检索结果-南通市图书馆

计算机科学 2024年第5期51卷 27-34页

作者：包锴楠张钧波宋礼李天瑞西南交通大学计算机与人工智能学院成都611756 京东城市(北京)数字科技有限公司北京100176 北京京东智能城市大数据研究院北京100176

交通流量预测在智能交通系统中起着至关重要的作用。精准的交通流量预测不仅能帮助城市管理者进行更好的交通管理,也能帮助人们制定合适的出行计划。然而精准预测交通流量颇具挑战性,主要难点在于如何捕获交通流量数据中复杂的时空依赖... 详细信息

交通流量预测在智能交通系统中起着至关重要的作用。精准的交通流量预测不仅能帮助城市管理者进行更好的交通管理,也能帮助人们制定合适的出行计划。然而精准预测交通流量颇具挑战性,主要难点在于如何捕获交通流量数据中复杂的时空依赖性。近年来,深度学习方法已被成功应用于网格交通流量预测,主要采用深度卷积神经网络来捕获时空依赖性。但是卷积神经网络主要关注数据中空间特征的提取与整合,难以充分挖掘其中复杂的时空依赖性,而且单层卷积网络只能捕获局部空间依赖,因此,要想捕获全局空间依赖就需要对超多层的卷积网络进行堆叠,这将使整个网络模型训练收敛速度变慢。为了解决些问题,提出了一种面向交通流量预测的全局感知时空网络模型ST-WaveMLP,主要使用以多层感知机(MLP)为基础的可重复结构ST-WaveBlock来捕获相关的时空依赖。ST-WaveBlock中包含了捕获全局空间依赖和局部时间依赖的模块(SGAC),以及用于捕获局部空间依赖和全局时间依赖的模块(SLAC)。ST-WaveBlock具有较强的时空表征学习能力,通常仅用2~4个ST-WaveBlock堆叠就能有效捕获数据中的时空依赖性。最后,在4个实际交通流量数据集上进行实验验证,结果表明ST-WaveMLP具有更好的收敛性以及更高的预测精度,相较于之前最好的方法,所提方法预测精度的提升最高可达9.57%,模型收敛速度的提升最高可达30.6%。

关键词：交通流量预测时空依赖性时空深度学习时空数据挖掘

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于时空深度学习的快递员揽件路线推荐方法研究

基于时空深度学习的快递员揽件路线推荐方法研究

引用

作者：崔贯娇北京交通大学

学位级别：硕士

近年来快递行业的智能化水平获得飞速提高,目前已基本实现了揽寄服务便捷化、生产流程信息化、服务能力多元化和内部作业自动化。但随着包裹数量的激增,现有的智能化水平依然无法解决现实中的许多问题,其中一项亟待解决的问题是合理规... 详细信息

近年来快递行业的智能化水平获得飞速提高,目前已基本实现了揽寄服务便捷化、生产流程信息化、服务能力多元化和内部作业自动化。但随着包裹数量的激增,现有的智能化水平依然无法解决现实中的许多问题,其中一项亟待解决的问题是合理规划快递员的揽件路线。智能揽件路线推荐系统的建设,既可以使快递公司达到降本增效的效果,也可以给用户带来更好的体验。通过对快递行业进行现状调研和数据分析后发现,目前在快递员揽件路径规划场景中,主要存在以下三个问题与挑战:(1)影响因素复杂。区域特征、交通流量、道路拥堵情况、天气等因素都有可能成为影响快递员揽件路线的因素。(2)多元时空约束复杂。揽件过程中要同时考虑包裹的空间地理位置、快递员的空间地理位置以及包裹最晚揽收时间等约束。(3)包裹列表动态变化。由于快递员揽件过程中随时都会增加新的包裹揽收任务,这样在训练神经网络模型时可能会造成混淆,不利于优质路线的生成。本文针对这些问题,开展了快递员揽件路径的推荐方法研究。首先,提出一种基于时空深度网络的快递员揽件路线推荐模型。通过快递员历史行为特征提取模块,从经验丰富的快递员身上学习揽件路线决策经验。由于经验丰富的快递员在揽件时会同时考虑道路拥堵情况、交通流量、区域特征等多重复杂影响因素。所以通过该模型学习经验丰富快递员揽件时的决策经验,可以间接地将多重影响因素考虑在内。通过实验证明,该模型效果使得最终的揽件路线更为合理,所消耗的揽件成本更小。其次,考虑揽件过程的时空复杂相关性问题,进一步提出了基于时空图卷积的揽件路线推荐模型。由于快递员的揽件数据属于时空数据,不仅要考虑到时间相关性、空间相关性,也要考虑到数据之间复杂的时空相关性。因此,该模型使用图卷积神经网络捕获揽件路径中各个节点之间的时空相关性。实验证明,此模型采用多层图卷积操作来捕获数据中的多元时空约束信息,通过聚合更多信息生成的揽件路线效果更优。最后,在真实应用场景产生的快递员揽件数据集上进行了大量实验,实验结果验证了本文提出的模型的有效性。由于真实揽件数据中包含快递员的自身揽件经验、交通路段的复杂性、数据中的多元时空约束等诸多信息,而以往研究中使用的自动生成的数据集并不能很好地体现这些复杂的影响因素,所以本文提出的解决思路和实验验证对于快递企业来说具有更大的实用价值。

关键词：揽件路径推荐时空深度学习时空图卷积注意力编码器-解码器

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

ST-WaveMLP：面向交通流量预测的时空全局感知网络模型

引用

计算机科学 2023年

作者：包锴楠张钧波宋礼李天瑞西南交通大学计算机与人工智能学院北京京东智能城市大数据研究院京东城市(北京)数字科技有限公司

交通流量预测在智能交通系统起着至关重要的作用。精准的交通流量预测不仅能帮助城市管理者进行更好的交通管理，也能帮助人们制定合适的出行计划。然而精准预测交通流量是非常有挑战的，主要难点在于如何捕获交通流量数据中复杂的时空... 详细信息

交通流量预测在智能交通系统起着至关重要的作用。精准的交通流量预测不仅能帮助城市管理者进行更好的交通管理，也能帮助人们制定合适的出行计划。然而精准预测交通流量是非常有挑战的，主要难点在于如何捕获交通流量数据中复杂的时空依赖性。近年来，深度学习方法已被成功应用于网格交通流量预测，其中主要采用深度卷积神经网络来捕获时空依赖性。但是卷积神经网络主要关注数据中空间特征的提取与整合，难以充分挖掘其中复杂的时空依赖性，而且单层卷积网络只能捕获局部空间依赖，所以要想捕获全局空间依赖就需要超多层的卷积网络进行堆叠，这将使得整个网络模型训练收敛速度变慢。为了解决些问题，文中提出了一种面向交通流量预测的全局感知时空网络模型：ST-WaveMLP，其中主要使用以多层感知机（MLP）为基础的可重复结构ST-WaveBlock来捕获相关的时空依赖。ST-WaveBlock中包含了捕获全局空间依赖和局部时间依赖的模块（SGAC），以及用以捕获局部空间依赖和全局时间依赖的模块（SLAC）。ST-WaveBlock具有较强的时空表征学习能力，往往仅用2-4个ST-WaveBlock堆叠就能有效捕获数据中的时空依赖性。最后文中在四个实际交通流量数据集上进行实验验证，结果表明ST-WaveMLP具有更好的收敛性以及更好的预测精度，相较于之前最好的方法，预测精度相对提升最高可达9.57%，模型收敛速度相对提升最高可达30.6%。

关键词：交通流量预测时空依赖性时空深度学习时空数据挖掘

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

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

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

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：