[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111915081A - 一种基于深度学习的峰值敏感型出行需求预测方法 - Google Patents

一种基于深度学习的峰值敏感型出行需求预测方法 Download PDF

Info

Publication number
CN111915081A
CN111915081A CN202010766761.3A CN202010766761A CN111915081A CN 111915081 A CN111915081 A CN 111915081A CN 202010766761 A CN202010766761 A CN 202010766761A CN 111915081 A CN111915081 A CN 111915081A
Authority
CN
China
Prior art keywords
time
travel demand
travel
space
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010766761.3A
Other languages
English (en)
Other versions
CN111915081B (zh
Inventor
郭戈
袁威
高振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202010766761.3A priority Critical patent/CN111915081B/zh
Publication of CN111915081A publication Critical patent/CN111915081A/zh
Application granted granted Critical
Publication of CN111915081B publication Critical patent/CN111915081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于深度学习的峰值敏感型出行需求预测方法，涉及出行需求预测技术领域。首先获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；再选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；将卷积神经网络和时间卷积神经网络融合，得到多个时空特征提取层，提取出行需求数据的时空特征；将多个时空特征提取层最终输出的时空特征输入全连接层，得到深度学习网络模型的出行需求预测结果；设计峰值敏感型损失函数，利用训练集中的出行需求数据和SGD算法进行模型训练及优化；进而实现对该城市未来某一段的出行需求进行预测。

