基于时空的深度学习模型感知通行时间

随着国民经济的快速增长,人们的生活水平日益提高,私家车的数量不断增加,导致城市出现一系列交通拥堵问题和事故。因此,对于城市交通监控、导航、路线规划和乘车共享来说,感知给定城市路径的通行时间至关重要。以前的方法总是感知单个路径的通行时间,然后将它们相加为整个路径的通行时间。我们提出了一个基于时空的深度学习框架来感知整个路径的通行时间。更具体地说,我们使用卷积神经网络来捕获时间和空间依赖性。由于还有一些影响因素(如天气、时间、驾驶员等)影响通行时间,我们添加了一个影响因素模块来预处理数据。大量的实验证明,我们提出的模型显著优于其他已知模型。

一种城市出行需求预测的时空方法

预测城市出行需求对于交通管理、保障公共出行安全和建设智慧城市具有重要意义。然而,由于受区域间交通状况、天气、节假日等诸多复杂因素的影响,城市出行需求数据往往存在高频噪声和复杂的波动模式。本文提出了一种基于深度学习的城市出行需求预测模型(Spatio-Temporal Urban Travel Demand Forecasting Model, STUTDFM)。该模型的架构由外部因素影响组件、时空特征提取组件和数据融合组件组成。外部因素影响组件可以处理城市出行需求影响因素的数据,从而拟合一些局部极值,时空特征提取组件可以捕获城市出行需求数据的空间依赖性和时间依赖性,数据融合组件可以将外部因素影响组件和时空特征提取组件调整到整体预测模型中。对四个真实数据集的实验表明,所提出的城市出行需求预测模型方法优于八种众所周知的方法。