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。     

基于多源数据融合的城市出租车载客出行特征研究——以岳阳市为例

为探究城市出租车载客出行特征,在出租车GPS轨迹大数据基础上,融合居民出行调查数据、城市土地利用数据及天气数据,构建出租车载客出行量回归模型,得出出租车载客出行量与片区岗位数、天气状况、时段、片区面积有较强的相关性,而基于RBF神经网络构建的回归模型在上述4个因素的基础上增加了片区常住人口数和是否工作日2个因素.通过10折交叉验证表明,RBF神经网络回归模型的拟合效果比多元线性回归模型更好.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题，本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入，利用二维 CNN 与 ResNet 组成深层神经网络，捕捉站点间的空间特征，同时利用一维 CNN捕捉客流量的时间依赖.最后，基于参数矩阵，将时间和空间特征进行加权融合，完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据，对模型进行验证. 结果表明，相比现有传统的预测模型(ARIMA，SVR，LSTM，CLTFP，ConvLSTM)，本文 ResNet-CNN1D模型具有更好的预测精度.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

基于CNN-LSTM网络模型的风电功率短期预测研究

风电功率预测对电力系统的稳定运行与经济调度至关重要。为充分挖掘历史数据中的有效信息以提高风电功率短期预测精度,提出一种基于卷积神经网络(convolution neural network,CNN)和长短期记忆(long short-term memory network,LSTM)网络模型的风电功率短期预测方法,利用CNN序列特征提取能力进行有效信息的提取,保留更长的有效记忆信息以解决梯度弥散问题,弥补了LSTM网络模型面对过长序列时出现不稳定与梯度消失现象的不足。用国内某风电场数据进行实验,预测结果表明文中提出的方法与反向传播神经网络和LSTM网络预测方法相比,具有更高的预测精度。     

基于出租车GPS数据的路段平均速度估计模型

为了解决现有基于GPS数据的路段平均速度估计模型应用条件苛刻、难以满足低成本和高精度信息需求问题,考虑不同类型GPS车辆运行特征,设计了两个基于出租车GPS数据估计路段平均速度的改进模型.基于两个改进模型,设计了路段平均速度的融合估计方法.用某城市局部路网的出租车GPS数据验证两个改进模型,并与传统模型进行了对比分析....     

基于LSTM 神经网络的降雨天旅行时间预测研究

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象,在考虑降雨数据的基础上,设计一个基于非最小路段的行程时间计算方法,建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后,以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明,加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析,发现在满足数据精度的前提下,本文应用的算法和预测模型有较高的训练速度和预测可靠性.     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

机场场面交通流量预测方法研究

针对机场场面交通可获数据的局限性,为精准提取机场交通数据时空特征及预测场面交通流量。首先,基于推出控制理论,建立机场场面运行数值仿真模型,得到因数据局限无法获取的预测指标;其次,搭建卷积神经网络(CNN)与长短期记忆网络(LSTM)组合预测模型提取时空特征;最后,以河南郑州机场为例进行试验验证,比较模型在不同训练数据量下的预测性能与误差指标,结果表明基于仿真指标的预测模型预测结果精确度高且性能稳定。     

城市建成环境对出租车出行需求影响研究—— 基于空间溢出效应的分析

城市建成环境对交通出行具有深刻的影响,为探讨快速城市化时期我国城市 建成环境对出租车出行需求的影响,本文构建了考虑空间溢出效应的计量模型,以北京 市为例开展了实证研究.基于交通分区空间尺度,利用出租车GPS 数据获取了交通分区 出行需求,度量了住宅类、工作岗位类及交通设施类等变量表征建成环境,进而研究建成 环境对出租车出行需求的影响.通过传统最小二乘法的多元回归模型、空间自回归模型与 空间杜宾模型进行对比发现,空间杜宾模型的拟合度和解释力最优,研究建成环境对出 租车出行需求的影响时不能忽略空间溢出效应.利用空间杜宾模型参数估计结果,分析了 建成环境的住宅类、工作岗位类及交通设施类变量对出租车出行需求的直接效应、溢出 效应与总效应.本文力求掌握出租车出行需求产生的内在城市环境因素,为降低出租车空 驶率、实现出租车空间需求预测及分布均衡提供依据.     