Description

一种基于深度学习的峰值敏感型出行需求预测方法
技术领域
本发明涉及出行需求预测技术领域，尤其涉及一种基于深度学习的峰值敏感型出行需求预测方法。
背景技术
近年来，基于数据驱动的出行需求预测得到了深入研究，Xu等利用长短期记忆网络(LSTM)对历史出行需求数据进行建模，从大量的历史数据中学习出行需求的变化规律，进而实现对未来出行需求的预测。然而出行需求数据是一种典型的时空序列数据，但LSTM仅仅对出行需求数据的时间特征维度进行建模，即不能满足同时对出行需求数据进行时间和空间维度的建模。为此Wang等研究了将历史出行需求数据通过图片的形式表示，利用卷积神经网络(CNN)对出行需求数据进行空间建模，并利用另外一个CNN模块对提取出行需求数据的时间特征，从而实现了同时对出行需求数据的时间和空间维度的建模。Ke等利用了卷积长短期记忆神经网络(CNN-LSTM)作为基础模块对出行需求数据进行建模，同时还研究了环境因素(日期，天气等)对未来出行需求的影响，从而设计了一个整体的出行需求预测框架。该框架不仅能够有效的提取出行需求数据的时间特征，空间特征，还能同时考虑日期，天气等特征对未来出行需求的影响。但在这些研究中我们发现，出行需求预测模型在出行需求峰值处的预测误差往往比非峰值处的要大。然而，在实际交通系统中，未来出行需求预测的峰值往往更加重要。因此，提高出行需求峰值处的预测性能的研究具有极其重要的研究价值和实际意义。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的峰值敏感型出行需求预测方法，实现对出行需求的预测，并提高出行需求峰值处的预测精度。
为解决上述技术问题，本发明所采取的技术方案是：一种基于深度学习的峰值敏感型出行需求预测方法，包括以下步骤：
步骤1、获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；
步骤1.1、下载某城市一段时间内的出租车出行记录数据作为出行需求数据集，并对出行需求数据集中的出行需求数据进行标准化处理，如下公式所示：
Figure BDA0002614961350000011
其中，x表示出行需求数据，x′表示标准化之后的出行需求数据；
步骤1.2、将出行需求数据集所在城市划分为nxn的网格区域；
步骤1.3、向网格区域内的出行需求数据集中加入时间特征构建三维时空输入张量；
步骤1.4、将网格区域一段时间内所有的出行需求数据按照一定比例划分为训练集和测试集；
步骤2、选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；
步骤2.1、构建时间卷积神经网络提取出行需求数据的时间特征；
所述时间卷积神经网络包括输入单元、输出单元和时间卷积核构成，如下公式所示：
[PQ]＝f*Xwi
Hwo＝P·σ(Q)
其中，[PQ]为时间卷积神经网络的输出，在时间卷积神经网络中将输出张量从通道维等分为P和Q，P，Q的尺寸相等，Xwi是wi个时间步的输入张量，Hwo是时间卷积神经网络输出的wo个时间步的中间状态张量，f是时间卷积神经网络的卷积核，卷积核的宽度为K，wo＝wi-K+1，σ为RELU激活函数；
步骤2.2、构建卷积神经网络提取出行需求数据的中间状态张量Hwo的空间特征；
所述卷积神经网络的卷积核的尺寸为超参数；
步骤3、将卷积神经网络和时间卷积神经网络进行多次融合，得到多个时空特征提取层，堆叠多个时空特征提取层提取出行需求数据的时空特征；
步骤3.1、将时间卷积神经网络和卷积神经网络进行多次融合，得到多个时空特征提取层，每次融合得到的时空特征提取层，如下公式所示：
F′LAYER(h)＝fc*cf*tFLAYER(h)
其中，F′LAYER(h)为第h个时空特征提取层的输出，FLAYER(h)为第h个时空特征提取层的输入，fc，f分别为卷积核和时间卷积核，*c，*t分别表示卷积操作和时间卷积操作；
步骤3.2、堆叠多个时空特征提取层，使时空特征提取层之间的信息依次向下一层传递，获取高阶邻居时空特征；所述时空特征提取层之间的信息依次向下一层传递，如下公式所示：
FLAYER(h+l)＝σ(FLAYER(h))
其中，FLAYER(h+1)为第h+1个时空特征提取层的输入；
步骤4、将多个时空特征提取层最终输出的时空特征输入全连接层，全连接层的输出作为深度学习网络模型的出行需求预测结果；
步骤5、设计峰值敏感型损失函数，并利用训练集中的出行需求数据和SGD算法对深度学习网络模型进行训练及优化；
所述设计的峰值敏感型损失函数，如下公式所示：
Figure BDA0002614961350000031
Figure BDA0002614961350000032
其中，
Figure BDA0002614961350000033
为峰值敏感型损失函数，表示深度学习网络模型的预测值和真实值之间的损失，yi表示出行需求训练集中第i个出行需求的标签值，即出行需求的真实值，
Figure BDA0002614961350000034
表示深度学习网络模型预测的出行需求训练集中第i个出行需求预测值，T表示整个出行需求训练集中出行需求样本总数，符号
Figure BDA0002614961350000035
表示按位乘，α为一个超参数，用于微调峰值代价；
步骤6、获取该城市一段时间内的出租车记录数据，并对数据预处理后输入优化好的深度学习网络模型，实现对该城市未来一段时间内的出行需求进行预测。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于深度学习的峰值敏感型出行需求预测方法，基于卷积神经网络和时间卷积神经网络，设计了峰值敏感型的出行需求预测模型，相比于传统的出行需求预测模型，其不仅能解决复杂的时空建模的问题，而且还可以提高出行需求峰值处的预测准确度。同时，设计的针对峰值敏感的代价敏感型损失函数，可以使深度学习模型能够容易学习到峰值样本的特征。
附图说明
图1为本发明实施例提供的一种基于深度学习的峰值敏感型出行需求预测方法的流程图；
图2为本发明实施例提供的输入张量示意图；
图3为本发明实施例提供的深度学习网络模型示意图；
图4为本发明实施例提供的出行需求预测结果图；
