基于深度学习的人群流量预测方法研究

来源 :华东交通大学 | 被引量 : 0次 | 上传用户:zcktjbb
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
人群流量的准确预测对于政府部门有效且合理的管理交通资源、提高群众出行体验、改善道路交通安全环境等来说具有重要意义。然而,由于人群流量数据具有特殊性,它是一种复杂的时空数据,建立人群流量预测模型时必须同时考虑其时间依赖关系和空间依赖关系。此外,人群流量还受事件、天气等外部因素的影响。因此,想要准确的预测人群流量绝非易事。传统人群流量预测方法的研究对象通常是单一区域的人群流动模式,而这些方法只考虑人群流动的部分时空依赖关系,未对整个时空依赖关系做一个全面准确的衡量。因此,本文将会考虑影响人群流量变化的各种因素,并对人群流量进行建模和预测。本文将城市区域划分为一个个的网格区域,利用人群流动的轨迹数据来表示和计算人群流量,以此得到了人群流量在时间轴上的张量表示。针对网格区域之间的人群流量预测问题,本文提出了一种基于深度学习的人群流量预测模型—基于密集连接的卷积神经网络和带注意力机制的门控循环神经网络的时空预测模型(DCAST),该模型对影响人群流量的各种因素进行了合理的统一建模,也更加准确的预测了预测区域的人群流入流量和流出流量。另外,为了更好的捕获区域间的时间依赖关系,本文设计了一个带有注意机制的门控循环单元模块,实验结果表明,带注意力机制的门控循环单元模块在本文提出的DCAST模型中发挥了重要作用。针对城市区域人群流量预测中的时空依赖问题,DCAST模型将时间轴划分为三个部分:Short-Term Dependence、Period Rule、Long-Term Dependence,用这三个模块分别对区域人群流量中的短时依赖关系、周期规律和长期依赖关系进行描述,每个模块均由结合Dense Net和基于注意力机制的GRU的网络结构组成,其中的Dense Net网络用来描述空间依赖关系,而基于注意力机制的GRU用来描述时间依赖关系。然后,对三个部分的输出进行加权融合。针对影响人群流量的外部因素,本文提出的DCAST模型通过一个两层全连接网络来进行外部特征提取。最后,将前三个部分融合的结果与外部模块的输出集成,从而对各区域的人群流量进行预测。另外,本文分别在两个真实数据集,即纽约共享单车轨迹数据集Bike NYC和北京出租车轨迹数据集Taxi BJ上对DCAST模型进行了实验,得到的RMSE分别为5.53和15.70。实验表明,DCAST模型的预测结果比传统的时间序列预测方法以及其他同类基于深度学习的预测方法更加准确和可靠。
其他文献
学位
学位
学位
不同的云型反映了不同的大气情况及发展变化,预示着未来的天气变化过程,例如直展云通常与危害性天气相关。气象卫星具有时间连续、空间分辨率高、覆盖范围广等优点,可提供更多光谱信息。因此,自动识别卫星云图是遥感领域的研究热点之一。早期的云分类方法都以光谱通道的特征数据为主进行云分类。然而,仅使用光谱特征对卫星云图分类时,存在不同云类的光谱特征相同、同一云类光谱特征不同的问题,分类效果不太理想。考虑使用卷积
异常是指各种不符合估计或违反常规条件的数据或行为,广泛存在于如信用卡消费中欺诈行为、数据库中数据泄露、网络入侵以及工业控制系统等各应用领域中。异常往往比正常所携带的信息更多也更为重要,比如设备运行异常则意味着系统可能存在故障或被人为恶意攻击。因此,快速准确地检测出系统异常,对保障信息基础设施的安全,有着重要的现实意义。针对当前无监督异常检测算法对于不同类型的高维数据检测效果差的问题,本文在通过深入
学位
学位
智能交通系统(Intelligent Transportation System,简称ITS)作为智慧城市建设的重要一环,将多种高科技技术融入到交通诱导等领域中,例如,人工智能技术、传感器技术等。加强车联网(Internet of Vehicles,简称Io V)与用户之间的联系,从而形成安全、高效、节能的综合运输体系。车辆检测,跟踪及预测是智慧交通系统中一个重要研究热点,然而在实际应用的环境中,
近年来,随着电子计算机系统的不断发展,在处理一些大数据时,出现了能耗高、并行处理能力不足以及计算率低的问题。而三值光学计算机具有能耗低、巨位数可并行运算以及可按位重构的特点,这些特点使得它在处理大规模数据的计算问题时具有一定的优势。基于三值光学计算机具有以上的这些优势,本文将研究采用三值光学计算机求解大规模的最短路径问题。本文的研究内容包括:利用三值光学计算机数据位易扩展和巨位数并行的特点提出全并