城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时...
详细信息
城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时空变量模型、空间属性变量模型和环境变量模型3个子模型融合而成,可捕捉时空关联性、区域差异性和环境变化对供需缺口的影响.同时,提出特征聚类—最大信息系数两阶段特征选择方法,筛选与供需缺口相关性强的特征变量,提高训练效率,减少过拟合.滴滴出行实例分析证明,特征选择后的STDL模型预测精度显著优于BP神经网络、长短期记忆网络和卷积神经网络.
为适应未来智能网联环境下精细化交通流预测需求,提出一种基于混合深度学习(Hybrid Deep Learning, HDL)的车道级交通流速度预测模型.模型以智能网联系统强大的数据采集和计算能力为基础,采用集成经验模态分解算法将原始速度序列分解为...
详细信息
为适应未来智能网联环境下精细化交通流预测需求,提出一种基于混合深度学习(Hybrid Deep Learning, HDL)的车道级交通流速度预测模型.模型以智能网联系统强大的数据采集和计算能力为基础,采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量,并将所得分量重构为模型输入;利用双向长短期记忆神经网络和注意力机制,构建深度学习模型框架;为检验模型预测精度和可靠性,选择北京市二环路多个连续车道断面速度数据进行算法验证.结果表明,HDL模型在不同车道均有理想的预测结果,单步和多步预测精度均显著优于对比模型.
暂无评论