；具体如下：
不同的最小需求阈值设置导致S1，...Sn有着不同数据分布特征，相应训练出的子模型ConvLSTM1，...ConvLSTMn在全体交通需求数据集Sall上有着各自的预测分布特征和相应的最优预测区间；因此，将Sall中的交通需求
按大小分为连续的n+1个需求区间段D1，...Dn+1，其中前n个区间段D1，...Dn代表n个子模型的最优预测区间；分别选择SMAPE和RMSE作为预测模型的评估指标，生成两组最优区间需求边界点
和
取平均后为最终的最优预测区间边界点D1，2，...Dn，n+1；
采用独热编码将Sall中的各需求值
按D1，...Dn+1区间归属编码为n+1个类别；建立ConvLSTM分类模型，模型输入端同样为
的前h个历史时间段的空间特征
输出端为六边形分区i在时间段t+1的潜在交通需求区间类别
ConvLSTM分类模型包括具有q个隐藏态的多层ConvLSTM层，各层之间采用基于六边形的卷积计算，卷积核以六边形为中心，包含其最邻近一圈的六个六边形，最后通过连接全连接层输出最终的预测区间类别；选择在预测区间
上表现最优的回归子模型ConvLSTMj来预测该交通需求在t+1时间段的最终交通需求
(3)根据历史数据训练深度集成学习框架，并进行动态短时需求预测
在全体数据集Sall上训练ConvLSTM分类模型识别潜在需求区间，并在不同稀疏度的欠采样子集训练好的回归子模型ConvLSTM1，...ConvLSTMn中，选择在预测区间表现最优子模型进行未来时刻交通需求预测。
2.根据权利要求1所述的一种基于深度集成学习的交通稀疏需求预测方法，其特征在于，六边形网格分区的边长为500～2000m；依据交通需求规模的大小将全天划分为均匀的T个时间段，每个时间段的时长为15～120min；多层ConvLSTM层的层数为3～6层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111027632.3A CN113673780B (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度集成学习的交通稀疏需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111027632.3A CN113673780B (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度集成学习的交通稀疏需求预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113673780A CN113673780A (zh) | 2021-11-19 |
| CN113673780B true CN113673780B (zh) | 2022-09-06 |
Family
ID=78548141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111027632.3A Active CN113673780B (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度集成学习的交通稀疏需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673780B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599767A (zh) * | 2019-09-04 | 2019-12-20 | 广东工业大学 | 一种基于网约车出行需求的长短期预测方法 |
| CN110633871A (zh) * | 2019-09-25 | 2019-12-31 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
| CN112613630A (zh) * | 2021-01-05 | 2021-04-06 | 大连理工大学 | 一种融合多尺度时空统计信息的短时交通需求预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103758B (zh) * | 2017-06-08 | 2019-06-21 | 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 |
| CN111915081B (zh) * | 2020-08-03 | 2023-10-17 | 东北大学秦皇岛分校 | 一种基于深度学习的峰值敏感型出行需求预测方法 |
-
2021
- 2021-09-02 CN CN202111027632.3A patent/CN113673780B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599767A (zh) * | 2019-09-04 | 2019-12-20 | 广东工业大学 | 一种基于网约车出行需求的长短期预测方法 |
| CN110633871A (zh) * | 2019-09-25 | 2019-12-31 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
| CN112613630A (zh) * | 2021-01-05 | 2021-04-06 | 大连理工大学 | 一种融合多尺度时空统计信息的短时交通需求预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113673780A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
| 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 | |
| CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
| CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
| Fan et al. | Predicting vacant parking space availability: a long short-term memory approach | |
| Tang et al. | Online operations of automated electric taxi fleets: An advisor-student reinforcement learning framework | |
| CN104916124B (zh) | 基于马尔可夫模型的公共自行车系统调控方法 | |
| Chen et al. | ASC: Actuation system for city-wide crowdsensing with ride-sharing vehicular platform | |
| CN113780665B (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 | |
| CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
| CN114529081A (zh) | 一种时空联合的交通流量预测方法及装置 | |
| CN116824861B (zh) | 基于城市大脑平台多维数据的共享单车调度方法和系统 | |
| CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
| Shen et al. | Prediction of entering percentage into expressway service areas based on wavelet neural networks and genetic algorithms | |
| CN113033110A (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
| CN111126799A (zh) | 基于二分图的共享网络司乘匹配方法 | |
| Liu et al. | Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing | |
| CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
| CN116050742A (zh) | 一种共享车辆运维人员智能调度配置方法及系统 | |
| CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
| 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 | |
| Ma et al. | Short-term traffic flow prediction based on genetic artificial neural network and exponential smoothing | |
| Shi et al. | Load Forecasting of Electric Vehicle Charging Stations: Attention Based Spatiotemporal Multi-Graph Convolutional Networks | |
| CN113673780B (zh) | 一种基于深度集成学习的交通稀疏需求预测方法 | |
| Li et al. | Short-term traffic demand prediction using graph convolutional neural networks |
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 |