CN116227737B - 基于迭代优化模型的区域客运量预测方法、系统及设备 - Google Patents

基于迭代优化模型的区域客运量预测方法、系统及设备 Download PDF

Info

Publication number
CN116227737B
CN116227737B CN202310483536.2A CN202310483536A CN116227737B CN 116227737 B CN116227737 B CN 116227737B CN 202310483536 A CN202310483536 A CN 202310483536A CN 116227737 B CN116227737 B CN 116227737B
Authority
CN
China
Prior art keywords
regional
optimization model
iterative
passenger traffic
prediction
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
Application number
CN202310483536.2A
Other languages
English (en)
Other versions
CN116227737A (zh
Inventor
陶志祥
凌汉东
光振雄
郑洪�
李其龙
谢文杰
彭利辉
雷中林
周家中
吴文伟
曾琼
周厚文
李建斌
李恒鑫
张明辉
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.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group 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 China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202310483536.2A priority Critical patent/CN116227737B/zh
Publication of CN116227737A publication Critical patent/CN116227737A/zh
Application granted granted Critical
Publication of CN116227737B publication Critical patent/CN116227737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于迭代优化模型的区域客运量预测方法、系统及设备，首先采集区域客运量相关指标数据；然后构建迭代优化模型；接着构建相关指标数据自优化模型；采集相关指标的历年数据，迭代训练，确定优化模型中的分布函数；最后基于确定的分布函数，进行未来第C年的区域客运生成量X n的预测。本发明可以定量分析并预测区域客运生成量，且适用于任意结构特征的区域。

