共查询到20条相似文献，搜索用时 46 毫秒
1.
交通预测对于交通智能管控具有重要的作用,实时准确的交通速度预测是相关研究领域中亟待解决的问题。传统预测方法难以应对日益复杂的交通数据,深度学习作为一种以数据为导向的新技术,在交通预测领域得到了广泛应用。综合利用城市道路交通的时空关联特征,搭建基于长短期记忆(LSTM)的城市道路交通速度预测模型,模型在时间特征上考虑了近历史时刻和远历史时刻的速度信息,以及待预测时刻的时刻值;在空间特征上集成了目标路段的上下游路段速度信息。基于武汉市出租车GPS数据和高德开放交通数据,开展数据处理与路段速度预测实验,分析预测模型参数与特征对预测结果的影响,并通过与传统方法的对比验证模型的有效性。 相似文献
2.
准确、可靠的短时客流预测可为城市轨道交通提供运营决策支持。本研究以基于Transformer机制的LSTM网络、深度注意力模块和CNN网络为基础,提出了城市轨道交通网络级多步短时客流预测模型（STIPM）。该预测模型由3个分支组成,分支一以时间序列进站客流为输入,提出了基于Transformer机制的LSTM网络提取该数据中的时间相关性;分支二以基于时间步的OD数据为输入,提出了深度注意力模块挖掘数据中大量的时间、空间相关性,利用基于时间步的OD数据能够更好地展现站间联系紧密程度和全局信息,从而完成了拓扑网络信息提取;分支三的输入为POI数据,使用CNN网络获取其时空相关性,并作为时间与空间特征之间的纽带。为了保证在预测精度足够高的条件下,获得更长的预测时间和更详细的预测信息,本文采用“神经网络多输出”策略,完成了多步预测任务。本文在2个大规模城市轨道交通真实数据集中对该模型进行测试,并将预测结果与10个基准模型和4个消融实验模型进行对比,在RMSE、MAE与WMAPE评估指标中,STIPM模型均得到最高的预测精度,结果表明该模型具有一定的优越性与鲁棒性。 相似文献
3.
乘客出行需求预测是智能交通系统的组成部分,准确的出行需求预测,对于车辆调度具有重要的意义;然而现有的预测方法无法准确的挖掘其潜在的时空相关性,且大都忽略历史流入量对出行需求的影响。为了进一步挖掘时空大数据中的时空特性及提升模型预测乘客出行需求的精度,本文提出了一种乘客出租出行需求短时预测CLAB(Conv-LSTM Attention BiLSTM)模型。CLAB模型设置了3个模块分别为基于注意力机制的Conv-LSTM模块和2个BiLSTM模块,基于注意力机制的Conv-LSTM模块提取临近时刻乘客出行需求量中的空间特征和短时时间特征,其中注意力机制能自动分配不同的权重来判别不同时间的需求量序列重要性;为了探索长期时间特征,用2个BiLSTM模块来提取历史流入量序列时间特征和日乘客需求量序列的时间特征。采用厦门岛的网约车和巡游车的订单数据进行实验,结果表明：(1) CLAB模型更适用于使用30 min历史数据预测未来5 min短时乘客出行需求;(2)与基准预测模型相比,CLAB模型的整体的效果误差更低,具有更好的预测效果,CLAB模型比CNN-LSTM、LSTM、BiLSTM、CNN... 相似文献
4.
在智能交通系统中,准确和高效的短时交通流量预测是交通诱导、管理和控制的前提。由于交通流量动态变化中表现出的时变性和非平稳性特征,其预测难度较大,是交通领域中亟待解决的难题。为提高短时交通流量的预测精度,本文设计与实现了基于自适应时序剖分与KNN（A-TS-KNN）的短时交通流量预测算法。① 基于动态时间规整（Dynamic Time Warping,DTW）动态剖分单日时序为不同的交通模式;② 在不同交通模式,采用互信息法求解每个预测时刻时间延迟的最大阈值,构造不同时间延迟的状态向量,生成交通流量历史数据库;③ 采用十次十折交叉验证的方法求解每个时刻不同时间延迟与不同K值的正交误差结果分布,提取误差最小的正交结果,得到自适应时间延迟与K值的参数组合;④ 采用K个最相似的近邻的距离倒数加权值作为预测结果。对比K近邻（K-nearest neighbors, KNN）、支持向量回归（Support vector regression,SVR）、长短期记忆神经网络（Long-short term memory neural network,LSTM）以及门控递归单元神经网络（Gate recurrent unit neural network,GRU）共4种主流预测模型,A-TS-KNN算法预测精度显著提升;将A-TS-KNN算法用于福州市城市路网中其他交叉路口的短时交通流量预测,结果表现出良好的泛化能力。 相似文献
5.
