CN115527365A - 基于人工神经网络的城市出行活动预测方法及装置 - Google Patents

基于人工神经网络的城市出行活动预测方法及装置 Download PDF

Info

Publication number
CN115527365A
CN115527365A CN202211069287.4A CN202211069287A CN115527365A CN 115527365 A CN115527365 A CN 115527365A CN 202211069287 A CN202211069287 A CN 202211069287A CN 115527365 A CN115527365 A CN 115527365A
Authority
CN
China
Prior art keywords
urban
trip
travel
data
activity
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
CN202211069287.4A
Other languages
English (en)
Inventor
王中岳
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.)
Shanghai Hopen Byte Digital Technology Co ltd
Original Assignee
Shanghai Hopen Byte Digital Technology Co ltd
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 Shanghai Hopen Byte Digital Technology Co ltd filed Critical Shanghai Hopen Byte Digital Technology Co ltd
Priority to CN202211069287.4A priority Critical patent/CN115527365A/zh
Publication of CN115527365A publication Critical patent/CN115527365A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Analytical Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及城市建设规划技术领域，具体涉及基于人工神经网络的城市出行活动预测方法及装置，包括：基于城市基础要素与城市出行活动数据之间的特征关系，结合拓扑模型构建初始城市出行活动预测模型；根据反推拟合算法计算城市出行活动的全量数据，得到城市活动出行概率；根据城市活动出行概率、城市出行活动数据、城市建设与更新方案数据对初始城市出行活动预测模型进行训练，得到城市出行活动预测模型；本发明通过城市出行活动预测模型能够更准确的预测未来城市活动出行概率。能够根据所述未来城市活动出行概率观测出城市未来规划与设计方案对城市出行活动所带来的影响，从而辅助对城市未来规划与设计方案进行辅助调整，优化城市发展决策。

Description

基于人工神经网络的城市出行活动预测方法及装置
技术领域
本发明涉及城市建设规划技术领域，尤其涉及基于人工神经网络的城市出行活动预测方法及装置。
背景技术
根据第七次全国人口普查，中国的人口城镇化率已超过63％。随着城镇化进程的推进，城市的建设和更新会带来城市出行活动的变化，例如过于集中的城市开发会带来出行活动的聚集，进而产生交通拥堵、服务设施短缺等问题。因此，正确的预测和分析城市开发过程对城市出行活动的影响，是城市规划、建设和更新决策过程中的重要一环。
已有的城市出行活动预测，主要基于传统经验的理论公式进行计算，既无法把握城市发展的客观数据，也无法体现不同城市的个性化出行特征。导致传统做法已无法满足日益精细化的城市治理需求，也已导致城市病的频频发生。现有技术主要以人口普查数据和现场调查为依据，以经验理论公式为模型，进行城市出行活动的预测。其不足主要包括：
1、数据覆盖面不足：人口普查数据为抽样调查数据，无法覆盖全量出行活动；
2、现场调查不精确：现场调查因受人工干扰、现场误差和抽样时间等因素的约束，导致调查数据不准确；
3、预测结果不准确：传统预测基于传统经验的理论公式进行计算，既无法把握城市发展的客观规律，也无法体现不同城市的个性化出行特征，导致预测结果不准确；
4、预测元素不齐全：传统预测仅基于用地属性、建筑面积等基础设施数据，但忽略城市中服务设施(例如餐饮、教育)对出行活动的显著影响，导致预测结果并无法反映城市发展的客观规律。
发明内容
本发明提供了基于人工神经网络的城市出行活动预测方法及装置，用以优化城市发展策略。
本说明书实施例提供基于人工神经网络的城市出行活动预测方法，包括：
采集城市出行活动数据；
建立城市基础要素的拓扑模型，将交通要素、地块要素、服务要素作为附加属性关联到所述拓扑模型上，赋值所述城市出行活动数据到所述拓扑模型对应的断面上；
