基于时空残差网络的区域客流量预测方法

发布时间：2021-03-01 05:28

　　针对区域客流量波动性强、复杂非线性的特征,易受到季节性影响,并且单一神经网络模型无法同时学习时间与空间相关性问题,通过对区域客流量影响因素分析,结合残差网络和全连接网络,提出了用于区域客流量预测的改进Quad-ResNet模型;Quad-ResNet模型融合了4个残差网络和一个全连接网络,该模型通过深层次的卷积学习空间相关性,结合4个残差网络学习时间邻近性、相似性、周期性、趋势性,使用全连接网络学习季节性影响;将Quad-ResNet模型与LSTM、CNN、STResNet模型在同一数据集上进行区域客流量预测对比实验,实验结果表明,Quad-ResNet模型误差小于其他对比模型,而且在训练和预测的操作上明显比LSTM模型更简便,更适用于区域客流量预测。 

【文章来源】：计算机测量与控制. 2020,28(06)

【文章页数】：5 页

【部分图文】：

图１区域流量邻近性

以具体分为邻近性、相似性、周期性、趋势性。１．２．２．１邻近性图１为五分钟间隔所有区域总流量折线图，从中可以看到，０∶００～６∶００客流量较少且逐渐减少，６∶００～１２∶００客流量不断增加，１２∶３０左右出现当日的一个高峰，然后不断振荡直到２０∶００，之后客流量开始逐步减少。对于一天各个时刻的客流量来说，每个时刻的客流量均会受到邻近的前几个时刻的影响，而且它也会影响之后几个时刻的客流量，体现了区域客流量的邻近性。图１区域流量邻近性１．２．２．２相似性图２将１２∶００区域的客流量依次与１１∶００、１０∶００、９∶００区域客流量做差，差值大于１０的区域用白色表示，其余区域用黑色表示。从图２中可以看到，白色区域从整体上看属于少数，说明大部分区域客流量相差不大，体现了时间上的相似性。图２区域流量相似性１．２．２．３周期性图３显示了连续五天的区域客流量，从图３可以看到每天的客流量变化趋势是大体相同的，每天同一时刻的客流量与１天前、２天前的客流量存在相似性，呈现出区域客流量的周期性。图３区域流量周期性１．２．２．４趋势性图４显示了时长为６个月，间隔为１周，每早８∶００的客流量，随着气温变暖，同一时刻客流量增多，体现了区域客流量的趋势性。１．２．３季节性影响在区域客流量相关的研究中经常会提到“季节性”这个概念，它反映了由于天气因素、日历效应和时机决策的不同，客流量在时间分布上的不均匀，最终导致旅游市场具有明显的淡旺季。具体在区域客流量的研究上，需要考虑的因素分为天气和法定节假日等。

逐步减少。对于一天各个时刻的客流量来说，每个时刻的客流量均会受到邻近的前几个时刻的影响，而且它也会影响之后几个时刻的客流量，体现了区域客流量的邻近性。图１区域流量邻近性１．２．２．２相似性图２将１２∶００区域的客流量依次与１１∶００、１０∶００、９∶００区域客流量做差，差值大于１０的区域用白色表示，其余区域用黑色表示。从图２中可以看到，白色区域从整体上看属于少数，说明大部分区域客流量相差不大，体现了时间上的相似性。图２区域流量相似性１．２．２．３周期性图３显示了连续五天的区域客流量，从图３可以看到每天的客流量变化趋势是大体相同的，每天同一时刻的客流量与１天前、２天前的客流量存在相似性，呈现出区域客流量的周期性。图３区域流量周期性１．２．２．４趋势性图４显示了时长为６个月，间隔为１周，每早８∶００的客流量，随着气温变暖，同一时刻客流量增多，体现了区域客流量的趋势性。１．２．３季节性影响在区域客流量相关的研究中经常会提到“季节性”这个概念，它反映了由于天气因素、日历效应和时机决策的不同，客流量在时间分布上的不均匀，最终导致旅游市场具有明显的淡旺季。具体在区域客流量的研究上，需要考虑的因素分为天气和法定节假日等。

【参考文献】：
期刊论文
[1]基于深度CNN-LSTM-ResNet组合模型的出租车需求预测[J]. 段宗涛,张凯,杨云,倪园园,SAURAB Bajgain.  交通运输系统工程与信息. 2018(04)
[2]空间权重矩阵的设定方法研究[J]. 张可云,王裕瑾,王婧.  区域经济评论. 2017(01)
[3]改进遗传算法优化BP神经网络的旅游景区日客流量预测[J]. 宋国峰,梁昌勇,梁焱,赵树平.  小型微型计算机系统. 2014(09)
[4]基于时空数据挖掘的铁路客流预测方法[J]. 徐薇,黄厚宽,秦勇.  北方交通大学学报. 2004(05)



本文编号：3057016