检索结果-南通市图书馆

基于双向长短期记忆网络的公交到站时间预测模型

在线全文

学校读者我要写书评

暂无评论

交通运输系统工程与信息 2023年第2期23卷 148-160页

作者：张兵周丹丹孙健倪训友华东交通大学交通运输工程学院南昌330013 长安大学未来交通学院西安710064

为实现准确预测公交到站时间,提高城市公交出行分担率,本文提出一种基于双向长短期记忆神经网络(BiLSTM)并考虑超参数寻优的公交到站时间预测模型。通过引入非线性收敛因子、正弦余弦算子及自适应参数改进海鸥算法对双向LSTM模型实现超... 详细信息

为实现准确预测公交到站时间,提高城市公交出行分担率,本文提出一种基于双向长短期记忆神经网络(BiLSTM)并考虑超参数寻优的公交到站时间预测模型。通过引入非线性收敛因子、正弦余弦算子及自适应参数改进海鸥算法对双向LSTM模型实现超参数寻优,并增加Attention机制以提高双向LSTM处理信息能力,构建改进海鸥算法优化增加Attention机制的双向LSTM(ISOA-BiLSTM-Attention)预测模型。使用中国江西省南昌市220路公交GPS数据分方向和分时段预测车辆到站时间,验证模型预测精度。结果表明:整体上来说,Attention机制优化后的双向LSTM模型比单独采用双向LSTM模型预测精度更好;改进的海鸥算法可对双向LSTMAttention模型实现较好的优化效果,相较于现有模型及标准海鸥算法(SOA)优化双向LSTMAttention模型,ISOA-BiLSTM-Attention对于不同方向及不同时段公交到站时间预测的平均绝对百分比误差、均方根误差及平均绝对误差至少分别降低5.96%、9.87%及7.99%;同时,ISOABiLSTM-Attention具有最大的模型决定系数R2值,体现了该预测模型泛化能力及稳定性较好,可针对公交到站时间进行较为准确地拟合。

关键词：城市交通公交到站时间预测改进海鸥优化算法双向LSTM模型 Attention机制

在线全文

学校读者我要写书评

暂无评论

基于粒子群小波神经网络的公交到站时间预测

交通运输系统工程与信息 2016年第3期16卷 60-66页

作者：季彦婕陆佳炜陈晓实胡波东南大学交通学院南京210096

公交到站时间的实时预测是公交出行信息发布、公交出行诱导、公交动态调度的关键技术.基于公交车辆运行特性分析,将公交到站时间分为路段运行时间和站点停靠时间两部分,并考虑工作日与周末的运行特性差异,最后结合迭代思想提出利用粒子... 详细信息

公交到站时间的实时预测是公交出行信息发布、公交出行诱导、公交动态调度的关键技术.基于公交车辆运行特性分析,将公交到站时间分为路段运行时间和站点停靠时间两部分,并考虑工作日与周末的运行特性差异,最后结合迭代思想提出利用粒子群小波神经网络模型预测公交到站时间.实例分析表明:粒子群算法能有效降低小波神经网络模型的训练误差;结合迭代法使用公交车上一站运行时间作为预测输入能够有效提高预测精度;该预测模型对于公交车在工作日和周末到站时间的预测均能达到较高的精度,平均绝对百分比误差分别为10.82%和9.85%.

关键词：智能交通公交到站时间预测小波神经网络公交粒子群算法迭代法

在线全文

学校读者我要写书评

暂无评论

公交到站时间预测模型的研究

公交到站时间预测模型的研究

作者：艾文文青岛大学

学位级别：硕士

公交到站时间预测是城市居民出行服务的需要,是广大乘客最关心的交通信息之一,它的预测准确度直接影响着乘客对公交系统的满意度,预测准确度的提高可以节约广大乘客的等待时间,从而提高出行效率,进而提升公交系统的服务水平,吸引更多乘... 详细信息

公交到站时间预测是城市居民出行服务的需要,是广大乘客最关心的交通信息之一,它的预测准确度直接影响着乘客对公交系统的满意度,预测准确度的提高可以节约广大乘客的等待时间,从而提高出行效率,进而提升公交系统的服务水平,吸引更多乘客乘坐公交车,有利于解决交通拥堵问题。本文针对公交到站时间预测问题进行了研究,公交到站时间既与当前到站时间有关,又与历史同期数据相关,基于此本文根据深度学习中的LSTM网络模型在时间序列处理方面的优点,构建了基于LSTM网络的公交到站时间预测模型,并通过实验的方法验证了此模型的有效性与可实施性。本文的主要工作如下:1.将现有多种公交到站时间预测模型进行介绍。详细介绍了深度学习的相关内容和循环神经网络与LSTM网络的内容和结构,分析并总结影响公交到站时间的静态、动态因素。2.建立了基于LSTM的公交到站时间预测模型。以青岛市公交到站时间预测为例,在对数据进行了缺失值及归一化处理的基础上,构建了基于LSTM的公交到站时间预测模型,并对青岛市公交车到站时间进行预测,结果表明了此预测模型的可行性与有效性。3.优化模型。为了提高模型的预测精度,对模型进行了优化,最后面对特定的训练数据样本比较少的问题,通过迁移学习的方式对数据集进行扩充,来提高网络模型的性能,进而提高预测准确度。

