短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalou...短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalous factors,HDNNF-CAF)。该模型将邻接矩阵、交通流量矩阵及交通流其他参数矩阵结合异常数据处理理论,进行数据预处理和异常数据识别。建立异常数据时空特征提取理论,捕获异常数据时空信息;利用变分模态分解(VMD)降低交通流数据非平稳性,并提出图卷积网络(GCN)优化Informer理论分别对各个子序列进行特征提取,以组合生成交通流时空信息。最终结合异常数据与交通流数据的时空信息生成预测结果。在真实数据集PeMS04上进行验证,实验结果表明,HDNNF-CAF能够有效识别交通流异常数据,提高预测精度,优于一些现有方法。展开更多
下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值...下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值,也未有效提取和融合时空-类别信息的特征。为了解决上述问题,提出了一种融合人群移动轨迹和时空-类别的下一个兴趣点推荐模型(GGCN-STC)。依据用户的移动轨迹构建区域轨迹图,提出了门控图卷积神经网络对共同移动轨迹进行建模;将签到序列中的时空-类别信息进行多维度的特征融合;利用自注意力机制捕获用户偏好,为用户提供更准确的POI推荐。在两个真实数据集上进行实验比较与分析,结果表明该模型优于其他模型。展开更多
准确预测未来的交通流量是解决城市交通拥堵问题的关键。针对交通流预测中时间周期性特征提取不充分,空间特征挖掘不全面等问题,提出一种基于多时空特征与图注意力网络的交通流预测模型(multi-spatiotemporal features and graph attent...准确预测未来的交通流量是解决城市交通拥堵问题的关键。针对交通流预测中时间周期性特征提取不充分,空间特征挖掘不全面等问题,提出一种基于多时空特征与图注意力网络的交通流预测模型(multi-spatiotemporal features and graph attention network,MSTFGAN)。首先按照小时周期、日周期和周周期构建3种不同时段的周期性数据,作为模型的输入,接着使用带门控机制的时间卷积网络(temporal convolutional network,TCN)分别提取3种周期性数据的时间特征;其次,构建一种自适应邻接矩阵,通过运用可训练参数来学习交通传感器节点间的关联性,进而揭示交通网络中的潜在空间特性;然后,利用图注意力网络(graph attention network,GAT)为每个路网节点动态分配不同的权重,捕获交通传感器节点之间动态的空间相关性;继而,设计一个门控融合模块,自适应地融合隐式空间特征和动态空间特征;最后,基于注意力机制融合时间和空间特征,以准确地进行交通流预测。在两个真实世界高速公路数据集PeMS04和PeMS08上进行了实验验证。研究结果表明:与效果最好的基线模型DSTAGNN相比,MSTFGAN的平均绝对误差(E_(MA))降低了3.802%,均方根误差(E_(RMS))降低了3.780%,平均绝对百分比误差(E_(MAP))降低了3.356%,说明MSTFGAN能有效提高交通流预测的精度,准确地预测交通流趋势。展开更多
文摘短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalous factors,HDNNF-CAF)。该模型将邻接矩阵、交通流量矩阵及交通流其他参数矩阵结合异常数据处理理论,进行数据预处理和异常数据识别。建立异常数据时空特征提取理论,捕获异常数据时空信息;利用变分模态分解(VMD)降低交通流数据非平稳性,并提出图卷积网络(GCN)优化Informer理论分别对各个子序列进行特征提取,以组合生成交通流时空信息。最终结合异常数据与交通流数据的时空信息生成预测结果。在真实数据集PeMS04上进行验证,实验结果表明,HDNNF-CAF能够有效识别交通流异常数据,提高预测精度,优于一些现有方法。
文摘下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值,也未有效提取和融合时空-类别信息的特征。为了解决上述问题,提出了一种融合人群移动轨迹和时空-类别的下一个兴趣点推荐模型(GGCN-STC)。依据用户的移动轨迹构建区域轨迹图,提出了门控图卷积神经网络对共同移动轨迹进行建模;将签到序列中的时空-类别信息进行多维度的特征融合;利用自注意力机制捕获用户偏好,为用户提供更准确的POI推荐。在两个真实数据集上进行实验比较与分析,结果表明该模型优于其他模型。
文摘准确预测未来的交通流量是解决城市交通拥堵问题的关键。针对交通流预测中时间周期性特征提取不充分,空间特征挖掘不全面等问题,提出一种基于多时空特征与图注意力网络的交通流预测模型(multi-spatiotemporal features and graph attention network,MSTFGAN)。首先按照小时周期、日周期和周周期构建3种不同时段的周期性数据,作为模型的输入,接着使用带门控机制的时间卷积网络(temporal convolutional network,TCN)分别提取3种周期性数据的时间特征;其次,构建一种自适应邻接矩阵,通过运用可训练参数来学习交通传感器节点间的关联性,进而揭示交通网络中的潜在空间特性;然后,利用图注意力网络(graph attention network,GAT)为每个路网节点动态分配不同的权重,捕获交通传感器节点之间动态的空间相关性;继而,设计一个门控融合模块,自适应地融合隐式空间特征和动态空间特征;最后,基于注意力机制融合时间和空间特征,以准确地进行交通流预测。在两个真实世界高速公路数据集PeMS04和PeMS08上进行了实验验证。研究结果表明:与效果最好的基线模型DSTAGNN相比,MSTFGAN的平均绝对误差(E_(MA))降低了3.802%,均方根误差(E_(RMS))降低了3.780%,平均绝对百分比误差(E_(MAP))降低了3.356%,说明MSTFGAN能有效提高交通流预测的精度,准确地预测交通流趋势。
