混合时空的深度学习地铁客流短期预测模型

文摘

本研究的主要目的是预测短期地铁客流使用提出了混合时空的深度学习神经网络(HSTDL-net)。地铁客流从南京地铁2号线系统收集数据来说明研究过程。混合时空的深度学习模型预测入站和出站乘客流每10分钟。结果表明该HSTDL-net达到更好的预测性能比城市郊区的车站电台,以及产生最好的预测精度转运站的日军值最低。此外,比较分析进行比较的性能提出HSTDL-net与其他典型的方法,如ARIMA、延时,CNN, LSTM, GBRT。结果表明,对入站和出站客流预测,相比HSTDL-net优于所有的模型在三种类型的电台。结果表明,该混合动力时空的深度学习神经网络可以更有效和充分发现两个时空隐藏站地铁客流短期预测之间的相关性。这项研究的结果可以为地铁系统提供有见地的建议部门调整行动计划,提高整个地铁系统的服务质量。

1。介绍

地铁系统构成了城市交通系统的一个重要补充,为旅客提供可持续的、可靠的、高效的流动,减少旅行的数量由私人车辆,导致城市交通拥堵和减少汽车尾气排放。然而,由于时空旅游需求波动的影响,地铁系统近年来遭受了一系列问题,如过度拥挤的平台和糟糕的服务水平(1]。因此,准确的客流预测已成为地铁运输系统的重要组成部分。预测结果可以应用于支持地铁系统管理等操作计划和车站旅客人群监管(2- - - - - -5]。

在过去的几十年里,相当大的努力一直致力于预测短期地铁客流(2- - - - - -4,6- - - - - -9]。王等人提出了一个支持向量机在线短期地铁客流量预测模型相结合。结果表明,该模型能够更好地捕捉地铁客流量的周期性和非线性特征与收集到的数据从南京地铁系统6]。张和梁使用一种改进的卡尔曼滤波模型来预测短期客流在北京地铁系统(9]。豪等人提出了一个序列,序列模型嵌入注意力机制进行多步和网络范围的短期客流预测。开发模型有很大的能力来捕获远程依赖关系和实现可伸缩的和健壮的预测性能比其他基线4]。

大多数以前的研究只考虑短期内地铁客流预测是一个典型的时间序列问题,未能把隐藏的空间电台之间的相关性来提高预测精度(2,7,8]。例如,电台#和#站B可能出现类似的客流模式,因为他们都是接近大学校园(见图1)。此外,站# C和站# D相距不到1公里,定位在相同的商业区,可能都在同一高峰客流高峰时期。考虑到时空的本质,它是至关重要的两个时空特征融入短期预测模型,这有很大的提高潜力预测性能在实际应用10]。

在过去的几年里,一些研究人员提出各种混合模型考虑了空间和时间依赖性的地铁客流预测(2,7,8,11]。例如,朱镕基等人开发了一个ARIMA-Wavelet模型预测每日北京城市轨道交通的客流7]。李等人结合线性ARIMA模型和非线性符号回归模型客流数据集下的复杂关系。结果表明,开发了混合模型优于单一模型与实际数据集从西安地铁1号线(8]。魏和陈提出混合EMD-BPN短期客流预测方法的台北地铁系统三个阶段(2]。

最近,深度学习模型被广泛应用于各种交通研究,因为它们有很大的力量与分布式和分层提取隐藏的非线性关系特性表征(3,12- - - - - -15]。刘等人提出了一个端到端的深度学习框架基于长期短期记忆神经网络(LSTM)地铁客流短期预测3]。结果表明,多个LSTM层能够更好地捕捉客流数据的时间依赖性,表现出伟大的预测性能。然而,LSTM神经网络只能捕获时间依赖性,但未能提取不同站点之间的空间相关性。为了解决这个限制,本研究提出了一种基于卷积混合时空深度学习模型LSTM神经网络短期地铁客流预测。近年来,卷积LSTM神经网络已被用于解决各种时空交通预测问题,如出租车需求预测(14),事故风险预测(15),和公交车行程时间预测16]。最好的作者的知识,本文是第一个尝试采用卷积LSTM神经网络短期地铁客流预测。本文的主要贡献可以总结如下。(一)提出的混合时空的深度学习神经网络(HSTDL-net)很有能力学习时空地铁站的乘客流之间的依赖关系(b)提出的混合时空的深度学习架构可以集成两个卷积过滤器和复发性组件在一个端到端结构,可以更有效地了解乘客流的时空模式(c)验证了南京地铁系统提供的真实数据集,提出混合时空的深度学习模型优于选定的基准方法,包括传统的时间序列模型和一些先进的机器学习方法

