CN113947182A - 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 - Google Patents
基于双阶段堆叠图卷积网络的交通流预测模型构建方法 Download PDFInfo
- Publication number
- CN113947182A CN113947182A CN202111122829.5A CN202111122829A CN113947182A CN 113947182 A CN113947182 A CN 113947182A CN 202111122829 A CN202111122829 A CN 202111122829A CN 113947182 A CN113947182 A CN 113947182A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- time
- convolution network
- prediction 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Abstract
本发明公开了基于双阶段堆叠图卷积网络的交通流预测模型构建方法,包括以下步骤:首先对原始交通数据进行预处理,然后建立基于双阶段堆叠图卷积网络的交通流预测模型构建方法EDGCN,编码器和解码器两个阶段都使用时空图卷积网络EDGCN,时空图卷积网络EDGCN里面包括一个门控递归单元GRU和两个AGCN,而AGCN主要由图卷积网络GCN、门控线性单元GTU及注意力机制构成;最后,使用预处理好的数据训练所建立的交通流多步预测模型,并调整模型中的参数以获得最优的交通流多步预测效果;实验结果验证了模型在交通流多步预测任务上的有效性,并为使用深度学习解决多步预测任务提供新的思路和方法。
Description
技术领域
本发明属于人工智能交通领域,具体涉及基于双阶段堆叠图卷积网络的交通流预测模型构建方法。
背景技术
交通流预测是智能交通系统(ITS)发展的核心技术之一,将交通流预测用于交通诱导,可以达到交通分流、缓解交通拥堵的效果,所以如何得到精准的预测信息成为智能交通系统的关键一步;
有关交通量预测的研究通常利用历史交通流数据建立模型,主要分为统计模型和人工智能模型。而基于统计模型的方法虽简单效率高,但不适用于非线性、交通情况复杂的现代路网预测。现在大部分学者都将交通流预测重心放在人工智能模型上,且不只考虑周期性等,而将时空相关性看成重点关注特性。但由于交通路况随机多变,天气状况也未知,加之节假日旅游业的发展,人流量、车流量更复杂,对于如此多影响因素及大规模交通数据,难以捕获时空特征,所得到的多步预测结果不够精确,不利于交通管理部门对交通的宏观调控。
发明内容
本发明的目的是提供基于双阶段堆叠图卷积网络的交通流预测模型构建方法,解决了现有模型难以捕获时空依赖特征,多步交通流预测精度低的问题。
本发明所采用的技术方案是,基于双阶段堆叠图卷积网络的交通流预测模型构建方法,具体按以下步骤实施:
步骤1,构建邻接矩阵;
步骤2,对原始数据进行预处理;
步骤3,将预处理后的数据进行划分;
步骤4,将经步骤2和步骤3处理好的数据输入预测模型中;
步骤5,训练预测模型。
本发明的特点还在于:
其中步骤1中构建邻接矩阵A,邻接矩阵中的元A[i][j]存放的是顶点i到顶点j之间关系的信息,如式(1):
其中步骤2中数据预处理具体包括:建模之前对数据进行最小-最大标准化方法,通过线性变化将值进行调整,如式(2):
式中,xmax和xmin分别为全部路段交通数据中的最大值和最小值,x为一条路段在一个时间段的交通流,x′为标准化后的交通流;
其中步骤3中数据划分具体包括:将标准化之后的整体交通流数据划分为M*n*k的时空候选节点,其中n为历史时间序列个数,k=N-n+1为数据的个数,N为整体时间片序列,M为检测点个数;
其中步骤4中预测模型包括编码器和解码器,双阶段均使用时空图卷积网络EDGCN;时空图卷积网络EDGCN包括一个门控递归单元GRU和两个AGCN,AGCN主要由图卷积网络GCN、门控线性单元GTU及注意力机制构成;
其中步骤4具体按以下步骤实施:
步骤4.1,设输入的交通流序列的预测目标分布表示为X={xt-i,xt-i+1,...,xt-1},将历史时间序列数据输入到编码器部分,如下式:
将每个时间窗口的时序输入数据X以及上一个时间步的隐藏状态ht-1输入到门控递归单元(GRU)中,其隐藏层神经元个数设置为64,选取tanh作为激活函数,捕获时间特征得到Xl;
将经过GRU得到的结果输入到AGCN中,在AGCN模块中,首先将门控线性单元GTU与图卷积网络相结合,捕获时空依赖,如式(4)所示:
将门控线性单元(GTU)与图卷积网络(GCN)相结合后输出的信息,输入到注意力机制当中,计算权重给不同输入信息以不同的关注度,如下所示:
ei=W*f(X,A)+b (5)
式中,W为权重,f(X,A)为GTU和GCN结合后的输出,b为偏置值,αi为注意力分布,xi为输入时间序列;
步骤4.2,解码器选用和编码器部分相同,通过之前编码器得到了隐藏层状态和上下文向量,以及上一时刻目标序列共同输入到解码器中,如式(8)所示:
st=EDGCNdec(Yt-1,ht) (8)
式中,Yt-1上一时刻目标序列,ht为编码器的输出,st为解码器的隐藏状态输出,dec代表编码器;
步骤4.3,对解码器的隐藏状态输出st进行连接计算,通过一个全连接网络层计算,最后进行反归一化,作为预测输出Yt′,如式(9)所示:
Y′t=δ(Wc*st) (9);
st为解码器的隐藏状态输出,Wc为权重,δ是sigmoid激活函数;
其中步骤5具体按以下步骤实施:使用全部数据的80%做训练集,其余数据作为测试集,模型采用L2正则化防止过拟合,优化算法使用的是梯度下降算法Adam算法,最后通过RMSE、ACC、MAE指标评估模型预测效果,并分别将高斯噪声服从N∈(0,δ2)(δ∈0.2,0.4,0.6,0.8,1)和泊松噪声服从P(λ)(λ∈1,2,14,8,16)添加到数据中用于测试模型稳健性的数据。
本发明的有益效果是:
本发明提出了一种基于双阶段堆叠图卷积网络的交通流预测模型(EDGCN);时空图卷积网络EDGCN包括一个门控递归单元GRU和两个AGCN,AGCN主要由图卷积网络GCN、门控线性单元GTU及注意力机制构成,模型使用卷积层提取交通流空间特征,再经过门控线性单元简化梯度传播,之后利用注意力机制引入权重向量,对时间序列输入的信息进行加权变换,关注输入信息的重点因子,最后使用几种近年来常用交通流预测模型方法与本发明做对比,结果表明,本发明模型相比与其他模型预测效果更佳,精度更高,精确度至少提升2.5%。
附图说明
图1是本发明的基于双阶段堆叠图卷积网络的交通流预测模型构建方法的流程示意图;
图2是本发明的基于双阶段堆叠图卷积网络的交通流预测模型构建方法的模型整体架构图;
图3是本发明的基于双阶段堆叠图卷积网络的交通流预测模型构建方法中某监测点5min、10min、15min的预测对比图。
具体实施方式
下面结合具体实施方式和附图对本发明进行详细说明。
本发明提供了基于双阶段堆叠图卷积网络的交通流预测模型构建方法,如图1所示,具体按以下步骤实施:
步骤1,构建邻接矩阵A,邻接矩阵中的元A[i][j]存放的是顶点i到顶点j之间关系的信息,如式(1):
也就是说,如果两节点相连,则邻接矩阵中对应的元素为1,否则为0;
步骤2,建模之前对数据进行最小-最大标准化方法,通过线性变化将值进行调整,如式(2):
式中,xmax和xmin分别为全部路段交通数据中的最大值和最小值,x为一条路段在一个时间段的交通流,x′为标准化后的交通流;
步骤3,将整体交通流数据进行划分,由于数据集是一个二维数据样式(整体时间片序列N,检测点个数M),本发明需要使用前几个历史时间片的流量数据预测后几段时间片的车流量数据,所以将标准化之后的整体交通流数据划分为M*n*k的时空候选节点,其中n(本文使用的pems08数据集中一个时间片5分钟)为历史时间序列个数,k=N-n+1为数据的个数;
步骤4,将处理好的数据输入预测模型中,模型主要包括2个部分:编码器和解码器,双阶段都使用时空图卷积网络(EDGCN);时空图卷积网络(EDGCN)里面包括一个门控递归单元(GRU)和两个AGCN,而AGCN主要由图卷积网络(GCN)、门控线性单元(GTU)及注意力机制构成;
模型的详细步骤如下:
步骤4.1,设输入的交通流序列的预测目标分布表示为X={xt-i,xt-i+1,...,xt-1},将历史时间序列数据输入到编码器部分:
将每个时间窗口的时序输入数据X以及上一个时间步的隐藏状态ht-1输入到门控递归单元(GRU)中,其隐藏层神经元个数设置为64,选取tanh作为激活函数,捕获时间特征得到Xl;
将经过GRU得到的结果输入到AGCN中,在AGCN模块中,首先将门控线性单元GTU与图卷积网络相结合,捕获时空依赖,如式(4)所示:
将门控线性单元(GTU)与图卷积网络(GCN)相结合后输出的信息,输入到注意力机制当中,计算权重给不同输入信息以不同的关注度,如下所示:
ei=W*f(X,A)+b (5)
式中,W为权重,f(X,A)为GTU和GCN结合后的输出,b为偏置值,αi为注意力分布,xi为输入时间序列;
步骤4.2,解码器选用和编码器部分相同,通过之前编码器得到了隐藏层状态和上下文向量,和上一时刻目标序列共同输入到解码器中,如式(8)所示:
st=EDGCNdec(Yt-1,ht) (8)
式中,Yt-1上一时刻目标序列,ht为编码器的输出,st为解码器的隐藏状态输出,dec代表解码器;
步骤4.3,对解码器的隐藏状态输出st进行连接计算,通过一个全连接网络层计算,最后进行反归一化,作为预测输出Yt′,如式(9)所示:
Y′t=δ(Wc*st) (9)
st为解码器的隐藏状态输出,Wc为权重,δ是sigmoid激活函数;
步骤5,进行模型的训练,使用全部数据的80%做训练集,其余数据作为测试集,模型采用L2正则化防止过拟合,优化算法使用的是梯度下降算法Adam算法,最后通过RMSE、ACC、MAE等指标评估模型预测效果,并分别将高斯噪声服从N∈(0,δ2)(δ∈0.2,0.4,0.6,0.8,1)和泊松噪声服从P(λ)(λ∈1,2,14,8,16)添加到数据中用于测试模型稳健性的数据。
