• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx

      基于深度CNN-LSTM-ResNet組合模型的出租車(chē)需求預(yù)測(cè)

      2018-09-10 10:26:46段宗濤倪園園SAURABBajgain
      關(guān)鍵詞:趨勢(shì)性交通流出租車(chē)

      段宗濤,張 凱,楊 云,倪園園,SAURAB Bajgain

      (長(zhǎng)安大學(xué)信息工程學(xué)院,西安710064)

      0 引言

      隨著Uber和滴滴出行等出租車(chē)需求服務(wù)的日益普及,人們能夠不斷收集大型的出租車(chē)數(shù)據(jù).如何利用海量的離線(xiàn)出租車(chē)GPS數(shù)據(jù)來(lái)進(jìn)行需求預(yù)測(cè)是一個(gè)有趣而關(guān)鍵的現(xiàn)實(shí)問(wèn)題.準(zhǔn)確的交通需求預(yù)測(cè)模型是國(guó)內(nèi)外智能交通系統(tǒng)的研究熱點(diǎn),主要包括基于時(shí)間序列的統(tǒng)計(jì)模型、非參數(shù)預(yù)測(cè)模型和混合模型等.

      在短時(shí)交通流量的預(yù)測(cè)方面,Smith等[1]采用季節(jié)性ARIMA模型來(lái)預(yù)測(cè)高速公路交通流.Ma等[2]根據(jù)LSTM具有長(zhǎng)時(shí)間記憶歷史數(shù)據(jù)和自動(dòng)確定最佳的歷史時(shí)滯的處理時(shí)間序列的能力,采用LSTM神經(jīng)網(wǎng)絡(luò)來(lái)捕捉短期交通速度預(yù)測(cè)的長(zhǎng)期相關(guān)性和非線(xiàn)性交通動(dòng)態(tài).

      隨著日益豐富的交通數(shù)據(jù),交通科學(xué)研究者將深度學(xué)習(xí)用于解決交通問(wèn)題.Zhan X.等[3]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的交通流預(yù)測(cè)方法,使用浮動(dòng)車(chē)的GPS軌跡數(shù)據(jù)來(lái)估算全市的交通量.接下來(lái),Ma等[4]提出了一種大規(guī)模交通網(wǎng)絡(luò)速度預(yù)測(cè)的深度卷積神經(jīng)網(wǎng)絡(luò),將時(shí)空矩陣轉(zhuǎn)換為圖像作為CNN的輸入.J.B.Zhang等[5]提出了基于CNN的深度時(shí)空殘差單元來(lái)預(yù)測(cè)城市中的人流量變化.

      在混合模型方面,羅文慧[6]利用CNN-SVR混合深度學(xué)習(xí)模型實(shí)現(xiàn)短時(shí)交通流預(yù)測(cè).尤其是Shi X.等[7]將CNN和LSTM創(chuàng)新地集成在一個(gè)端到端的DL結(jié)構(gòu)中,命名為ConvLSTM,從而為解決時(shí)空序列問(wèn)題提供了新的思路.Wu Y.等[8]結(jié)合CNN和LSTM的優(yōu)點(diǎn),利用一維CNN捕捉交通流的空間特征,并且利用兩個(gè)LSTM來(lái)挖掘交通流量的短期變化性和周期性.

      綜上所述,隨著深度學(xué)習(xí)的發(fā)展,以及人們對(duì)時(shí)空數(shù)據(jù)更深入的認(rèn)識(shí),研究者將其結(jié)合應(yīng)用于交通流預(yù)測(cè)研究中取得好的成效.但是,在有限的計(jì)算條件下,大多數(shù)模型不能充分學(xué)習(xí)交通流的時(shí)空特征.另一方面,交通流易受外界因素的影響,包括天氣情況、交通事故、交通管制等,這使得交通流經(jīng)常出現(xiàn)異常狀態(tài).為了克服以上挑戰(zhàn),本文提出了一種基于時(shí)空?qǐng)D像的預(yù)測(cè)方法,即CNNLSTM-ResNet(CLR)模型,采用網(wǎng)格劃分的方法將城市范圍內(nèi)的大部分出租車(chē)GPS數(shù)據(jù)作為靜態(tài)圖像的集合進(jìn)行快照,其中每個(gè)像素代表單個(gè)路段或多個(gè)路段的交通區(qū)域的流量,利用深層卷積神經(jīng)網(wǎng)絡(luò)挖掘整個(gè)交通網(wǎng)絡(luò)中絕大多數(shù)鏈路的空間特征,并使用LSTM學(xué)習(xí)交通流變化的時(shí)空特征.