基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型；
基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，对所述城市出行活动的全量数据进行处理，得到城市活动出行概率；
获取城市建设与更新方案数据，根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，得到城市出行活动预测模型；
获取当前城市出行活动数据、城市未来规划与设计方案数据，将所述当前城市出行活动数据、所述城市未来规划与设计方案数据输入到所述城市出行活动预测模型，得到未来城市活动出行概率；
根据所述未来城市活动出行概率对所述城市未来规划与设计方案进行辅助调整。
优选的，所述采集城市出行活动数据，包括：
设定无人机的巡航时间、巡航点位；
通过设定好的无人机对采集城市区域内的城市出行活动数据，所述城市出行活动数据包括但不限于小区出入口、主要道路断面、交叉口、交通路网、人流运行数据、车流运行数据、断面标定数据。
优选的，所述建立城市基础要素的拓扑模型，包括：
基于各节点和各节点之间连接构成的线建立城市基础要素的拓补模型，所述节点包括第一类节点、第二类节点，所述线包括第一类线、第二类线。
优选的，所述基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型，包括：
将所述城市基础要素抽象成所述拓扑模型上第一类节点和第一类线的特征属性，所述第一类节点为出行起点到出行终点的位置，所述第一类线为所述出行起点到所述出行终点的连接；
提取所述基于所述城市出行活动数据中的出行起终点特征和空间特征；
根据所述出行起终点特征、所述空间特征与城市活动出行概率的关联关系，构建初始城市出行活动预测模型。
优选的，所述基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，包括：
将所述小区出入口、所述交叉口作为第二类节点，交通路网作为连接第二类节点的第二类线，结合所述拓扑模型构建数据反推模型；
基于所述断面标定数据对所述数据反推模型中关键连接的第二类线赋予第一出行量的目标值和目标范围；
随机初始化所述数据反推模型中各小区与小区之间的第一出行量；
将所述第一出行量按照出行习惯分配到所述数据反推模型中，得到所述城市出行活动的全量数据。
优选的，所述将所述第一出行量按照出行习惯分配到所述数据反推模型中，包括：
将所述第一出行量按照出行习惯分配到所述数据反推模型中最优路径上，所述最优路径包括所述第二类节点与所述第二类线的最优组合；
计算当前分配到关键路径上的第二出行量；
基于所述第一出行量的目标值和目标范围选取第三出行量，根据所述第二出行量、所述第三出行量、出行量修正算法对所述最优路径中第四出行量进行修正，并对所述第四出行量中的第五出行量进行修正，得到修正后的第四出行量、修正后的第五出行量，所述第四出行量为包含关键路径的小区之间的出行量，所述第五出行量为涉及关键路径的出行量；
根据修正后的第四出行量、修正后的第五出行量计算第六出行量；
根据所述第六出行量，结合最优熵算法计算最小最优熵，得到最优熵最小时所述第三出行量和与所述第六出行量；
将所述第六出行量按照出行习惯进行新一轮的分配，循环上述步骤，直至各小区之间的修正后的第五出行量与修正后的第四出行量比值小于预设值。
优选的，所述根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，包括：
对所述城市建设与更新方案数据进行特征提取，得到城市建设与更新特征；
根据所述出行起终点特征、所述出行空间特征、所述城市建设与更新特征、所述城市活动出行概率对所述初始城市出行活动预测模型进行训练。
本说明书实施例还提供基于人工神经网络的城市出行活动预测装置，包括：
信息采集模块，用于采集城市出行活动数据；
拓扑模型构建模块，用于建立城市基础要素的拓扑模型，将交通要素、地块要素、服务要素作为附加属性关联到所述拓扑模型上，赋值所述城市出行活动数据到所述拓扑模型对应的断面上；
预测模型构建模块，用于基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型；
反推拟合模块，用于基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，对所述城市出行活动的全量数据进行处理，得到城市活动出行概率；
预测模型训练模块，用于获取城市建设与更新方案数据，根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，得到城市出行活动预测模型；
活动出行预测模块，用于获取当前城市出行活动数据、城市未来规划与设计方案数据，将所述当前城市出行活动数据、所述城市未来规划与设计方案数据输入到所述城市出行活动预测模型，得到未来城市活动出行概率；
方案调整模块，用于根据所述未来城市活动出行概率对所述城市未来规划与设计方案进行辅助调整。
一种电子设备，其中，该电子设备包括：
处理器以及存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行上述任一项所述的方法。
