交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensatio...交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensation,MCEC).针对传统预测模型不能兼顾时间序列和协变量的问题,提出基于小波分析的特征拓展方法,该方法引入聚类算法得到节假日标签特征,将拥堵指数、交通事故图、天气信息作为拓展特征,对特征进行多尺度分解.在训练阶段,为达到充分学习各部分数据、最优匹配模型的效果,采用差分整合移动平均自回归模型(Autoreg Ressive Integrated Moving Average Model,ARIMA)、长短期记忆神经网络(Long Short-Term Memory network,LSTM)、限制动态时间规整技术(Dynamic Time Warping,DTW)以及自注意力机制(Self-Attention),设计了多模态协同模型训练.在误差补偿阶段,将得到的相应过程值输入基于支持向量机回归(Support Vector Regression,SVR)的误差补偿模块,对各分量的误差进行学习、补偿,并重构得到预测结果.使用公开的高速公路数据集对MCEC进行验证,在多个时间间隔下对比实验结果表明,MCEC在交通流量预测中的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)达到17.02%,比LSTM-SVR、ConvLSTM(Convolutional Long Short-Term Memory network)、ST-GCN(Spatial Temporal Graph Convolutional Networks)、MFFB(Multi-stream Feature Fusion Block)、Transformer等预测模型具有更高的预测精度,MCEC模型具有较好的有效性与合理性.展开更多
为提高商务链系统的协同效果以及和谐性,提出了协同商务链的和谐监控机制.基于不和谐度概念,计算出企业系统各要素的直接不和谐矩阵与完全不和谐矩阵,在完全不和谐矩阵的基础上推导出各要素的不和谐度、受制约度以及绝对不和谐度,根据...为提高商务链系统的协同效果以及和谐性,提出了协同商务链的和谐监控机制.基于不和谐度概念,计算出企业系统各要素的直接不和谐矩阵与完全不和谐矩阵,在完全不和谐矩阵的基础上推导出各要素的不和谐度、受制约度以及绝对不和谐度,根据不和谐度和受制约度构造各要素的 D C空间分布结构图,描述出各要素的可控性与和谐性.研究结果表明,该机制能够帮助企业快速寻找出企业自身的不和谐要素,并通过对分布在不和谐区内各要素的有效改善,提高整个企业组织与商务系统的和谐性与市场竞争力.展开更多
文摘为提高商务链系统的协同效果以及和谐性,提出了协同商务链的和谐监控机制.基于不和谐度概念,计算出企业系统各要素的直接不和谐矩阵与完全不和谐矩阵,在完全不和谐矩阵的基础上推导出各要素的不和谐度、受制约度以及绝对不和谐度,根据不和谐度和受制约度构造各要素的 D C空间分布结构图,描述出各要素的可控性与和谐性.研究结果表明,该机制能够帮助企业快速寻找出企业自身的不和谐要素,并通过对分布在不和谐区内各要素的有效改善,提高整个企业组织与商务系统的和谐性与市场竞争力.
