停车容量预测基于乘客的火车站车库使用LSTM网络行为分析

文摘

停车容量预测是指导和停车信息系统不可或缺的一部分(PGIS),这是一个智能交通系统(ITS)的重要组成部分。火车站停车容量预测的车库将提供信息支持车库的管理,也将成为一个伟大的汽车方便乘客。车库的火车站服务乘客到达或离开车站坐车,和他们到达或离开行为肯定影响停车卷。研究结果表明,不同的停车行为有不同的停车时间范畴的特征。因此,乘客行为分析基于停车时间类别分析和时间序列相似性度量引入预测模型的研究。同时,小说停车量预测模型基于长期短期记忆(LSTM)提出。摘要公共停车场的停车容量数据中国上海虹桥火车站的用于验证模型,和该模型可以准确和实时预测分为不同的停车时间的停车卷类别。而未归类数据模型和传统的预测模型,提出停车卷预测模型基于乘客行为与LSTM网络达到更好的性能,并提供更准确的预测。

1。介绍

增加可用性的大量历史数据和执行的需要准确的预测未来的交通量,交通预测研究一直受到更多关注。车库停车量预测的火车站也很重要;它不仅提供了车库的管理决策机构,还协助司机找到可用的停车场。然而,大多数的研究仅仅解决了这个问题作为一个时间序列的预测问题,采用传统的或启发式方法。停车行为特性的影响没有考虑,其中主要包括价格类别和铁路时间表。铁路乘客的行为显然是一个重要影响的准确性预测的火车站车库停车卷。

通过分析乘客的行为特性,我们发现不同的停车时间类别有不同的体积形状在序列图中,这表明不同特性的乘客行为影响停车卷的特点。所以,为了达到更好的停车量预测的准确性和得到更多的细节,这对我们来说是必不可少的学习不同乘客的行为特性,由分级定价可能受到影响的类别,铁路时间表,和其他潜在影响。

为了应对未来交通量的预测,很多对话技术方法部署,总结如下。已知时间序列预测可以追溯到1960年代的线性统计方法如ARIMA模型(1- - - - - -3]。在同一时期,Van Der Voort等人应用的ARIMA模型在城市主干道交通流预测(4]。Kohonen-ARIMA等其他一些改进方法,ARIMA子集,向量自回归ARIMA也用于短期流量预测(5,6]。邓宁(7)利用ARIMA模型预测可用停车场的数量;预测精度非常好当停车场的到达率很低,和预测精度很低当停车场的到达率增加。刘等人。8]采用加权一阶局域法的混沌时间序列预测医院附近可用停车位的数量,和预测精度会逐渐减少与增加的预测时间跨度。施等。9)提出了一个简单的季节性调整方法(SARIMA)造型季节性流量系列的异方差性,并提出了四种类型的季节性调整因素对每日或每周的模式。Rajabioun et al。10)考虑泊位之间的关系变化和时空相关性的停车场在一个地区,利用多元回归模型自动预测可用停车场的数量。郑et al。11)关注典型停车抵达和起飞的分布模式,建立了停车需求预测模型,利用马尔可夫出生和死亡的过程,和模型参数校准,利用曲线拟合方法和待定系数的方法。Wan et al。12)使用时间序列方法(TSM)和回归分析方法计算(RAM)共同为未来几年城市路边停车价格,使用TSM计算独立变量的值的变化未来几年和RAM用于估计了独立和相关的变量之间的关系。

在过去的几十年中,机器学习模型已经应用于许多领域尤其是预测问题,取得了成功,而这些模型也被称为黑盒或数据驱动模型(13]。中也采用了启发式方法在交通上的交通量预测区域。这些模型是作为非参数非线性的模型只使用历史数据学习随机过去和未来之间的依赖关系。例如,Werbos发现,人工神经网络(ann)优于线性回归和Box-Jenkins方法(14,15]。等机器学习方法研究了非参数回归(16),神经网络预测(17),支持向量机(SVM) [18),卡曼滤波(19- - - - - -21),和这些算法的结合22- - - - - -26]。卡尔曼滤波器(19- - - - - -21)是用来预测交通状态,但它很少用来预测停车场体积。为了处理时间序列数据,复发性神经网络(RNNs)被认为是。最简单的周期性的网络是在1980年代开发的,和历史简单复发引入Elman网络(27)和约旦(28)被广泛使用。