图5为本发明实施例提供的峰值敏感型损失函数与常规损失函数损失对比图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以NYC数据集为例，采用本发明的一种基于深度学习的峰值敏感型出行需求预测方法对纽约市某时段的出行需求进行预测。
本实施例中，一种基于深度学习的峰值敏感型出行需求预测方法，如图1所示，包括以下步骤：
步骤1、获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；
步骤1.1、下载某城市一段时间内的出租车出行记录数据作为出行需求数据集，并对出行需求数据集中的出行需求数据进行标准化处理，如下公式所示：
Figure BDA0002614961350000041
其中，x表示出行需求数据，x′表示标准化之后的出行需求数据；
步骤1.2、将出行需求数据集所在城市划分为nxn的网格区域；
步骤1.3、向网格区域内的出行需求数据集中加入时间特征构建三维时空输入张量，如图2所示，Mt表示第t个时间步属于一天中第几个时间段的编码，
Figure BDA0002614961350000042
表示在第t个时间步内，网格(i，j)内的出行需求数量，再加入时间特征构建三维时空输入张量
Figure BDA0002614961350000043
步骤1.4、将网格区域一段时间内所有的出行需求数据按照一定比例划分为训练集、测试集；
NYC数据集是记录着纽约市所有的出租车的出行记录，本实施例使用NYC数据集中9个月的出租车的出行记录数据，每条出行记录记录着旅行的起始点，目的地，时间戳等数据。采用的数据采样时间为30分钟。本实施例使用某一时间点前14小时的出租车历史出行需求数据，去预测未来30分钟内的出行需求。本实施例中，将纽约市所在区域划分为11x11网格区域，统计每个网格区域内的出行需求；并且将出行需求数据中10483条数据样本划分为训练集，2621条数据样本划分为测试集。
步骤2、选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；
步骤2.1、构建时间卷积神经网络提取出行需求数据的时间特征；
所述时间卷积神经网络包括输入单元、输出单元和时间卷积核构成，如下公式所示：
[PQ]＝f*Xwi
Hwo＝P·σ(Q)
其中，[PQ]为时间卷积神经网络的输出，在时间卷积神经网络中将输出张量从通道维等分为P和Q，P、Q的尺寸相等，Xwi是wi个时间步的输入张量，Hwo是时间卷积神经网络输出的wo个时间步的中间状态张量，f是时间卷积神经网络的卷积核，卷积核的宽度为K，wo＝wi-K+1，σ为RELU激活函数；
本实施例中，Xwi是28个时间步的输入张量，Hwo是时间卷积神经网络输出的19个时间步的中间状态张量，f是时间卷积神经网络的卷积核，卷积核的宽度为10。
步骤2.2、构建卷积神经网络提取出行需求数据的中间状态张量Hwo的空间特征；
所述卷积神经网络的卷积核的尺寸为超参数，本实施例中，卷积神经网络的卷积核的尺寸为3x3；
步骤3、将卷积神经网络和时间卷积神经网络进行多次融合，得到多个时空特征提取层，堆叠多个时空特征提取层提取出行需求数据的时空特征；单层的时空特征提取层捕获距离较近的区域之间时空关系，多个堆叠的时空特征提取层提取较远距离区域之间的时空关系；
步骤3.1、将时间卷积神经网络和卷积神经网络进行多次融合，得到多个时空特征提取层，每次融合得到的时空特征提取层如下公式所示：
F′LAYER(h)＝fc*cf*tFLAYER(h)
其中，F′LAYER(h)为第h个时空特征提取层的输出，FLAYER(h)为第h个时空特征提取层的输入，fc，f分别为卷积核和时间卷积核，*c，*t分别表示卷积操作和时间卷积操作；
步骤3.2、堆叠多个时空特征提取层，使时空特征提取层之间的信息依次向下一层传递，获取高阶邻居特征；所述时空特征提取层之间的信息依次向下一层传递，如下公式所示：
FLAYER(h+1)＝σ(FLAYER(h))
其中，FLAYER(h+1)为第h+1个时空特征提取层的输入；
步骤4、将多个时空特征提取层最终输出的时空特征输入全连接层，全连接层的输出作为深度学习网络模型的出行需求预测结果；
本实施例中，用于出行需求预测的深度学习网络模型输入数据的尺寸为28*11*11*2，最终输出预测数据的尺寸为11*11，整体深度学习网络模型如图3所示；
步骤5、设计峰值敏感型损失函数，并利用训练集中的出行需求数据和SGD算法对深度学习网络模型进行训练及优化；
所述设计的峰值敏感型损失函数，如下公式所示：
Figure BDA0002614961350000061
Figure BDA0002614961350000062
其中，
Figure BDA0002614961350000063
为峰值敏感型损失函数，表示深度学习网络模型的预测值和真实值之间的损失，yi表示出行需求训练集中第i个出行需求的标签值，即出行需求的真实值，
Figure BDA0002614961350000064
表示深度学习网络模型预测的出行需求训练集中第i个出行需求预测值，T表示整个出行需求训练集中出行需求样本总数，符号
Figure BDA0002614961350000069
表示按位乘，α为一个超参数，用于微调峰值代价，本实施例设置α＝8；
本实施例中，基于出行需求数据和深度学习网络模型，将常规损失函数产生的损失和本发明方法中的峰值敏感型损失函数产生的损失进行可视化比较。常规损失函数定义如下：
Figure BDA0002614961350000065
本实施例还利用测试数据集测试深度学习网络模型的均方根误差(RMSE)和平均绝对误差(MAE)两项性能指标，本发明的使用峰值敏感型损失函数的深度学习网络模型与带有常规损失函数的深度学习网络模型的性能指标对比结果如表1所示：
表1使用不同损失函数的深度学习网络模型的性能指标对比结果
Figure BDA0002614961350000066
两种性能指标计算如下公式所示：
Figure BDA0002614961350000067
Figure BDA0002614961350000068