Description

基于迭代优化模型的区域客运量预测方法、系统及设备
技术领域
本发明属于区域交通规划技术领域，涉及一种区域出行需求的总量预测方法、系统及设备，具体涉及一种基于迭代优化模型的区域客运量预测方法、系统及设备。
背景技术
区域出行需求预测是交通规划中的核心内容之一。交通网络设计以及方案评价都与区域出行需求预测有密切的关系。交通生成预测是交通需求四阶段预测的第一阶段，是交通需求分析工作中最基本的部分之一。而交通需求总量的预测作为交通生成预测的重要约束数据，其预测精度将直接影响后续预测阶段乃至整个预测过程的精度，因此与交通需求总量预测的方法具有较高的实际研究价值。
目前，聚焦于区域客运量预测主要考虑以客运量影响因子作为自变量，客运量作为因变量，建立映射关系求解，如文献1（Du Bowen,Hu Xiao,Sun Leilei,Liu Junming,Qiao Yanan,Lv Weifeng. Traffic Demand Prediction Based on Dynamic TransitionConvolutional Neural Network[J]. IEEE Transactions on IntelligentTransportation Systems,2020,22(2) ），文献2（Ge Guo,Tianqi Zhang. A residualspatio-temporal architecture for travel demand forecasting[J]. TransportationResearch Part C,2020,115(C) ），和文献3（Chen Xi,Peng Lei,Zhang Minghong,Li Wei.A Public Traffic Demand Forecast Method Based on Computational Experiments[J]. IEEE Transactions on Intelligent Transportation Systems,2017,18(4) ），文献1中指出客运量预测需要基于大量数据，依赖于数据规模。文献2中指出区域结构是客运量预测的重要考虑因素。文献3中忽略了交通系统各要素间相互影响，互相作用的关系。
研究发现实际的综合交通系统环境中，客运量与居民、基础设施、经济等各要素密切相关，互为自变量与因变量，符合协同演化理论的基本规律，如文献4（刘星,周振宇.基于灰色关联分析的城市群道路客运系统协同发展研究[J].交通标准化,2014,42(19):49-53+59.DOI:10.16503/j.cnki.2095-9931.2014.19.014），但文献4中方法割裂了交通系统环境，会导致所得规划时期客运量预测结果不准确。
发明内容
本发明的目的在于提供一种基于迭代优化模型的区域客运生成优化方法、系统及设备，通过构建经济、人口、需求自优化模型及区域系统迭代优化模型，可以准确预测区域客运生成量。
本发明的方法所采用的技术方案是：一种基于迭代优化模型的区域客运量预测方法，包括以下步骤：
步骤1：采集区域客运量相关指标数据；
所述相关指标数据，包括区域生产总值Z i及区域居民收入水平S i，区域常住人口数R i及区域流动人口数L i，区域客运生成量X i及区域交通网络密度；其中，下标i表示数据的年份；
步骤2：构建迭代优化模型；
；
其中，表示使得等式成立的一种分布函数；
步骤3：构建相关指标数据自优化模型；
；
；
；
其中，表示对分布函数/>的求导；
步骤4：采集相关指标的历年数据，迭代训练，确定步骤2中分布函数；
步骤5：基于步骤4确定的分布函数，进行未来第n年的区域客运生成量X n的预测。
作为优选，步骤5中，采用迭代预测的方法对未来第n年的区域客运生成量X n进行预测，首先确定迭代次数，搜索小于n且存在已知数据的最大年份b；将第b年的数据代入迭代优化模型，迭代预测n-b次得到第n年的区域客运生成总量X n。
本发明的系统所采用的技术方案是：一种基于迭代优化模型的区域客运量预测系统，包括以下模块：
指标数据采集模块，用于采集区域客运量相关指标数据；
所述相关指标数据，包括区域生产总值Z i及区域居民收入水平S i，区域常住人口数R i及区域流动人口数L i，区域客运生成量X i及区域交通网络密度；其中，下标i表示数据的年份；
迭代优化模型构建模块，用于构建迭代优化模型；
；
其中，f( )表示使得等式成立的一种分布函数；
相关指标数据自优化模型构建模块，用于构建相关指标数据自优化模型；
；
；
；
其中，表示对分布函数/>的求导；
迭代训练模块，用于采集相关指标的历年数据，迭代训练，确定迭代优化模型构建模块中分布函数；
区域客运生成量预测模块，用于基于迭代训练模块确定的分布函数，进行未来第n年的区域客运生成量X n的预测。
作为优选，区域客运生成量预测模块中，采用迭代预测的方法对未来第n年的区域客运生成量X n进行预测，首先确定迭代次数，搜索小于n且存在已知数据的最大年份b；将第b年的数据代入迭代优化模型，迭代预测n-b次得到第n年的区域客运生成总量X n。本发明的设备所采用的技术方案是：一种基于迭代优化模型的区域客运量预测设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的基于迭代优化模型的区域客运量预测方法。
本发明现有技术相比，可以基于综合交通系统环境中各要素相互作用、相互影响的关系，定量分析并预测区域客运生成量，且适用于任意结构特征的区域，并能基于各要素间连锁效应，减少对数据规模的依赖。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明基于所构建的经济、人口、需求自优化模型及区域系统迭代分析模型，可以准确预测区域客运生成量，为区域综合交通发展提供一种客运生成量的分析预测方法。