剩下的纸是组织如下。部分2讨论了卷积LSTM神经网络方法,提出HSTDL-net的结构。部分3描述了数据源。部分4介绍了数据分析和比较的结果之间的预测性能提出了方法和基准模型。最后,结论是和未来研究方向所示部分5。

2。方法

在本节中,我们建立一个混合时空的深度学习神经网络预测短期地铁客流。拟议中的HSTDL-net LSTM神经网络和卷积LSTM神经网络集成到一个端到端的深度学习的体系结构。本节简要讨论的使用方法。

2.1。HSTDL-Net的结构

在这项研究中,两种不同类型的变量是包含在短期内地铁客流预测。时空上第一类型的变量是两个不同的研究期间,如入站客流和出站客流变量。存在空间依赖性和时间依赖这种类型的变量。第二种类型的变量只是暂时多样但空间静态研究期间,天气变量和空气质量等变量。存在强烈的周期性,只有时间在这种类型的变量的依赖关系。

在这项研究中,捕获的时空动力学两种类型的变量,我们提出一个混合时空的深度学习神经网络(HSTDL-net)预测短期地铁客流。图2说明了HSTDL-net提出的结构。更具体地说,堆放卷积LSTM层开发捕捉时空特性在第一类型的变量。堆叠LSTM层是提取时间特性开发的第二种类型的变量。提取的高级特性进一步合并在一起,两个组件的输入多个完全连接层生成最终的预测客流的价值。每个组件的使用方法简要解释如下。

2.2。长期短期记忆(LSTM)神经网络

长短期记忆(LSTM)神经网络是一种特定类型的递归神经网络(RNN),已表现出很大的性能预测时间序列数据集(13,17,18]。例如,马等人试图使用LSTM神经网络用于捕获时间模式短期交通速度数据和远程微波传感器收集到的数据(13]。Wollmer等人有LSTM神经网络应用于在线检测司机分心驾驶和头部跟踪数据(18]。LSTM神经网络可以解决问题的梯度和梯度爆炸消失,这是非常普遍的在传统RNN大预测时间步(17]。LSTM神经网络中最重要的组件是盖茨的三种存储单元的隐藏层(见图3)。具体来说,忘记门旨在消除预测任务无关的信息。输入门控制的信息可以被认为是在预测任务。对时间步t,输入门我_t,忘记门f_t和输出门o_t迭代计算用下列方法(1)- (5)): 在哪里x_t显示部分中提到的第二种类型的变量2.1只是暂时的变化,但空间静态的。具体地说,在这项研究中x_t代表输入历史天气变量在每个时间步如温度、降水、风速、压力;c_t显示每个细胞的激活向量;h_t显示相关的预测价值。W_习表明天气变量和输入变量之间的权重矩阵的输出输入门。b_我显示的偏差值输入门。同样的,W_嗨,W_ci,W_xf,W_高频,W_cf,W_xc,W_hc,W_xo,W_何,W_有限公司表明权重矩阵连接的第一个下标向量的向量的下标。b_c,b_f,b_o显示相关的偏差值。ʘ代表element-wise产品之间的权重矩阵的矩阵和偏见。σ和褐色h代表积极功能LSTM神经网络具有以下形式:

在许多先前的研究,多个LSTM神经网络在堆栈结构形式,这样更复杂的时间变量之间的依赖关系可以学习、可以进一步提高预测精度(14,15]。

2.3。卷积LSTM神经网络

在这项研究中,地铁客流不仅表现出显著的时间为每个站模式,但也显示了伟大的空间模式在不同的电台。例如,两个车站周围具有相似土地使用可能出现类似的客流模式。由于这个时空特性,标准LSTM神经网络并不是一个理想的地铁客流短期预测模型,因为它不能学习空间变量之间的依赖关系(14,16]。为了克服这个限制,史等人创新卷积层和LSTM层结合到一个端到端的深度学习结构,卷积LSTM,可能同时模型时空特征19]。卷积LSTM神经网络的最重要的特性是卷积运算在相邻LSTM细胞。具体地说,所有的输入,隐藏的状态,输出各种盖茨转化为三维张量在卷积LSTM神经网络(见图4(一))。然后,将卷积过滤器应用于input-to-state和国与国之间转换为一定的客流网格单元(见图4 (b))。

对于每一个时间步t,输入我门_t,忘记门F_t和输出门O_t以类似的方式工作标准LSTM神经网络(7)- (11)): 的运营商指的是卷积算子,最大的区别是卷积LSTM和标准LSTM神经网络。X_t指的是张量的输入地铁客流时间步t。X_t是一个三维张量和可以被视为一个时间栈的所有车站客流地图。我_t,H_t,C_t,F_t参考输入门张量,隐藏的张量,电池输出张量,分别和忘记门张量。在这里,W_习,W_嗨,W_xf,W_高频,W_xc,W_hc,W_xo,W_何作为卷积过滤器,复制在张量与共享的权重,从而探索当地的空间相关性。补零技术应用于卷积操作期间确保一致的空间维度。

周期性结构和卷积组件在卷积LSTM神经网络短期地铁客流的时空模式可以更好的学习。类似于标准LSTM神经网络、多卷积LSTM神经网络结构也可以在堆栈的形式建立一种更健壮的和准确的预测。在这项研究中,输入所有站的地铁客流为每个时间步是第一重塑一个张量结构X= (X₁,X₂、…X_t)(见图4)。然后,通过一个两层的卷积LSTM神经网络输入地铁客流张量映射到一个序列隐藏的张量H= (H₁H₂H、…_t)。

2.4。功能合并层和完全连接层

捕获的时间特性从LSTM神经网络并从卷积LSTM捕获的时空特性神经网络连接成一个密集的向量在特征层合并。最后,输入几个完全连接层密度向量来获得最终的地铁客流的预测价值。 在哪里和表明LSTM和卷积LSTM层提取的特征的t分别时间步。 , ,和显示相关的重量和偏见。

2.5。目标函数

地铁客流短期预测模型的目标是最小化误差之间的每个地铁站的实际和预测乘客流在每一个时间步。在整个培训过程中,给出了目标函数如下: 在哪里y_(我,j)和ŷ_(我,j)代表真正的和地铁车站客流预测我在时间步j,分别。n指的是数量的地铁站和米是指总预测时间的步骤的数量,和n_p=n×米。

2.6。评价指标

三个统计数据是用来评估的性能提出了地铁客流预测模型,包括根均方误差(RMSE),平均绝对误差(MAE)和平均绝对百分比误差(日军),作为正式的(13)- (15)。

3所示。数据源

在这项研究中,地铁客流数据集收集从南京地铁2号线,南京地铁公司维护的(NMC)。南京是中国东部的经济、文化中心,超过800万人(20.]。南京地铁网络始于2005年,并迅速扩大在过去的十年中由于城市旅游需求的增长。地铁2号线的建成和运营,2010年,连接城市的东部和西部地区(21]。作为显示在图5、南京地铁2号线26站的总长度38公里,其中包括2终端站,2转运站,22日常规站。

南京地铁2号线可以从早上6点至晚上11点。在南京地铁系统,乘客需要挖掘和利用智能卡时进出车站。因此,每个旅行记录提供了以下信息:智能卡id、卡类型,总量,进入或离开的时间戳,车站的名字。在这项研究中,短期内地铁客流的定义是乘客的数量为每10分钟进入车站。研究期间涵盖了从7月1日共有66个工作日^圣到9月30日^th,2014年。为目的的模型训练,前50天是分裂作为训练数据集,其余16天用于测试。天气变量是来自南京气象局提供每小时聚合通过当地气象站天气信息。每小时获得天气变量包括聚合温度、降水、风速、压力。考虑变量在当前研究中所描述的表1。