从表1可以看出，在同样的模型框架下，当使用了峰值敏感型损失函数，整体的出行需求预测的RMSE比常规的损失函数要小很多，预测效果更好。
本实施例将一个网格区域一天的预测出行需求数据和实际的出行需求数据的进行可视化，如图4所示。从图中可以很明显的看出本发明方法在峰值处以及非峰值处有着非常优秀的出行预测表现。
本实施例还将使用常规损失函数和本发明提出的峰值敏感型损失函数产生的损失进行可视化，如图5所示，从图中可以明显看出，峰值敏感型损失在出行需求峰值处产生的损失值要比常规损失函数的产生的损失要大，SGD优化算法也会着重优化峰值处的样本，使得本发明所提出的方法能够在出行需求的峰值处产生更好的预测效果。
步骤6、获取该城市一段时间内的出租车记录数据，并对数据预处理后输入优化好的深度学习网络模型，实现对该城市的出行需求进行预测。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：包括以下步骤：
步骤1、获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；
步骤2、选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；
步骤2.1、构建时间卷积神经网络提取出行需求数据的时间特征；
步骤2.2、构建卷积神经网络提取出行需求数据的中间状态张量Hwo的空间特征；
步骤3、将卷积神经网络和时间卷积神经网络进行多次融合，得到多个时空特征提取层，堆叠多个时空特征提取层提取出行需求数据的时空特征；
步骤4、将多个时空特征提取层最终输出的时空特征输入全连接层，全连接层的输出作为深度学习网络模型的出行需求预测结果；
步骤5、设计峰值敏感型损失函数，并利用训练集中的出行需求数据和SGD算法对深度学习网络模型进行训练及优化；
步骤6、获取该城市一段时间内的出租车记录数据，并对数据预处理后输入优化好的深度学习网络模型，实现对该城市未来一段时间内的出行需求进行预测。
2.根据权利要求1所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：所述步骤1的具体方法为：
步骤1.1、下载某城市一段时间内的出租车出行记录数据作为出行需求数据集，并对出行需求数据集中的出行需求数据进行标准化处理，如下公式所示：
Figure FDA0002614961340000011
其中，x表示出行需求数据，x′表示标准化之后的出行需求数据；
步骤1.2、将出行需求数据集所在城市划分为nxn的网格区域；
步骤1.3、向网格区域内的出行需求数据集中加入时间特征构建三维时空输入张量；
步骤1.4、将网格区域一段时间内所有的出行需求数据按照一定比例划分为训练集和测试集。
3.根据权利要求2所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：步骤2.1所述时间卷积神经网络包括输入单元、输出单元和时间卷积核构成，如下公式所示：
[PQ]＝f*Xwi
Hwo＝P·σ(Q)
其中，[PQ]为时间卷积神经网络的输出，在时间卷积神经网络中将输出张量从通道维等分为P和Q，P，Q的尺寸相等，Xwi是wi个时间步的输入张量，Hwo是时间卷积神经网络输出的wo个时间步的中间状态张量，f是时间卷积神经网络的卷积核，卷积核的宽度为K，wo＝wi-K+1，σ为RELU激活函数。
4.根据权利要求3所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：步骤2.2所述卷积神经网络的卷积核的尺寸为超参数。
5.根据权利要求4所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：所述步骤3的具体方法为：
步骤3.1、将时间卷积神经网络和卷积神经网络进行多次融合，得到多个时空特征提取层，每次融合得到的时空特征提取层，如下公式所示：
F′LAYER(h)＝fc*cf*tFLAYER(h)
其中，F′LAYER(h)为第h个时空特征提取层的输出，FLAYER(h)为第h个时空特征提取层的输入，fc，f分别为卷积核和时间卷积核，*c，*t分别表示卷积操作和时间卷积操作；
步骤3.2、堆叠多个时空特征提取层，使时空特征提取层之间的信息依次向下一层传递，获取高阶邻居时空特征；所述时空特征提取层之间的信息依次向下一层传递，如下公式所示：
FL4YER(h+1)＝σ(FLAYER(h))
其中，FLAYER(h+1)为第h+1个时空特征提取层的输入。
6.根据权利要求5所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：所述步骤5设计的峰值敏感型损失函数，如下公式所示：
Figure FDA0002614961340000021
Figure FDA0002614961340000022
其中，
Figure FDA0002614961340000023
为峰值敏感型损失函数，表示深度学习网络模型的预测值和真实值之间的损失，yi表示出行需求训练集中第i个出行需求的标签值，即出行需求的真实值，
Figure FDA0002614961340000024
表示深度学习网络模型预测的出行需求训练集中第i个出行需求预测值，T表示整个出行需求训练集中出行需求样本总数，符号
Figure FDA0002614961340000025
表示按位乘，α为一个超参数，用于微调峰值代价。
CN202010766761.3A 2020-08-03 2020-08-03 一种基于深度学习的峰值敏感型出行需求预测方法 Active CN111915081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010766761.3A CN111915081B (zh) 2020-08-03 2020-08-03 一种基于深度学习的峰值敏感型出行需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010766761.3A CN111915081B (zh) 2020-08-03 2020-08-03 一种基于深度学习的峰值敏感型出行需求预测方法

