Tomcat Synchnorized map遍历 webpack vector build datatables download mui Parsley vue教程入门 系统后台模板 flink教程视频 jquery事件绑定方法 css获取最后一个元素 cos图像和sin图像 matlab网页版 python正则表达式 python如何注释 python命令 java入门级教程 java正则表达式详解 学java基础 java创建对象 系统集成项目管理工程师教程 生存猎人属性 go2lan 远程桌面管理软件 图片轮播代码 视频md5修改器 文字转语音工具 男网红头像 0x000007a 虚拟声卡驱动 磁芯大战 jquery下载 allowtransparency 摇骰子表情包 js字符串转数字 g4560配什么显卡
当前位置: 首页 > 学习教程  > 编程语言

【论文泛读11】利用时空图卷积神经网络预测全市地铁车站级短期客流

2021/2/13 16:21:23 文章标签: 测试文章如有侵权请发送至邮箱809451989@qq.com投诉后文章立即删除

贴一下汇总贴:论文阅读记录 论文链接:《Predicting Station-Level Short-Term Passenger Flow in a Citywide Metro Network Using Spatiotemporal Graph Convolutional Neural Networks》 一、摘要 地铁网络客流预测对交通管理和公共安全具有重要意义…

贴一下汇总贴:论文阅读记录

论文链接:《Predicting Station-Level Short-Term Passenger Flow in a Citywide Metro Network Using Spatiotemporal Graph Convolutional Neural Networks》

一、摘要

地铁网络客流预测对交通管理和公共安全具有重要意义。然而,这样的预测是非常具有挑战性的,因为客流受到复杂的空间依赖关系(远近)和时间依赖关系(近期和周期性)的影响。在本文中,我们提出了一种基于深度学习的新方法,名为STGCNNmetro (spatiotemporal graph convolutional neural networks for metro),用于共同预测城市每个地铁站的两种类型的客流量——流入和流出。STGCNNmetro将城市地铁网络转化为图,并利用图卷积神经网络(GCNNs)进行预测,而不是用网格表示地铁站点,并利用传统的卷积神经网络(CNNs)捕捉时空相关性。首先,我们应用立体图卷积运算来无缝捕捉沿着地铁网络的不规则时空依赖性。其次,构建了一个由gcnn组成的深层结构,以捕捉整个城市层面的遥远时空依赖关系。最后,我们整合三个时间模式(近期、每日和每周),并融合从这些模式中获取的时空相关性,形成最终的预测值。STGCNNmetro模型是一个端到端框架,它可以接受原始客流量数据,自动捕捉全市地铁网络的有效特征,并输出预测结果。我们通过对上海地铁网络短期客流量的预测来测试这个模型。实验表明,STGCNNmetro模型优于7个已知的基线模型(LSVR、PCA - kNN、NMF - kNN、贝叶斯模型、MLR、M - CNN和LSTM)。此外,我们还探讨了模型对其参数的敏感性和预测误差的分布。

文章主要内容

提出了一种时空图卷积神经网络模型,称为STGCNNmetro,用于预测全市地铁网络的客流量和客流量。我们将立体图卷积核应用于历史地铁客流量-客运量-时间序列,以无缝捕捉地铁网络沿线站点之间的不规则时空依赖关系。此外,构建了一个由gcnn组成的深层结构,以捕捉整个城市层面的遥远时空依赖关系。最后,我们融合从近期、每日和每周模式中获取的时空相关性,形成最终的客流量和客流量预测值。

二、结论

  • STGCNNmetro模型优于LSVR、PCA - kNN、NMF - kNN、Bayesian、MLR、M - CNN和LSTM等7个基线模型。
  • 实现了“端到端”的预测,可以接受原始的地铁客流量数据,并自动捕捉全市地铁网络的有效特征。
  • 通过讨论STGCNNmetro模型结果的空间和时间误差分布,我们得出结论,误差与大多数预测目标的实际值呈正相关。

未来可能的研究方向:

  • 进一步优化模型的网络结构和参数,探索预测点异常的原因。
  • 继续设计一种“端到端”的DL模型,用于地铁客流量的多步预测。

三、理论介绍

用图表示地铁网络客流量的时间序列

图卷积操作

利用立体图卷积来捕捉不规则的时空依赖关系

使用深度GCNNs捕捉全网层面遥远的时空依赖关系

利用时空GCNNs预测全市地铁车站短期客流量


本文链接: http://www.dtmao.cc/news_show_700022.shtml

附件下载

相关教程

    暂无相关的数据...

共有条评论 网友评论

验证码: 看不清楚?