期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合节假日及天气特征的VMD-SSA-LSTM的高铁站出租车需求预测
1
作者
徐志君
刘曦
+3 位作者
郭媛
王宝锋
吴雅倩
桂小林
《计算机应用》
北大核心
2025年第S1期121-126,共6页
针对高铁站出租车供需失衡的问题,为了快速疏散高铁站旅客,并最大限度地减少旅客和司机的等待时间,提升旅客出行体验,提出一种融合节假日及天气特征的VMD-SSA-LSTM模型预测高铁站出租车需求量。首先,使用变分模态分解(VMD)分解时间序列...
针对高铁站出租车供需失衡的问题,为了快速疏散高铁站旅客,并最大限度地减少旅客和司机的等待时间,提升旅客出行体验,提出一种融合节假日及天气特征的VMD-SSA-LSTM模型预测高铁站出租车需求量。首先,使用变分模态分解(VMD)分解时间序列数据,以解决高铁站客流量不平稳的问题;其次,利用麻雀搜索算法(SSA)简化长短期记忆(LSTM)网络参数的选择过程;最后,结合多种环境特征预测某高铁站的出租车需求。人工采集该高铁站出租车需求的时间序列数据以及天气和节假日等特征后的实验结果表明,构建的融合多种特征的VMD-SSA-LSTM模型的平均绝对误差(MAE)为0.920 3、均方根误差(RMSE)为1.289 5、平均绝对百分比误差(MAPE)为0.187 6%,而拟合优度(R2)为0.991 0,显示所提模型适用于铁路枢纽的出租车需求量短时预测。
展开更多
关键词
出租车需求预测
长短期记忆网络
变分模态分解
麻雀搜索算法
在线阅读
下载PDF
职称材料
基于深度CNN-LSTM-ResNet组合模型的出租车需求预测
被引量：
24
2
作者
段宗涛
张凯
+2 位作者
杨云
倪园园
SAURAB Bajgain
《交通运输系统工程与信息》
EI
CSCD
北大核心
2018年第4期215-223,共9页
利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使...
利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.
展开更多
关键词
城市交通
出租车需求预测
深度神经网络
轨迹数据
数据融合
在线阅读
下载PDF
职称材料
融合出发地与目的地时空相关性的城市区域间出租车需求预测
被引量：
5
3
作者
魏远
林彦
+2 位作者
郭晟楠
林友芳
万怀宇
《计算机应用》
CSCD
北大核心
2023年第7期2100-2106,共7页
精准预测城市区域之间的出租车需求量,可以为出租车的引导和调度以及乘客的出行推荐提供决策支持信息,从而优化出租车的供需关系。然而现有模型大多以区域内的出租车需求量为建模和预测对象,对区域之间的时空相关性考虑不足,且较少关注...
精准预测城市区域之间的出租车需求量,可以为出租车的引导和调度以及乘客的出行推荐提供决策支持信息,从而优化出租车的供需关系。然而现有模型大多以区域内的出租车需求量为建模和预测对象,对区域之间的时空相关性考虑不足,且较少关注区域之间更细粒度的需求量预测。针对上述问题,提出一种面向城市区域间出租车需求量的预测模型——出发地—目的地融合时空网络(ODSTN)模型。该模型分别从区域和区域对两个空间维度以及临近、日、周三个时间维度出发,采用图卷积和时间注意力机制来捕获区域之间的复杂时空相关性,并设计了一种新的路径感知融合机制来对多角度的特征进行融合,最终实现了对城市区域间出租车需求量的预测。在成都和曼哈顿地区两个真实出租车订单数据集中进行了实验,结果表明ODSTN模型的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别为0.8971、3.5274、50.6556%和0.5896、1.1638、61.0794%。可见,ODSTN模型在出租车需求预测任务上具有较高的准确性。
展开更多
关键词
出租车需求预测
时空相关性
出发地—目的地
图卷积网络
注意力机制
在线阅读
下载PDF
职称材料
题名
融合节假日及天气特征的VMD-SSA-LSTM的高铁站出租车需求预测
1
作者
徐志君
刘曦
郭媛
王宝锋
吴雅倩
桂小林
机构
浙江浙大网新众合轨道交通工程有限公司
西安市轨道交通集团有限公司
西安交通大学电子与信息学部
出处
《计算机应用》
北大核心
2025年第S1期121-126,共6页
基金
国家重点研发计划项目(2022YFB3305503)
陕西省重点研发一般项目(2023-YBGY-403)。
文摘
