排序方式： 共有3条查询结果，搜索用时 5 毫秒
1
1.
城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络（PredRNN）、图卷积预测递归神经网络（GC-PredRNN）和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。 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.
估计给定路径的行程时间在许多城市交通系统中起着重要作用，例如导航、路线规划和拼车等。然而，现有的大多数工作都侧重于对路段或交叉路口进行单独建模，这并不能准确估计行驶时间，因为交叉路口和路段作为路径的基本要素不仅各自包含多样化的空间属性和时间动态，而且它们之间还具备较强的耦合相关性。为了解决上述问题，本论文提出了一种新颖的端到端深度学习框架，即面向行程时间估计的对偶图卷积网络（DGCN-TTE）来对交叉路口和路段进行联合建模。具体来说，这个模型采用对偶图卷积方法来捕获路口和路段的复杂关系，其中构建节点图来刻画路口之间的相关性，构建边图来表征路段之间的交互特征。为了捕捉空间和时间特征的联合关系，模型中还引入了一种在捕捉时间依赖性的同时结合了从多个邻域范围内整合多尺度空间关系的时空学习模块。本论文通过对3个真实世界的轨迹数据集上的充分的实验来评估提出的DGCN-TTE模型，结果表明该模型显著优于现有的方法，评估指标相比于次优方法最多可以获得超过10%的提升。 相似文献
1