一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项所述的方法。
本发明通过城市出行活动预测模型能更准确的预测未来城市活动出行概率，能够根据未来城市活动出行概率观测出城市未来规划与设计方案对城市出行活动所带来的影响，从而辅助对城市未来规划与设计方案进行辅助调整，优化城市发展决策。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的基于人工神经网络的城市出行活动预测方法的原理示意图；
图2为本说明书实施例提供的基于人工神经网络的城市出行活动预测装置的结构示意图；
图3为本说明书实施例提供的一种电子设备的结构示意图；
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
参照图1为本说明书实施例提供的基于人工神经网络的城市出行活动预测方法的原理示意图，包括：
S101：采集城市出行活动数据；
进一步地，所述采集城市出行活动数据，包括：
设定无人机的巡航时间、巡航点位；
通过设定好的无人机对采集城市区域内的城市出行活动数据，所述城市出行活动数据包括但不限于小区出入口、主要道路断面、交叉口、交通路网、人流运行数据、车流运行数据、断面标定数据。
在本发明较佳的实施例中，将无人机设置在特定的巡航点位，并对无人机的巡航时间进行设定，以使无人机在设定的时间对巡航点位进行城市区域内的城市出行活动数据采集，其中，城市出行活动数据包括小区出入口、主要道路断面、交叉口、交通路网、人流运行数据、车流运行数据、断面标定数据等，通过无人机定点、定时对城市出行活动数据进行采集，保证数据在指定时间、指定区域内的数据高覆盖率和精确率。
S102：建立城市基础要素的拓扑模型，将交通要素、地块要素、服务要素作为附加属性关联到所述拓扑模型上，赋值所述城市出行活动数据到所述拓扑模型对应的断面上；
进一步地，所述建立城市基础要素的拓扑模型，包括：
基于各节点和各节点之间连接构成的线建立城市基础要素的拓补模型，所述节点包括第一类节点、第二类节点，所述线包括第一类线、第二类线。
在本发明较佳的实施例中，建立具有城市基础要素的拓扑模型，然后将交通要素、地块要素、服务要素作为附加属性关联到拓扑模型的各节点和各节点之间连接构成的线上，并将无人机采集的人流运行数据、车流运行数据、断面标定数据赋值到拓扑模型对应的断面上，通过上述方式，实现将城市中的交通基础设施、地块基础设施、服务设施等三大类设施作为城市要素，便于通过神经网络算法建立已有城市要素与城市出行活动数据之间的城市出行活动预测模型，并以此预测城市新建项目或城市更新项目对城市出行活动所带来的影响，提供更准确、更全面、更符合城市个性化特征的预测结果，为城市发展决策提供辅助支持，以及便于后续构建数据反推模型，通过数据反推模型为城市出行活动预测模型提供数据支持。
S103：基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型；
进一步地，所述基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型，包括：
将所述城市基础要素抽象成所述拓扑模型上第一类节点和第一类线的特征属性，所述第一类节点为出行起点到出行终点的位置，所述第一类线为所述出行起点到所述出行终点的连接；
提取所述基于所述城市出行活动数据中的出行起终点特征和空间特征；
根据所述出行起终点特征、所述空间特征与城市活动出行概率的关联关系，构建初始城市出行活动预测模型。
在本发明较佳的实施例中，基于人工神经网络模型对城市基础要素与城市出行活动数据之间的特征关系进行建模，建模时结合拓扑模型，将城市基础要素抽象成拓补模型上第一类节点和第一类线的特征属性，在此基础上，提取基于所述城市出行活动数据中的出行起终点特征和空间特征，根据出行起终点特征、空间特征与城市活动出行概率的关联关系，搭建初始城市出行活动预测模型，其中，第一类节点为出行起点到出行终点的位置，第一类线为所述出行起点到出行终点的连接，通过上述方式，实现将城市中的交通基础设施、地块基础设施、服务设施等三大类设施作为城市要素关联到构建的初始城市出行活动预测模型中，当城市出行活动预测模型正式运行时，能提供更准确、更全面、更符合城市个性化特征的预测结果，为城市发展决策提供辅助支持。
具体的，将出行起点i和终点节点j的特征属性Li与特征属性Lj作为初始城市出行活动预测模型的输入层参数，同时计算出行起点i与终点节点j之间的空间特征Lij，也作为初始城市出行活动预测模型的输入层参数；将出行起点i以终点节点j为目标的出行量作为T0ij，计算出行起点i和终点节点j之间的出行产生率Pij，出行产生率Pij计算公式如(1)式所示：
Pij＝T0ij/∑Tij (1)
其中，Pij为出行产生率，T0ij为目标的出行量，∑Tij为从出行起点i出发前往所有终点节点的总出行量。其中，特征属性Li和特征属性Lj均至少包括市政基础要素、地块基础要素、社会要素中的一个或多个，空间特征Lij包括直线距离、驾车时间、公交时间等。
