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
基于组合深度学习的轨道交通短时进站客流预测模型
被引量：
8
1
作者
李淑庆
李伟
+1 位作者
刘耀鸿
马波
《重庆交通大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第2期92-99,共8页
针对轨道交通短时进站客流考虑不充分和特征学习不全面而导致预测精度不高的问题,选取客流特征、天气、空气质量和道路交通拥堵指数等多个因素,提出了一种基于组合深度学习的轨道交通短时进站客流预测模型(CNN-ResNet-BiLSTM)。基于卷...
针对轨道交通短时进站客流考虑不充分和特征学习不全面而导致预测精度不高的问题,选取客流特征、天气、空气质量和道路交通拥堵指数等多个因素,提出了一种基于组合深度学习的轨道交通短时进站客流预测模型(CNN-ResNet-BiLSTM)。基于卷积神经网络(CNN)对多因素客流时间序列进行自动提取,在CNN网络中插入多个残差神经网络(ResNet)来加深网络深度,利用双向长短时记忆神经网络(BiLSTM)捕捉前后两个方向的客流时间序列特征并得到预测结果;以杭州市全网80个站点工作日的进站客流为例,验证了该模型的有效性。研究结果表明:与常用的几种模型相比,多因素CNN-ResNet-BiLSTM组合模型的均方根误差(E RMS)至少降低了8.50%,平均绝对误差(E MA)至少降低了6.74%,平均绝对百分比误差(E MPA)至少降低了6.52%。
展开更多
关键词
交通工程
短时客流预测
组合深度学习
轨道进站客流
在线阅读
下载PDF
职称材料
基于产业链传导机制的锡金属价格组合预测研究
2
作者
向先迪
李云煜
+2 位作者
金刊
罗光武
刘春学
《中国矿业》
北大核心
2025年第2期244-255,共12页
锡是用途广泛的关键矿产资源,为维护锡产业的国际竞争力,需要关注产业链的发展,同时,近年来锡金属价格呈现剧烈波动,采用合理的方式预测锡金属价格对保障经济发展和资源安全具有重要意义。本文根据锡产品的生产过程将锡产业链细化,将产...
锡是用途广泛的关键矿产资源,为维护锡产业的国际竞争力,需要关注产业链的发展,同时,近年来锡金属价格呈现剧烈波动,采用合理的方式预测锡金属价格对保障经济发展和资源安全具有重要意义。本文根据锡产品的生产过程将锡产业链细化,将产业链价格波动传导机制作为一个整体与深度学习组合预测模型结合,并构建时间卷积双向门控循环单元融合注意力机制模型,即TCN-BiGRU-Attention组合模型来预测锡金属价格,得出以下结论:(1)锡产业链上下游其他产品价格波动及锡制造过程的产品价格波动,会通过锡产业链的传导效应引起锡锭价格变化,国际锡锭价格也会对国内锡锭价格产生影响,应该将产业链因素融入锡金属价格预测过程,以提高价格预测准确性,进而提高产业链效率和响应能力。(2)深度学习组合模型与单一的深度学习模型相比,组合模型能够有效降低误差,提高锡金属价格的预测精度,与真实值更加贴近,加入Attention机制后模型的预测性能有所提高。(3)考虑产业链因素后的价格预测结果误差比不考虑产业链因素的价格预测结果误差有所降低,在图形的拟合性,尤其是高值与低值的拟合方面表现出更优效果。为维护锡市场稳定,应重视产业链传导机制对价格预测的影响,关注国际锡金属价格和其他大宗商品价格,合理预测和及时调控锡金属价格,保障经济高质量发展和国家战略资源安全。
展开更多
关键词
锡金属
产业链传导机制
价格预测
深度
学习
组合
TCN-BiGRU-Attention模型
在线阅读
下载PDF
职称材料
多因素融合下基于AGC-LSTM的短时交通速度预测
3
作者
陈雨佳
高明霞
+1 位作者
向万里
莫俊文
《现代电子技术》
2025年第18期9-16,共8页
为了更准确地预测快速变化的城市环境中短时交通速度的动态变化,在考虑历史数据、天气因素和周围兴趣点(POI)的基础上,进一步融入路况因素,构建了特征融合组件(EF-Component)。基于现有深度学习模型,研究多种因素作用下融合图卷积网络(G...
