基于时空网络的地铁进出站客流量预测

客流量预测是城市智能交通系统的重要组成部分,对人们出行和交通管控有着重要的指导意义。针对地铁客流量数据具有时间维度和空间维度属性的特点,提出一种可以同时捕获数据时空特征的预测模型。该模型基于编码器解码器架构设计,其中解码器和编码器均由时空预测模块组成,在该模块中利用图卷积学习地铁站的空间拓朴结构、门控循环单元来捕获数据的时间特征。此外,模型将单位时间间隔内进站和出站客流量分别构成的两个时间序列,即进出站双时间序列作为输入,最终协同预测各站点的进站与出站人数。在上海地铁一卡通数据集上进行对比实验,实验结果表明,所提出的模型在进站与出站客流量预测上均取得了更好的效果,这表明考虑空间依赖能够有效地提高模型预测精度。     

基于深度学习的轨道交通客流量预测模型

为提升客流量预测精度,提出基于深度学习的轨道交通客流量预测模型。首先,通过自助站台系统收集乘客的进出站信息。其次,初步处理数据,包括数据清洗、归一化整理。最后,整合不同模型中的客流量数据,以揭示它们之间的相关性。基于深度学习中的卷积神经网络算法,构建了一种新型的轨道交通客流量预测模型,该模型利用历史客流数据进行训练,并能够自动学习数据中的复杂特征和规律,从而精准预测未来客流量变化。实验结果显示,所设计的模型精度达到89.91%,表明新模型在客流量预测准确性方面取得了显著的提升。     

灰色变异粒子群算法在公交客流量预测中的应用

由于公交客流量是公交系统发展规划的基础依据,因此提高公交客流量预测的准确性有利于城市公交的发展。利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出用灰色变异粒子群组合预测模型来预测公交客流量,提高公交客流量预测精度,并通过实例对组合预测模型的预测精度和有效性进行了分析。结果表明,此组合预测模型的预测精度优于单一的灰色预测模型,也优于其他几种常用预测算法,能很好地预测公交客流量,为公交系统的决策规划提供了可靠的科学数据。     

基于灰色预测模型的航线客流量预测

准确的预测航线的客流量,对于航空企业制定航线销售政策有着重要的作用.针对民航客流量预测具有诸多不确定性和数据不足的特点,在选取某航空公司近六年三亚-北京往返航线数据的基础上,提出以回归分析、灰色预测方法对该航线2016年的客流量进行分析预测.经实证分析,结果表明:灰色预测方法对航线客流量的预测的精确度较高,对航空公司预估客流量和制订销售政策有直接的指导意义.     

基于时空特征的公交站点短时客流量预测

针对以往公交客流量预测只考虑时序特征而忽略空间维度特征的缺点,提出一种结合注意力机制的图卷积长短期记忆单元预测模型(AGLSTM)来预测公交站点的客流量。该模型运用图卷积网络(GCN)对每个时刻的公交站点客流量进行空间维度的特征提取,使用长短期记忆网络(LSTM)对公交站点客流量进行时间特征的提取。为了更关注公交站点客流量有重大影响时刻的特征,该模型还引入了注意力机制模块。注意力机制可以通过计算不同时刻长短期记忆单元隐藏状态的权重,来评估各隐藏状态对输出结果的影响。通过对北京4条公交线路的真实刷卡数据进行实验分析,并与部分经典预测算法进行对比,证明了提出的考虑时空特征的组合模型能够有效地提高模型的预测精度。     

基于多因素稀疏回归预测模型的商家客流量预测

针对智能商业平台中的大数据预测问题,提出一种多因素稀疏回归预测模型。以离散余弦变换为基础,构建包含多个外部因素（节假日、天气、温度）的字典集,通过LASSO方法定量求解稀疏编码模型中各外部因素的影响。实验对2 000个商家的客流量进行预测。实验结果表明,外部因素不同程度地影响客流量,在预测模型中叠加外部因素后可以有效提高预测的准确性。同时,与其他方法对比表明,多因素稀疏回归预测模型比RNN、ARIMA 等模型的预测效果更好。     

特征分离编码的景区短期客流量预测模型

为增强景区科学管理、缓解交通压力、减少安全隐患、提升游客体验,提出基于特征分离编码和注意力机制的网络模型(feature separation encoding and attention mechanism network, FSEAMNet)预测景区短期客流量。该模型包含序列到序列(sequence-to-sequence, Seq2Seq)结构,将不同分布规律的特征进行分离并独立编码,融合成最终的编码向量序列。在每个解码时刻,注意力机制将编码向量序列重新组合成一个上下文向量,解码器从上下文向量解码出未来的游客数量。通过真实的景区数据库数据构建训练集、测试集。实验结果表明,与其它模型相较,FSEANet的预测误差最多可下降82.80%,该模型在工程应用案例分析中对未来一周客流量预测的每日相对误差均在10%以下。所提模型能对实际景区未来短期客流量实现较准确的预测。     