然后将出行产生率Pij作为初始城市出行活动预测模型的输出层参数。输入层的每层设置多个神经元，与前一层的神经元之间进行连接，神经元n从前一层神经元m传递过来的连接权重为Wnm，计算神经元n的加权求和值Yn，神经元n的加权求和值Yn计算公式如(2)式所示：
Yn＝∑(Wnm×An) (2)
其中，Yn为神经元n的加权求和值，Wnm为神经元n从前一层神经元m传递过来的连接权重，Am为神经元m的输出值；
使用LeakyRelu作为激活函数，即
Figure BDA0003826617510000091
其中，ai为(1，+∞)任一固定参数，f(x)为神经元n获取的输入值，xm为所有输出至神经元n的上一层神经元输出值的加权和，如此，神经元n的输出值An计算公式如(4)式所示：
An＝f(Yn) (4)
其中，f(Yn)为神经元n的输入值的最终公式。
输出层仅设置单个输出神经元，并使用交叉熵作为损失函数，如(5)式所示：
Figure BDA0003826617510000092
其中，Si为神经元n在当前迭代中的损失值，e为常数，k为第k个神经元。
由此，将输出结果归一化到(0，1)区间内。进而通过所建立的初始城市出行活动预测模型模型，将出行起终点特征和空间特征作为输入参数，城市活动出行概率作为输出参数，建立两者之间的特征关系，实现将城市中的交通基础设施、地块基础设施、服务设施等三大类设施作为城市要素关联到构建的初始城市出行活动预测模型中，当城市出行活动预测模型正式运行时，能提供更准确、更全面、更符合城市个性化特征的预测结果，为城市发展决策提供辅助支持。
S104：基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，对所述城市出行活动的全量数据进行处理，得到城市活动出行概率；
进一步地，所述基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，包括：
将所述小区出入口、所述交叉口作为第二类节点，交通路网作为连接第二类节点的第二类线，结合所述拓扑模型构建数据反推模型；
基于所述断面标定数据对所述数据反推模型中关键连接的第二类线赋予第一出行量的目标值和目标范围；
随机初始化所述数据反推模型中各小区与小区之间的第一出行量；
将所述第一出行量按照出行习惯分配到所述数据反推模型中，得到所述城市出行活动的全量数据。
进一步地，所述将所述第一出行量按照出行习惯分配到所述数据反推模型中，包括：
将所述第一出行量按照出行习惯分配到所述数据反推模型中最优路径上，所述最优路径包括所述第二类节点与所述第二类线的最优组合；
计算当前分配到关键路径上的第二出行量；
基于所述第一出行量的目标值和目标范围选取第三出行量，根据所述第二出行量、所述第三出行量、出行量修正算法对所述最优路径中第四出行量进行修正，并对所述第四出行量中的第五出行量进行修正，得到修正后的第四出行量、修正后的第五出行量，所述第四出行量为包含关键路径的小区之间的出行量，所述第五出行量为涉及关键路径的出行量；
根据修正后的第四出行量、修正后的第五出行量计算第六出行量；
根据所述第六出行量，结合最优熵算法计算最小最优熵，得到最优熵最小时所述第三出行量和与所述第六出行量；
将所述第六出行量按照出行习惯进行新一轮的分配，循环上述步骤，直至各小区之间的修正后的第五出行量与修正后的第四出行量比值小于预设值。
在本发明较佳的实施例中，基于反推拟合算法，利用断面标定数据反推计算出城市出行活动的全量数据。计算步骤包括：
步骤1：将小区出入口与交叉口等作为第二类节点，将交通路网作为连接第二类节点的第二类线，结合拓补模型构建数据反推模型；
步骤2：根据所述断面标定数据对数据反推模型中关键连接的第二类线赋予出行量的目标值Vt和目标范围δVt；
步骤3：随机初始化模型中各小区与小区之间的出行量，在有条件的情况下可使用历史统计的各小区与小区之间的出行量数据；
步骤4：将各小区与小区之间的出行量按照出行习惯分配到数据反推模型中最优路径上，最优路径包括第二类节点与第二类线的最优组合；
步骤5：在所有小区之间的出行量分配完成后，计算当前分配到关键路径上的出行量Vcur；
步骤6，选取出行量Vtcur，Vtcur∈[Vt-δVt，Vt+δVt]，按照Vtcur/Vcur的偏差率修正所有最优路径中包含关键路径的小区之间的出行量Tij，并对包含关键路径的小区之间的出行量Tij中涉及该关键路径的出行量δTij进行修正，加总后得到新的出行量T’ij，新的出行量T’ij计算公式如(6)式：
T’ij＝Tij+∑(δTij) (6)
其中，T’ij为新的出行量，Tij为修正后所有最优路径中包含关键路径的小区之间的出行量，δTij为修正后包含关键路径的小区之间的出行量Tij中涉及该关键路径的出行量；
步骤7：计算δV，计算公式如(7)式：
δV＝V’cur–Vt (7)
其中，δV为当前迭代所形成的分配流量与目标流量之间总偏差，V’cur为当前迭代所获得的分配流量。
然后对δV和δTij进行加权平方，计算最优熵Ecur，并获得Ecur最小时的Vtcur取值及其对应的出行量T0’ij；
步骤8：将步骤7计算得到的出行量T0’ij代入到步骤4进行新一轮的出行量分配，并重复步骤5-7,直至各小区之间的δTij/Tji小于一个预设值(例如:1％)，结束上述计算过程得到最终出行量组，最终出行量组即为城市出行活动的全量数据。