在过去的几年,RNNs再次被成功地用于各种应用程序。这样的成功主要是由于表演LSTMs:长期短期记忆是一种特殊的递归神经网络。它介绍了[的Hochreiter和。施密德胡贝尔表示29日为了能够学习长时间依赖关系。解决这类问题的交通工具,LSTM方法也使用。赵et al。30.)提出了时空相关性长期短期记忆(LSTM)通过二维网络,网络在交通系统和提出LSTM网络实现更好的性能。女士et al。31日]介绍了rainfall-integrated深度信念网(DBN)和LSTM学习交通流的特性在不同降雨情况;实验结果表明,最好depth-learning预测精度比现有的预测当extrarainfall因素被认为是。罗等。32)结合k最近的邻居(资讯)和长期短期记忆网络(LSTM),叫做KNN-LSTM模型,实验结果表明,该模型具有更好的预测性能较现有的预测模型。唐et al。33)提出了一种新的预测模型结合时空特性基于LSTM网络(ST-LSTM)从数据中提取时空特性,这在短期内取得了更好的性能预测的轨道交通。王等人。34]介绍了GBRT预测共享汽车借在每个车站,并返回在3小时的时间窗口,根据均方误差,比ARIMA模型比有更好的准确性,射频,神经网络,但比LSTM;然而,当指的训练速度,ARIMA是最快的,LSTM是最慢的。马等。35)提出了一种基于遗传算法(GA)相结合模型和指数平滑法(ES),它可以弥补单一模型的不足和单一模型的优势结合,提高预测的性能。

通过之前的研究,时间序列预测方法总结如下。(1)会话时间序列预测的方法表示为ARIMA方法或畸形的ARIMA方法,已逐渐被新开发的预测模型的比较基准。(2)与传统RNNs相比,LSTM网络能够捕获时间序列在时间依赖性的特点,更好的性能,引起了交通流预测的成功。(3)大多数研究没有考虑人类行为因素,如驾驶员的停车行为特性与车库的固有特性,很难轻易被改变。

本研究的贡献在于三个方面。首先,本文介绍了火车站停车行为的分析来预测停车卷,这显然影响停车卷预测。第二,当停车卷分类根据停车时间,它创新引入了时间序列相似性分析,使停车卷分类更合理、更符合停车行为分析。第三,我们引入LSTM方法预测停车卷的火车站,这是不同于当前的方法。

鉴于上述事实,提出了一种新的基于乘客停车时间LSTM方法类别乘客行为特性预测车库停车的火车站。本文的其余部分组织如下。部分1介绍了现有文献的一般概述交通预测。一节中介绍的方法2,提出LSTM网络的架构模型是解释为四个部分。案例研究基于交通数据集部分所示3和比较,未分组的数据模型和传统预测方法在本节给出。结论和未来的工作是本文的末尾。

2。方法

2.1。乘客的停车行为分析

火车站的附属设施、停车场服务乘客,到达或离开车站坐车。他们到达行为可以分为三个类别根据行程链:驾驶本身出发列车,被别人离开火车运输,被别人捡起火车到来。他们的离职行为也可以分为三个类别根据行程链:自己开车到达列车,被别人离开火车运输,被别人捡起火车到来。停车,乘客的行为可以假设如下。

最初,汽车的人数是基于列车时刻表,乘客到达是否由自己或他人。尽管他们早点到达前出发的列车时刻表,汽车的到来卷将相关培训时间表,这意味着乘客的人数有规律。此外,汽车离开卷取决于汽车的到达卷;后者可以作为前者的时间窗口将停车时间的长度,所以汽车出发特性取决于汽车的到达特性和停车时间特性。此外,停车时间完全取决于乘客的行为类别。无人驾驶的停车时间乘客必须更长时间以完成整个旅程,不会离开,直到他们乘火车回来。发送旅客离开的停车时间可以更短车库就放下乘客在火车站。的停车时间,到达载客列车将离散的,因为它需要时间,乘客走到停车场,他们找到彼此。因此,不同的停车时间与不同类别的停车行为和规律也各不相同,这意味着不同的停车量预测规律。最后,不同类别的停车行为是基于不同乘客的个人旅行需求,所以他们都是相互独立的。