模拟传染病时空传播、定量评估疫情风险对科学防控、精准施策具有重要的现实意义。本文融合多源时空数据,构建了耦合LSTM算法和云模型的疫情传播风险预测模型。该模型首先基于GIS和LSTM算法构建疫情空间演变模拟模型,通过学习历史疫情数据中的规律,以1 km×1 km为空间尺度、天为时间尺度模拟传染病时空传播过程。其次,基于模拟传染病例数据和疫情传播时空影响因素构建风险评价指标,应用云模型和自适应策略构建疫情风险评估模型,实现多空间尺度的疫情风险评价。在实证研究阶段,应用该模型对北京2020年6月份突发COVID-19疫情空间演变过程进行模拟和风险评估,并引入常规机器学习模型作比较验证。结果表明：应用于疫情时空传播模拟,相较其它常规的机器学习模型,考虑时序关系的LSTM模型的模拟精度更高（MAE为0.00261）,拟合度更好（R-square为0.9455）;耦合模型不仅能充分考虑传染源因素、天气因素、疫情扩散因素及疫情防御因素对疫情风险传播的影响,反映风险演变趋势,还能快速量化区域风险等级,实现不同空间分辨率下的疫情风险评估。因此,基于LSTM算法和云模型的耦合模型可有效预测疫情的传播风险,同时,也为传染病时空传播建模与风险评估提供了方法参考。 相似文献
6.
引入变分模态分解(VMD)和双向长短期记忆(BiLSTM)神经网络进行大坝变形预测研究。首先采用VMD降低大坝原始数据非线性和非平稳性对预测结果的影响;其次使用猎食者算法(HPO)对BiLSTM进行参数优化,构建基于VMD-HPO-BiLSTM的大坝变形预测模型;最后以某水电站大坝为例,将该模型预测结果与LSTM、BiLSTM和VMD-BiLSTM模型的预测结果进行对比分析。实验结果表明,VMD-HPO-BiLSTM模型的RMSE、MAE和MAPE分别为0.446 mm、0.264 mm、18.593%,均优于其他3种模型,预测精度最高。 相似文献
7.
王江荣 《大地测量与地球动力学》2017,37(5):511-515
提出加权复合分位数自回归模型对隧道围岩变形进行预测的新方法,并给出其原理和实现算法。以昆明市阳宗隧道为例,对加权复合分位数自回归预测模型进行计算,并与其他模型进行对比分析。结果表明,新方法预测效果优于非加权复合分位数估值的AR(2)模型、基于最小二乘参数估计的自回归预测、经遗传算法优化的支持向量机等预测方法。 相似文献
8.
针对传统或流行的基于时间序列的预测模型,探索出一种适用于网格化城市管理的成体系的案件预测方法。分别采用博克斯-詹金斯法、Auto-ARIMA以及LSTM模型,对近几年北京市6个城区各站点网格化管理问题案件数量进行预测,通过对比不同模型方法间准确度和实用性,以MAPE为精度评价指标,分析各个模型应用在城市网格化问题预测方面优势与劣势。研究发现,Auto-ARIMA适合进行对网格化管理问题数量趋势预测,博克斯-詹金斯法在解决滞后性问题中预测准确率很高,但由于预测流程烦琐,因此实用性较差,LSTM预测效果相对准确且平稳,可以在样本输入量、参数以及自身架构上进行进一步优化。 相似文献
9.