通过上述方式，实现对城市出行活动的全量数据的反推，提供更准确、更全面、更符合城市个性化的数据，为训练初始城市出行活动预测模型提供数据支持，从而提升城市出行活动预测模型的预测准确度。
S105：获取城市建设与更新方案数据，根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，得到城市出行活动预测模型；
进一步地，所述根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，包括：
对所述城市建设与更新方案数据进行特征提取，得到城市建设与更新特征；
根据所述出行起终点特征、所述出行空间特征、所述城市建设与更新特征、所述城市活动出行概率对所述初始城市出行活动预测模型进行训练。
在本发明较佳的实施例中，获取城市建设与更新方案数据，对城市建设与更新方案数据进行特征提取，得到城市建设与更新特征，然后根据出行起终点特征、出行空间特征、城市建设与更新特征对初始城市出行活动预测模型进行训练，由此得到符合城市出行习惯与特征的城市出行活动预测模型。其中，出行起终点特征、出行空间特征、城市建设与更新特征作为训练初始城市出行活动预测模型的输入参数，城市活动出行概率作为训练初始城市出行活动预测模型的输出参数。通过上述方式，能为初始城市出行活动预测模型提供更准确、更全面、更符合城市个性化特征的数据支持，从而提升城市出行活动预测模型预测准确度。
S106：获取当前城市出行活动数据、城市未来规划与设计方案数据，将所述当前城市出行活动数据、所述城市未来规划与设计方案数据输入到所述城市出行活动预测模型，得到未来城市活动出行概率；
在本发明较佳的实施例中，利用无人机采集当前城市出行活动数据，并获取到城市未来规划与设计方案数据，然后对当前城市出行活动数据、城市未来规划与设计方案数据进行特征提取，得到当前出行起终点特征、当前出行空间特征、当前城市建设与更新特征，然后根据当前出行起终点特征、当前出行空间特征、当前城市建设与更新特征，城市出行活动预测模型会输出未来城市活动出行概率，通过上述方式预测城市新建项目或城市更新项目对城市出行活动所带来的影响，为城市发展决策提供更准确、更全面、更符合城市个性化特征的预测结果。
S107：根据所述未来城市活动出行概率对所述城市未来规划与设计方案进行辅助调整。
在本发明较佳的实施例中，当预测出的未来城市活动出行概率显示对城市出行活动影响较大时，会根据影响程度对城市未来规划与设计方案提供辅助调整支持，以降低城市未来规划与设计方案对未来城市出行活动的负面影响。
图2为本说明书实施例提供的基于人工神经网络的城市出行活动预测装置的结构示意图，包括：
信息采集模块201，用于采集城市出行活动数据；
拓扑模型构建模块202，用于建立城市基础要素的拓扑模型，将交通要素、地块要素、服务要素作为附加属性关联到所述拓扑模型上，赋值所述城市出行活动数据到所述拓扑模型对应的断面上；
预测模型构建模块203，用于基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型；
反推拟合模块204，用于基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，对所述城市出行活动的全量数据进行处理，得到城市活动出行概率；
预测模型训练模块205，用于获取城市建设与更新方案数据，根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，得到城市出行活动预测模型；
活动出行预测模块206，用于获取当前城市出行活动数据、城市未来规划与设计方案数据，将所述当前城市出行活动数据、所述城市未来规划与设计方案数据输入到所述城市出行活动预测模型，得到未来城市活动出行概率；
方案调整模块207，用于根据所述未来城市活动出行概率对所述城市未来规划与设计方案进行辅助调整。
进一步地，所述信息采集模块201，包括：
配置设定单元，用于设定无人机的巡航时间、巡航点位；
信息采集单元，用于通过设定好的无人机对采集城市区域内的城市出行活动数据，所述城市出行活动数据包括但不限于小区出入口、主要道路断面、交叉口、交通路网、人流运行数据、车流运行数据、断面标定数据。
进一步地，所述拓扑模型构建模块202，包括：
拓扑模型构建单元，用于基于各节点和各节点之间连接构成的线建立城市基础要素的拓补模型，所述节点包括第一类节点、第二类节点，所述线包括第一类线、第二类线。
进一步地，预测模型构建模块203，包括：
拓扑单元，用于将所述城市基础要素抽象成所述拓扑模型上第一类节点和第一类线的特征属性，所述第一类节点为出行起点到出行终点的位置，所述第一类线为所述出行起点到所述出行终点的连接；
第一特征提取单元，用于提取所述基于所述城市出行活动数据中的出行起终点特征和空间特征；
预测模型构建单元，用于根据所述出行起终点特征、所述空间特征与城市活动出行概率的关联关系，构建初始城市出行活动预测模型。
进一步地，所述反推拟合模块204，包括：
数据反推模型构建单元，用于将所述小区出入口、所述交叉口作为第二类节点，交通路网作为连接第二类节点的第二类线，结合所述拓扑模型构建数据反推模型；