为了更准确地预测快速变化的城市环境中短时交通速度的动态变化,在考虑历史数据、天气因素和周围兴趣点(POI)的基础上,进一步融入路况因素,构建了特征融合组件(EF-Component)。基于现有深度学习模型,研究多种因素作用下融合图卷积网络(GCN)、长短期记忆(LSTM)网络和注意力机制的城市短时交通速度预测模型(EF-AGC-LSTM)。先利用特征融合组件将多种影响因素进行综合,再利用GCN和LSTM提取交通速度的时空特征,通过将GCN嵌入到LSTM门控计算中来同步获取数据的时空特征;然后利用注意力机制自动识别并加强关键外部因素的影响特征,提升模型的性能表现。在深圳市罗湖区的速度数据集上进行实例验证,结果显示:与基线模型相比,EF-AGC-LSTM的预测效果有较大提升,与传统的GCN-LSTM模型相比,预测的平均绝对误差(MAE)和均方根误差(RMSE)分别降低4.3%和3.3%,准确率提高1.4%。此外,在引入路况因素后,预测的MAE和RMSE分别降低了1.22%和0.87%。综合考虑多种影响因素可以使得短时交通速度的预测效果得到进一步提升,且EF-AGC-LSTM模型可以良好地实现多因素融合下的短时交通速度预测,满足城市管理的需要。
展开更多
关键词
智能交通
短时交通速度预测
特征融合
组合深度学习
图卷积网络
长短期记忆网络
注意力机制
在线阅读
下载PDF
职称材料
题名
基于组合深度学习的轨道交通短时进站客流预测模型
被引量：
8
1
作者
李淑庆
李伟
刘耀鸿
马波
机构
重庆交通大学交通运输学院
出处
《重庆交通大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第2期92-99,共8页
基金
国家自然科学基金项目(52078070)
重庆交通大学研究生科研创新资助项目(CYS21355)。
文摘
针对轨道交通短时进站客流考虑不充分和特征学习不全面而导致预测精度不高的问题,选取客流特征、天气、空气质量和道路交通拥堵指数等多个因素,提出了一种基于组合深度学习的轨道交通短时进站客流预测模型(CNN-ResNet-BiLSTM)。基于卷积神经网络(CNN)对多因素客流时间序列进行自动提取,在CNN网络中插入多个残差神经网络(ResNet)来加深网络深度,利用双向长短时记忆神经网络(BiLSTM)捕捉前后两个方向的客流时间序列特征并得到预测结果;以杭州市全网80个站点工作日的进站客流为例,验证了该模型的有效性。研究结果表明:与常用的几种模型相比,多因素CNN-ResNet-BiLSTM组合模型的均方根误差(E RMS)至少降低了8.50%,平均绝对误差(E MA)至少降低了6.74%,平均绝对百分比误差(E MPA)至少降低了6.52%。
关键词
交通工程
短时客流预测
组合深度学习
轨道进站客流
Keywords
traffic engineering
short term passenger flow prediction
combined deep learning
rail transit inbound passenger flow
分类号
U293.13 [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
基于产业链传导机制的锡金属价格组合预测研究
2
作者
向先迪
李云煜
金刊
罗光武
刘春学
机构
云南师范大学管理学院
云南财经大学物流与管理工程学院
云南财经大学经济学院
出处
《中国矿业》
北大核心
2025年第2期244-255,共12页
基金
国家自然科学基金项目“物理机理为基础的高精度地学时空多变量协同统计模型研究”资助(编号:42062020)
云南省教育厅科学研究基金项目“基于产业链传导机制的锡金属价格组合预测研究”资助(编号:2024Y549)
云南省高校服务重点产业科技项目“云南锡产业“三链”融合发展研究”资助(编号:FWCY-BSPY2024096)。
文摘