如图1所示,是本发明的方法流程示意图,采用Python3.7.0、Tensorflow1.15.0、Pycharm、Windows10,对提出的预测方法进行仿真,最后对仿真结果进行分析。参数设置如表1所示:
表1模型参数设置
内容 | 数值 |
lr | 0.001 |
epoch | 1000 |
卷积核 | 64 |
batch_size | 32 |
优化函数 | Adam |
基于以上仿真条件,进行如下仿真场景:
实施例1
为了对比模型的性能,采用了均方根误差(RMSE),决定系数(R2),平均绝对误差(MAE),准确率(Accuracy)这四个指标进行比对,在未来15分钟时刻的单步预测中,PEMS08数据集的模型预测结果如表2所示,EDGCN模型在编解码结构的基础上,将内部的隐层信息又进行了抽取主要特征进行学习,对时空特征的变化更好的把握。从中可以看出,EDGCN模型的各项评估指标相比于其他模型得到了显著的提升。
表2在预测15min时不同模型之间的性能指标对比
实施例2
本发明利用PEMS08数据集的前6个时间段数据预测后3个时间段(一个时间段为5min),某监测点5min、10min、15min的预测对比图如图3所示,从图中可以看出模型整体的预测值与实际的波动趋势十分接近,说明模型较好的捕获时空依赖特征,虽然随着时间的逐步增长预测值与实际值的数据十分接近但差异缺逐渐变大,但是就总体来说差异变化对整体预测精度的影响微乎其微。
Claims (7)
1.基于双阶段堆叠图卷积网络的交通流预测模型构建方法,其特征在于,具体按以下步骤实施:
步骤1,构建邻接矩阵;
步骤2,对原始数据进行预处理;
步骤3,将预处理后的数据进行划分;
步骤4,将经步骤2和步骤3处理好的数据输入建立的预测模型中;
步骤5,训练预测模型。
4.根据权利要求1所述的基于双阶段堆叠图卷积网络的交通流预测模型构建方法,其特征在于,所述步骤3中数据划分具体包括:将标准化之后的整体交通流数据划分为M*n*k的时空候选节点,其中n为历史时间序列个数,k=N-n+1为数据的个数,N为整体时间片序列,M为检测点个数。
5.根据权利要求1所述的基于双阶段堆叠图卷积网络的交通流预测模型构建方法,其特征在于,所述步骤4中预测模型包括编码器和解码器,双阶段均使用时空图卷积网络EDGCN;时空图卷积网络EDGCN包括一个门控递归单元GRU和两个AGCN,AGCN主要由图卷积网络GCN、门控线性单元GTU及注意力机制构成。
6.根据权利要求5所述的基于双阶段堆叠图卷积网络的交通流预测模型构建方法,其特征在于,所述步骤4具体按以下步骤实施:
步骤4.1,设输入的交通流序列的预测目标分布表示为X={xt-i,xt-i+1,...,xt-1},将历史时间序列数据输入到编码器部分,如下式:
将每个时间窗口的时序输入数据X以及上一个时间步的隐藏状态ht-1输入到门控递归单元(GRU)中,其隐藏层神经元个数设置为64,选取tanh作为激活函数,捕获时间特征得到Xl;
将经过GRU得到的结果输入到AGCN中,在AGCN模块中,首先将门控线性单元GTU与图卷积网络相结合,捕获时空依赖,如式(4)所示:
将门控线性单元(GTU)与图卷积网络(GCN)相结合后输出的信息,输入到注意力机制当中,计算权重给不同输入信息以不同的关注度,如下所示:
ei=W*f(X,A)+b (5)
式中,W为权重,f(X,A)为GTU和GCN结合后的输出,b为偏置值,αi为注意力分布,xi为输入时间序列;
步骤4.2,解码器选用和编码器部分相同,通过之前编码器得到了隐藏层状态和上下文向量,以及上一时刻目标序列共同输入到解码器中,如式(8)所示:
st=EDGCNdec(Yt-1,ht) (8)
式中,Yt-1上一时刻目标序列,ht为编码器的输出,st为解码器的隐藏状态输出,dec代表解码器;
步骤4.3,对解码器的隐藏状态输出st进行连接计算,通过一个全连接网络层计算,最后进行反归一化,作为预测输出Yt′,如式(9)所示:
Yt′=δ(Wc*st) (9)。
st为解码器的隐藏状态输出,Wc为权重,δ是sigmoid激活函数。
7.根据权利要求5所述的基于双阶段堆叠图卷积网络的交通流预测模型构建方法,其特征在于,所述步骤5具体按以下步骤实施:使用全部数据的80%做训练集,其余数据作为测试集,模型采用L2正则化防止过拟合,优化算法使用的是梯度下降算法Adam算法,最后通过RMSE、ACC、MAE指标评估模型预测效果,并分别将高斯噪声服从N∈(0,δ2)(δ∈0.2,0.4,0.6,0.8,1)和泊松噪声服从P(λ)(λ∈1,2,14,8,16)添加到数据中用于测试模型稳健性的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122829.5A CN113947182A (zh) | 2021-09-24 | 2021-09-24 | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122829.5A CN113947182A (zh) | 2021-09-24 | 2021-09-24 | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947182A true CN113947182A (zh) | 2022-01-18 |
