基于CLSTM神經網絡的公交到站時間預測_第1頁
基于CLSTM神經網絡的公交到站時間預測_第2頁
基于CLSTM神經網絡的公交到站時間預測_第3頁
基于CLSTM神經網絡的公交到站時間預測_第4頁
基于CLSTM神經網絡的公交到站時間預測_第5頁
已閱讀5頁，還剩8頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、基于CLSTM神經網絡的公交到站時間預測Multi-output Bus Travel Time Multi-output Bus Travel Time Prediction with Prediction with Convolutional LSTM Neural NetworksConvolutional LSTM Neural Networksl預測站點A到站點B的到站時間 = (link1 + link2 + link3)行程時間 + 預估的?？繒r間l 郊區(qū)預測：可通過大量歷史數據做回歸預測l 城區(qū)預測：需要考慮擁堵情況、道路事故、路網狀態(tài)、氣象等因素22021/8/14傳統模型

2、& 深度學習傳統預測傳統預測Kalman-filtersKalman-filters模型模型深度學習預測深度學習預測Convolutional LSTMConvolutional LSTM神經網絡神經網絡 LSTM:長短期記憶循環(huán)神經網絡，能夠獲取數據間長時間的依賴關系(站點A t時刻到站時間和t-w+1,t-1時刻到站時間相關) CNN:卷積神經網絡，能夠獲取站點間空間依賴關系32021/8/14LSTM(Long Short-Term Memory)42021/8/14 CNN通過矩陣卷積運算學習站點間的空間關系 站點間的行程時間組成一個1維矩陣，通過一個固定長度的卷積核卷積計算提

3、取關系CNN(Convolutional Neural Network) CNN提取圖像邊緣特征52021/8/14模型輸入N個樣本數據，每個樣本數據包含u個行程，每個行程由時間跨度為w的行程時間數據組成，輸出為u個行程每個行程未來k個時間跨度的行程時間62021/8/14模型拓撲結構模型由編碼和解碼兩部分組成，每部分包含兩個ConvLSTM，編碼部分學習到輸入數據的特征后，編碼向量作為解碼部分的輸入72021/8/14對比82021/8/14早高峰 & 晚高峰92021/8/14擴展 只考慮了單一線路各站點間的空間關系及時間序列上的關系，可進一步擴展到多條公交線路(尤其有相同站點的不同線路)間的空間關系 數據只使用了公交數據，可適當加入站點附近POI數據、行程間紅綠燈數、氣象等相關數據10

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論