锡是用途广泛的关键矿产资源,为维护锡产业的国际竞争力,需要关注产业链的发展,同时,近年来锡金属价格呈现剧烈波动,采用合理的方式预测锡金属价格对保障经济发展和资源安全具有重要意义。本文根据锡产品的生产过程将锡产业链细化,将产业链价格波动传导机制作为一个整体与深度学习组合预测模型结合,并构建时间卷积双向门控循环单元融合注意力机制模型,即TCN-BiGRU-Attention组合模型来预测锡金属价格,得出以下结论:(1)锡产业链上下游其他产品价格波动及锡制造过程的产品价格波动,会通过锡产业链的传导效应引起锡锭价格变化,国际锡锭价格也会对国内锡锭价格产生影响,应该将产业链因素融入锡金属价格预测过程,以提高价格预测准确性,进而提高产业链效率和响应能力。(2)深度学习组合模型与单一的深度学习模型相比,组合模型能够有效降低误差,提高锡金属价格的预测精度,与真实值更加贴近,加入Attention机制后模型的预测性能有所提高。(3)考虑产业链因素后的价格预测结果误差比不考虑产业链因素的价格预测结果误差有所降低,在图形的拟合性,尤其是高值与低值的拟合方面表现出更优效果。为维护锡市场稳定,应重视产业链传导机制对价格预测的影响,关注国际锡金属价格和其他大宗商品价格,合理预测和及时调控锡金属价格,保障经济高质量发展和国家战略资源安全。
关键词
锡金属
产业链传导机制
价格预测
深度
学习
组合
TCN-BiGRU-Attention模型
Keywords
tin metal
industry chain transmission mechanism
price forecast
deep learning combination
TCN-BiGRU-Attention model
分类号
TD-9 [矿业工程]
F407.1 [经济管理—产业经济]
F416.1 [经济管理—产业经济]
在线阅读
下载PDF
职称材料
题名
多因素融合下基于AGC-LSTM的短时交通速度预测
3
作者
陈雨佳
高明霞
向万里
莫俊文
机构
兰州交通大学交通运输学院
出处
《现代电子技术》
2025年第18期9-16,共8页
基金
国家自然科学基金资助项目(62262037)。
文摘
为了更准确地预测快速变化的城市环境中短时交通速度的动态变化,在考虑历史数据、天气因素和周围兴趣点(POI)的基础上,进一步融入路况因素,构建了特征融合组件(EF-Component)。基于现有深度学习模型,研究多种因素作用下融合图卷积网络(GCN)、长短期记忆(LSTM)网络和注意力机制的城市短时交通速度预测模型(EF-AGC-LSTM)。先利用特征融合组件将多种影响因素进行综合,再利用GCN和LSTM提取交通速度的时空特征,通过将GCN嵌入到LSTM门控计算中来同步获取数据的时空特征;然后利用注意力机制自动识别并加强关键外部因素的影响特征,提升模型的性能表现。在深圳市罗湖区的速度数据集上进行实例验证,结果显示:与基线模型相比,EF-AGC-LSTM的预测效果有较大提升,与传统的GCN-LSTM模型相比,预测的平均绝对误差(MAE)和均方根误差(RMSE)分别降低4.3%和3.3%,准确率提高1.4%。此外,在引入路况因素后,预测的MAE和RMSE分别降低了1.22%和0.87%。综合考虑多种影响因素可以使得短时交通速度的预测效果得到进一步提升,且EF-AGC-LSTM模型可以良好地实现多因素融合下的短时交通速度预测,满足城市管理的需要。
关键词
智能交通
短时交通速度预测
特征融合
组合深度学习
图卷积网络
长短期记忆网络
注意力机制
Keywords
intelligent transportation
short-term traffic speed prediction
feature fusion
combinatorial deep learning
graph convolutional network
long and short-term memory network
attention mechanism
分类号
TN711-34 [电子电信]
U491.14 [电子电信—电路与系统]
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
基于组合深度学习的轨道交通短时进站客流预测模型
李淑庆
李伟
刘耀鸿
马波
《重庆交通大学学报（自然科学版）》
CAS
CSCD
北大核心
2024
8
在线阅读
下载PDF
职称材料
2
基于产业链传导机制的锡金属价格组合预测研究
向先迪
李云煜
金刊
罗光武
刘春学
《中国矿业》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
多因素融合下基于AGC-LSTM的短时交通速度预测
陈雨佳
高明霞
向万里
莫俊文
《现代电子技术》
2025
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