      1 交通流預(yù)測(cè)框架

      本文利用長(zhǎng)期的出租車(chē)歷史GPS數(shù)據(jù)預(yù)測(cè)未來(lái)幾小時(shí)中城市居民對(duì)出租車(chē)的需求.預(yù)測(cè)的目標(biāo)是解決一個(gè)包含空間層次和時(shí)間序列結(jié)構(gòu)的問(wèn)題,即給定歷史觀{Xt|t=0,…,n-1},預(yù)測(cè)Xn.

      從這個(gè)角度來(lái)看,本文的研究對(duì)象是一個(gè)時(shí)空序列預(yù)測(cè)問(wèn)題.假設(shè)本文在由M行N列組成的M×N網(wǎng)格表示的空間區(qū)域上的動(dòng)態(tài)觀察系統(tǒng).在網(wǎng)格中的每個(gè)單元格內(nèi),都有P個(gè)測(cè)量值隨著時(shí)間而變化.因此,任何時(shí)候的觀測(cè)值都可以用X∈RP×M×N來(lái)表示,其中R表示觀測(cè)到的特征域.如果定期記錄觀察,將得到張量的序列.時(shí)空序列預(yù)測(cè)問(wèn)題是預(yù)測(cè)未來(lái)最有可能的長(zhǎng)度K序列,給出了以前的J個(gè)觀測(cè)值包括目前的一個(gè),如式(1)所示.

      1.1 基于時(shí)空特征的交通流矩陣

      為了綜合考慮時(shí)間與空間維度上的各種因素對(duì)交通流的影響,將歷史出租車(chē)GPS數(shù)據(jù)柵格化,處理成帶有時(shí)空信息的交通流矩陣,處理過(guò)程如下.

      定義1區(qū)域和時(shí)間分區(qū).

      市區(qū)被劃分為I×J網(wǎng)格,每個(gè)網(wǎng)格代表一個(gè)交通區(qū)域.考慮在30 min的時(shí)間間隔t內(nèi)累積的交通量.對(duì)于位于第i行和第j列的網(wǎng)格(i,j)在時(shí)間間隔t的乘客的上車(chē)和下車(chē)分別定義為

      式中:Ts是軌跡集;Ts中的軌跡點(diǎn)pn是地理空間坐標(biāo),pn∈grid(i,j)表示點(diǎn)pn位于網(wǎng)格(i,j)內(nèi);|?|表示集合的基數(shù).在第t個(gè)時(shí)隙內(nèi),在I×J區(qū)域內(nèi)的乘客上、下車(chē)流量可以表示為張量Xt∈R2×I×J,其中

      依據(jù)文獻(xiàn)[9]的方法,本文以30 min為時(shí)隙建立時(shí)空矩陣,如式(3)所示.矩陣中的每一項(xiàng)Xloni,latj表示在t時(shí)隙的(i,j)網(wǎng)絡(luò)區(qū)域的交通流量,即為本文模型輸入的時(shí)空矩陣Bt.

      式中:loni、latj分別為點(diǎn)x的經(jīng)緯度坐標(biāo).

      在城市道路網(wǎng)絡(luò)拓?fù)浞矫?,西安市道路網(wǎng)絡(luò)是典型的方格式網(wǎng)絡(luò)結(jié)構(gòu),比較適合進(jìn)行網(wǎng)格劃分.西安市經(jīng)度范圍為(34.181,34.370),緯度范圍為(108.829,109.076),本文采用32×32的網(wǎng)格,每個(gè)交通小區(qū)的實(shí)際大小為[0.657 km×0.859 km].將1天分成48個(gè)時(shí)間段,統(tǒng)計(jì)每30 min所有交通小區(qū)的乘客上車(chē)和下車(chē)的次數(shù).如1圖所示,將交通小區(qū)的數(shù)據(jù)轉(zhuǎn)換為柵格數(shù)據(jù),其顏色越深表示該網(wǎng)格中上車(chē)或下車(chē)的乘客越多.