图6进一步说明了日常客流时间分布的三种典型车站类型。它可以发现,不同类型的地铁站的客流模式有很大区别。正规站,他们的乘客流显示一个明显的早上和晚上高峰时间达到顶峰。终端站,乘客流只显示一个早上的峰值。相比之下,客运转运站流保持相对较高的在白天,在深夜的时候仍可能有一个快速增长时期。一般来说,客流模式有很大的多样性在不同类型的地铁站,导致巨大挑战短期地铁客流预测。

4所示。数据分析的结果

4.1。模型建设

一系列的参数应该确定模型建设的过程。在这项研究中,应用统一的随机搜索优化选择的价值。更具体地说,输入26个地铁站的客流分布在网格地图的形式2的长度和宽度13。卷积过滤器,过滤器的大小被设置为(2×2),这是常见的设置在许多先前的研究[9,22,23]。过滤器长度进行优化从10到40(见表2)。复发性组件,时间步长和隐藏的数量单位LSTM细胞的选择的统一的随机搜索的结果。优化器的组成部分,四个广泛使用的优化比较,包括亚当,纳丹,RMSprop, SGD [24]。RMSprop被选为最好的一个,学习率从0.001到0.01。培训相关参数,批量大小被设置在20 - 80岁之间,和培训时期的数量从50到200套。此外,为了解决过度拟合问题,辍学层是应用于本研究25]。统一的随机搜索区间和最优参数值表中列出2。

培训的损失函数模型的均方根误差(RMSE)。之前所有的输入变量被min-max标准化规范化模型进行建设。拟议中的卷积LSTM模型的基础上实现Keras框架与TensorFlow后端(26]。所有的实验与Python 3.5.2 10在Windows系统。加速模型训练的效率,GTX 1060图形处理卡使用。最优参数的结果如表所示2。

4.2。提出HSTDL-Net的结果

为了比较模型表现为不同类型的地铁站,四个测试数据集训练HSTDL-net预测。如表所示3和4转运站的预测结果表明,模型通常生成最高RMSE和梅值对入站和出站乘客流。这预计因为转运站有巨大的客流量,并可能导致更大的预测残差。此外,终端站的模型显示最糟糕表现的日军最高价值观对入站和出站乘客流。终端站的客流模式更不稳定和复杂,这给预测带来巨大挑战的任务。

图7进一步描述了空间分布预测残差的南京地铁2号线的车站。郊区站的残余误差通常低于城市。郊区站表现出更好的预测性能,因为它们主要是坐落在剩余的地方通勤作为主要的旅行目的和相应的表现出一个更稳定的客流模式。此外,它可以发现,大型购物中心附近的车站,如新街口和Shanghailu站,显示一个相对贫穷的性能更高的残差。原因主要是两个方面。首先,车站位于中央业务领域可能也涉及多个地铁线路的转运站,导致更大的客流波动。第二,旅行,购物和娱乐比通勤更加灵活和不规则,使这些站的客流预测变得更加困难。

4.3。模型的结果比较

拟议中的HSTDL-net进一步与其他流行预测模型使用相同的数据集。LSTM,具体地说,CNN ARIMA、多层感知器(MLP)和梯度提高回归树(GBRT)选为基准模型在这个研究。选定的模型包括:统计方法、机器学习方法、合奏树建立方法,更深的学习方法,确保一个公平、全面的比较。此外,这些选择的方法也被广泛的应用在许多先前的研究的短期客流预测(3,7,8,11,27]。

华宇电脑是最传统的回归方法建模时间序列数据集。ARIMA方法集移动平均模型、自回归组件,和移动平均线的部分28]。延时是典型的前馈神经网络的体系结构,它由多个完全连接层。隐藏层延时可以捕捉复杂的非线性关系在时间序列数据集23]。CNN是一个新兴的热方法,它在图像识别领域取得伟大的成功和信号处理22,23]。最近,许多研究人员也应用它解决各种交通问题14,15,29日]。CNN的最重要的特征是,神经元通过一个移动连接到前面的层片相同的重量值。因此,基于CNN方法擅长提取空间预测变量之间的依赖关系。LSTM是一种特定类型的递归神经网络,可以考虑梯度和梯度爆炸消失问题[17,30.]。LSTM采用短期客流预测在先前的研究3,18]。前一节中讨论的机制。GBRT是建立在合奏树的核心理念的基础上,旨在改善模型性能和鲁棒性的集成来自多个星期的预测结果回归树(27]。在其他领域取得巨大成功之后,GBRT越来越普遍在许多交通研究[27,31日]。

