基于船舶轨迹挖掘的海上航路网络构建方法

海上航路网络是船舶海上交通活动特征的时空表征,也是船舶航路规划、行为辨识、轨迹预测的重要基础。海量的船舶历史轨迹数据为自动提取海上航路网络提供了基础数据,但受轨迹数据噪声和密度分布不均匀的影响,传统航路网络自动提取方法存在网络节点识别准确性差、网络边连接错误率高等问题。针对上述问题,研究了1种基于船舶轨迹时空特征挖掘的海上航路网络自动构建方法。定义了海上航路网络的3种航路点类型,即停留点、出入点和航路转向点,设计了基于轨迹时空特征的航路点提取方法;提出了基于累计转向特征的航路转向点过滤策略,可有效去除船舶避碰、船舶徘徊等局部活动产生的非航路转向点;根据不同种类航路点的分布特征,综合利用DBSCAN聚类算法和凸包算法从航路点集合中提取和生成航路网络节点集合;定义了航路网络节点的有效连接规则,从原始轨迹中提取航路网络节点之间的轨迹簇,根据轨迹簇的统计特征生成航路网络节点之间的有向加权边,形成有向加权的海上航路网络。以珠江口水域为实验区域,对所提方法进行有效性验证,结果表明:所提方法可提取71个3类航路网络节点和200条航路路线;航路网络节点识别准确率与误识别率分别为86.42%和1.23%;航路网络边连接的准确率接近95%。所提方法能够有效识别海上航路的关键航路点及主要路线,实现航路网络的自动构建。

基于时空特征的无线网络流量预测方法

无线网络流量分布具有空间上和时间上的特征,针对传统预测方法对流量分布空间特征的利用不足问题,提出三维卷积神经网络(3D-CNN)和长短期记忆网络(LSTM)相结合的无线网络流量预测模型。首先通过3D-CNN挖掘流量数据的局部时空关联性,并利用空间注意力机制完善全局空间关联的提取;然后使用LSTM模型对抽象时空特征进行训练,并加入了注意力机制缓解循环神经网络的遗忘现象带来的信息损耗。运用此方法对"意大利电信大数据挑战赛"的公开数据集进行训练,其均方根误差(RMSE)和平均绝对误差(MAE)分别降至5.17和3.32,明显优于其他对比预测模型。

基于图WaveNet的电动汽车充电负荷预测

为了更好地挖掘电网-交通网强耦合态势下电动汽车充电负荷的时空动态特征,提高充电负荷预测精度,提出了一种基于图WaveNet的电动汽车充电负荷预测框架。首先,将耦合的电网-交通网中的充电站看作充电负荷节点;然后,把充电站的充电负荷数据作为节点的特征信息,将各个节点构造成一张图,并把蕴含充电负荷空间维信息的图和充电负荷的时间维信息输入自适应图WaveNet框架中进行预测;最后,以中国某市城区内的充电站负荷数据为例,将基于自适应图WaveNet框架的预测结果与现有方法的预测结果进行对比,验证了所提方法的正确性和有效性。

基于注意力机制的城市轨道交通网络级多步短时客流时空综合预测模型

准确、可靠的短时客流预测可为城市轨道交通提供运营决策支持。本研究以基于Transformer机制的LSTM网络、深度注意力模块和CNN网络为基础,提出了城市轨道交通网络级多步短时客流预测模型(STIPM)。该预测模型由3个分支组成,分支一以时间序列进站客流为输入,提出了基于Transformer机制的LSTM网络提取该数据中的时间相关性;分支二以基于时间步的OD数据为输入,提出了深度注意力模块挖掘数据中大量的时间、空间相关性,利用基于时间步的OD数据能够更好地展现站间联系紧密程度和全局信息,从而完成了拓扑网络信息提取;分支三的输入为POI数据,使用CNN网络获取其时空相关性,并作为时间与空间特征之间的纽带。为了保证在预测精度足够高的条件下,获得更长的预测时间和更详细的预测信息,本文采用“神经网络多输出”策略,完成了多步预测任务。本文在2个大规模城市轨道交通真实数据集中对该模型进行测试,并将预测结果与10个基准模型和4个消融实验模型进行对比,在RMSE、MAE与WMAPE评估指标中,STIPM模型均得到最高的预测精度,结果表明该模型具有一定的优越性与鲁棒性。

基于生成对抗网络的5G网络流量预测方法

无线接入用户的需求呈爆炸式增长,5G网络流量呈指数级增长且呈现出多样性、异构性的趋势,使得网络流量预测面临诸多挑战。针对5G网络部署宏基站、微基站与微微基站的多层架构,文中提出基于生成对抗网络(GAN)的流量预测方法。首先,生成网络分别捕捉流量时空特征与基站类型特征,将拼接特征输入复合残差模块以生成预测流量,并将生成流量输入判别网络;然后,判别网络判断生成流量是真实流量还是预测流量;最后,经过生成网络与判别网络的博弈对抗使生成网络生成高精度的预测流量。实验结果表明,GAN的二维均方根预测误差分别比2DCNN,3DCNN和ConvLSTM降低了58.64%,38.74%和34.88%,具有最优的流量预测性能。

基于城市区域多模态融合的人群流量预测

提出了一种基于多模态融合的人群流量预测算法(multimodal fusion for crowd flow prediction,MFCFP)。首先使用图卷积算子来探索区域之间的相关性以建立多模态,不同的模态可以捕捉不同的影响因素。然后进行多模态融合,并将带有注意力机制的基于图卷积神经网络应用于本文模型,以更好地建立相关区域关联。在真实数据集的实验证明了所提模型可以准确地预测人群活动流量。

基于轨迹数据的出租车运行模式识别及效益分析

基于上海市出租车轨迹数据,使用Hadoop分布式计算框架对出租车GPS数据进行处理,以出租车为对象提取其轨迹,并计算出租车的载客平均距离、轨迹中心与城区中心距离与回转半径3个指标,采用k-means++模型分类并定义5种出租车运行模式。通过对比不同时间划分标准下各运行模式出租车的时间、里程载客率与收入情况,分析各类出租车在各时间段的运行效益与运行特征。