Publications (2)

Publication Number Publication Date
CN111915081A true CN111915081A (zh) 2020-11-10
CN111915081B CN111915081B (zh) 2023-10-17

Family

ID=73288027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010766761.3A Active CN111915081B (zh) 2020-08-03 2020-08-03 一种基于深度学习的峰值敏感型出行需求预测方法

Country Status (1)

Country Link
CN (1) CN111915081B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488574A (zh) * 2020-12-16 2021-03-12 东南大学 一种基于时空特征提取的出行需求预测方法
CN112488422A (zh) * 2020-12-16 2021-03-12 东南大学 一种基于多任务学习的多模式出行需求预测方法
CN113673780A (zh) * 2021-09-02 2021-11-19 大连理工大学 一种基于深度集成学习的交通稀疏需求预测方法
WO2022203597A1 (en) * 2021-03-26 2022-09-29 Singapore Management University Method and system for taxi demand prediction using a neural network model
CN116542438A (zh) * 2023-03-28 2023-08-04 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105634681A (zh) * 2015-12-23 2016-06-01 北京交通大学 一种基于mimo技术的城轨列车车地通信系统传输方法
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN108985475A (zh) * 2018-06-13 2018-12-11 厦门大学 基于深度神经网络的网约车召车需求预测方法
US20190114546A1 (en) * 2017-10-12 2019-04-18 Nvidia Corporation Refining labeling of time-associated data
CN109840628A (zh) * 2019-01-17 2019-06-04 湖南大学 一种短时多区域车速预测方法及系统
CN109887282A (zh) * 2019-03-05 2019-06-14 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法
CN110394433A (zh) * 2019-08-21 2019-11-01 东北大学 一种有效去除中间包夹杂物的长水口吹氩精炼装置及方法
CN110633871A (zh) * 2019-09-25 2019-12-31 大连理工大学 一种基于卷积长短期记忆网络的区域交通需求预测方法
JP2020050047A (ja) * 2018-09-25 2020-04-02 トヨタ自動車株式会社 物体検出装置
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN111126680A (zh) * 2019-12-11 2020-05-08 浙江大学 一种基于时间卷积神经网络的道路断面交通流量预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105634681A (zh) * 2015-12-23 2016-06-01 北京交通大学 一种基于mimo技术的城轨列车车地通信系统传输方法
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
US20190114546A1 (en) * 2017-10-12 2019-04-18 Nvidia Corporation Refining labeling of time-associated data
CN108985475A (zh) * 2018-06-13 2018-12-11 厦门大学 基于深度神经网络的网约车召车需求预测方法
JP2020050047A (ja) * 2018-09-25 2020-04-02 トヨタ自動車株式会社 物体検出装置
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN109840628A (zh) * 2019-01-17 2019-06-04 湖南大学 一种短时多区域车速预测方法及系统
CN109887282A (zh) * 2019-03-05 2019-06-14 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法
CN110394433A (zh) * 2019-08-21 2019-11-01 东北大学 一种有效去除中间包夹杂物的长水口吹氩精炼装置及方法
CN110633871A (zh) * 2019-09-25 2019-12-31 大连理工大学 一种基于卷积长短期记忆网络的区域交通需求预测方法
CN111126680A (zh) * 2019-12-11 2020-05-08 浙江大学 一种基于时间卷积神经网络的道路断面交通流量预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GUO, GE等: "A Deep Reinforcement Learning Approach to Ride-Sharing Vehicle Dispatching in Autonomous Mobility-on-Demand Systems", 《IEEE INTELLIGENT TRANSPORTATION SYSTEMS MAGAZINE》, vol. 14, no. 01, pages 128 - 140, XP011896867, DOI: 10.1109/MITS.2019.2962159 *
KUANG, L等: "Traffic Volume Prediction Based on Multi-Sources GPS Trajectory Data by Temporal Convolutional Network", 《MOBILE NETWORKS & APPLICATIONS》, vol. 25, no. 4, pages 1405 - 1417, XP037201726, DOI: 10.1007/s11036-019-01458-6 *
段宗涛等: "基于深度CNN-LSTM-ResNet组合模型的出租车需求预测", 《交通运输系统工程与信息》, vol. 18, no. 04, pages 215 - 223 *
路民超等: "面向出租车需求预测的多因素时空图卷积网络", 《计算机工程与应用》, vol. 56, no. 24, pages 266 - 273 *
郭戈等: "网联共享车路协同智能交通系统综述", 《控制与决策》, vol. 34, no. 11, pages 2375 - 2389 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488574A (zh) * 2020-12-16 2021-03-12 东南大学 一种基于时空特征提取的出行需求预测方法
CN112488422A (zh) * 2020-12-16 2021-03-12 东南大学 一种基于多任务学习的多模式出行需求预测方法
WO2022203597A1 (en) * 2021-03-26 2022-09-29 Singapore Management University Method and system for taxi demand prediction using a neural network model
CN113673780A (zh) * 2021-09-02 2021-11-19 大连理工大学 一种基于深度集成学习的交通稀疏需求预测方法
CN116542438A (zh) * 2023-03-28 2023-08-04 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法
CN116542438B (zh) * 2023-03-28 2024-01-30 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法