Family
ID=79328533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111122829.5A Pending CN113947182A (zh) | 2021-09-24 | 2021-09-24 | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947182A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781609A (zh) * | 2022-04-19 | 2022-07-22 | 华东交通大学 | 一种基于多模式动态残差图卷积网络的交通流预测方法 |
CN115985098A (zh) * | 2022-12-29 | 2023-04-18 | 中国科学院合肥物质科学研究院 | 基于自注意力机制和循环图卷积网络的交通流预测方法 |
CN116434538A (zh) * | 2022-12-30 | 2023-07-14 | 西安智行畅嘉网络科技有限公司 | 基于异构数据融合的城市交通流预测模型构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
WO2021012342A1 (en) * | 2019-07-23 | 2021-01-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for traffic prediction |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
-
2021
- 2021-09-24 CN CN202111122829.5A patent/CN113947182A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
WO2021012342A1 (en) * | 2019-07-23 | 2021-01-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for traffic prediction |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781609A (zh) * | 2022-04-19 | 2022-07-22 | 华东交通大学 | 一种基于多模式动态残差图卷积网络的交通流预测方法 |
CN114781609B (zh) * | 2022-04-19 | 2023-04-25 | 华东交通大学 | 一种基于多模式动态残差图卷积网络的交通流预测方法 |
CN115985098A (zh) * | 2022-12-29 | 2023-04-18 | 中国科学院合肥物质科学研究院 | 基于自注意力机制和循环图卷积网络的交通流预测方法 |
CN115985098B (zh) * | 2022-12-29 | 2023-08-29 | 中国科学院合肥物质科学研究院 | 基于自注意力机制和循环图卷积网络的交通流预测方法 |
CN116434538A (zh) * | 2022-12-30 | 2023-07-14 | 西安智行畅嘉网络科技有限公司 | 基于异构数据融合的城市交通流预测模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801404B (zh) | 一种基于自适应空间自注意力图卷积的交通预测方法 | |
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及系统 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN110837888A (zh) | 一种基于双向循环神经网络的交通缺失数据补全方法 | |
CN111860787A (zh) | 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN110570035A (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN112257847A (zh) | 一种基于CNN和LSTM预测地磁Kp指数的方法 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
CN112906935A (zh) | 一种风电场超短期功率预测方法 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
CN111292121A (zh) | 一种基于园区画像的园区负荷预测方法及系统 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 |
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 |