检索结果-内蒙古大学图书馆

重庆交通大学学报（自然科学版） 2024年第2期43卷 92-99页

作者：李淑庆李伟刘耀鸿马波重庆交通大学交通运输学院重庆400074

针对轨道交通短时进站客流考虑不充分和特征学习不全面而导致预测精度不高的问题,选取客流特征、天气、空气质量和道路交通拥堵指数等多个因素,提出了一种基于组合深度学习的轨道交通短时进站客流预测模型(CNN-ResNet-BiLSTM)。基于卷... 详细信息

针对轨道交通短时进站客流考虑不充分和特征学习不全面而导致预测精度不高的问题,选取客流特征、天气、空气质量和道路交通拥堵指数等多个因素,提出了一种基于组合深度学习的轨道交通短时进站客流预测模型(CNN-ResNet-BiLSTM)。基于卷积神经网络(CNN)对多因素客流时间序列进行自动提取,在CNN网络中插入多个残差神经网络(ResNet)来加深网络深度,利用双向长短时记忆神经网络(BiLSTM)捕捉前后两个方向的客流时间序列特征并得到预测结果;以杭州市全网80个站点工作日的进站客流为例,验证了该模型的有效性。研究结果表明:与常用的几种模型相比,多因素CNN-ResNet-BiLSTM组合模型的均方根误差(E RMS)至少降低了8.50%,平均绝对误差(E MA)至少降低了6.74%,平均绝对百分比误差(E MPA)至少降低了6.52%。

关键词：交通工程短时客流预测组合深度学习轨道进站客流

来源：评论

学校读者我要写书评

暂无评论

城轨多模态客流的组合深度学习预测方法

引用

综合运输 2025年第2期47卷 88-95页

作者：吴波朱广宇太原中铁轨道交通建设运营有限公司太原030032 山西大学自动化与软件学院太原030031 北京交通大学北京市城市交通信息智能感知与服务工程技术研究中心北京100044

城市轨道交通中的客流在不同场景下呈现不同的模态。多模态难以准确识别并直接影响客流预测的准确性。本文采用模态分解及深度学习提出了一种客流预测算法(VMD-MST-Resnets)。首先通过变分模态分解(VMD)获得不同频率及复杂度的客流模态... 详细信息

城市轨道交通中的客流在不同场景下呈现不同的模态。多模态难以准确识别并直接影响客流预测的准确性。本文采用模态分解及深度学习提出了一种客流预测算法(VMD-MST-Resnets)。首先通过变分模态分解(VMD)获得不同频率及复杂度的客流模态分量;其次,结合样本熵指标对模态分量进行评估,并通过K-means聚类算法对相似的分量进行重构,获得高频、中频、低频以及残余分量;最终,构建多频率深度时空残差网络(MST-Resnets),其中包含着多个结构不同的时空残差网络(STResnet),结合影响客流模态变化的因素对重构后的分量进行预测,并融合分量预测获得了最终的客流预测结果。与CNN,LSTM,RNN,ST-Resnet以及CEEMDAN-MST-Resnets等基准算法进行了对比实验,结果表明本文提出的预测方法在RMSE以及sMAPE这两项指标中均有较大提升,特别是在sMAPE中降低27.573%以上,说明了本文方法的准确性和有效性。

关键词：城市轨道交通客流预测模态分解深度时空残差网络组合深度学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的时序数据预测研究与应用

基于深度学习的时序数据预测研究与应用

引用

作者：于春潇兰州交通大学

学位级别：硕士

随着大数据、人工智能技术的快速发展以及各类移动传感设备及技术的普及,人们获取了海量的区域时空数据,即地理背景下的近邻多点时空数据。针对这些时空数据进行分析以及建模预测研究可以为城市规划、灾害防护、资源管理等社会经济活动... 详细信息