针对高铁站出租车供需失衡的问题,为了快速疏散高铁站旅客,并最大限度地减少旅客和司机的等待时间,提升旅客出行体验,提出一种融合节假日及天气特征的VMD-SSA-LSTM模型预测高铁站出租车需求量。首先,使用变分模态分解(VMD)分解时间序列数据,以解决高铁站客流量不平稳的问题;其次,利用麻雀搜索算法(SSA)简化长短期记忆(LSTM)网络参数的选择过程;最后,结合多种环境特征预测某高铁站的出租车需求。人工采集该高铁站出租车需求的时间序列数据以及天气和节假日等特征后的实验结果表明,构建的融合多种特征的VMD-SSA-LSTM模型的平均绝对误差(MAE)为0.920 3、均方根误差(RMSE)为1.289 5、平均绝对百分比误差(MAPE)为0.187 6%,而拟合优度(R2)为0.991 0,显示所提模型适用于铁路枢纽的出租车需求量短时预测。
关键词
出租车需求预测
长短期记忆网络
变分模态分解
麻雀搜索算法
Keywords
taxi demand prediction
Long Short-Term Memory(LSTM)network
Variational Mode Decomposition(VMD)
Sparrow Search Algorithm(SSA)
分类号
TP399 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于深度CNN-LSTM-ResNet组合模型的出租车需求预测
被引量：
24
2
作者
段宗涛
张凯
杨云
倪园园
SAURAB Bajgain
机构
长安大学信息工程学院
出处
《交通运输系统工程与信息》
EI
CSCD
北大核心
2018年第4期215-223,共9页
基金
中央高校基本科研业务费创新团队支持项目(300102248404)
陕西省重点科技创新团队项目(2017KCT-29)
陕西省工业攻关项目(2018GY-136).
文摘
利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.
关键词
城市交通
出租车需求预测
深度神经网络
轨迹数据
数据融合
Keywords
urban traffic
taxi demand prediction
deep neural network
trajectory data
data fusion
分类号
U121 [交通运输工程]
在线阅读
下载PDF
职称材料
题名
融合出发地与目的地时空相关性的城市区域间出租车需求预测
被引量：
5
3
作者
魏远
林彦
郭晟楠
林友芳
万怀宇
机构
北京交通大学计算机与信息技术学院
交通数据分析与挖掘北京市重点实验室(北京交通大学)
民航旅客服务智能化应用技术重点实验室
出处
《计算机应用》
CSCD
北大核心
2023年第7期2100-2106,共7页
基金
中国博士后科学基金资助项目(2021M700365)。
文摘
精准预测城市区域之间的出租车需求量,可以为出租车的引导和调度以及乘客的出行推荐提供决策支持信息,从而优化出租车的供需关系。然而现有模型大多以区域内的出租车需求量为建模和预测对象,对区域之间的时空相关性考虑不足,且较少关注区域之间更细粒度的需求量预测。针对上述问题,提出一种面向城市区域间出租车需求量的预测模型——出发地—目的地融合时空网络(ODSTN)模型。该模型分别从区域和区域对两个空间维度以及临近、日、周三个时间维度出发,采用图卷积和时间注意力机制来捕获区域之间的复杂时空相关性,并设计了一种新的路径感知融合机制来对多角度的特征进行融合,最终实现了对城市区域间出租车需求量的预测。在成都和曼哈顿地区两个真实出租车订单数据集中进行了实验,结果表明ODSTN模型的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别为0.8971、3.5274、50.6556%和0.5896、1.1638、61.0794%。可见,ODSTN模型在出租车需求预测任务上具有较高的准确性。
关键词
出租车需求预测
时空相关性
出发地—目的地
图卷积网络
注意力机制
Keywords
taxi demand prediction
spatial-temporal correlation
origin-destination
Graph Convolutional Network(GCN)
attention mechanism
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
融合节假日及天气特征的VMD-SSA-LSTM的高铁站出租车需求预测
徐志君
刘曦
郭媛
王宝锋
吴雅倩
桂小林
《计算机应用》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于深度CNN-LSTM-ResNet组合模型的出租车需求预测
段宗涛
张凯
杨云
倪园园
SAURAB Bajgain
《交通运输系统工程与信息》
EI
CSCD
北大核心
2018
24
在线阅读
下载PDF
职称材料
3
融合出发地与目的地时空相关性的城市区域间出租车需求预测
魏远
林彦
郭晟楠
林友芳
万怀宇
《计算机应用》
CSCD
北大核心
2023
5
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