基于出租车GPS大数据的城市热点出行路段识别方法

连续两个出租车 GPS定位点之间的时空间隔使得乘客上下车的位置必然介于一个线性区间内,据此提出轨迹线密度方法,用于在位置界限模糊的热点出行区域进一步搜索热点路段.利用成都市出租车 GPS数据,借助核密度估计分析出租车上下客位置的时空特性;基于轨迹线密度方法,计算了成都市春熙路商圈的路网密度值,划分路段热点强度,识别出了热点路段的位置,结合实际的出行需求分布完成方法有效性的验证.结果表明,本文所采用的方法能够有效识别出行需求旺盛的城市热点路段,不仅可以为出租车司机寻找客源提供重要的参考,还能够在交通相关部门选择出租车停靠站的位置时提供数据支持.     

上海市出租汽车运行特征研究及政策思考

出租汽车是上海市客运交通体系的重要组成部分,对其进行定期的跟踪评估有利于提高行业运行效率,完善相关政策。通过对上海市3万余辆出租汽车、390余万条出租汽车GPS行程数据的分析研究,并结合历年交通调查数据,从出租汽车的行程分布、里程利用率、服务时间分布和空间差异性分布等方面,分析了上海市出租汽车的基本特征和变化趋势。在此基础上,对上海市出租汽车管理提出发展建议:坚持公交优先,考虑多样化的乘客需求,提高出租汽车行业绿色发展水平。     

基于浮动车数据挖掘的出租汽车运营特征研究

为支持出租汽车运营评价和行业规划,科学掌握其运营现状与特点,以深圳市一个典型工作日为例,研究浮动车数据挖掘在出租汽车运营特征研究中的应用.依托对浮动车数据的特征解析,提出面向出租汽车运营特征分析的数据处理流程,针对空驶率、运营速度、载客运营时长、出行需求的时空差异等方面分析深圳市出租汽车行业运营现状与特点.该研究可为出租汽车运营评价提供新视角,从对既有数据深度挖掘的角度提升行业效益.     

基于GPS数据的出租车路径选择行为研究

出租车路径选择行为研究对于剖析城市交通流时空分布规律及交通流分配具有重要意义.基于北京市出租车调度系统采集的GPS（Global Positioning System）数据,本文首先通过旅程数据提取、地图匹配及双向扫除算法,构建车辆路径选择行为分析所需的RP（Revealed Preference）数据.其次,在综合考虑道路网络条件和交通条件对驾驶员路径选择行为影响的基础上,构建基于PSL（Path-Size Logit）模型的出租车多路径概率选择模型.案例分析结果表明,出租车驾驶员更倾向于选择旅行时间短、转向次数少、主干路和次干路比例较高的路径.同时,文中所提出的路径选择行为建模方法,对于提高GPS数据的使用价值具有积极的意义.     

����GPS���ݵij��⳵·��ѡ����Ϊ�о�

出租车路径选择行为研究对于剖析城市交通流时空分布规律及交通流分配具有重要意义。基于北京市出租车调度系统采集的GPS（Global Positioning System）数据,本文首先通过旅程数据提取、地图匹配及双向扫除算法,构建车辆路径选择行为分析所需的RP（Revealed Preference）数据。其次,在综合考虑道路网络条件和交通条件对驾驶员路径选择行为影响的基础上,构建基于PSL（Path-Size Logit）模型的出租车多路径概率选择模型。案例分析结果表明,出租车驾驶员更倾向于选择旅行时间短、转向次数少、主干路和次干路比例较高的路径。同时,文中所提出的路径选择行为建模方法,对于提高GPS数据的使用价值具有积极的意义。     

基于GPS数据采集的出租汽车交通运行特点研究

对装载GPS的出租汽车采集到的数据进行预处理和地图匹配,实现了出租汽车路径的跟踪,确定了出租汽车上下客点的位置,据此可得到反映出租汽车交通运行特点的相关数据,为出租汽车交通管理乃至城市交通管理提供了科学依据.以深圳市装载GPS的出租汽车数据为例进行分析,通过一定的数据处理方法,利用Visual Basic和ArcView的组件Mapobject相结合进行编程,得到了深圳市出租汽车交通运行的特点,如出租汽车交通出行需求的空间分布、出租汽车出行距离分布、出租汽车出行时长分布等.