      圖1 交通流數(shù)據(jù)轉(zhuǎn)換為二進(jìn)制矢量圖Fig.1 Traffic flow data is converted to binary vector illustration

      1.2 時(shí)空軌跡數(shù)據(jù)的特征

      由于早晚高峰、節(jié)假日和季節(jié)變化的影響,交通流會(huì)出現(xiàn)不同狀態(tài).接下來(lái),從局部和整體兩方面來(lái)分析交通流數(shù)據(jù)所具有的臨近性,周期性和趨勢(shì)性的特征.

      (1)臨近性.

      圖2顯示了1天里工作區(qū)進(jìn)出客流量的臨近性特征.可以看到早上和中午進(jìn)入工作區(qū)的客流量較多,同時(shí),晚上和下午離開(kāi)工作區(qū)的客流較多.可以看到每個(gè)時(shí)段的客流量變化受其前一時(shí)段的影響,而且它也影響后一時(shí)段的客流量.

      圖3為西安市的流入客流量的熱力圖,圖中“hour:6.5”是指在6:00-6:30期間流入客流量的熱力圖,其他同;圖中顏色越深表示進(jìn)入交通小區(qū)的乘客越多,可以看出7:00,11:00和18:00時(shí)人流量較多.

      (2)周期性.

      圖4為工作區(qū)和居住區(qū)在1周內(nèi)的交通流狀況,可以明顯看到工作區(qū)和居住區(qū)的進(jìn)入客流量具有周期性,且工作日的峰值比節(jié)假日的峰值高.

      圖2 工作區(qū)的交通流Fig.2 The traffic flow of work area

      圖 5 中,“2016010912~2016011512”依次表示星期六、日、一、二、三、四、五西安市范圍5:30-6:00的乘客流入熱力圖.可以看出,節(jié)假日的交通流較少,工作日的客流量較多,且在星期二、星期三和星期四偏多.

      圖3 西安市的流入交通流Fig.3 The inflow traffic in Xi'an

      圖4 工作區(qū)和居住區(qū)的周期性Fig.4 Periodicity of work area and living area

      圖5 西安市的交通流的周期性Fig.5 Cyclical traffic flow in Xi'an

      (3)趨勢(shì)性.

      圖6顯示3個(gè)月期間,從秋季到冬季,天氣變冷,人們21:00-21:30進(jìn)入工作區(qū)的流量減小,回到居住區(qū)的流量增多,體現(xiàn)了時(shí)空數(shù)據(jù)的趨勢(shì)性.

      圖7為西安市區(qū)連續(xù)5個(gè)月,每月12日5:30-6:00的交通流熱力圖,表明從1月到5月隨著溫度的升高,人們?cè)诖似陂g的活動(dòng)逐漸增多.

      圖6 工作區(qū)和居住區(qū)的趨勢(shì)性Fig.6 Trends of work area and living area

      1.3 模型的網(wǎng)絡(luò)結(jié)構(gòu)