如前所述,本文的停车预测模型是基于以下内容。

乘客的出行行为的特征主要反映在他们到达分布(基于列车时刻表)和停车时间(基于什么样的停车行为属于)。在我们的论文中,停车时间表示为不同的停车行为将被分为不同的类别。,如何分配类别的停车时间是基于分级停车费,或有关乘客的停车时间,或合理的聚类方法,等我们使用来表示的停车时间的范畴。

预测变量是到达停车卷和离开停车卷/选择的时期,也是根据停车时间类别分为不同的部分。我们没有使用可用的停车卷作为变量,因为到达停车容量和离开车库停车卷可以为乘客提供更多的信息和机构。我们使用和 ,分别表示到达停车容量和离开停车的体积停车时间的范畴。所以,到达停车卷和离开停车卷每个选择的时间段t可以表示由以下方程: 在哪里表示停车时间范畴,N代表总数的停车时间类别,和和 ,分别表示的抵达和起飞停车体积停车时间期间 。如前所述,停车量预测模型基于不同的停车行为特性本文图所示1。

针对汽车之间的相关性出发特性和到达的特性,我们把之前到达停车体积除以停车时间作为模型输入,和现在到达停车卷和现在离开停车卷作为模型的输出。

指的是预测期和预测步伐,我们根据具体情况采取适当的值。预测期和停车时间之间的关系类别的间隔不是决定性的,但通常停车时间类别的间隔比预期短的步伐,或者预测步伐可以除以停车时间类的间隔。例如,天气预报步伐是一小时,停车时间类别的间隔可以三十分钟或两个小时,等。

2.2。每个停车行为类别之间的相似性度量

随着停车行为类别由分级停车费推断,合理的聚类方法,等等,无法保证每个类别之间的相似性。为了合并相似的划分结果,每个类别之间的相似度的计算是至关重要的。

处理时间序列相似性的方法的列表是巨大的;有几种代表性的例子时间序列相似性度量(36]。欧几里得距离,余弦相似性、傅里叶系数、自回归模型、DTW(动态时间扭曲),EDR(编辑距离真正的序列,tw(包裹编辑距离)和澳门赛马会(最小跳成本的不同)。欧氏距离方法不是“稳定”当数据离群值(即。,the data is not very standard), and the DTW method needs huge amount of calculation because of large number of paths, and all the nodes of these paths need to be matched. So, in this paper, cosine similarity is used to evaluate the similarity between every category. The equations are expressed as follows:

2.3。LSTM停车卷网络预测

递归神经网络(RNN)是一种神经网络,添加显式处理顺序输入的观察。这种能力表明复发性神经网络的承诺是学习时间的输入序列,为了做出更好的预测。然而,由于梯度和梯度爆炸问题消失,RNN不能很好应对长期时间序列预测(27]。

作为一种特殊的RNN, LSTMs专门设计来解决这些问题和执行寻找短期和长期在时间序列的相关性。LSTM网络由输入层、隐层和输出层。self-connected隐藏层包含记忆细胞和相应的单元门。

的内存单元LSTM模型被认为是隐藏层,它可以存储信息为了找到并利用时间序列长期依赖性,而这些非凡的功能实现三个门单元:输入门,忘记门,和输出门(2]。图2演示了一个LSTM网络结构与单一LSTM记忆细胞。

作为预测变量是到达停车卷和离开停车卷/选择的时间段,我们构建两个LSTM网络不同的输出,和LSTM网络离开停车卷需要到达停车卷作为输入数据。LSTM网络图所示3。

使用的版本的LSTM在这篇文章中,它可以被下面的复合函数(方程(3)- (8)): 在哪里是盖茨的激活函数,通常物流乙状结肠函数, , , 分别是输入的输出门,忘记门,和输出门,表示细胞的激活单元,表示存储单元的状态更新, , , , , ,和系数矩阵,和分别是细胞激活函数的输入和输出,通常功能,表示阿达玛的产品。模型的输入数据 ,和输出数据或 。通过不同的功能盖茨,LSTM内存单元可以执行比RNN的短期和长期的时间序列预测问题。