基于CS-SNN的公交到站时间预测模型

针对公交到站时间预测不准以及工作日和周末运行特性差异的问题,提出了一种基于布谷鸟搜索算法的Spiking神经网络(CS-SNN)预测模型.通过分析和验证Spiking神经网络的性能特征,再采用寻优性能更强的CS算法优化Spiking神经网络的初始参数,最后利用行车历史数据对神经网络进行训练和建模来实现到站时间的准确预测...     

基于时间序列的机场短时段值机客流量预测

在机场向数字化运营的转型过程中,为了实现航站楼内高效的运作以及资源的合理分配,从而对短时段的值机客流量的预测提出了更高的要求。通过对机场历史数据的统计和分析,结合航班的DOW特性,分析值机客流量的相关影响因素,以每小时的值机客流量为研究对象,构建基于时间序列的动态回归ARIMAX模型。实验结果表明,上述模型相对于传统的预测模型,预测精度更高,拟合效果更精确,有效地预测了航站楼内短时段的值机旅客人数,为航站楼内资源的动态分配和优化提供了不可或缺的决策支持。     

基于门控化上下文感知网络的词语释义生成方法

传统的词典编纂工作主要采用人工编纂的方式,效率较低且耗费大量的资源。为减少人工编纂的时间和经济成本,该文提出一种基于门控化上下文感知网络的词语释义生成方法,利用门控循环神经网络(GRU)对词语释义生成过程进行建模,自动为目标词生成词语释义。该模型基于编码器—解码器架构。编码器首先利用双向GRU对目标词的上下文进行编码,并采用不同的匹配策略进行目标词与上下文的交互,结合注意力机制分别从粗粒度和细粒度两个层次将上下文信息融合到目标词的向量表示中,最终获得目标词在特定语境中的编码向量。解码器则同时基于目标词的语境与语义信息为目标词生成上下文相关的词语释义。此外,通过向模型提供目标词字符级特征信息,进一步提高了生成释义的质量。在英文牛津词典数据集上进行的实验表明,该文提出的方法能够生成易于阅读和理解的词语释义,在释义建模的困惑度和生成释义的BLEU值上分别超出此前模型4.45和2.19,性能有显著提升。     

基于GPS的公交行程时间预测模型

基于公交车辆的GPS定位信息,利用公交站点间行程时间的实时数据与短期历史数据相结合的方法,设计权重动态分配的公交到站时间预测模型,利用ARIMA模型动态确定前几辆车的行程时间对当前车辆的不同影响权重,来预测当前车辆的行程时间,能够有效的消除公交串行事件对预测的干扰。该预测模型通过北京市某路公交线路实时数据接入测试验证平均准确度达到88.4%,表明该预测模型有较高的准确性与可靠性。     

一种基于序列到序列时空注意力学习的交通流预测模型

城市交通流预测是研究交通时空序列数据的动态演化并预测未来交通情况的关键技术,对于智能交通预警及管理决策来讲至关重要.但是有效的交通流建模非常具有挑战性,因为它受到很多复杂因素的影响,例如交通网络的时空依赖性和序列突变性等问题.一些研究工作将卷积神经网络(convolutional neural networks, CNN)或循环神经网络(recurrent neural networks, RNN)用于交通流量预测建模.但是,直接使用经典的深度学习模型难以有效捕获与交通流相关的多通道多变量序列数据中的隐含时空依赖性特征.针对上述问题,提出了一种新的序列到序列时空注意力深度学习框架(spatial-temporal attention traffic forecasting, STATF)来处理城市交通流建模任务,它是一种基于卷积LSTM编码层和LSTM解码层,并辅助注意力机制的端到端深度学习模型,可以自适应地学习与城市交通流相关的多通道多变量时空序列数据中的时空依赖性和非线性相关性特征.基于3个真实的交通流数据集实验结果表明：不管是单步预测还是多步预测条件下,STATF模型都具有更优的预测性能.     

