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
基于多尺度时空图卷积网络的交通出行需求预测
1
作者
李欢欢
黄添强
+2 位作者
丁雪梅
罗海峰
黄丽清
《计算机应用》
CSCD
北大核心
2024年第7期2065-2072,共8页
满足公众高质量出行需求是智能交通系统(ITS)的主要挑战之一。目前,针对公共交通出行需求预测问题,现有模型大多采用固定结构的图描述出行需求的空间相关性,忽略了出行需求在不同尺度下具有不同的空间依赖关系。针对上述问题,提出一种...
满足公众高质量出行需求是智能交通系统(ITS)的主要挑战之一。目前,针对公共交通出行需求预测问题,现有模型大多采用固定结构的图描述出行需求的空间相关性,忽略了出行需求在不同尺度下具有不同的空间依赖关系。针对上述问题,提出一种多尺度时空图卷积网络(MSTGCN)模型。该模型首先从全局尺度和局部尺度构建全局需求相似图和局部需求相似图,这2种图可以捕获公共交通出行需求长期内较为稳定的全局特征和短期内动态变化的局部特征。利用图卷积网络(GCN)提取2种图中的全局空间信息和局部空间信息,并引入注意力机制融合两种空间信息。为了拟合时间序列中潜藏的时间依赖关系,利用门控循环单元(GRU)捕捉公共交通需求的时变特征。采用纽约市出租车订单数据集和自行车订单数据集进行实验,结果表明MSTGCN模型在自行车订单数据集上均方根误差(RMSE)、平均绝对误差(MAE)和皮尔逊相关系数(PCC)达2.7886、1.7371、0.7992,在出租车订单数据集上RMSE、MAE、PCC达9.5734、5.8612、0.9631。可见,MSTGCN模型可以有效地挖掘公共交通出行需求的多尺度时空特性,对未来公共交通出行需求进行准确预测。
展开更多
关键词
公共交通
出行需求预测
图卷积网络
时空数据挖掘
注意力机制
深度学习
智能交通系统
在线阅读
下载PDF
职称材料
基于3D卷积和LSTM编码解码的出行需求预测
被引量：
4
2
作者
滕建
滕飞
李天瑞
《计算机科学》
CSCD
北大核心
2021年第12期195-203,共9页
可靠的区域出行需求预测能够为交通资源的调度和规划提供合理有效的建议。但是,出行预测是一个非常具有挑战性的问题,面临海量的时空大数据建模问题,如何有效地提取时空大数据中的空间特征和时间特征,成为当前城市计算的研究热点。文中...
可靠的区域出行需求预测能够为交通资源的调度和规划提供合理有效的建议。但是,出行预测是一个非常具有挑战性的问题,面临海量的时空大数据建模问题,如何有效地提取时空大数据中的空间特征和时间特征,成为当前城市计算的研究热点。文中提出了一种基于3D卷积和编码-解码注意力机制的需求预测模型(3D Convolution and Encoder-Decoder Attention Demand Forecasting,3D-EDADF),用于同时预测城市区域的出行需求流入量和流出量。3D-EDADF模型首先利用3D卷积来提取时空数据的时空相关性,然后使用LSTM编码解码来对时间依赖性进行捕获,并结合注意力机制来描述流入流出的差异性。3D-EDADF模型对临近依赖性、日常依赖性和周期依赖性这3种时间依赖特征进行混合建模,然后将它们的多维特征进行加权融合得到最终的预测结果。采用真实的出行需求数据集进行了大量的实验,结果表明,与基准模型相比,3D-EDADF模型的整体预测误差较低,具有较好的预测性能。
展开更多
关键词
出行需求预测
时空大数据
3D卷积
编码-解码
注意力机制
在线阅读
下载PDF
职称材料
基于活动的城市出行需求层次选择模型
被引量：
1
3
作者
杨超
缪子山
史晟
《同济大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2012年第10期1504-1509,共6页
以2010年绵阳市传统居民出行调查数据为基础,研究从传统居民出行调查数据中提取基于活动模型建模所需特性数据的方法和流程,并提出了以方式/目的地选择模型、时间选择模型和日活动模式选择模型为主体的层次选择模型结构,就数据处理、模...
以2010年绵阳市传统居民出行调查数据为基础,研究从传统居民出行调查数据中提取基于活动模型建模所需特性数据的方法和流程,并提出了以方式/目的地选择模型、时间选择模型和日活动模式选择模型为主体的层次选择模型结构,就数据处理、模型结构、变量选择、模型标定等提出一个完整的基于活动模型的分析方法,从而实现了基于活动的交通需求预测.