本发明所构建的迭代优化模型，首先基于对经济、人口、需求系统要素之间的协同关系，构建协同迭代优化模型，包括区域生产总值Z i，区域常住人口数R i，区域客运生成量X i三个核心指标，其中，下标i表示数据的年份。三个核心指标的得出仅通过迭代优化模型无法直接求解，需要构建针对核心指标的自优化模型，增加区域居民收入水平S i，区域流动人口数L i，区域交通网络密度三个次核心指标。采集相关指标的历年数据，针对自优化模型和迭代优化模型，分别采用matlab拟合函数包，穷举拟合函数包里的函数并迭代训练，取其中拟合误差最小的函数作为自优化模型和迭代优化模型分布函数。
请见图1，本发明提供的一种基于迭代优化模型的区域客运量预测方法，包括以下步骤：
步骤1：采集区域客运量相关指标数据；
本实施例相关指标数据，包括区域生产总值Z i及区域居民收入水平S i，区域常住人口数R i及区域流动人口数L i，区域客运生成量X i及区域交通网络密度；其中，下标i表示数据的年份；
本实施案例中，选择区域D作为测试对象，定量分析并预测该区域的区域客运生成量。
区域D历年区域生产总值Z i（单位：亿元）、居民收入水平S i（单位：元）、区域常住人口R i（单位：万人）、区域流动人口数L i（单位：万人）、区域交通网络密度（单位：公里/百平方公里）及区域客运生成量X i（单位：人次）数据如下表1：
表1
步骤2：构建迭代优化模型；
；
其中，表示使得等式成立的一种分布函数；
步骤3：相关指标数据会受到所处于子系统中指标数据的影响，这种影响体现在逐年的变化上，高增长率一般处于发展初期，该时期增长绝对值较小，低增长率一般处于发展稳定期，该时期增长绝对值较大，因此指标的绝对值与子系统中指标数据增长率总体呈负相关关系，考虑子系统的该发展基本原理，构建相关指标数据自优化模型；
；
；
；
其中，表示对分布函数/>的求导；
步骤4：采集相关指标的历年数据，采用matlab拟合函数包，穷举拟合函数包里的函数并迭代训练，取其中拟合误差最小的函数作为步骤2中分布函数；
；
步骤5：基于步骤4确定的分布函数，进行未来第n年的区域客运生成量X n的预测。
本实施例基于未来5年内的客运生成量（单位：人次）预测，具体每年预测结果请见下表2；
表2 预测区域客运生成量
通过客运生成量预测，可以为编制客运计划和制定客运发展政策提供可靠的、具有前瞻性的依据。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种基于迭代优化模型的区域客运量预测方法，其特征在于，包括以下步骤：
步骤1：采集区域客运量相关指标数据；
所述相关指标数据，包括区域生产总值Z i及区域居民收入水平S i，区域常住人口数R i及区域流动人口数L i，区域客运生成量X i及区域交通网络密度；其中，下标i表示数据的年份；
步骤2：构建迭代优化模型；
；
其中，f()表示使得等式成立的一种分布函数；
步骤3：构建相关指标数据自优化模型；
；
；
；
其中，表示对分布函数/>的求导；
步骤4：采集相关指标的历年数据，迭代训练，确定步骤2中分布函数；
其中，采集相关指标的历年数据，采用matlab拟合函数包，穷举拟合函数包里的函数并迭代训练，取其中拟合误差最小的函数作为步骤2中分布函数；
步骤5：基于步骤4确定的分布函数，进行未来第n年的区域客运生成量X n的预测；
其中，采用迭代预测的方法对未来第n年的区域客运生成量X n进行预测，首先确定迭代次数，搜索小于n且存在已知数据的最大年份b；将第b年的数据代入迭代优化模型，迭代预测n-b次得到第n年的区域客运生成总量X n。
2.一种基于迭代优化模型的区域客运量预测系统，其特征在于，包括以下模块：
指标数据采集模块，用于采集区域客运量相关指标数据；
所述相关指标数据，包括区域生产总值Z i及区域居民收入水平S i，区域常住人口数R i及区域流动人口数L i，区域客运生成量X i及区域交通网络密度；其中，下标i表示数据的年份；
迭代优化模型构建模块，用于构建迭代优化模型；
；
其中，f()表示使得等式成立的一种分布函数；
相关指标数据自优化模型构建模块，用于构建相关指标数据自优化模型；
；
；
；
其中，表示对分布函数/>的求导；
迭代训练模块，用于采集相关指标的历年数据，迭代训练，确定迭代优化模型构建模块中分布函数；
其中，采集相关指标的历年数据，采用matlab拟合函数包，穷举拟合函数包里的函数并迭代训练，取其中拟合误差最小的函数作为迭代优化模型构建模块中分布函数；
区域客运生成量预测模块，用于基于迭代训练模块确定的分布函数，进行未来第n年的区域客运生成量X n的预测；
其中，采用迭代预测的方法对未来第n年的区域客运生成量X n进行预测，首先确定迭代次数，搜索小于n且存在已知数据的最大年份b；将第b年的数据代入迭代优化模型，迭代预测n-b次得到第n年的区域客运生成总量X n。
3.一种基于迭代优化模型的区域客运量预测设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1所述的基于迭代优化模型的区域客运量预测方法。
CN202310483536.2A 2023-05-04 2023-05-04 基于迭代优化模型的区域客运量预测方法、系统及设备 Active CN116227737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310483536.2A CN116227737B (zh) 2023-05-04 2023-05-04 基于迭代优化模型的区域客运量预测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310483536.2A CN116227737B (zh) 2023-05-04 2023-05-04 基于迭代优化模型的区域客运量预测方法、系统及设备

