基于多维赋权图模型的车辆需求预测分析

发布时间：2021-02-12 03:36

　　随着语义网的不断发展,早期只是简单连接的数据,逐步形成了一个带有多维权重的海量关联数据网络。因此,如何对这些数据进行有效的处理与整合成为了目前语义网研究的重点。针对当前大量的关联数据及其间复杂的属性关系,本文提出了多维赋权图的概念,即将RDF三元组SPO数据转换成自定义图模型V（点）E（线）W（权重）,从而把单一的RDF图转变为多维赋权图。转换之后,通过基于时间递归神经网络的权值预测函数,并结合多维赋权图中相关联的多个变量,对其中的某一变量进行预测。此外,对于真实世界中赋权图数据不完善、权重缺失的情况,本文还提出了基于KNN算法的信息补全方法来完善数据。同时本文引入最短路径并行化的处理,有效提高了数据计算能力。最后,在这样的多维赋权图模式下,结合大规模知识加速器平台,本文进行了相关理论实践,并得出了相对优化的策略。综上所述,在海量关联多维度数据的环境中,本文针对目前语义网推理系统可能遇到的瓶颈问题提出了基于多维赋权图的数据处理模型、基于时间递归神经网络的权值预测方式和基于KNN算法的信息补全方法。将上述三点与灵活、开放、可扩展的大规模知识加速器平台相结合,必能为未来变化无穷的语义网数据... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

交通图模型

图 5-14 降雪对出租车需求的影响模拟图中红色标记的点，就是我们要研究的曼哈顿地区的天气情况。其余蓝色的点，提供了同一时间不同天气的情况。我们针对天气数据中，曼哈顿数据的缺失、异常等情况，用 KNN 算法来进行处理。对于车辆数目的预测，本文根据不同的时间、天气，来预测未来出租车在区域内出现的数量。为了探寻根本原因，本文通过单独分析该月的天气情况，得出了如图 5-15 所示的数据分析图。

第 5 章 基于多维赋权图的车辆需求预测分析5.2.3 多维赋权图的算法并行化考虑完了局部情况，本文将从局部行政区扩展至整个曼哈顿区域，对出租车的需求量进行分析。我们将数据分成早中晚 3 个不同的时间段，对曼哈顿区域的整体出租车轨迹进行分析，从而推断出地图热点，即需求量最大的区域。

【参考文献】：
期刊论文
[1]基于标准欧氏距离的燃油流量缺失数据填补算法[J]. 陈静杰,车洁.  计算机科学. 2017(S1)
[2]基于傅里叶变换和kNNI的周期性时序数据缺失值补全算法[J]. 贾梓健,宋腾炜,王建新.  软件工程. 2017(03)
[3]一种多源异构数据融合方法及其应用研究[J]. 姜建华,洪年松,张广云.  电子设计工程. 2016(12)
[4]基于物联网的异构数据融合算法的研究[J]. 朱敏.  计算机光盘软件与应用. 2014(15)
[5]公交出行最优路径搜索的有向赋权图模型[J]. 姚春龙,李旭,沈岚.  计算机应用研究. 2013(04)
[6]标签传播算法理论及其应用研究综述[J]. 张俊丽,常艳丽,师文.  计算机应用研究. 2013(01)
[7]消防救援最短路线模型及其求解策略[J]. 郝然.  中国科技信息. 2010(19)
[8]一种改进的应用于噪声数据中的KNN算法[J]. 倪艾玲.  计算机与现代化. 2008(07)
[9]一般赋权图上的运输问题[J]. 冯梅.  数学的实践与认识. 2008(09)



本文编号：3030190