2.4。训练算法

本节提供培训LSTM网络两个方面:培训到来体积预测LSTM网络和体积预测LSTM离开网络。我们使用上面提到的复合函数的激活(前进传球)和反向传播梯度计算权重的计算(向后传递),这取决于(29日,30.]。步骤1:初始权重矩阵,我们使用上面提到的复合函数和计算向前传球 分开。步骤2:我们使用方程(9)以下训练参数以获得最小的损失。最终的重量相加得到的衍生品衍生品,我们将得到两套网络矩阵为每个重量: 在哪里表示重量优化,表示损失函数表示数据输出 分别和细胞的输出 。 第三步:调整整个网络,我们会获得最终的权重矩阵。

3所示。案例研究

3.1。数据描述

摘要停车量预测模型是基于公共停车场的数据中国在上海虹桥火车站和车库管理机构收集的数据。停车汽车分别收集的数据的到达数据和汽车的离职数据。所以,我们可以学习每辆车的到来时刻和起飞和计算每辆车的停车时间。有685593个样本33天,从3月4日凌晨,2019年4月6日凌晨2点,2019。第一批三个星期被用来训练模型,最后的一个星期测试模型。

基于分级停车费的类别,我们将整个样本分成八个部分根据八停车时间类别:“< 15分钟,”“15分钟∼1 h,”“1 h∼2 h,”“2 h∼4 h,”“4 h∼6 h,”“6 h∼8 h,”“8 h∼24 h,”和“> 24 h。“图4显示到达停车卷不同的停车时间分类上一个星期。

我们可以发现到来的八个停车时间类别单独和别人好,有不同的形状,和类别1和2有相对较大的卷,和类别6,7,8小卷(见图4(一))。类别1和2有更大体积的比率,这是八个类别的总和的80.32%,和类别6,7,8只有总额的7.88%。然而,停车时间的总和的类别8(“> 24小时”)56.79%的总停车时间,比,其体积比率只有3.20%。所以,长期停车的车库具有更大的影响在某些方面的效率。长期停车的高峰的到来,发生在早上,下午随着短期停车。所以,如果早上比平时更长期的汽车到达,他们会占据一整天的停车场,这意味着几率较小的短期汽车在下午找到可用的停车场。停车卷预测基于不同的停车时间是必要的和有意义的。

3.2。每个停车时间类别相似性

如表所示1,每两个类别之间的相似度可以清楚的显示。他指的是现实卷(见图4),类别的体积范围C1, C2, C3, C4、C5和分别是(0∼871)(0∼1092)(0∼342)(0∼62)和(0∼27),因此我们将这些类别合并到二:D1 (C1, C2, C3)和D2 (C4和C5)。根据表中1我们八个类别合并为三个:D1 (C1, C2, C3), D2 (C4和C5), D3 (C6、C7、C8)。这样的聚会也符合到达旅客的行为特征。

3.3。测定LSTM网络

我们分别抵达和起飞停车卷划分为三个部分根据三停车时间类别(D1、D2和D3)。因为所有停车时间范畴的边界可以除以一个小时或一个小时可以把它,我们用一个小时的预报步伐。我们构建两个LSTM网络分别抵达和起飞,分别训练他们。内存单元的数量和层可以通过尝试和错误决定。

作为第一个火车离开是早上6点,最后一班火车到达11:48点,边缘的适度的时间是三个小时(37]。马等。38)显示,95%的调查乘客的等待时间不超过200分钟。我们选择的时间3点3月4日2019年4月1日凌晨2点,2019年研究时间范围,有28天为4周,周一开始。我们用前三周上周训练模型和测试模型。

3.4。预测结果的评价

一般来说,三个标准是用来评估的性能预测结果:平均绝对误差(MAE),均方误差(MSE)和平均相对误差(绝笔)。美和MSE原始数据更敏感,因此,在这篇文章中,绝笔是用来评估预测能力。定义如下(方程(10): 在哪里实际的数据和什么天气预报数据。0的原始数据,这部分数据被删除。以类别D1为例,“0”占0.219%。