关键词： LSTM网络公交到站时间预测深度学习循环神经网络迁移学习

基于Spark与粒子滤波算法的公交到站时间预测系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机应用 2019年第2期39卷 429-435页

作者：刘靖肖冠烽内蒙古大学计算机学院内蒙古呼和浩特010021

针对公交车到站时间预测准确性不高的问题,选用具有流式计算特点的粒子滤波(PF)算法,建立了一个公交到站时间预测模型。为更好地解决使用PF算法过程中存在的预测误差及粒子优化选择问题,通过引入上一趟公交车的行驶速度和构造观测值的... 详细信息

针对公交车到站时间预测准确性不高的问题,选用具有流式计算特点的粒子滤波(PF)算法,建立了一个公交到站时间预测模型。为更好地解决使用PF算法过程中存在的预测误差及粒子优化选择问题,通过引入上一趟公交车的行驶速度和构造观测值的方法对预测模型进行改进,使之具有更贴近实际路况的公交到站时间预测精度,并且能同时预测多个公交到达时间。基于该模型和Spark平台实现了一套公交到站时间实时预测软件系统,所有到站时间预测结果与实际相比,平峰的最大绝对误差为207 s,平均绝对误差为71. 67 s;高峰的最大绝对误差为270 s,平均绝对误差为87. 61 s,而预测结果的平均绝对误差在2 min以内是公认的理想结果。实验结果表明,所提模型及实现系统能准确预测公交到站时间,满足乘客实际需求。

关键词：公交到站时间预测粒子滤波算法流计算 Spark

在线全文

学校读者我要写书评

暂无评论

基于CS-SNN的公交到站时间预测模型

传感器与微系统 2021年第3期40卷 30-33页

作者：邝先验罗会超钟蕊欧阳鹏江西理工大学电气工程与自动化学院江西赣州341000

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... 详细信息

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,将该优化算法与未优化的SNN算法和Elman神经网络算法用MATLAB分别仿真测试。对比结果显示:无论工作日还是周末,CS-SNN预测模型对公交行程时间的预测均具有更高的准确性且结果更加稳定。

关键词：智能交通公交到站时间预测布谷鸟搜索算法 Spiking神经网络公共交通

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

在线全文

学校读者我要写书评

暂无评论

计算机科学 2016年第S1期43卷 87-89 108,108页

作者：罗频捷温荷万里成都东软学院实验管理中心成都611844 成都东软学院计算机科学与技术系成都611844 南京工业大学土木工程与防灾减灾重点实验室南京211816

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... 详细信息

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。

关键词：公交到站时间预测多层前馈神经网络模糊逻辑系统多子群自适应遗传算法

基于粒子滤波的公交到站时间预测系统的研究与实现

在线全文

学校读者我要写书评

暂无评论

基于粒子滤波的公交到站时间预测系统的研究与实现

作者：肖冠烽内蒙古大学

学位级别：硕士

近几年,云计算与大数据技术日趋成熟,二者的结合在各领域中产生出大量丰富的应用与服务。公交车到站时间预测也是其中的应用之一,而且也是城市交通领域中的重要内容之一,对改善公共交通服务具有重要意义。首先,论文对公交到站预测系统... 详细信息

近几年,云计算与大数据技术日趋成熟,二者的结合在各领域中产生出大量丰富的应用与服务。公交车到站时间预测也是其中的应用之一,而且也是城市交通领域中的重要内容之一,对改善公共交通服务具有重要意义。首先,论文对公交到站预测系统进行需求分析,选择具有流式计算特点的粒子滤波算法,建立了一个公交车到站时间预测模型。为了解决使用粒子滤波算法预测公交车到站时间时多步预测带来的预测精度问题,论文对预测模型进行改进,通过引入最近上一趟公交车的行驶速度和构造观测值的方法,使粒子滤波算法在同时预测多个公交站的到达时间时也具有较高的预测精度。其次,论文使用Spark Streaming流计算框架设计实现了一个通用的城市公交车到站时间实时预测系统,系统包括数据接入、数据预处理以及实时计算过程。在实验部分,论文选取呼和浩特市公交系统中具有代表性的公交线路,使用真实行驶数据进行实验。实验将公交车行驶数据分为平峰和高峰期两个时间段,使用平均绝对误差(Mean Absolute Error,MAE)对实验结果进行评价。实验表明,对于处在两个不同时间段的公交车其预测结果的MAE在2min内,证明系统有较好的预测效果,能够满足乘客在公交到站时间问题上的日常需求。

关键词：公交到站时间预测粒子滤波流计算 Spark

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于静态和动态算法结合的公交到站时间预测

基于静态和动态算法结合的公交到站时间预测

作者：彭俊伟杭州电子科技大学

学位级别：硕士

随着现代化城市的高速发展,市民对于生活质量的要求逐步提高,私家车数量急剧提升,如何解决有限的交通道路资源和提升公共交通形象已经成为急需研究的问题,而在公共交通系统中,提高公交到站时间预测精确度对公交系统满意度以及减少私家... 详细信息