      首先根據(jù)式(3)從原始軌跡數(shù)據(jù)中提取Xclose,Xperiod和Xtrend,以矩陣形式(圖1)輸入到模型中.該模型首先使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)捕獲局部范圍交通流量的空間特征,然后采用殘差單元加深網(wǎng)絡(luò)層數(shù),并利用長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)學(xué)習(xí)時(shí)空數(shù)據(jù)的時(shí)間臨近性、周期性和趨勢(shì)性,再使用CNN捕獲城市范圍的交通流量的空間特征,通過(guò)相應(yīng)的權(quán)重融合以上3個(gè)分量,最后Xcpt與外部因素Xext(由節(jié)假日,天氣,溫度,風(fēng)速,PM2.5組成,并按時(shí)間序列排列的矩陣,將它們饋送到兩層完全連接的神經(jīng)網(wǎng)絡(luò))融合,從而預(yù)測(cè)每個(gè)地區(qū)的交通流狀況.根據(jù)文獻(xiàn)[4]和1.2節(jié)的結(jié)論,軌跡數(shù)據(jù)具有臨近性,周期性和趨勢(shì)性,因此選擇不同的時(shí)間戳并連接在一起,分別模擬臨近性,周期性和趨勢(shì)性.接下來(lái),構(gòu)建模型如圖8中的Xclose,Xperiod和Xtrend這3個(gè)組件,并且與卷積神經(jīng)網(wǎng)絡(luò)共享相同的網(wǎng)絡(luò)結(jié)構(gòu).這3個(gè)組件的第1個(gè)CNN用于提取如圖3所示的臨近性特征;第2個(gè)CNN可以提取圖5所示的工作區(qū)和居住區(qū)的周期特征;從第3個(gè)CNN的結(jié)果可以看出圖7中不同地區(qū)的趨勢(shì)不同.如圖9所示,本文利用2維CNN來(lái)捕捉交通網(wǎng)絡(luò)的空間特征,模型的輸入是表示一個(gè)城市范圍交通狀態(tài)的二進(jìn)制矢量圖.

      圖7 西安市的流入交通流的趨勢(shì)性Fig.7 Trend of inflow traffic in Xi'an

      圖8 CLR模型及參數(shù)Fig.8 The CLR model and its parameters

      圖9 CNN捕獲城市范圍交通流Fig.9 CNN captures city-wide traffic flow

      卷積算子為

      式中:*表示卷積運(yùn)算符;f表示激活函數(shù);W表權(quán)重矩陣;b是偏置數(shù).

      臨近性,周期性和趨勢(shì)性的3個(gè)分量的卷積算子為

      基于權(quán)重的融合可以寫(xiě)成

      式中:W(1),b(1)分別表示是第1層中的參數(shù);H表示融合;c是臨近性,表示實(shí)際的時(shí)隙為30 min;p是周期性,表示1天;tr是趨勢(shì)性,表示1周.

      最后進(jìn)行眾源數(shù)據(jù)融合時(shí),使用tanh函數(shù)將軌跡特征數(shù)據(jù)XRes和外部數(shù)據(jù)XExt融合,預(yù)測(cè)t時(shí)隙的出租車(chē)需求為

      式中:tanh是雙曲正切函數(shù),確保輸出值在[-1,1];Hst是圖8的時(shí)空分量的輸出;Wst和WG是參數(shù).

      利用均方根誤差(RMSE)來(lái)衡量本文中交通流預(yù)測(cè)的性能,即

      式中:observedt是第t個(gè)測(cè)試樣本的真實(shí)值;predictedt是第t個(gè)測(cè)試樣本的預(yù)測(cè)值.

      2 實(shí)驗(yàn)分析

      2.1 實(shí)驗(yàn)數(shù)據(jù)

      研究所使用出租車(chē)的GPS數(shù)據(jù)來(lái)源于西安交通管理中心.研究的出租車(chē)共11 300多輛,數(shù)據(jù)收集時(shí)間為2016年1~5月(114天)和9~11月(88天).本文對(duì)錯(cuò)誤和異常的交通流數(shù)據(jù)做了預(yù)處理,研究的時(shí)間范圍為全天.

      從網(wǎng)上公開(kāi)數(shù)據(jù)集0①外部數(shù)據(jù)集:https://www.wunderground.com/history/airport/ZLXY/2018/4/4/DailyHistory.html?req_city=Xianyang&req_statename=China手動(dòng)提取節(jié)假日,如表1所示,西安市的天氣、溫度、風(fēng)速和PM2.5的數(shù)據(jù).17種天氣類(lèi)型使用二進(jìn)制表示,其中每一位都代表一種天氣.當(dāng)某一位的標(biāo)志為1時(shí),表示這一時(shí)隙的天氣類(lèi)型,比如晴天為“10000000000000000”.當(dāng)多個(gè)位標(biāo)志為1時(shí),所以表示這一時(shí)隙為組合天氣類(lèi)型,比如晴~多云指的是“11000000000000000”.