4所示。结果与讨论

我们选择三个停车时间类别显示预测的结果。停车时间范畴D1的最大体积比整个样本。停车时间范畴D2体积小于每小时200。停车时间范畴D3最大的停车时间整个数据的比例。图5展示了预测结果和原始数据,它对应于停车时间类别D1、D2、D3。三个星期被用于训练模型,和一个星期用于测试。的x轴图5只是为了方便策划,并不意味着真正的小时标签。

在图5,我们可以发现停车卷有不同的形状,和预测数据的对比表明,每一个形状类似的原始数据,这意味着LSTM网络能够很好地预测停车卷上长期的时间跨度。研究硕士是11.07%,16.25%和14.28%。LSTM模型真的在这个问题上表现良好。停车时间的研究硕士类别D2大于他人,这是因为到来体积比别人小,所以即使预测数据更接近和研究硕士将更大。例如,如果真正的体积数据是1和预测数据是0.5,那么研究硕士将50%,但它不会影响模型的实际应用。

为了比较的结果分组和未分组的数据,我们应用LSTM整个数据没有分组和画了一个比较图表,如图6。

如图6,预测1和预测2代表的LSTM预测结果的总和D1, D2和D3没有分组数据,研究硕士的结果12.71%和16.33%,分别。它可以发现,这两种方法的预测形状非常接近原始数据,但是D1的总和的预测结果,D2和D3优于nongrouping模型,及其研究硕士少3.62%。因此,根据停车行为预测结果分组不能提供更详细的信息,但也有更好的预测结果。

为了进一步调查LSTM的预测结果,本文采用交叉验证。交叉验证是一个过程的模型基于二次抽样验证的数据集。它的目标是确定预期的精度水平和误差范围。交叉验证,从无序数据时间序列略有不同。具体来说,时间依赖于之前样品必须保存在开发一个抽样计划。我们可以创建一个交叉验证抽样计划通过抵消连续窗口用于选择次级样本。在金融领域,这种类型的分析通常被称为“回溯测试”,将一个时间序列分为多个不间断序列偏移量在不同的窗口。这些序列可用于测试当前和过去的观测。本文的总体数据分为6片(时间如表所示2),时间间隔都是28天。片1的预测结果如图所示5,其余的预测结果如图7- - - - - -9。

数据显示7- - - - - -9,我们发现预测结果相对稳定,该方法是有效的和可靠的火车站车库停车容量预测的实践。每个薄片研究硕士和类别如图10。的平均绝笔值可以看出,D1, D2、D3如下:12.94%,17.29%,15.30%。D1停车卷高和D3中,而D2很低。而且,预测结果与停车卷有一定关系。当我们做停车时间类别分组,我们应该考虑停车体积系数。

为了验证提出的效率LSTM网络,我们也比较它与传统的时间序列预测模型的季节性自回归移动平均(SARIMA)方法集成。不幸的是,无法获得可接受的结果。在图所示的实验11。

相同的原始数据的停车时间类别D1, D2和D3,和SARIMA (1 0 1, 24), SARIMA(2 0 2, 24),和SARIMA(1 0、2和24)制定,但一个星期的学习时期显示了SARIMA方法是更长的时间,甚至24小时;如图6SARIMA不能学好特性,研究硕士(30%)大于可接受的价值。输入数据的SARIMA已经消灭了周期性和季节性。这也是不便SARIMA模型的一部分,和LSTM模型只需要输入数据的标准化和规范化。

5。结论和未来的工作

在本文中,作者提出了停车量预测模型基于乘客的火车站车库使用LSTM网络行为的分析。为不同的乘客的停车时间代表不同的停车行为特性和不同的旅游行为特征,停车时间被分成不同的类别根据分级定价模型中的类别,然后合并成三个类别通过使用相似的措施(余弦相似性),最后,我们预测停车卷分别由LSTM方法和预测未来。为了减少随机性的影响训练集和测试集的方法模型,我们采用交叉验证的方法,我们得到了稳定的预测结果。我们比较预测结果的停车时间类别分组和没有分组,发现分组方法具有更好的性能,和绝笔结果3.62%低于未分组的方法的结果。我们还将结果与传统的SARIMA方法,失去了功效的长期预测。我们的方法会取得更好的结果,并提供更详细的信息,提供更好的信息支持对车库的管理和乘客的旅游决策。我们提出的停车数量预测模型是证明是有效的。

