基于时空动态循环图卷积网络的交通流预测

交通流预测是一个典型的时空数据预测问题,交通流数据在时间上和空间上都表现出很强的相关性与动态性,以往的研究方法侧重对路网中时空关联进行建模,而忽略了路网节点的动态相关性,进而影响了交通流预测的精度。针对此问题,提出一个时空动态循环图卷积框架(DRGCN),包括基于动态图生成器的循环图卷积网络建模局部的交通时空特征和样本卷积交互网络建模全局时间特征。首先,在每个时刻通过循环神经网络和图卷积网络结合上一个时刻的交通特征生成邻接矩阵;然后,结合预定义邻接矩阵建模交通中的动态时空关联;最后,将大量辅助信息和隐藏状态结合,通过样本卷积交互网络建模全局的时间关系。实验结果表明:建构的模型在真实数据集上的表现优于已有的基线模型。

基于细节层次模型的公共自行车调度方法

公共自行车系统作为城市公共交通的重要组成部分,对于缓解城市交通拥堵和建设低碳、环保的出行体系起到了积极的作用。然而,由于公共自行车系统的借还车需求在时间和空间分布上存在不均衡性,在使用公共自行车时,经常遇到“借车难”或者“还车难”的问题,使得出行者不得不放弃使用公共自行车出行。为了有效地提升出行者借还公共自行车的成功率,研究了1种基于细节层次模型的自行车调度方法。基于公共自行车站点之间的相似度,采用谱聚类算法对站点进行层次划分,形成基于空间范围(即公共自行车站点所占据的地理空间区域)的站点簇;在每个划分层级上统计不同簇之间的自行车借/还需求,结合遗传算法对调度车辆的运输路径进行求解;将不同层级上的调度方案叠加,形成1种调度粒度由粗到细的自行车调度方案。通过对比实验证明:基于细节层次模型的公共自行车调度方法较传统方法减少了42.70%的调度路径,进而减少了相应的调度时间。