相比,以确保一个公平的比较,所有的模型调整下同样的训练数据集和训练时期的数量。然而,HSTDL-net输入数据的结构不能直接应用于其他模型相比。一些数据处理工作应满足的需求模型的输入。特别是,ARIMA、延时和GBRT模型,输入所有车站的客流T时间步长被重塑为一个矩阵的形式(批量大小,T)。对于CNN模型,输入客流数据被重塑为一个四维张量的形式(批量大小2,13日T)。T显示图像的通道和(2)13)表示图像的大小。LSTM模型,输入客流数据被重塑为一个三维张量的形式(批量大小,T,1)。

图8可视化模型的结果比较而言,日军的价值。总的来说,对入站和出站客流预测,所有的模型实现最佳的性能在转运站但显示终端站的最差表现。此外,HSTDL-net最低日军值与其它模型相比,表明该模型可以充分捕捉两个时空客流变量之间的依赖关系。表5和6进一步列出所有比较模型的预测结果。可以发现,ARIMA模型达到最低的预测精度最高的RMSE而言,美,和日军电台的所有三种类型的值。此外,定期电台的日军价值网络模型都是超过40%为入站和出站客流预测,分别。比较结果表明,两个简单的模型上的糟糕表现相对短期的地铁客流预测。相比之下,CNN的日军值和LSTM都定期站不到40%,这表明这两个模型可以更好地捕捉空间依赖性或颞客流变量之间的依赖关系。

与CNN和LSTM模型相比,日军GBRT模型值正则站只有27.4%和29.0%的入站和出站客流预测。GBRT模型可以大大改善预测性能,因为集成众多回归树能够充分抓住客流变量之间复杂的非线性关系。一般来说,该HSTDL-net达到最佳的预测性能对所有三种类型的电台。HSTDL-net是唯一模型与日军值低于35%对入站和出站客流预测。更具体地说,对于入站客流预测,HSTDL-net在终端站的美值下降了7.17%,33.92%,29.57%,43.42%,和63.31%相比为每个模型(GBRT, CNN, LSTM、延时和ARIMA),分别。HSTDL-net在转运站的美值下降了41.43%,43.87%,41.40%,47.27%,和55.01%相比为每个模型,分别。的美价值HSTDL-net定期电台已经下降了24.32%,39.23%,39.15%,52.34%,和66.26%相比为每个模型,分别。比较分析的结果表明,该HSTDL-net能更有效和充分发现两个时空隐藏站地铁客流短期预测之间的相关性。

5。结论和讨论

本研究调查了地铁客流短期预测的深度学习先进技术。总共有三个月的旅行记录了南京地铁2号线的地铁系统。客流模式有很大的多样性在不同类型的地铁站,这导致了巨大困难短期客流预测。在这项研究中,一种混合时空的深度学习神经网络(HSTDL-net)提出了预测入站和出站乘客流在三种类型的电台每10分钟。发达HSTDL-net创新包含LSTM细胞之间的卷积运算,从而捕捉时空客流变量之间的依赖关系。

一般来说,该HSTDL-net达到更大的预测性能比城市郊区的车站电台。为每个地铁站类型、转运站的模型展示最好的预测准确性和终端站的模型执行最坏的打算。此外,比较分析进行比较提出HSTDL-net之间的预测性能和其他典型的模型,如ARIMA、延时,CNN, LSTM, GBRT。结果表明,对入站和出站客流预测,提出HSTDL-net优于所有三种类型的模型相比。更具体地说,对于入站客流预测,HSTDL-net在终端站的美值下降了7.17%,33.92%,29.57%,43.42%,和63.31%相比为每个模型(GBRT, CNN, LSTM、延时和ARIMA),分别。HSTDL-net在转运站的美值下降了41.43%,43.87%,41.40%,47.27%,和55.01%相比为每个模型,分别。的美价值HSTDL-net定期电台已经下降了24.32%,39.23%,39.15%,52.34%,和66.26%相比为每个模型,分别。