      表1 外部數(shù)據(jù)集Table 1 External data set

      2.2 定性分析

      參數(shù)設(shè)置:CLR模型的優(yōu)化器是用Adam進(jìn)行訓(xùn)練的;卷積核的大小為3×3;學(xué)習(xí)率設(shè)為0.001;衰減參數(shù)設(shè)置為0.9;batch-size設(shè)置為32;損失函數(shù)是均方誤差(MSE);CLR模型訓(xùn)練的迭代次數(shù)為98.模型利用正態(tài)分布N(0,1)來(lái)初始化參數(shù).使用python語(yǔ)言在tensorflow和Keras構(gòu)建模型和實(shí)現(xiàn)預(yù)測(cè)的,并使用圖形處理單元(GPU)來(lái)加速模型學(xué)習(xí)過(guò)程.選擇數(shù)據(jù)集最后2周的數(shù)據(jù)作為測(cè)試數(shù)據(jù),并將之前的所有數(shù)據(jù)作為訓(xùn)練集.

      (1)提出方法的變體進(jìn)行比較.

      為了驗(yàn)證所提出的CLR中的臨近性,周期性和趨勢(shì)性特征對(duì)預(yù)測(cè)結(jié)果的影響.本節(jié)評(píng)估CLR_CPTM的3個(gè)退化模型,包括CLR_C,CLR_CP,CLR_CPT.與CLR-CPTM模型相比,CPT不考慮外部因素,CP不包括趨勢(shì)分量和外部因素,C僅使用臨近性.從圖10中可以看到CLR_CPTM效果顯著,表明周期性和趨勢(shì)性對(duì)預(yù)測(cè)更為重要.

      圖10 數(shù)據(jù)特征影響Fig.10 The data features impact

      對(duì)比CLR不同殘差層數(shù)所得到的均方根誤差(RMSE)結(jié)果,結(jié)果顯示,RMSE隨著殘差單元數(shù)量的增加而減少,表明使用殘差單元加深模型的復(fù)雜度,能夠提高準(zhǔn)確率.

      (2)與交通流常用的模型進(jìn)行比較.

      為了驗(yàn)證模型的有效性,本文選取了5個(gè)模型(HA,ARIMA[10],CNN,ConvLSTM[9],ST-ResNet[7])與CLR做性能比較,其中深度學(xué)習(xí)模型CNN,ConvLSTM,ST-ResNet設(shè)置的參數(shù)值與CLR中的保持一致.接下來(lái)對(duì)5個(gè)模型進(jìn)行介紹:

      ①歷史平均值(HA).通過(guò)對(duì)應(yīng)時(shí)間段內(nèi)的歷史流入和流出來(lái)預(yù)測(cè)當(dāng)前的交通流,本文中對(duì)應(yīng)時(shí)間段均為所有歷史20:00-20:30.

      ②自回歸整合移動(dòng)平均值(ARIMA).把交通流時(shí)間序列的數(shù)據(jù)結(jié)構(gòu)分解為線(xiàn)性自相關(guān)結(jié)構(gòu),將移動(dòng)平均值和自回歸分量組合用于建模時(shí)間序列.

      ③ConvLSTM.具有LSTM的時(shí)序建模能力,還可以通過(guò)CNN捕獲局部特征,因而能夠?qū)r(shí)空數(shù)據(jù)的時(shí)空特征進(jìn)行學(xué)習(xí).

      ④CNN.1個(gè)卷積層可以很好地描述空間區(qū)域的近地依賴(lài)性,2個(gè)卷積層可以進(jìn)一步描述遠(yuǎn)地的依賴(lài)性.深層卷積層,可以模擬城市中任何兩個(gè)地區(qū)之間的附近和遙遠(yuǎn)的空間依賴(lài)關(guān)系.

      ⑤ST-ResNet[7].采用殘差神經(jīng)網(wǎng)絡(luò)的CNN框架來(lái)分別模擬人群流量的臨近性,周期性和趨勢(shì)特征.