随着现代化城市的高速发展,市民对于生活质量的要求逐步提高,私家车数量急剧提升,如何解决有限的交通道路资源和提升公共交通形象已经成为急需研究的问题,而在公共交通系统中,提高公交到站时间预测精确度对公交系统满意度以及减少私家车数量、缓解交通压力等方面都有很大帮助。首先,本文介绍了公交到站时间预测的研究背景和相关研究现状,并且介绍了一些已经存在并且用于公交到站时间预测的模型。其次,对可能影响公交到站时间的因素以及通过GPS设备采集的数据产生差错的原因进行了分析,给出了对原始数据进行预处理的过程以及如何纠正错误数据。对于本文提出的静态算法结合动态算法的两个基本算法的内容进行了详尽的描述,介绍了静态算法即支持向量机(SVM)分类和回归的原理以及常用的核函数和核函数的参数等。之后描述的是动态修正算法卡尔曼滤波的基本原理以及五个基本的状态更新递推方程,在不断根据上一个状态以及当前状态的输入变量对下一个状态进行预测。由于卡尔曼滤波只使用了上一个状态的新息,因此考虑了对卡尔曼滤波算法基于多新息理论进行改进,即不只是依赖于上一个状态而是多个过去有用的数据。然后,为了验证本文提出算法的有效性,选择了绍兴BRT1号线作为研究对象,将2013年绍兴BRT1号线的历史数据作为SVM回归训练。经过整理过后包括4个输入向量:高峰期与平峰期、工作日与周末、是否是国家法定节假日、天气情况等。通过卡尔曼滤波算法对预测结果进行动态修正。实验选择了静态SVM回归预测结果、SVM回归结合标准的卡尔曼滤波预测结果、SVM回归结合改进的多新息卡尔曼滤波预测结果进行对比分析,得出本文提出的模型预测值与实际的到站时间相比误差率最低。最后,对本文做的一些工作和贡献进行了总结,对于本文的一些需要进一步改进的地方以及未来的研究内容进行了相应的说明。

关键词：公交到站时间预测支持向量机算法卡尔曼滤波算法多新息卡尔曼滤波算法

基于多源公交数据和LSTM的公交到站时间预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多源公交数据和LSTM的公交到站时间预测研究

作者：叶之放华南理工大学

学位级别：硕士

在目前国内的公交运营系统普遍只提供首末站发车时间的环境下,准确地预测公交车到达时间对于想要确定出发时间,减少候车时间的乘客来说非常重要。同时,拥有更高预测精度和预测时长的到站时间预测系统,同时能有效提升公交调度系统的效率... 详细信息

在目前国内的公交运营系统普遍只提供首末站发车时间的环境下,准确地预测公交车到达时间对于想要确定出发时间,减少候车时间的乘客来说非常重要。同时,拥有更高预测精度和预测时长的到站时间预测系统,同时能有效提升公交调度系统的效率。为进一步提高中长期时间内的公交车辆到站的预测精度和可靠性,在现有预测方法而基础之上,利用公交多源数据,建立了一种基于LSTM的深度学习方法,用以对公交出行时间进行多步预测,并对本方法进行了实测数据的校正和验证。首先,本文基于对公交到站问题的运行机理,建立了基于多源公交数据的到站时间预测模型,并将到站问题界定为一个时序数列的多步预测问题。根据多步预测问题的特性和到站时间预测模型,选择引入LSTM长短时记忆算法,以递归神经网络为核心,从学习交通长时依赖关系的角度预测公交车的到站时间。其次,本文研究了现有的多源公交数据集,鉴于目前的数据集大多只统计了静态数据和历史GPS运营数据,对研究公交运行状况帮助有限。本文从多源公交信息中提取相应的动态因素。提取的动态因素被合并到向量空间中,最终形成本文使用的训练集。以实际数据为例,将本文提出的LSTM预测模型与其他三类主流预测模型(BP神经网络,SVR,KNN)在5个静态影响因素(运行时段、天气状况、道路基础设施、交叉口和高峰与非)的基础上,增加设计了2个与公交运行状态相关的动态影响因素(站点上车人数、公交卡刷卡类型),并分析多源公交数据相互作用对公交到站时间产生成的影响。最后,以实际数据为例,根据多种不同维度的数据输入输出方案,将LSTM模型与BP神经网络,SVR,KNN等预测模型结果进行对比,并对模型性能进行分析和改进。与其他传统模型进行比对的结果表明:与基于单一数据或回归的预测思想不同,LSTM能够捕捉隐藏在公交运营顺序中的交通的长期依赖性,并学习各类因素变化与公交运营之间的关系。网络的扩展对应于总线的操作。输入新要素时,模型可以纠正前面步骤中的预测,并具有很强的动态适应性。与常用算法的实验比较也证明了基于多源公交数据的多步预测算法的有效性。

关键词：多源公交数据公交到站时间预测时间序列多步预测长短期记忆网络