Publications (2)

Publication Number Publication Date
CN116227737A CN116227737A (zh) 2023-06-06
CN116227737B true CN116227737B (zh) 2023-08-18

Family

ID=86575343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310483536.2A Active CN116227737B (zh) 2023-05-04 2023-05-04 基于迭代优化模型的区域客运量预测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116227737B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6185626B1 (ja) * 2016-05-02 2017-08-23 株式会社福山コンサルタント 手段別ｏｄ交通量の実数推計方法、手段別ｏｄ交通量の実数推計装置、手段別ｏｄ交通量の実数推計プログラム、並びに情報記録媒体
CN109034506A (zh) * 2018-09-18 2018-12-18 中铁第五勘察设计院集团有限公司 一种综合客运枢纽联运交通客流量预测方法
CN110415508A (zh) * 2019-09-04 2019-11-05 广州市交通规划研究院 一种基于城市引力的区域客运交通模型构建方法
CN110968952A (zh) * 2019-11-28 2020-04-07 南通理工学院 基于智能函数组合优化gm(1,1)模型的客运量预测方法
CN111091196A (zh) * 2019-11-15 2020-05-01 佳都新太科技股份有限公司 客流数据确定方法、装置、计算机设备和存储介质
CN112184281A (zh) * 2020-04-03 2021-01-05 广州市交通规划研究院 一种基于出行空间分类的铁路枢纽客运需求预测方法
CN113033921A (zh) * 2021-04-28 2021-06-25 北京市交通信息中心 一种基于多元逐步回归分析的公交线路客流预测方法
CN113611105A (zh) * 2021-07-09 2021-11-05 东南大学 一种城市交通出行需求总量预测方法
CN114723275A (zh) * 2022-04-01 2022-07-08 东南大学 一种面向综合交通系统的客运生成总量分析方法
CN116030616A (zh) * 2021-10-22 2023-04-28 交通运输部规划研究院 一种利用大数据进行交通量预测的方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6185626B1 (ja) * 2016-05-02 2017-08-23 株式会社福山コンサルタント 手段別ｏｄ交通量の実数推計方法、手段別ｏｄ交通量の実数推計装置、手段別ｏｄ交通量の実数推計プログラム、並びに情報記録媒体
CN109034506A (zh) * 2018-09-18 2018-12-18 中铁第五勘察设计院集团有限公司 一种综合客运枢纽联运交通客流量预测方法
CN110415508A (zh) * 2019-09-04 2019-11-05 广州市交通规划研究院 一种基于城市引力的区域客运交通模型构建方法
CN111091196A (zh) * 2019-11-15 2020-05-01 佳都新太科技股份有限公司 客流数据确定方法、装置、计算机设备和存储介质
CN110968952A (zh) * 2019-11-28 2020-04-07 南通理工学院 基于智能函数组合优化gm(1,1)模型的客运量预测方法
CN112184281A (zh) * 2020-04-03 2021-01-05 广州市交通规划研究院 一种基于出行空间分类的铁路枢纽客运需求预测方法
CN113033921A (zh) * 2021-04-28 2021-06-25 北京市交通信息中心 一种基于多元逐步回归分析的公交线路客流预测方法
CN113611105A (zh) * 2021-07-09 2021-11-05 东南大学 一种城市交通出行需求总量预测方法
CN116030616A (zh) * 2021-10-22 2023-04-28 交通运输部规划研究院 一种利用大数据进行交通量预测的方法及装置
CN114723275A (zh) * 2022-04-01 2022-07-08 东南大学 一种面向综合交通系统的客运生成总量分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于协同学的区域综合交通系统客运生成研究;周凡;《现代交通与冶金材料》;第27-34页 *

Also Published As

Publication number Publication date
CN116227737A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
WO2022241802A1 (zh) 复杂路网下的短时交通流量预测方法、存储介质和系统
Ding et al. Research on using genetic algorithms to optimize Elman neural networks
CN102183621A (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN110619419B (zh) 城市轨道交通的客流预测方法
CN108629450A (zh) 一种液化天然气公交车尾气排放预测方法
CN112668822A (zh) 科技成果转化平台共享系统、方法、存储介质、手机app
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN114119110A (zh) 一种工程造价清单归集系统及其方法
CN113920379B (zh) 一种基于知识辅助的零样本图像分类方法
CN116933946A (zh) 一种基于客流去向结构的轨道交通od客流预测方法及系统
Lei et al. Prediction of PM2. 5 concentration considering temporal and spatial features: A case study of Fushun, Liaoning Province
CN116227737B (zh) 基于迭代优化模型的区域客运量预测方法、系统及设备
CN117726460A (zh) 一站式理赔方法、系统、终端及存储介质
CN116644562B (zh) 一种新能源电站运维费用评估系统
CN116631203A (zh) 结合交通流预测与强化学习的自适应交通信号控制方法
CN115511230A (zh) 一种电能替代潜力分析预测方法
CN116187506A (zh) 考虑气象分类的短期风电功率组合概率预测方法及系统
CN111859783B (zh) 水压预测方法、系统、存储介质、设备、城市供水系统
Zhao et al. Short-term Wind Power Prediction Method Based on GCN-LSTM
CN114065624A (zh) 一种炼化装置管网完整性管理水平智能评估方法
Ji et al. Ship traffic flow forecast of Qingdao port based on LSTM
CN113807704A (zh) 一种城市轨道交通数据的智能算法平台构建方法
CN113344247A (zh) 一种基于深度学习的电力设施选址预测方法与系统
Wang et al. A novel interval type-2 fuzzy consensus reaching process model and group decision-making method for renewable energy investment
CN117878979B (zh) 基于电储能的功率平衡及动态补偿系统

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