展开更多
关键词
基于活动的模型
出行需求预测
方式/目的地联合选择
时间选择
日活动模式选择
在线阅读
下载PDF
职称材料
题名
基于多尺度时空图卷积网络的交通出行需求预测
1
作者
李欢欢
黄添强
丁雪梅
罗海峰
黄丽清
机构
福建师范大学计算机与网络空间安全学院
出处
《计算机应用》
CSCD
北大核心
2024年第7期2065-2072,共8页
基金
国家自然科学基金资助项目(62072106)
福建省自然科学基金资助项目(2022J01188,2020J01168,2022J01190)
福建省教育厅中青年教师教育科研项目(JAT210051)。
文摘
满足公众高质量出行需求是智能交通系统(ITS)的主要挑战之一。目前,针对公共交通出行需求预测问题,现有模型大多采用固定结构的图描述出行需求的空间相关性,忽略了出行需求在不同尺度下具有不同的空间依赖关系。针对上述问题,提出一种多尺度时空图卷积网络(MSTGCN)模型。该模型首先从全局尺度和局部尺度构建全局需求相似图和局部需求相似图,这2种图可以捕获公共交通出行需求长期内较为稳定的全局特征和短期内动态变化的局部特征。利用图卷积网络(GCN)提取2种图中的全局空间信息和局部空间信息,并引入注意力机制融合两种空间信息。为了拟合时间序列中潜藏的时间依赖关系,利用门控循环单元(GRU)捕捉公共交通需求的时变特征。采用纽约市出租车订单数据集和自行车订单数据集进行实验,结果表明MSTGCN模型在自行车订单数据集上均方根误差(RMSE)、平均绝对误差(MAE)和皮尔逊相关系数(PCC)达2.7886、1.7371、0.7992,在出租车订单数据集上RMSE、MAE、PCC达9.5734、5.8612、0.9631。可见,MSTGCN模型可以有效地挖掘公共交通出行需求的多尺度时空特性,对未来公共交通出行需求进行准确预测。
关键词
公共交通
出行需求预测
图卷积网络
时空数据挖掘
注意力机制
深度学习
智能交通系统
Keywords
public traffic demand prediction
Graph Convolutional Network(GCN)
spatial-temporal data mining
attention mechanism
deep learning
Intelligent Transportation System(ITS)
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
基于3D卷积和LSTM编码解码的出行需求预测
被引量：
4
2
作者
滕建
滕飞
李天瑞
机构
西南交通大学计算机与人工智能学院
综合交通大数据应用技术国家工程实验室
出处
《计算机科学》
CSCD
北大核心
2021年第12期195-203,共9页
基金
国家重点研发计划项目(2019YFB2101802)
四川省重点研发项目(2021YFG0312)。
文摘
可靠的区域出行需求预测能够为交通资源的调度和规划提供合理有效的建议。但是,出行预测是一个非常具有挑战性的问题,面临海量的时空大数据建模问题,如何有效地提取时空大数据中的空间特征和时间特征,成为当前城市计算的研究热点。文中提出了一种基于3D卷积和编码-解码注意力机制的需求预测模型(3D Convolution and Encoder-Decoder Attention Demand Forecasting,3D-EDADF),用于同时预测城市区域的出行需求流入量和流出量。3D-EDADF模型首先利用3D卷积来提取时空数据的时空相关性,然后使用LSTM编码解码来对时间依赖性进行捕获,并结合注意力机制来描述流入流出的差异性。3D-EDADF模型对临近依赖性、日常依赖性和周期依赖性这3种时间依赖特征进行混合建模,然后将它们的多维特征进行加权融合得到最终的预测结果。采用真实的出行需求数据集进行了大量的实验,结果表明,与基准模型相比,3D-EDADF模型的整体预测误差较低,具有较好的预测性能。
关键词
出行需求预测
时空大数据
3D卷积
编码-解码
注意力机制
Keywords
Travel demand prediction
Spatial-temporal big data
3D convolution
Encoder-decoder
Attention mechanism
分类号
TP181 [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
基于活动的城市出行需求层次选择模型
被引量：
1
3
作者
杨超
缪子山
史晟
机构
同济大学道路与交通工程教育部重点实验室
上海市城市规划设计研究院
出处
《同济大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2012年第10期1504-1509,共6页
基金
新世纪优秀人才支持计划(NCET-08-0406)
国家自然科学基金(71171147)
文摘
以2010年绵阳市传统居民出行调查数据为基础,研究从传统居民出行调查数据中提取基于活动模型建模所需特性数据的方法和流程,并提出了以方式/目的地选择模型、时间选择模型和日活动模式选择模型为主体的层次选择模型结构,就数据处理、模型结构、变量选择、模型标定等提出一个完整的基于活动模型的分析方法,从而实现了基于活动的交通需求预测.
关键词
基于活动的模型
出行需求预测
方式/目的地联合选择
时间选择
日活动模式选择
Keywords
activity-based model travel demand forecast mode/destination choice time choice daily activity pattern choice
分类号
U491 [交通运输工程—交通运输规划与管理]
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
基于多尺度时空图卷积网络的交通出行需求预测
李欢欢
黄添强
丁雪梅
罗海峰
黄丽清
《计算机应用》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于3D卷积和LSTM编码解码的出行需求预测
滕建
滕飞
李天瑞
《计算机科学》
CSCD
北大核心
2021
4
在线阅读
下载PDF
职称材料
3
基于活动的城市出行需求层次选择模型
杨超
缪子山
史晟
《同济大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2012
1
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
