检索结果-南通市图书馆

检索条件"主题词=时空同步图卷积"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于时空同步图卷积的交通状态预测研究

基于时空同步图卷积的交通状态预测研究

引用

作者：潘政奇石家庄铁道大学

学位级别：硕士

近几年我国汽车保有量迅速增长,汽车出行量激增使城市交通面临着日益严重的管理问题。智能交通系统是为了解决城市交通管理的问题而提出的一套智能化管理信息系统,在保障在解决城市交通问题上有重要作用。交通状态数据是道路通行状态的... 详细信息

近几年我国汽车保有量迅速增长,汽车出行量激增使城市交通面临着日益严重的管理问题。智能交通系统是为了解决城市交通管理的问题而提出的一套智能化管理信息系统,在保障在解决城市交通问题上有重要作用。交通状态数据是道路通行状态的反映,智能交通系统建设的前提是对交通状态信息的准确把控。而交通状态预测是实现对交通状态信息准确把控的重要方法。对交通状态的准确预测是进行交通引导,缓解拥堵状况的前提,也是建设智能交通系统必须完成的一环。交通状态预测研究大致经历了基于时间序列的预测,基于时空网格的预测,基于图结构的预测三个阶段。基于图结构的预测是当前交通状态预测研究的主流方向,其核心思想是将交通状态数据建模为图结构,再对图数据进行学习以得到交通状态数据的时空特征,根据特征进行预测。本文使用的数据为成都市真实的网约车GPS数据集,首先对数据集的概况进行分析,结合成都市的实际情况选取三个不同职能的区域作为研究对象。然后根据每个区域的经纬度范围,从GPS数据集中抽取三个子集并进行预处理。在预处理中,首先获取每个区域的路段信息,然后将每个区域的GPS数据与路段进行匹配,最后计算出每条路段上每5min的速度与交通量。对预处理后的数据进行时空特征上的分析,分析的结果将作为后续实验中参数设置的依据。在图结构建模的问题上,大多数研究是将交通路网建模为图,交通状态数据作为图中节点特征。这种建模方式将时空特征进行了拆分,难以反映交通路网中存在的不同的时空特征。为了解决这个问题,本文采用了之前研究提出的时空图建模方式,通过扩展空间网络图的结构将时空影响在同一张图表示出来,并采用时空同步图卷积层来进行特征学习。对于时空图建模中存在的时空影响程度计算及人工建模中存在的信息丢失问题,本文在时空同步图卷积中融合了注意力与自适应机制来完善预测模型。最后在真实的滴滴成都数据集上进行了对比实验和消融实验,验证了预测模型设计的合理性和有效性。

关键词：交通状态图建模时空同步图卷积

来源：

同方学位论文库评论

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GCN的城市轨道交通站点短时客流预测

基于GCN的城市轨道交通站点短时客流预测

引用

作者：郭娅婷兰州理工大学

学位级别：硕士

随着我国国民经济的飞速发展,人们生活水平的不断提高,使得我国机动车保有数量持续增长,并对道路交通造成“过饱和”现象,特别是对于一线城市,每年因城市交通拥堵问题对环境、经济、安全等带来了很多负面影响。而基于地铁的城市轨道交... 详细信息

随着我国国民经济的飞速发展,人们生活水平的不断提高,使得我国机动车保有数量持续增长,并对道路交通造成“过饱和”现象,特别是对于一线城市,每年因城市交通拥堵问题对环境、经济、安全等带来了很多负面影响。而基于地铁的城市轨道交通以其安全性、准时性、高速性、舒适性和环保性受到乘客的青睐,已逐渐成为衡量一个城市幸福指数的因素之一。因此,实时、准确预测客流量有助于提高地铁系统服务质量并给予乘客更为高效和安全的出行方式。本文通过归纳总结国内外现有的短时客流预测方法,针对不同预测方法存在的不足,提出将图卷积神经网络（Graph Convolutional Network,GCN）方法应用在城市轨道交通短时客流预测领域,该方法通过对城市轨道交通站点网络构造图结构,利用图结构信息有效提取空间局部特征,提高客流预测准确率;并且利用时空同步图卷积神经网络同步处理历史时空客流数据的时空关联性以及节假日、日期等外部因素,进一步提升客流预测精度。具体而言,论文的主要研究内容总结为以下几点:（1）针对现有短时客流预测方法不能有效提取轨道交通站点网络空间特征以及无法将模型扩展到大规模网络中的问题,提出一种基于GCN-Bi LSTM模型对城市轨道交通站点短时客流量进行预测。该模型首先依据客流数据的时空分布特征将历史时空客流数据划分为近期、日周期、周周期三个时间模式,然后构建基于图卷积神经网络和双向长短时记忆网络（Bi-directional Long Short-Term Memory,Bi LSTM）的组合模型提取历史时空客流序列中空间和时间依赖关系,最后利用参数矩阵融合这三个时间模式的输出获得最终的预测结果。（2）针对上述模型未同时考虑历史时空客流数据的时间关联性、空间依赖性和时空关联性,以及外部因素（节假日、日期）等对地铁客流数据的影响,提出一种基于T-STSGCN模型对地铁客流量进行预测。该模型首先利用多源数据（城市轨道交通自动售检票系统（Automatic Fare Collection,AFC）采集的数据,节假日数据,日期数据）进行数据特征的构造,并依据客流数据的时空分布特征将历史客流时空数据划分为近期、日周期、周周期三个时间模式,然后通过滑动窗将原始的时空网络序列切分成多个独立的局部时空图和图信号矩阵,并输入到时空同步图卷积模块中,分别获取三个时间模式的客流特征,最后选取双层的全连接神经网络,分别将近期时段、日周期时段、周周期时段最后一个时空同步图卷积层的输出映射到目标时空网络序列上,得到其预测结果。通过在真实数据集上实验,结果表明,考虑时空客流数据的时空关联性以及外部因素对客流数据的影响,能够进一步提升客流预测的准确率。

关键词：短时客流预测图卷积神经网络时空同步图卷积双向长短时记忆网络 AFC数据

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：