为提高PM2.5浓度预测的时效和精度,本文综合大气污染物、GNSS水汽和风速等观测要素,利用FFT与LSTM神经网络方法构建PM2.5浓度预测模型,开展未来24 h的PM2.5浓度预测研究。首先对大气污染物、GNSS水汽和风速等观测要素进行快速傅里叶变换,提取各类要素的公共变化周期,获得最佳公共周期为216 h;然后选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM2.5浓度作为模型输出,分别以PM2.5单要素的RBF神经网络和融合大气污染物、风速、GNSS水汽的LSTM神经网络构建PM2.5浓度预测模型;最后利用实测PM2.5浓度序列分别对2种模型开展外部可靠性检验,将RMSE和IA作为评价指标进行模型精度评价。研究结果表明,基于FFT-LSTM的PM2.5浓度预测模型的RMSE和IA分别为16.22 μg/m3和84.36%,模型预测精度较好,可有效预测未来24 h的PM2.5浓度,该模型可为大气污染防治部门空气质量预测提供参考。 相似文献
10.
短时交通流量预测是交通控制和诱导涉及的关键技术问题,由于短时交通流量存在不确定性和时变性,其预测难度较大,是相关研究领域与工程实践中亟待解决的难题。为提高短时交通流量预测的准确性,本文设计与实现了基于相似数据聚合和变K值KNN(KNN-SDA)的短时交通流量预测算法。该算法首先采用互信息法在经过预处理的交通流量数据集提取交通流量序列最佳延迟时间信息,生成状态向量,并构建交通流量历史数据库;然后以本文所提出的相似数据聚合方法完成历史数据的聚合与清洗得到训练数据集;最后通过交叉验证确定每个时刻的最优K近邻数,完成算法实现。实验结果表明,本文提出的变K值KNN-SDA算法在保证执行效率的同时能明显提高短时交通流量的预测精度。 相似文献
11.
基于手机定位数据的城市人口分布近实时预测 总被引：3，自引：0，他引：3
精细时空尺度下城市人口分布的近实时预测可为优化公共资源配置、协助城市交通诱导、制定公共安全应急预案、探索城市居民活动规律等提供重要科学依据。本文采用城市手机定位数据,基于时间序列分析方法,分别建立参数预测模型和非参数预测模型,对精细尺度下的城市人口空间分布开展近实时预测。预测结果表明,基于时间序列分析方法的预测模型可为精细尺度下的城市人口分布近实时预测提供方法支持;在本文实验条件下,从人口规模、时空分布、多时间尺度、特殊事件等多个角度评估模型精度,非参数预测模型其预测误差均小于参数预测模型,且预测结果更为稳定。 相似文献
12.
结合加权非等距GM(1,1)模型与线性回归理论,构建灰线性加权非等距GM(1,1)预测模型,并给出对模型预测精度起决定性作用的灰指数v和参数m的优化方法。与加权非等距GM(1,1)模型和线性回归预测模型相比,灰线性加权非等距GM(1,1)预测模型的精度更高,预测有效时间更长,模型的稳定性更好。优化v和m后,灰线性加权非等距GM(1,1)预测模型的实用性、稳定性进一步提高。 相似文献
13.
为实现精准的旅游景区客流量的高时频预测,本研究构建了一套基于LBS和深度学习模型的预测方法。此方法可通过对LBS数据的转换实现预测的空间范围与时频控制,并通过方法的核心模型——基于双向循环神经网络和GRU算法构建的深度双向GRU(DBi-GRU)模型完成预测。为检验方法的有效性,研究以深圳大梅沙海滨公园为例对方法进行实验测试。实验使用拟合曲线、误差指标及DM检验3种方法评估DBi-GRU模型的预测效果。此外,实验还设置了其他五种深度学习模型作为DBi-GRU的对照模型,测试基于不同深度学习算法的模型之间的预测水平差异。实验结果表明:(1)本研究提出的DBi-GRU模型在景区客流量高时频预测中具有理想的预测效果,在高峰时段的客流量预测方面也具有较高准确性,预测效果明显优于其他深度学习模型;(2)基于双向循环网络的模型的效果普遍优于基于常规循环网络的模型。尤其是基于双向LSTM算法的模型,虽然预测的准确度略逊色于DBi-GRU模型,但在模型性能上与其的差异并不显著;(3)在相同网络参数下,GRU算法较前人采用的LSTM和RNN算法有着更高的预测准确性。本研究为客流量预测领域的研究提供了一种... 相似文献
14.