赋值单元，用于基于所述断面标定数据对所述数据反推模型中关键连接的第二类线赋予第一出行量的目标值和目标范围；
初始化单元，用于随机初始化所述数据反推模型中各小区与小区之间的第一出行量；
全量数据获取单元，用于将所述第一出行量按照出行习惯分配到所述数据反推模型中，得到所述城市出行活动的全量数据。
进一步地，所述全量数据获取单元，包括：
出行量分配子单元，用于将所述第一出行量按照出行习惯分配到所述数据反推模型中最优路径上，所述最优路径包括所述第二类节点与所述第二类线的最优组合；
第二出行量计算子单元，用于计算当前分配到关键路径上的第二出行量；
修正子单元，用于基于所述第一出行量的目标值和目标范围选取第三出行量，根据所述第二出行量、所述第三出行量、出行量修正算法对所述最优路径中第四出行量进行修正，并对所述第四出行量中的第五出行量进行修正，得到修正后的第四出行量、修正后的第五出行量，所述第四出行量为包含关键路径的小区之间的出行量，所述第五出行量为涉及关键路径的出行量；
第六出行量计算子单元，用于根据修正后的第四出行量、修正后的第五出行量计算第六出行量；
最优熵计算子单元，用于根据所述第六出行量，结合最优熵算法计算最小最优熵，得到最优熵最小时所述第三出行量和与所述第六出行量；
优化单元，用于将所述第六出行量按照出行习惯进行新一轮的分配，循环上述步骤，直至各小区之间的修正后的第五出行量与修正后的第四出行量比值小于预设值。
进一步地，所述预测模型训练模块205，包括：
第二特征提取单元，用于对所述城市建设与更新方案数据进行特征提取，得到城市建设与更新特征；
模型训练单元，用于根据所述出行起终点特征、所述出行空间特征、所述城市建设与更新特征、所述城市活动出行概率对所述初始城市出行活动预测模型进行训练。
本发明实施例的装置的功能已经在上述的方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
基于同一发明构思，本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
参照图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同装置组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作装置、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID装置、磁带驱动器以及数据备份存储装置等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。
参照图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.基于人工神经网络的城市出行活动预测方法，其特征在于，包括：
采集城市出行活动数据；
建立城市基础要素的拓扑模型，将交通要素、地块要素、服务要素作为附加属性关联到所述拓扑模型上，赋值所述城市出行活动数据到所述拓扑模型对应的断面上；
基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型；
基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，对所述城市出行活动的全量数据进行处理，得到城市活动出行概率；
获取城市建设与更新方案数据，根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，得到城市出行活动预测模型；
获取当前城市出行活动数据、城市未来规划与设计方案数据，将所述当前城市出行活动数据、所述城市未来规划与设计方案数据输入到所述城市出行活动预测模型，得到未来城市活动出行概率；
根据所述未来城市活动出行概率对所述城市未来规划与设计方案进行辅助调整。
2.如权利要求1所述的基于人工神经网络的城市出行活动预测方法，其特征在于，所述采集城市出行活动数据，包括：
设定无人机的巡航时间、巡航点位；
通过设定好的无人机对采集城市区域内的城市出行活动数据，所述城市出行活动数据包括但不限于小区出入口、主要道路断面、交叉口、交通路网、人流运行数据、车流运行数据、断面标定数据。
3.如权利要求2所述的基于人工神经网络的城市出行活动预测方法，其特征在于，所述建立城市基础要素的拓扑模型，包括：
基于各节点和各节点之间连接构成的线建立城市基础要素的拓补模型，所述节点包括第一类节点、第二类节点，所述线包括第一类线、第二类线。
4.如权利要求3所述的基于人工神经网络的城市出行活动预测方法，其特征在于，所述基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型，包括：
将所述城市基础要素抽象成所述拓扑模型上第一类节点和第一类线的特征属性，所述第一类节点为出行起点到出行终点的位置，所述第一类线为所述出行起点到所述出行终点的连接；
提取所述基于所述城市出行活动数据中的出行起终点特征和空间特征；
根据所述出行起终点特征、所述空间特征与城市活动出行概率的关联关系，构建初始城市出行活动预测模型。