结果表明该HSTDL-net可以更有效和充分发现两个时空隐藏站之间的相关性对地铁客流短期预测。短期客流预测的结果可以为决策者提供有见地的建议的地铁系统。更具体地说,准确的预测结果可以帮助地铁系统当局动态修改操作计划根据客流的波动,如调整进展和火车调度时间表以确保整个地铁系统的服务质量。此外,与客流预测在接下来的多个步骤,乘客拥挤人群可以提前确认,及时监管计划和应急计划。例如,地铁系统管理可以指定额外的火车和添加更多的志愿者为缓解乘客拥堵,改善地铁系统的服务水平。

本研究的第一步探索短期客流预测与深度学习先进技术。我们未来的工作将集中在将其他数据源整合到地铁客流短期预测。例如,实时天气信息和每个地铁站周围的土地利用模式可能显示与客流模式关系密切。此外,该HSTDL-net取得了伟大的性能在一个地铁。然而,该模型性能与多个地铁线路在整个地铁网络应该进一步测试。作者建议未来的研究可以关注这些问题。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者请求。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究得到了国家自然科学基金(批准号71874067和71874067),“六个行业人才项目峰值”的江苏省基金(批准号。rjfw - 049和jnhb - 115),在“绿色和蓝色项目”江苏省基金(批准号2017 sjb1641),哲学和江苏省高校社会科学基金(批准号2018 sja1649),为江苏省高校自然科学基金(批准号17 kjb58001),淮安职业信息技术学院的基金(批准号HXYC2017003)。