停车容量预测的研究主要集中在不同的停车时间分类,也可用于停车费用变更的合理性测试和其他实用的方面。作为一个未来的工作,作者将尝试应用模型在其他问题上验证该模型的可行性。

数据可用性

本文使用的数据收集的数据中心车库管理机构的虹桥火车站。这些数据可以利用通过联系相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由上海市科学技术委员会(没有。17 dz1204003)。

引用

1. a . f . n . k . Ahmed Atiya:大肠Gayar et al .,“实证比较机器学习模型的时间序列预测,“计量经济学评论卷,29号5 - 6,594 - 621年,2010页。视图:出版商的网站|谷歌学术搜索
2. g·波特米,s . b . Taieb Yann-A¨el Le Borgne“机器学习时间序列预测策略,”商业智能施普林格,柏林,德国,2013年。视图:谷歌学术搜索
3. m . s .艾哈迈德·a·r·库克,“高速公路交通时间序列数据的分析利用Box-Jenkins技术,”交通运输研究委员会,卷773,不。722年,1979年。视图:谷歌学术搜索
4. m·范德Voort m·多尔蒂,华生,”Kohonen地图结合ARIMA时间序列模型来预测交通流,”交通研究部分C:新兴技术,4卷,不。5,307 - 318年,1996页。视图:出版商的网站|谷歌学术搜索
5. 李和d . b . Fambro”应用程序集成自回归移动平均模型的子集短期高速公路交通量预测,“交通研究记录:《交通研究委员会,卷1678,不。1,第188 - 179页,1999。视图:出版商的网站|谷歌学术搜索
6. b·m·威廉姆斯,“多元交通流预测:ARIMAX建模、评价”交通研究记录:《交通研究委员会,卷1776,不。1,第200 - 194页,2001。视图:出版商的网站|谷歌学术搜索
7. a·e·邓宁”方法和系统基于一项正在进行的调查的预测动态停车可用性为远程很多高需求,”2004年,专利号:US7049979B2。视图:谷歌学术搜索
8. 刘,h .关严h . et al .,“无人停车位混沌时间序列的预测,”学报第十届国际会议的中国交通运输专业2010年8月,北京,中国。视图:谷歌学术搜索
9. 黄g·史,j .郭w . et al .,“季节性建模在交通条件异方差性系列使用季节性调整方法,“交通运输工程学报,卷140,不。5,04014012.1 - -04014012.11,2014页。视图:出版商的网站|谷歌学术搜索
10. t . Rajabioun和p . loannou”,在街道上的运用多元时空模型和路外停车可用性预测,“IEEE智能交通系统,16卷,不。5,2913 - 2924年,2015页。视图:出版商的网站|谷歌学术搜索
11. 肖l .郑x、b .太阳et al .,“短期停车需求预测方法基于变量预测区间,”IEEE访问,8卷,第58602 - 58594页,2020年。视图:出版商的网站|谷歌学术搜索
12. y Wan, j .周w .他和c·马”建模路边停车价格在中国城市中心地区使用TSM-RAM方法,”《先进的交通工具卷,2020篇文章ID 4905059, 22页,2020年。视图:出版商的网站|谷歌学术搜索
13. t·m·米切尔机器学习,麦格劳希尔教育,纽约,纽约,美国,1997年。
14. p . j . Werbos“超越回归预测和分析的新工具在行为科学,”哈佛大学,剑桥,妈,美国1974年博士论文。视图:谷歌学术搜索
15. p . j . Werbos”泛化的天然气市场与应用反向传播模型,”神经网络,1卷,不。4、339 - 356年,1988页。视图:出版商的网站|谷歌学术搜索
16. j . j .遥远的扩展线性模型与R:广义线性混合效应和非参数回归模型美国佛罗里达州波卡拉顿,CRC新闻,2006年。
17. m·g . Karlaftis和依Vlahogianni统计方法和神经网络在交通研究:差异,相似之处和一些见解,“交通研究部分C:新兴技术,19卷,不。3、387 - 399年,2011页。视图:出版商的网站|谷歌学术搜索
18. 刘张y, y,“交通使用最小二乘支持向量机预测,”Transportmetrica,5卷,不。3、193 - 213年,2009页。视图:出版商的网站|谷歌学术搜索