随着大数据、人工智能技术的快速发展以及各类移动传感设备及技术的普及,人们获取了海量的区域时空数据,即地理背景下的近邻多点时空数据。针对这些时空数据进行分析以及建模预测研究可以为城市规划、灾害防护、资源管理等社会经济活动提供重要的决策支持基础,从而产生出巨大的经济和社会效益。近些年来,国内外针对近邻多点时序数据的预测模型有多种,但在空间关联、运行效率、预测精度等方面仍存在一定的局限性。目前,近邻多点时序数据预测研究的挑战如下:1.不同节点间的数据样本量差异较大、数据分布可能不同,且特征存在较大异质性,因此无法使用同一个模型实现准确的多点建模;2.该类时空数据具有复杂的空间维度及多元特征,现有模型无法有效捕捉其高维非线性时空耦合特征,因此需要考虑数据多元时空特征的融合;3.对时空数据的预测任务需要极高的时效性及精确性,但其庞大的规模和数据量使得现有模型无法快速训练,因此无法及时得到预测结果。针对这些挑战,本文分别基于迁移学习和图结构分析理论设计组合深度学习模型进行多点时空数据预测,并结合上述两种理论在不同角度的优点,构建更高效的子图迁移时空预测模型。本文的主要工作和贡献总结如下:(1)针对多点时序数据预处理过程中存在的问题,分别提出数据分量分解算法、源域数据选取算法及小样本数据增强算法,为后续模型的训练提供良好的数据基础。(2)构建基于迁移学习的两阶段组合深度学习预测模型对空间近邻多点数据进行预测。该方法将预训练得到的基础模型迁移至所覆盖的多个近邻节点上进行微调训练,这样既可以保留该区域节点上普遍存在的时空特性,又对每个节点的异质性进行有效处理,因此使得整个区域多节点的预测精度表现较优。该方法可解决空间中不同节点间样本量差异较大、数据分布不同的问题。以三峡水库白水河地区滑坡位移预测任务及美国Pe MSD8高速公路交通流预测任务为例,与其它广泛应用的时序预测方法相比,该模型为近邻多点时序数据的预测提供了较好的解决方案。(3)构建基于图结构分析的近邻多点时空预测模型。该模型通过多个并联的Transformer网络对所有节点的时序特性进行编码,然后使用基于注意力机制的图卷积神经网络对节点间的空间耦合特性进行解码分析。该模型可解决节点中存在的多元时空关联问题。以美国加州高速公路数据集Pe MSD4及Pe MSD8交通流预测任务为例,与其它广泛应用的交通流预测方法相比,该模型为图结构时空数据的预测提供了一定的参考价值。(4)构建基于子图迁移的近邻多点时空预测模型。该模型结合子图划分、图结构分析理论、迁移学习等方法极大缩短模型训练时间。首先将复杂全图数据拆分为多个平衡子图,并在源域子图上进行基于图结构分析的基础模型预训练,然后将基础模型迁移至其他子图中进行微调训练。同时,加入子图间“骨干节点”注意力机制对子图间节点邻接关系进行分析。最终得到预测结果。以美国Pe MSD8交通流预测任务为例,该方法无论是在训练时间,还是模型精度上,均优于上述其它模型。

关键词：近邻多点时空数据组合深度学习迁移学习注意力机制子图划分

来源：评论

学校读者我要写书评

暂无评论

基于多因素融合的城市道路短时交通流预测方法研究

基于多因素融合的城市道路短时交通流预测方法研究

引用

作者：李瑞燕长安大学

学位级别：硕士

近年来,智能交通系统作为一种高效的技术手段,被广泛应用于城市交通管理领域。实时、准确的交通信息能够辅助智能交通系统实现有效的交通管理与控制。实时掌握并准确预测交通流信息,满足智能交通系统对于交通信息的数据需求,可为城市路... 详细信息

近年来,智能交通系统作为一种高效的技术手段,被广泛应用于城市交通管理领域。实时、准确的交通信息能够辅助智能交通系统实现有效的交通管理与控制。实时掌握并准确预测交通流信息,满足智能交通系统对于交通信息的数据需求,可为城市路网运行效率和服务水平的改善提升提供良好基础。本文基于对城市道路短时交通流时空特性及其影响因素的分析,结合深度学习理论构建短时交通流预测模型,为城市交通管控提供实时准确的交通信息支撑。本文以城市道路为研究对象,首先梳理短时交通流预测方法和对象、短时预测中交通流特性提取方法及交通流特性影响因素的相关文献;其次,对交通流时空特性及其影响因素进行分析,为模型构建奠定理论基础;接着,为了更深入地捕捉交通流时空特性,本文提出一种基于组合深度学习的短时交通流预测模型(简称CDL模型),该模型结合了时空卷积块和长短时记忆网络的优势,使用时间序列的图结构交通流数据作为模型输入,对城市路网短时交通流进行多步时空预测;然后,考虑到交通流时空特性受到天气等其他因素干扰,本文以CDL模型为基础,融合影响交通流特性的周期因素、时间因素、天气因素和路段特征因素,提出一种基于多因素融合的短时交通流预测模型(简称MFCDL模型);最后,以西安市高新区出租车运营轨迹数据为基础,设计并实施模型效果验证实验,证明了本文提出的CDL模型与MFCDL模型在短时交通流预测场景下应用的适用性和可靠性。实验结果表明:(1)CDL模型的整体预测性能优于传统时间序列模型和基础深度学习模型,验证了合理使用组合模型充分挖掘交通流时空特性能够有效提升模型的预测精度;(2)MFCDL模型的整体预测性能优于未考虑多因素的其他预测模型,验证了有效利用交通流特性影响因素能够提高模型预测精度;(3)通过对MFCDL模型的四种融合因素进行敏感性分析,可知周期因素在提升模型预测精度方面影响显著。随着预测时间步的增加,临近组件对模型预测精度的影响程度逐渐降低,周周期组件的影响程度逐渐增强;同时,时间因素和天气因素对模型预测精度的影响程度逐渐增强,路段特征因素的影响程度逐渐降低。本文针对城市道路短时交通流预测问题提出了合理可行的模型方法,并探究分析了考虑多因素时对于模型预测效果的影响,为深度学习方法应用于交通预测场景的可解释性研究提供一种分析思路,同时也验证了深度学习在不同短时交通流预测场景下的适用性和实用性,为短时交通流预测研究提供一定理论支撑和应用实践。

关键词：短时交通流预测时空特性组合深度学习多因素融合

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：