5.如权利要求3所述的基于人工神经网络的城市出行活动预测方法，其特征在于，所述基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，包括：
将所述小区出入口、所述交叉口作为第二类节点，交通路网作为连接第二类节点的第二类线，结合所述拓扑模型构建数据反推模型；
基于所述断面标定数据对所述数据反推模型中关键连接的第二类线赋予第一出行量的目标值和目标范围；
随机初始化所述数据反推模型中各小区与小区之间的第一出行量；
将所述第一出行量按照出行习惯分配到所述数据反推模型中，得到所述城市出行活动的全量数据。
6.如权利要求5所述的基于人工神经网络的城市出行活动预测方法，其特征在于，所述将所述第一出行量按照出行习惯分配到所述数据反推模型中，包括：
将所述第一出行量按照出行习惯分配到所述数据反推模型中最优路径上，所述最优路径包括所述第二类节点与所述第二类线的最优组合；
计算当前分配到关键路径上的第二出行量；
基于所述第一出行量的目标值和目标范围选取第三出行量，根据所述第二出行量、所述第三出行量、出行量修正算法对所述最优路径中第四出行量进行修正，并对所述第四出行量中的第五出行量进行修正，得到修正后的第四出行量、修正后的第五出行量，所述第四出行量为包含关键路径的小区之间的出行量，所述第五出行量为涉及关键路径的出行量；
根据修正后的第四出行量、修正后的第五出行量计算第六出行量；
根据所述第六出行量，结合最优熵算法计算最小最优熵，得到最优熵最小时所述第三出行量和与所述第六出行量；
将所述第六出行量按照出行习惯进行新一轮的分配，循环上述步骤，直至各小区之间的修正后的第五出行量与修正后的第四出行量比值小于预设值。
7.如权利要求4所述的基于人工神经网络的城市出行活动预测方法，其特征在于，所述根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，包括：
对所述城市建设与更新方案数据进行特征提取，得到城市建设与更新特征；
根据所述出行起终点特征、所述出行空间特征、所述城市建设与更新特征、所述城市活动出行概率对所述初始城市出行活动预测模型进行训练。
8.基于人工神经网络的城市出行活动预测装置，其特征在于，包括：
信息采集模块，用于采集城市出行活动数据；
拓扑模型构建模块，用于建立城市基础要素的拓扑模型，将交通要素、地块要素、服务要素作为附加属性关联到所述拓扑模型上，赋值所述城市出行活动数据到所述拓扑模型对应的断面上；
预测模型构建模块，用于基于城市基础要素与所述城市出行活动数据之间的特征关系，结合所述拓扑模型构建初始城市出行活动预测模型；
反推拟合模块，用于基于所述城市出行活动数据，结合反推拟合算法计算城市出行活动的全量数据，对所述城市出行活动的全量数据进行处理，得到城市活动出行概率；
预测模型训练模块，用于获取城市建设与更新方案数据，根据所述城市活动出行概率、所述城市出行活动数据、所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练，得到城市出行活动预测模型；
活动出行预测模块，用于获取当前城市出行活动数据、城市未来规划与设计方案数据，将所述当前城市出行活动数据、所述城市未来规划与设计方案数据输入到所述城市出行活动预测模型，得到未来城市活动出行概率；
方案调整模块，用于根据所述未来城市活动出行概率对所述城市未来规划与设计方案进行辅助调整。
9.一种电子设备，其中，该电子设备包括：
处理器以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个指令，所述一个或多个指令当被处理器执行时，实现权利要求1-7中任一项所述的方法。
CN202211069287.4A 2022-08-31 2022-08-31 基于人工神经网络的城市出行活动预测方法及装置 Pending CN115527365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211069287.4A CN115527365A (zh) 2022-08-31 2022-08-31 基于人工神经网络的城市出行活动预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211069287.4A CN115527365A (zh) 2022-08-31 2022-08-31 基于人工神经网络的城市出行活动预测方法及装置

Publications (1)

Publication Number Publication Date
CN115527365A true CN115527365A (zh) 2022-12-27

Family

ID=84697191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211069287.4A Pending CN115527365A (zh) 2022-08-31 2022-08-31 基于人工神经网络的城市出行活动预测方法及装置

Country Status (1)

Country Link