Also Published As

Publication number Publication date
CN111915081B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
CN111915081B (zh) 一种基于深度学习的峰值敏感型出行需求预测方法
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN110348624B (zh) 一种基于Stacking集成策略的沙尘暴等级预测方法
CN112950924B (zh) 一种基于深度学习的复杂交通路网交通速度预测方法
CN114239718B (zh) 基于多元时序数据分析的高精度长期时间序列预测方法
CN113298319B (zh) 一种基于跳跃图注意力门控循环网络的交通速度预测方法
CN113157771A (zh) 一种数据异常检测方法及电网数据异常检测方法
CN117494034A (zh) 基于交通拥堵指数和多源数据融合的空气质量预测方法
JP7570747B1 (ja) エネルギー量の時系列データを予測するための予測プラットフォーム
CN115310677B (zh) 一种基于二进制编码表示与多分类的航迹预测方法及装置
CN116777068A (zh) 一种基于因果Transformer的网络化数据预测方法
CN116821646A (zh) 数据处理链构建方法、数据缩减方法、装置、设备及介质
CN114723003A (zh) 一种基于时序卷积和关系建模的事件序列预测方法
CN116844041A (zh) 一种基于双向卷积时间自注意力机制的耕地提取方法
CN112925994B (zh) 基于局部和全局信息融合的群组推荐方法、系统及设备
CN115953902B (zh) 一种基于多视图时空图卷积网络的交通流预测方法
CN118298618A (zh) 一种基于交互空间增强图卷积模型的交通流预测方法
CN117409578A (zh) 一种基于经验模态分解与深度学习结合的交通流预测方法
Li et al. Umformer: a transformer dedicated to univariate multistep prediction
CN114817546B (zh) 一种面向纳税人行业分类的标签噪声学习方法
CN116404637A (zh) 电力系统短期负荷预测方法和电力系统短期负荷预测装置
Huang et al. Short-term traffic flow prediction based on graph convolutional network embedded lstm
CN112446516A (zh) 一种出行预测方法及装置
CN118536407B (zh) 一种基于符号动态分析的海面风速预测算法及系统
CN110650130A (zh) 基于多分类GoogLeNet-LSTM模型的工控入侵检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant