城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆(SLSTM,Stacked Long ...城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆(SLSTM,Stacked Long Short Term Memory)模型的基础上,引入遗传算法(GA,Genetic Algorithm),构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络(RNN,Recurrent Neural Network)模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。展开更多
文中提出了一种基于路段关联度的城市交通流量Apriori-LSTM(Apriori-long short term memory network)预测模型.处理卡口检测器数据,统计交通量并提取车辆轨迹,采用Apriori算法分析预测时段内目标路段与关联路段的时空相关性,计算关联...文中提出了一种基于路段关联度的城市交通流量Apriori-LSTM(Apriori-long short term memory network)预测模型.处理卡口检测器数据,统计交通量并提取车辆轨迹,采用Apriori算法分析预测时段内目标路段与关联路段的时空相关性,计算关联路段支持度;求解预测时段内关联路段到目标路段的流入量,构建LSTM预测的输入矩阵、并采用LSTM预测路段短时流量.采用实例进行验证,对迭代次数、隐藏层神经元个数和步长进行参数灵敏度分析,并与单一的LSTM预测结果进行比较.结果表明:Apriori-LSTM的平均绝对误差降至3.8%,平均绝对百分误差和平均均方误差均有显著降低,均等系数有所提高,模型稳定性更好,达到了更好预测效果.展开更多
随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果...随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合的WT-SLSTM(Wavelet Transform and Stacked Long Short Term Memory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。展开更多
针对视频转文字(video to text)存在的建模复杂和准确率低的问题,提出了基于自适应帧采样算法和双向长短时记忆模型的视频转文字方法.自适应帧采样算法能够动态地调整采样率,以提供尽量多的特征来训练模型;结合双向长短时记忆模型,能有...针对视频转文字(video to text)存在的建模复杂和准确率低的问题,提出了基于自适应帧采样算法和双向长短时记忆模型的视频转文字方法.自适应帧采样算法能够动态地调整采样率,以提供尽量多的特征来训练模型;结合双向长短时记忆模型,能有效学习视频中前面帧和未来帧的相关信息;同时,用于训练的特征是来自深度卷积神经网络的特征,使得这种双深度的网络结构能够学习视频帧在时空上的关联表示及全局依赖信息;帧信息的融合又增加了特征的种类,从而提升了实验效果.结果显示,在M-VAD和MPIIMD两个数据集中,文中的方法在METEOR中的评分均值分别为7.8%和8.6%,相对原S2VT模型分别提高了16.4%和21.1%,也提升了视频转文字的语言效果.展开更多
文摘城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆(SLSTM,Stacked Long Short Term Memory)模型的基础上,引入遗传算法(GA,Genetic Algorithm),构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络(RNN,Recurrent Neural Network)模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。
文摘文中提出了一种基于路段关联度的城市交通流量Apriori-LSTM(Apriori-long short term memory network)预测模型.处理卡口检测器数据,统计交通量并提取车辆轨迹,采用Apriori算法分析预测时段内目标路段与关联路段的时空相关性,计算关联路段支持度;求解预测时段内关联路段到目标路段的流入量,构建LSTM预测的输入矩阵、并采用LSTM预测路段短时流量.采用实例进行验证,对迭代次数、隐藏层神经元个数和步长进行参数灵敏度分析,并与单一的LSTM预测结果进行比较.结果表明:Apriori-LSTM的平均绝对误差降至3.8%,平均绝对百分误差和平均均方误差均有显著降低,均等系数有所提高,模型稳定性更好,达到了更好预测效果.
文摘随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合的WT-SLSTM(Wavelet Transform and Stacked Long Short Term Memory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。
文摘针对视频转文字(video to text)存在的建模复杂和准确率低的问题,提出了基于自适应帧采样算法和双向长短时记忆模型的视频转文字方法.自适应帧采样算法能够动态地调整采样率,以提供尽量多的特征来训练模型;结合双向长短时记忆模型,能有效学习视频中前面帧和未来帧的相关信息;同时,用于训练的特征是来自深度卷积神经网络的特征,使得这种双深度的网络结构能够学习视频帧在时空上的关联表示及全局依赖信息;帧信息的融合又增加了特征的种类,从而提升了实验效果.结果显示,在M-VAD和MPIIMD两个数据集中,文中的方法在METEOR中的评分均值分别为7.8%和8.6%,相对原S2VT模型分别提高了16.4%和21.1%,也提升了视频转文字的语言效果.