19. 即Okutani和y . j . Stephanedes”动态预测的交通量通过卡尔曼滤波理论,“交通研究B部分:方法论,18卷,不。1、1 - 11,1984页。视图:出版商的网站|谷歌学术搜索
20. h . Liu h . Van Zuylen h . Van线头,和m .所罗门,“城市动脉旅行时间预测状态空间神经网络和卡尔曼滤波器,”交通研究记录:《交通研究委员会,卷1968,不。1,第108 - 99页,2006。视图:出版商的网站|谷歌学术搜索
21. 张y和A . Haghani”一个梯度提高提高旅行时间预测方法,”交通研究部分C:新兴技术58卷,第324 - 308页,2015年。视图:出版商的网站|谷歌学术搜索
22. 张y邹,x, y, y,“混合短期高速公路速度预测方法基于周期性分析,“加拿大土木工程杂志》上,42卷,不。8,570 - 582年,2015页。视图:出版商的网站|谷歌学术搜索
23. j . z朱、曹j . x和y朱,“交通量预测基于径向基函数神经网络的考虑相邻路口的交通流量,”交通研究部分C:新兴技术卷,47号2、139 - 154年,2014页。视图:出版商的网站|谷歌学术搜索
24. 学术界。吴,人类。Ho和d·t·李”的位置与支持向量回归预测,“IEEE智能交通系统,5卷,不。4、276 - 281年,2004页。视图:出版商的网站|谷歌学术搜索
25. s . Innamaa“使用聚类自适应交通流状态的预测,”专业智能运输系统,3卷,不。1,第76 - 67页,2009。视图:出版商的网站|谷歌学术搜索
26. 美国太阳,c . Zhang, g . Yu”一个贝叶斯网络交通流预测方法,”IEEE智能交通系统,7卷,不。1,第132 - 124页,2006。视图:出版商的网站|谷歌学术搜索
27. j·l·Elman,“及时发现结构,”认知科学,14卷,不。2、179 - 211年,1990页。视图:出版商的网站|谷歌学术搜索
28. 乔丹,“串行顺序:并行分布式处理的方法,”心理学的发展,卷121,不。97年,第495 - 471页,1997年。视图:谷歌学术搜索
29. ,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
30. z赵,w·陈,吴x, p . c . y . Chen和j·刘,“LSTM网络:一个深度学习方法短学期交通预测,“专业智能运输系统,11卷,不。2、68 - 75年,2017页。视图:出版商的网站|谷歌学术搜索
31. j女士是w .建平,x明,“交通流预测降雨影响使用深学习方法,“《先进的交通工具卷,2017篇文章ID 6575947, 10页,2017。视图:出版商的网站|谷歌学术搜索
32. x罗·d·李、杨y和美国,“时空交通流预测资讯和LSTM”《先进的交通工具卷,2019篇文章ID 4145353, 10页,2019。视图:出版商的网站|谷歌学术搜索
33. 问:唐,m·杨,杨y,“ST-LSTM:深入学习方法结合轨道交通短期预测的时空特性,”《先进的交通工具卷,2019篇文章ID 8392592、8页,2019。视图:出版商的网站|谷歌学术搜索
34. s . t . Wang胡、江y”预测共享轿车使用和检查使用梯度非线性效应提高回归树,”国际期刊的可持续交通1卷,页1 - 15,2020。视图:出版商的网站|谷歌学术搜索
35. 马c、l . Tan和x,“短期交通流预测基于遗传神经网络和指数平滑法”Promet-Traffic&Transportation,32卷,不。6,747 - 760年,2020页。视图:出版商的网站|谷歌学术搜索
36. 琼& Arcos和j . Lluis“实证评价时间序列相似性度量的分类,“以知识为基础的系统,67卷,2014年。视图:出版商的网站|谷歌学术搜索
37. t .张”,研究装配规则在铁路客运站旅客,”中国铁道学会杂志》上,卷1,35-38,2009页。视图:谷歌学术搜索
38. l·w·马x Liu李et al .,”乘客在火车站,等待时间的研究”中国铁道学会杂志》上5卷,第109 - 106页,2009年。视图:谷歌学术搜索

版权

版权©2021 Songxue丐帮et al。这是一个开放的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。