      如表2所示,從各個(gè)模型的預(yù)測(cè)結(jié)果來(lái)看,HA預(yù)測(cè)和ARMIMA預(yù)測(cè)誤差較大;CNN預(yù)測(cè),cnnv2dLSTM和ST-ResNet表現(xiàn)出類(lèi)似的精度,表明時(shí)空特征在短期交通流預(yù)測(cè)中具有相似的預(yù)測(cè)性能.CLR與5個(gè)模型在短期交通流預(yù)測(cè)相比中,表現(xiàn)出較好的準(zhǔn)確度,因?yàn)镃LR考慮了時(shí)空特征,學(xué)習(xí)了全市范圍的交通流所具有的空間特征和時(shí)間規(guī)律性.由于LSTM是長(zhǎng)短期記憶網(wǎng)絡(luò),CLR可以執(zhí)行長(zhǎng)期預(yù)測(cè).

      表2 模型對(duì)比Table 2 The model comparison

      接下來(lái),分別對(duì)工作日、節(jié)假日的出租車(chē)需求預(yù)測(cè),首先排除HA和ARIMA的結(jié)果,是因?yàn)樗鼈儽憩F(xiàn)不佳.可以看到工作日的預(yù)測(cè)結(jié)果最好,節(jié)假日預(yù)測(cè)比整體預(yù)測(cè)還差.因?yàn)樵诠ぷ魅?,人們通常有?guī)律的生活方式,上班族要按時(shí)上班,學(xué)生要按時(shí)上學(xué)等.而在節(jié)假日,人們的生活方式各不相同,很難預(yù)測(cè)居民對(duì)出租車(chē)需求.

      為了評(píng)估本文方法的可行性,比較節(jié)假日與工作日的預(yù)測(cè)誤差,根據(jù)文獻(xiàn)[11]定義為分別是工作日和節(jié)假日的平均預(yù)測(cè)誤差.如表2所示,工作日和節(jié)假日誤差均最小的是CNN,但CNN僅對(duì)車(chē)輛GPS數(shù)據(jù)的空間特征進(jìn)行預(yù)測(cè),忽視了時(shí)間特征;而ConvLSTM、ST-ResNet、CLR同時(shí)考慮車(chē)輛GPS數(shù)據(jù)的空間和時(shí)間特征,相比之中,誤差相對(duì)增加最小是ConvLSTM,但工作日和節(jié)假日誤差較大;雖然CLR的工作日和節(jié)假日誤差均比ST-ResNet大,但CLR的節(jié)假日與工作日的相對(duì)誤差比STResNet小.更重要一點(diǎn),在CLR模型中的LSTM能夠長(zhǎng)期學(xué)習(xí)和記憶歷史數(shù)據(jù),因此CLR的預(yù)測(cè)(不區(qū)分工作日、節(jié)假日)誤差為7.714 403,而STResNet達(dá)到了8.427 856.

      為了驗(yàn)證1.2節(jié)中時(shí)空軌跡數(shù)據(jù)具有的特征,比較3個(gè)模型對(duì)1星期的7天分別做預(yù)測(cè).從圖11可以看到ConvLSTM分別對(duì)1星期內(nèi)不同時(shí)間預(yù)測(cè)的RMSE都為8.75左右,最大誤差為0.06.因?yàn)镃onvLSTM利用CNN卷積乘客在進(jìn)入和離開(kāi)每個(gè)交通小區(qū)的空間位置,LSTM學(xué)習(xí)和記憶乘客的歷史上下車(chē)時(shí)間,但沒(méi)有考慮現(xiàn)實(shí)中的復(fù)雜的交通狀況,此外,如果給定的交通流受很多因素影響,局部錯(cuò)誤可能會(huì)累積,因而不能有效的模擬現(xiàn)實(shí)交通.ST-ResNet和CLR均考慮影響乘客對(duì)出租車(chē)需求的多種關(guān)聯(lián)因素,融合了時(shí)空軌跡數(shù)據(jù)和外部影響數(shù)據(jù),因而更加接近現(xiàn)實(shí)中乘客對(duì)出租車(chē)需求.其中星期二~四的RMSE比較低,因?yàn)檫@3天屬于工作日的中間時(shí)段,居民有固定的生活方式,對(duì)出租車(chē)需求也比較固定.例如人們從居住的地方乘車(chē)上班,按時(shí)上下班.節(jié)假日2天的RMSE比較高,是因?yàn)樵诠?jié)假日時(shí),人們各自有不同的生活方式,對(duì)出租車(chē)需求也不同.而星期一和星期五受節(jié)假日的影響,星期一是經(jīng)歷2天節(jié)假日后,也是1周工作的開(kāi)始;星期五是連續(xù)5天工作日的最后1天,同時(shí)代表著節(jié)假日的開(kāi)始.CLR比ST-ResNet在1周內(nèi)的RMSE小,再一次證明了CLR模型的LSTM能夠記憶和學(xué)習(xí)更長(zhǎng)的歷史數(shù)據(jù),進(jìn)而模擬更加接近現(xiàn)實(shí)的出租車(chē)需求,驗(yàn)證了圖5的結(jié)論.實(shí)驗(yàn)證明,CLR可以預(yù)測(cè)未來(lái)7天的交通流,且均方誤差較小.如果有更多的訓(xùn)練數(shù)據(jù),模型預(yù)測(cè)的結(jié)果可能更精準(zhǔn),預(yù)測(cè)的時(shí)間越長(zhǎng).