引用

1. h .妞妞和x周”,优化城市轨道的时间表在时变需求和过饱和的情况下,“交通研究部分C:新兴技术36卷,第230 - 212页,2013年。视图:出版商的网站|谷歌学术搜索
2. y魏和M.-C。陈,“地铁客流短期预测经验模态分解和神经网络,”交通研究部分C:新兴技术,21卷,不。1,第162 - 148页,2012。视图:出版商的网站|谷歌学术搜索
3. 刘y, z, r·贾”DeepPF:深入学习基础架构地铁客流预测,“交通研究部分C:新兴技术卷。101年,18 - 34岁的2019页。视图:出版商的网站|谷歌学术搜索
4. 美国内科医师,D.-H。李,d .赵”序列,序列学习注意力机制短期客流预测在大规模的地铁系统中,“交通研究部分C:新兴技术卷,107年,第300 - 287页,2019年。视图:出版商的网站|谷歌学术搜索
5. h . m . j . Wu Liu太阳,t . Li z高,和z d . w . Wang”基于股权的时间表同步优化城市地铁网络。”交通研究部分C:新兴技术卷,51队,2015页。视图:出版商的网站|谷歌学术搜索
6. x王:张、张y和z,“短期地铁客流量的预测与支持向量机在线模式,”《先进的交通工具ID 3189238条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
7. j .朱W.-x。徐、H.-t。金和h .太阳,“城市轨道交通流预测基于乘wavelet-ARIMA模型,”绿色智能交通系统施普林格,页561 - 576年,柏林,德国,2018年。视图:出版商的网站|谷歌学术搜索
8. g . y . l . Li Wang钟,j . Zhang和b跑,“中短期内客流预测地铁站使用混合模型,”KSCE土木工程杂志》上,22卷,不。5,1937 - 1945年,2018页。视图:出版商的网站|谷歌学术搜索
9. z张和t梁”,短期预测客流在地铁平台上使用一种改进的卡尔曼滤波方法,”交通学报19科国际会议专业人员:Cictp 2019南京,页2789 - 2801年,中国,2019年7月。视图:出版商的网站|谷歌学术搜索
10. l .林、z .他和s . Peeta”预测警所一级的每小时的需求在一个大规模的公共自行车网络:一个图卷积神经网络方法,”交通研究部分C:新兴技术卷,97年,第276 - 258页,2018年。视图:出版商的网站|谷歌学术搜索
11. x, j . Zhang Du, c .丁和l .太阳”并行架构的卷积神经网络双向LSTM全网地铁客流量预测,“IEEE智能交通系统,20卷,不。6,2278 - 2288年,2019页。视图:出版商的网站|谷歌学术搜索
12. 段y, y Lv w·康z . Li和f·王,“交通流量预测与大数据:深度学习的方法,”IEEE智能交通系统,16卷,不。2、865 - 873年,2015页。视图:出版商的网站|谷歌学术搜索
13. x, z, y . Wang h . Yu和y王,“长短期记忆神经网络交通速度预测使用远程微波传感器数据,”交通研究部分C:新兴技术54卷,第197 - 187页,2015年。视图:出版商的网站|谷歌学术搜索
14. j .柯h .郑、h·杨和x陈,“短期预测的乘客需求按需骑服务:时空深度学习的方法,”交通研究部分C:新兴技术卷,85年,第608 - 591页,2017年。视图:出版商的网站|谷歌学术搜索
15. j·鲍、p .刘和s . v . Ukkusuri”一个时空的深度学习全市短期事故风险预测方法和多源数据,”事故分析和预防卷,122年,第254 - 239页,2019年。视图:出版商的网站|谷歌学术搜索
16. n·c·彼得森,f·罗德里格斯和f·c·佩雷拉”多输出与卷积神经网络LSTM公交车行程时间预测,“专家系统与应用程序卷,120年,第435 - 426页,2019年。视图:出版商的网站|谷歌学术搜索
17. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
18. m . Wollmer c . Blaschke t Schindl et al .,“在线检测司机分心使用长短期记忆。”IEEE智能交通系统,12卷,不。2、574 - 582年,2011页。视图:出版商的网站|谷歌学术搜索
19. x, z . Chen h . Wang和d·杨,“卷积LSTM网络:机器学习的方法对降水重点学科,“2015年,https://arxiv.org/abs/1506.04214。视图:谷歌学术搜索
20. 南京统计局(讲)南京统计年鉴2018中国,中国统计出版社,北京,2018。
21. 南京城市和交通规划研究所(NICTP),南京交通年度报告南京城市和交通规划研究所,南京,中国,2018。
22. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”ACM的通信,60卷,不。6,84 - 90年,2017页。视图:出版商的网站|谷歌学术搜索
23. l·邓“深度学习:从语音识别语言和多通道处理,”APSIPA交易信号和信息处理5卷,页1 - 15,2016。视图:出版商的网站|谷歌学术搜索
24. 谷歌研究团队,“Tensorflow:大规模机器学习在异构系统中,“2015年,https://arxiv.org/abs/1603.04467。视图:谷歌学术搜索
25. w . s . Sarle“停止过度拟合培训和其他补救措施,”27日研讨会上接口的程序计算科学和统计数据弗吉尼亚州费尔法克斯,页352 - 360,美国1995年。视图:谷歌学术搜索
26. f . Chollet“Keras”, 2015年,https://github.com/fchollet/keras。视图:谷歌学术搜索
27. y夏和j·陈,“基于梯度的交通流预测方法提高决策树,”学报2017年第五届国际会议上制造科学的前沿领域和测量技术(FMSMT 2017)太原,页413 - 416年,中国,2017年6月。视图:出版商的网站|谷歌学术搜索
28. g . e . p .盒子和d·a·皮尔斯的残余的自我分配autoregressive-integrated移动平均时间序列模型,”美国统计协会杂志》上,卷65,不。332年,第1526 - 1509页,1970年。视图:出版商的网站|谷歌学术搜索
29. 美国达比利和k . Heaslip推断运输模式使用卷积神经网络从GPS轨迹,“交通研究部分C:新兴技术卷,86年,第371 - 360页,2018年。视图:出版商的网站|谷歌学术搜索
30. j·w·c·范线头,s . p .例如,h . j . Van Zuylen”高速公路旅行时间预测与状态空间神经网络:状态空间动力学建模与复发性神经网络,”交通研究记录:《交通研究委员会,卷1811,不。1 - 39,2002页。视图:出版商的网站|谷歌学术搜索
31. y LeCun (l . Bottou y Bengio, p . Haffner“Gradient-based学习应用于文档识别,”IEEE学报》,卷86,不。11日,第2324 - 2278页,1998年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020张郝et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。