检索结果-维普期刊中文期刊服务平台

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... 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

均匀系统超精细群共振自屏计算组合函数变阶迭代深度学习方法: 2; 作者刘东陈奇隆 +1 位作者张乾于嘉蕾《原子能科学技术》北大核心 2025年第10期2352-2362,共11页; 共振自屏计算在反应堆物理分析中发挥着至关重要的作用,传统上超精细群方法是公认的高精度方法,但也存在计算效率不高、几何适应性不强等挑战。当前,深度学习计算方法在求解中子扩散/输运方程等领域已取得了显著成效,这为共振自屏计算... 展开更多; 关键词共振自屏计算超精细群慢化方程组合函数变阶迭代深度学习均匀系统; 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: 3; 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... 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: 4; 作者陈雨佳高明霞 +1 位作者向万里莫俊文《现代电子技术》北大核心 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... 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

基于时间卷积-Transformer模型的多场景地铁短时进站客流预测: 5; 作者王小敏张悦晗《同济大学学报(自然科学版)》 2025年第11期1737-1745,共9页; 为更好地预测不同场景下城市轨道交通短期进站客流,提出一种基于时间卷积-Transformer组合深度学习模型的多场景进站客流预测方法。该方法考虑时序特征等客流内部特征及日期属性等周期影响因素,通过特征嵌入层构造多因素客流特征输入矩... 展开更多; 关键词城市交通短时客流预测组合深度学习模型时序卷积网络 Transformer模型; 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

题名均匀系统超精细群共振自屏计算组合函数变阶迭代深度学习方法: 2; 作者刘东陈奇隆张乾于嘉蕾; 机构中国核动力研究设计院先进核能技术全国重点实验室中核核能软件与数字化反应堆工程技术研究中心浙江大学物理学院中国核电工程有限公司河北分公司; 出处《原子能科学技术》北大核心 2025年第10期2352-2362,共11页; 基金国家部委基础科研稳定支持项目(WDZC-2023050305) 四川省揭榜挂帅项目(2023YFG0373) 先进核能技术全国重点实验室稳定支持项目(GFE2023E-20210510-KT00002)。; 文摘共振自屏计算在反应堆物理分析中发挥着至关重要的作用,传统上超精细群方法是公认的高精度方法,但也存在计算效率不高、几何适应性不强等挑战。当前,深度学习计算方法在求解中子扩散/输运方程等领域已取得了显著成效,这为共振自屏计算提供了新的技术途径。为此,本文针对均匀系统的超精细群共振自屏计算,提出了“组合函数变阶迭代”(简称组合变阶)深度学习方法:将慢化方程中待求的慢化能谱与总截面相乘形成组合函数;同时,将方程包含的所有积分项分别变换为被积函数对应的原函数,从而将积分形式的慢化方程变换为微分方程;然后,用深度神经网络分别表示组合函数及不同的原函数,并构造各种神经网络函数对应的加权损失函数;针对这些神经网络进行交替迭代深度学习,减小损失函数到极小值,从而实现慢化方程的求解。本文针对多个例题进行了数值验证,得到了慢化能谱的连续能量分.布,并解决了多个核素的共振干涉问题,从而为超精细群共振自屏计算探索了新的技术途径。; 关键词共振自屏计算超精细群慢化方程组合函数变阶迭代深度学习均匀系统; Keywords resonance self-shielding calculation hyper-fine group slowing-down equation composite function antiderivative transformation iterative deep learning homogeneous system; 分类号 TL329 [核科学技术—核技术及应用]; 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: 3; 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: 4; 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兰州交通大学经济管理学院; 出处《现代电子技术》北大核心 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—电路与系统] U491.14 [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

题名基于时间卷积-Transformer模型的多场景地铁短时进站客流预测: 5; 作者王小敏张悦晗; 机构西南交通大学信息科学与技术学院; 出处《同济大学学报(自然科学版)》 2025年第11期1737-1745,共9页; 基金四川省科技计划项目(2024ZHCG0001,2025YFHZ0161) 上海轨道交通无人驾驶列控系统工程技术研究中心开放课题(SUTC-2024KT-02)。; 文摘为更好地预测不同场景下城市轨道交通短期进站客流,提出一种基于时间卷积-Transformer组合深度学习模型的多场景进站客流预测方法。该方法考虑时序特征等客流内部特征及日期属性等周期影响因素,通过特征嵌入层构造多因素客流特征输入矩阵,利用时序卷积网络TCN和因果注意力Transformer两个模块并行提取并学习客流数据的局部与全局信息,然后由全连接层构成的预测层输出预测结果。利用上海体育场站客流数据和相关信息验证模型的有效性,并与多个对比模型的预测结果进行比较。实验结果表明:TCN-Transformer模型能够更好地捕捉不同场景下的进站客流特征,具有更好的预测精度和泛化能力。与其他几种模型相比,本文模型的均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)至少分别降低8.42%、7.32%和6.18%。; 关键词城市交通短时客流预测组合深度学习模型时序卷积网络 Transformer模型; Keywords urban traffic short term passenger flow prediction combined deep learning model Temporal Convolutional Network(TCN) Transformer model; 分类号 U231.92 [交通运输工程]; 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	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	均匀系统超精细群共振自屏计算组合函数变阶迭代深度学习方法	刘东陈奇隆张乾于嘉蕾	《原子能科学技术》北大核心	2025	0	在线阅读下载PDF 职称材料
3	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
4	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》北大核心	2025	0	在线阅读下载PDF 职称材料
5	基于时间卷积-Transformer模型的多场景地铁短时进站客流预测	王小敏张悦晗	《同济大学学报(自然科学版)》	2025		在线阅读下载PDF 职称材料