利用平移反幂法特征值求权方法,对两种地表沉降预测模型(Logistic模型和Richards模型)进行加权组合。以深圳地铁人民南车站、鹿丹村车站和长沙地铁东四线车站为例,运用新的加权Logistic-Richards组合模型对地铁施工期间地表沉降进行拟合和预测,对比验证了该组合模型的优越性。 相似文献
15.
提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。 相似文献
16.
在空气污染日益严重的情况下进行空气污染物的预测工作是十分必要的。针对城市的空气污染物预测,提出了一种基于神经网络的混合模型方法:通过全连接神经网络方法,结合长短期记忆网络(Long Short-Term Memory,LSTM)方法,将历史空气污染物数据与大气数据进行空间与时间上的挖掘分析。运用全连接和LSTM两种神经网络方法混合的形式,与传统的单一模型方法相比,不仅能摆脱单一模型特征空间的局限性,还能提高预测的精度,具有更大的应用性和操作性。最后,以武汉市为例通过实验证明该混合模型较单一模型在空气污染物预测上具有更高的精度。 相似文献
17.
基于混沌时间序列的地下水位多步预测模型 总被引：3，自引：0，他引：3
利用相空间重构技术,并借助G-P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取Lyapunov指数,结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟和最大Lyapunov指数,将局域加权一阶多步预测模型应用于地下水位预测。预测表明,此模型可有效应用于地下水位时间序列的多步预测。 相似文献
18.
本文应用灰色GM(1,2)建模方法,提出了水质富营养化单项指标的一种新的预测模型。该模型用于湖水总磷度的预测实例表明预测值与实际值拟合较好。本文还将GM(1,2)预测模型与 Vollenweider预测模型进行了比较。 相似文献
19.
交通路况在时间上和空间上具有连续变化的特征,在时空维度上对交通路况进行高分辨率采样得到的数据,对研究交通路况的时空动态十分有利。但长时间大范围的高分辨率交通路况信息数据量巨大,给数据的组织和管理带来了困难。目前,尚没有一种成熟的时空数据模型对高时空分辨率交通路况数据进行高效(顾及数据存储与访问效率)的组织管理。本文提出一种基于线性参照系统的交通路况基态修正模型。此模型应用基态修正模型的基本思想,在时间维度上对交通路况数据进行无损压缩,又引入动态分段技术和线性参照系统,以路划作为交通路况载体,在空间维度上对交通路况数据进行压缩存储。利用成都市区真实交通路况数据,本文验证了此模型的有效性,比较了6种不同参数下交通路况基态修正模型的存储和访问效率,给出了最佳模型建议。 相似文献
20.
可解释的准确预测PM2.5浓度变化可以有助于人类规避暴露风险,对人类健康风险评估和政策实施具有重要意义。目前已有PM2.5浓度预测模型过多专注于提升模型预测精度,但忽略了模型的可解释性,造成模型可复用性和可信任度较差。鉴于此,本文提出了一种兼顾模型预测精度与模型可解释性的注意力时空常微分方程模型(Attentional SpatioTemporal Ordinary Differential Equation,ASTODE)用于PM2.5浓度预测任务。具体而言,本文将神经常微分方程集成至PM2.5浓度预测任务中,以提升预测模型的可解释性。此外,针对传统神经常微分方程难以挖掘PM2.5浓度数据中空间依赖关系的挑战,本文提出了一种新颖时空导数网络将传统神经常微分方程扩展到了时空常微分方程。针对传统神经常微分方程难以挖掘PM2.5浓度数据中长期依赖关系的挑战,本文设计了一种时空注意力机制去融合多个时间节点的隐藏状态。本文采用真实的PM2.5... 相似文献