CN (1) CN115527365A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117454767A (zh) * 2023-11-07 2024-01-26 中国地震台网中心 基于地震监测台网的城市出行强度评估方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117454767A (zh) * 2023-11-07 2024-01-26 中国地震台网中心 基于地震监测台网的城市出行强度评估方法及系统

Similar Documents

Publication Publication Date Title
Ullah et al. Short-term prediction of residential power energy consumption via CNN and multi-layer bi-directional LSTM networks
Dong et al. Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification
Fu Deep belief network based ensemble approach for cooling load forecasting of air-conditioning system
Straka et al. Predicting popularity of electric vehicle charging infrastructure in urban context
US20210133536A1 (en) Load prediction method and apparatus based on neural network
CN108446470B (zh) 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法
CN111104732B (zh) 一种基于深度强化学习的机动通信网智能规划方法
Soares et al. Scenario generation for electric vehicles' uncertain behavior in a smart city environment
Banik et al. Prediction of electrical energy consumption based on machine learning technique
Zhang et al. A Traffic Prediction Method of Bicycle-sharing based on Long and Short term Memory Network.
Liu et al. A hybrid short-term traffic flow forecasting method based on neural networks combined with K-nearest neighbor
CN109886699A (zh) 行为识别方法及装置、电子设备、存储介质
CN114626585B (zh) 一种基于生成对抗网络的城市轨道交通短时客流预测方法
CN107609583A (zh) 分类模型的参数优化方法、装置、计算机设备及存储介质
CN102646164A (zh) 一种结合空间滤波的土地利用变化建模方法及其系统
CN111967696A (zh) 基于神经网络的电动汽车充电需求预测方法、系统及装置
Abdul-Salam et al. How effective are heuristic solutions for electricity planning in developing countries
CN115527365A (zh) 基于人工神经网络的城市出行活动预测方法及装置
CN114510072A (zh) 基于进化迁移优化的多无人机路径规划方法、终端及介质
CN110413722B (zh) 地址选择方法、装置以及非瞬时性存储介质
Zhao et al. LandSys II: Agent-based land use–forecast model with artificial neural networks and multiagent model
Lu et al. A geographically partitioned cellular automata model for the expansion of residential areas
Nnene et al. A simulation-based optimization approach for designing transit networks
CN113240219A (zh) 一种土地利用模拟及预测方法
Yu et al. A batch reinforcement learning approach to vacant taxi routing

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