基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究

考虑铁路枢纽出租车客流需求量短时波动和历史时间序列等影响因素,为提升铁路枢纽站出租车需求量短时预测精度,提出了一维卷积神经网络(CNN)与长短时记忆神经网络(LSTM)的组合预测模型(CNN-LSTM)。采用人工计数法,获取铁路枢纽站出租车客流需求的时间序列数据,根据供需量平衡理论,建立理想条件下需求量短时计算模型。以标准化原始数据为CNN的输入,分别通过双层卷积和池化,提取原始数据特征向量输入特征,并以此作为LSTM的训练数据进行短时预测,将预测数据标准化还原后可得到匹配原始数据的预测数据。对比分析SARIMA、LSTM预测模型,构建的CNN-LSTM组合模型RMSE值有所降低,表明构建模型适用于铁路枢纽出租车需求量短时预测。     

基于LSTM模型的高原桥梁温度场预测研究

基于LSTM(long short-term memory,长短期记忆)神经网络深度学习模型,通过自适应矩估计算法建立桥位处的环境温度、地表太阳辐射量(包括直接辐射和散射辐射)、平均风速和风向等环境参数与箱梁温度场之间的映射关系,并通过贝叶斯算法优化LSTM模型中的超参数,使均方差降至最低,从而获得箱梁温度场预测模型。预测值与实测值的对比分析表明,建立的 LSTM 神经网络深度学习模型能够根据环境参数准确预测高原环境下连续刚构桥箱梁的温度场,且模型具有较强的泛化能力。     

基于LSTM网络模型的高速公路软基长期沉降预测

LSTM网络模型相较于一般曲线拟合方法具有容错性好、记忆功能强等显著优势,可有效识别并保存已有数据中的隐藏信息特征.基于以上优势,构建针对高速公路路基长期沉降预测的LSTM神经网络模型,进一步利用高速公路路基长期沉降特征的时序化特点,基于LSTM神经网络模型对其进行预测,结果表明:所构建LSTM模型可有效表征高速公路路...     

基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.     

基于深度学习的有效停车泊位预测模型

针对传统有效停车泊位预测方法无法刻画泊位前后时刻关联关系的问题,采用基于深度学习的LSTM(long short-term memcry)神经网络对其进行改进,提出了LSTM有效停车泊位预测模型,并基于此模型对不同类型的停车区域进行分析与预测.在构建模型的基础上,综合考虑了有效停车泊位预测的时空特性,选取目标区域内多个邻近停车场的历史停车数据组成数据集,并构建有效停车泊位预测的对比模型,以此检验模型的预测精度.研究结果表明:在不同类型停车区域的有效停车泊位预测中,LSTM模型预测结果与真实值一致性较好,预测精度均高于BP预测模型和ARIMA预测模型;LSTM模型在有效停车泊位预测方面可靠且有效.     

我国铁路双层集装箱运输可行性研究

在分析我国铁路目前集装箱运输现状的基础上,论述了我国铁路开行双层集装箱运输需具备的条件,研究了我国铁路开展双层集装箱运输的相关方面的改进方案,对我国铁路开行双层集装箱的线路进行了探讨. 结果认为:采用双层集装箱运输是缓解目前我国铁路主要干线运输能力紧张状况、降低集装箱运输成本的有效途径.     

我国铁路双层集装箱运输可行性研究

在分析我国铁路目前集装箱运输现状的基础上,论述了我国铁路开行双层集装箱运输需具备的条件,研究了我国铁路开展双层集装箱运输的相关方面的改进方案,对我国铁路开行双层集装箱的线路进行了探讨.结果认为:采用双层集装箱运输是缓解目前我国铁路主要干线运输能力紧张状况、降低集装箱运输成本的有效途径.     

循环神经网络模型下道路碳排放浓度预测

以湖南省永州市永州大道基本路段CO₂浓度时序数据为研究对象,旨在实现道路CO₂浓度的实时预测。测得用于模型训练和预测精度计算的路段CO₂浓度数据,利用Savitzky-Golay滤波器对数据进行平滑去噪,在调试并建立循环神经网络最优模型结构的基础上,引入多元预测模型(MLR、SVR、BP)和时序预测模型(BP、RF、RNN、LSTM、GRU)进行预测性能对比,为路段CO₂浓度的实时预测提供参照。结果表明：时序预测模型相比于多元预测模型具有更好的预测效果,特别是循环神经网络模型中的GRU表现出较高的预测精度,其次是LSTM,最后是RNN;循环神经网络模型在处理路段CO₂浓度时序数据的训练和预测任务中具备突出性能,能够实时且精准预测道路路段CO₂浓度。     

城市轨道交通与公共自行车换乘需求分析——以广佛地铁(佛山段)为例

现状各地铁站点的公共自行车的设置没有根据实际需要进行设置,导致部分站点的公共自行车供应不足,部分站点的公共自行车供大干求,造成资源浪费.选择了二元logit模型对各地铁站点的公共自行车需求进行预测,通过现场调查发现,二元logit模型对各地铁站点的公共自行车需求预测情况与现状各地铁站点公共自行车的供需不平衡状态基本一致.因此,各地铁站点相应的公共自行车的停车桩数设置可采用二元logit模型进行调整设置.     

基于零反应时间的自动驾驶车辆跟驰模型研究

自动驾驶车辆可以通过数据驱动模型较好地学习人类驾驶员的跟驰行为,但单纯的学习并不能发挥自动驾驶车辆反应更敏捷的特性.文中利用NGSIM数据集开发一种基于零反应时间数据的跟驰行为学习模型.首先,基于人类驾驶行为数据建立反应时间预测的神经网络模型,预测每条人类跟驰轨迹数据每个时间步的反应时间,并在原轨迹中剪除反应时间内的数据,进而重构样本数据,获得近似于零反应时间、更符合自动驾驶车辆特性的样本集.在此基础上采用LSTM架构,建立基于新学习样本的跟驰行为模型(LSTM-0RT).仿真对比发现:LSTM-0RT跟驰模型比传统LSTM模型提前50 s收敛,且速度变化趋势与前车基本一致,充分体现反应速度快的特点;在混驶环境测试中,采用LSTM-0RT模型的自动驾驶车辆比例越大,跟驰车队的渐进稳定性越高,车流波动的影响范围越小;交通流特性分析显示LSTM-0RT模型在不同交通流密度下的适用性明显优于LSTM模型;车头时距指标测算也表明LSTM-0RT模型具有更高的跟驰安全性.