      圖11 不同日子的預(yù)測(cè)結(jié)果Fig.11 The Predict Results of Different Days

      3 結(jié)論

      在本文中提出了一種新的基于深度學(xué)習(xí)的出租車(chē)需求預(yù)測(cè)模型,即根據(jù)歷史軌跡數(shù)據(jù),節(jié)假日和天氣預(yù)測(cè)城市每個(gè)地區(qū)居民的出租車(chē)需求.本文利用西安市的出租車(chē)數(shù)據(jù)評(píng)估了模型,預(yù)測(cè)結(jié)果超過(guò)5種常用的預(yù)測(cè)方法,證實(shí)了本文的模型更適合出租車(chē)需求預(yù)測(cè).

      本文從宏觀上分析了西安市的出租車(chē)需求問(wèn)題,局部只針對(duì)居住區(qū),工作區(qū)研究,未考慮交通路網(wǎng)的復(fù)雜性,下一步的研究將考慮復(fù)雜的交通路網(wǎng)相關(guān)信息,對(duì)城市具體的路段和更為豐富的地區(qū)(娛樂(lè)區(qū),工作區(qū),商業(yè)區(qū),旅游景點(diǎn)等)分類(lèi)研究乘客的出租車(chē)需求,從而增強(qiáng)預(yù)測(cè)模型的泛化能力,進(jìn)一步提高算法的適用性.

      猜你喜歡
      趨勢(shì)性交通流出租車(chē)
      乘坐出租車(chē)
      農(nóng)產(chǎn)品流通競(jìng)爭(zhēng)力的趨勢(shì)性和區(qū)域分異性
      憑什么
      基于M—K方法及成分提取的海洋表層熱狀分析
      交通流隨機(jī)行為的研究進(jìn)展
      開(kāi)往春天的深夜出租車(chē)
      山東青年(2016年1期)2016-02-28 14:25:29
      路內(nèi)停車(chē)對(duì)交通流延誤影響的定量分析
      在解決Uber之前先解決出租車(chē)行業(yè)的壟斷
      中國(guó)經(jīng)濟(jì)發(fā)展新常態(tài)十大趨勢(shì)性變化及因應(yīng)策略
      全球化(2015年9期)2015-02-28 12:40:07
      具有負(fù)壓力的Aw-Rascle交通流的Riemann問(wèn)題
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      手游| 远安县| 蛟河市| 迁西县| 东乡县| 东乡族自治县| 宁海县| 黄骅市| 宾川县| 惠来县| 启东市| 潞西市| 雅江县| 湖口县| 永吉县| 武强县| 千阳县| 南皮县| 阳东县| 平山县| 新泰市| 和静县| 南平市| 米脂县| 调兵山市| 上思县| 门头沟区| 临湘市| 两当县| 交口县| 临朐县| 宜州市| 平山县| 神农架林区| 武山县| 固安县| 云浮市| 鄂托克旗| 南汇区| 万安县| 乐陵市|