基于支持向量机回归算法的旅游短时客流量数据预测模型

传统的客流量数据预测模型获取的数据维数较高,难以消除冗余数据,导致预测结果误差较大。为此本文提出了基于支持向量机回归算法的旅游短时客流量数据预测模型。首先利用局部线性嵌入算法对旅游短时客流量数据样本点进行局部重构,减小重构误差,降低数据维数,并消除客流量数据中存在的噪声数据和冗余数据。然后利用支持向量机回归算法构建旅游短时客流量数据预测模型。实验结果表明：该模型预测结果的最大百分比误差、平均百分比误差和均方误差均较低,证明该模型实现了设计预期。     

基于ABC-LSTM-GRU的时间序列分解与预测模型

针对金融时间序列数据的高噪声、时间依赖性等问题,提出了一种人工蜂群算法-长短期记忆-门控单元(ABC-LSTM-GRU)混合模型。该模型综合利用长短期记忆网络(LSTM)和门控循环单元(GRU)循环神经网络,更全面地捕捉时间序列中的长期和短期关系。在特征处理阶段,通过相关性分析对特征进行筛选,同时采用奇异谱分析(SSA)对数据进行分解,得到高频、中频和低频三个部分。在模型的超参数优化中,采用了改进后的人工蜂群算法(ABC),以提高模型的性能。为验证ABC-LSTM-GRU混合模型的有效性,选择NIFTY-50股票指数进行实证分析。实验结果对比显示,ABC-LSTM-GRU混合模型在时间序列预测方面的表现更佳,相较于LSTM与GRU模型,其在均方根误差(RMSE)指标上分别降低了28.3%与21.5%,显示出更为准确的预测性能。     

基于时空残差网络的区域客流量预测方法

针对区域客流量波动性强、复杂非线性的特征,易受到季节性影响,并且单一神经网络模型无法同时学习时间与空间相关性问题,通过对区域客流量影响因素分析,结合残差网络和全连接网络,提出了用于区域客流量预测的改进Quad-ResNet模型。Quad-ResNet模型融合了四个残差网络和一个全连接网络,该模型通过深层次的卷积学习空间相关性,结合四个残差网络学习时间邻近性、相似性、周期性、趋势性,使用全连接网络学习季节性影响。将Quad-ResNet模型与LSTM、CNN、ST-ResNet模型在同一数据集上进行区域客流量预测对比实验,实验结果表明,Quad-ResNet模型误差小于其他对比模型,而且在训练和预测的操作上明显比LSTM模型更简便,更适用于区域客流量预测。     

基于遗传算法的模糊神经网络公交到站时间预测模型研究

公交到站时间的预测受到诸多因素的影响,各种因素对预测准确度不可度量,很难采用传统数学模型进行建模解决。采用基于遗传算法的模糊神经网络模型对公交到站时间进行预测,该模型将遗传算法和模糊推理系统融入多层前馈神经网络中,并通过模糊规则的隶属度进行初始化与更新网络各个参数初始值,同时利用多子群自适应遗传算法进行宏观搜索,提高整个网络的寻优能力。模型以成都市某线路公交运行时间预测为例对其进行了模拟仿真,仿真结果表明基于遗传算法的模糊神经网络公交到站时间预测模型具有较高的准确性与可靠性。     

基于改进WNN的城市轨道交通客流量预测

针对城市轨道交通短时客流量预测问题,提出了一种基于自适应[t]分布变异的蝙蝠算法（ATM-BA）优化的小波神经网络（WNN）预测模型（ATM-BA-WNN）。在基本蝙蝠算法（BA）中引入带有线性递减控制因子的自适应[t]分布变异,使其具有变异机制,能够跳出早熟收敛。并将ATM-BA与WNN两者相互耦合,利用ATM-BA优化WNN的参数配置,进而提高WNN的预测精度。运用ATM-BA-WNN模型对郑州地铁1号线短时客流量进行预测,并与传统的WNN预测模型、BA优化的WNN（BA-WNN）预测模型以及支持向量机（SVM）预测模型进行比较。仿真结果表明,相较于其他3种模型,所建预测模型预测精度最高,拟合能力更强,误差最小,从而证明了该模型在短时客流量预测领域的可行性及优越性。     

基于组合方法的三亚机场客流量预测

准确地预测机场客流量对机场的建设和发展有着至关重要的作用. 在三亚机场2005-2015年客流量数据的基础上,分别采用Holt-Winter季节模型、ARMA和线性回归模型分别对三亚机场2016-2017年的客流量进行了预测. 为了减少预测误差提高预测精度,采用了组合加权的方法对数据进行了组合预测. 经验证,该方法可以作为有效预测机场客流量的一种方法.     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型.它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性.文中研究成果对所有航管部门具有一定的指导意义.     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型。它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性。文中研究成果对所有航管部门具有一定的指导意义。