基于网络爬虫的南京市共享单车时空特征分析

随着共享经济的发展,许多城市开始大力支持与推广共享单车建设。据此,以摩拜单车与ofo单车为研究对象,使用网络爬虫工具获取南京市共享单车数据。利用南京市2018年3月11日—4月12日共享单车数据,结合空间数据分析方法,分析共享单车的时空分布特征。结果显示:在时间序列上,共享单车工作日使用率高于休息日使用率,工作日出行具有明显的早高峰与晚高峰特征,而休息日出行不具备峰值特征。在空间分布上,共享单车具有显著的冷热点分布特征,呈现出"一集聚圈、一集聚带、多集聚点"的集聚特征。本研究可为南京市共享单车的发展提供参考,提高共享单车的服务效率。     

多基站协同训练神经网络的PM2.5预测模型

针对通过数值方法对PM2.5进行预测已经取得了良好的效果,但相关模型重视时间影响因子而对空间影响因素的关联性考虑不足的问题,该文提出了多基站协同训练长短时记忆网络预测模型。该模型以时空数据作为输入,并将多个基站数据进行协同训练。MC-LSTM网络通过采用多基站共享参数的方式,减少了需要训练的网络复杂度,减轻了网络过拟合的风险。利用MC-LSTM网络对北京市21个监测基站数据进行了处理,结果表明:MC-LSTM网络能够同时对各个基站的PM2.5浓度进行预测。     

基于深度学习的人群活动流量时空预测模型

传统的时空预测方法缺乏对复杂时空非线性关系的描述,且难以顾及空间多尺度特征对于预测结果的影响。针对这一问题,本文提出了一种融合空间多尺度特征的时空网络模型(MST-Net),将流量预测的回归问题转换为具有时空特性的判别模型。首先,通过并联卷积提取空间多尺度特征;然后,通过引入注意力机制的门控循环单元提取时间特征;最后,利用全连接层得到预测结果。本文将该模型用于人群活动流量的预测,分别在两组真实的社交媒体签到数据集上进行试验。试验结果表明:本文采用的卷积层连接方式和特征融合方法,相比于单层卷积层提取空间特征、其他连接方式和融合方法以及传统的时空预测模型,在均方根误差(RMSE)和平均绝对百分比误差(MAPE)两个预测结果评价指标上均有不同程度的提高,说明本文方法具有较高的预测精度,能够较好地拟合时空问题的非线性关系,实现人群活动流量的预测。     

基于"POI_OD"矩阵的共享单车出行特征分析

将空间分析中的POI与交通出行领域的起始(OD)点分析相结合,构建了"POI_OD"矩阵。以上海市普陀区为例,结合共享单车与道路类型的关联性以及共享单车的时空变化特性,从道路类型、出行时间、"POI_OD"矩阵3个方面分析了共享单车人群的出行特征,以期为普陀区共享单车市政规划提出合理建议。     

反导自记忆模型的隧道沉降分析

针对传统的变形预测模型不能对隧道高度非线性监测数据的沉降趋势和波动特征进行准确的预测问题,该文提出了反导自记忆模型。该模型运用了自记忆原理,克服了传统的变形预测模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力,之后通过工程实例验证了反导自记忆模型的可行性。最后与灰色自记忆模型进行对比,得出反导自记忆模型能够对非线性和波动性监测数据做出更加准确的预测,提高了预测的精度。     

双分支网络架构下的图像相似度学习

图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止,基于卷积神经网络改进的变体网络有效提升了学习效率,但由于提取特征比较单一无法准确描述图像特征,导致相似度学习效率较低。为此,本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同,但权值不共享,网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征;然后通过特征融合层进行特征融合;最后将融合特征直接输入全连接层进行相似度学习,既改善了提取的图像特征多样性,又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验,结果表明,相比其他模型,本文提出的模型具有较强的网络学习能力和模型泛化能力,准确率高达97.96%。     

基于“天地图”的共享单车大数据监管平台设计研究——以南京市为例

为了解决共享单车乱停乱放等问题,满足政府对相关企业统一监管的需求,本文通过研究了数据处理、存储、分析技术以及基于道路网络分析Voronoi图(简称网络Voronoi图)的共享单车监管技术,设计了基于"天地图"的共享单车大数据监管平台。平台调用"天地图·江苏"最新基础地理信息数据服务,叠加公交、小区、交通设施等专题数据,基于大数据框架,建立了大数据分析模型,对单车骑行分布进行统计分析,实现了单车查询统计、停车区域管理、单车聚集预警、轨迹分析预测、监管区域划分、监管轨迹跟踪等功能,为统一的精准监管提供了有效途径,可提高单车企业调度维护车辆的积极性,为"绿色出行"的实现奠定基础。     

北京市核心区共享单车骑行时空特征分析

共享单车在“低碳交通”的背景之下应运而生，给人们的出行带来了极大的便捷，同时，在共享单车的使用和管理过程中也存在一些问题，例如共享单车的投放不均衡等。本研究以北京市核心区为研究区，利用空间大数据分析等方法，对共享单车出行的时间序列和空间特征进行了分析，结果表明：(1)从共享单车出行的时间特征来看，一是从工作日的共享单车日均出行量远远大于休息日的日均出行量，工作日的日均出行量为623 257辆，休息日的日均出行量为245 039辆；二是工作日和休息日的共享单车出行高峰时段均为上午8点—9点以及下午的17点—18点；三是共享单车的出行时长主要集中在10 min以内，30 min以上的占比较少；(2)从共享单车出行的空间特征来看，一是北京市核心区工作日共享单车的出行呈现出“大聚集，小分散”的特点，且早高峰与晚高峰共享单车出行的空间流动趋势恰好相反，休息日呈现出“早分散，晚集聚”的特点。     

顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法

个体驾驶目的地预测在个性化服务推荐、智慧交通等位置服务中具有重要的应用价值,但现有深度学习方法多以高密度采样轨迹点为单位构建出行特征,导致数据冗余、信息增益有限。路口序列可简化道路驾驶轨迹的表达形态,降低训练成本;同时,路口间的转移偏好与当前移动模式隐含路口与目的地间的时空关联关系,能够一定程度上表征个体出行意图,却鲜有研究将其用于目的地预测。为此,提出一种顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法：（1）以路口为单位构建输入特征,利用图注意力机制学习不同时间槽内路口间的转移系数,并结合长短期记忆模型捕获转移偏好长期依赖关系;（2）构建时间循环编码与驾驶状态特征,利用长短期记忆模型学习个体当前移动模式表征;（3）通过特征交叉与注意力机制实现特征融合,并利用残差网络输出预测。基于中国深圳市12名私家车司机2019年全年的轨迹数据开展实验,通过与隐马尔可夫、长短期记忆模型、远近距离依赖模型、融合地理语义与位置重要性的长短期记忆模型的精度进行对比并进行消融实验,验证了所提方法的有效性;可视化分析了转移偏好在捕获路口间空间关联关系中的作用,并探讨转移路口数量设置对预测精度的影响。     

灰色自记忆模型的高层建筑物沉降分析

针对GM(1,1)模型对非线性数据的沉降趋势及其波动特征无法进行准确地预测,而灰色残差模型和灰色马尔科夫模型又无法解决这个问题,提出了灰色自记忆预测模型。该模型利用了自记忆原理考虑过去和现在对未来的影响的记忆性特点,克服了GM(1,1)模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力。通过实例验证表明了灰色自记忆模型的可靠性和可行性。     

一种基于机器学习算法的区域/单站ZTD组合预测模型

针对天顶对流层总延迟(ZTD)具有一定的时空变化特性,提出了一种基于BP神经网络、长短期记忆网络(LSTM)算法的区域/单站ZTD组合预测模型. 以连续14天香港连续运行参考站(CORS)网络18个监测站观测数据为例,利用BP神经网络、LSTM及本文算法进行了区域、单站及二者组合ZTD预测模型研究. HKWS测站的预测结果表明:利用前13天数据预报第14天数据,区域、单站、组合模型ZTD预测的均方根误差（RMSE）分别为10.2 mm、10.4 mm、8.5 mm,组合模型相对于区域、单站模型预测精度分别提升了17.2%、18.4%.      

PSO优化LSTM时间序列的桥梁变形预测

针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低，预测效果能力弱等问题，利用粒子群算法(PSO)对LSTM模型的参数进行优化，提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明：与LSTM模型和反向传播(BP)神经网络模型进行对比分析，在拟合能力方面等具有改进效果，所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。     

基于深度学习的滑坡位移时空预测

滑坡变形监测数据是认识滑坡变形演化规律的直接依据,对该数据深度挖掘是实现滑坡灾害预警预报的有力保障。现有的滑坡位移预测模型多局限于单个监测点的时序预测,且未考虑监测点间的空间相关性。针对上述问题,本文提出了一种基于深度学习的滑坡位移时空预测模型:首先,构建表达所有点间空间相关性的加权邻接矩阵;其次,引入外界影响因素加强属性特征矩阵,以构建图结构数据;最后,采用集合图卷积网络(GCN)和门控循环单元(GRU)的深度学习模型,并通过多组试验寻找最优超参数,实现滑坡位移的时空预测。本文模型结果的均方根误差为4.429 mm,与对比模型相比至少降低了47.3%。而消融试验结果也显示,引入外界影响因素的属性增强可进一步提高模型的预测性能,均方根误差相对于未属性增强结果减少了28.4%。结果表明,该方法可用于滑坡位移或其他地质灾害中同样具有时空关联属性的观测量的时空预测。     

融合时序数据和面板数据的LSTM-RBF城区面积预测模型

城市扩展模拟预测是将城市时空演变规律应用于城市规划建设决策的重要基础,也是城市研究的热点。现有研究主要分为两类:一类是从城市时空演变角度出发采用异速增长等模型利用时序数据预测;另一类从城市扩张驱动力角度出发采用各类神经网络或多元回归模型结合面板数据进行预测。这两类算法均从单一方面对城市扩张做出解释,缺乏对城市时空演变规律和驱动因素双方面的综合考虑。本文提出了融合时序数据和面板数据的LSTM-RBF城区面积预测模型,该模型通过将长短期记忆(LSTM)网络和径向基函数(RBF)网络相结合,实现了时间序列城区面积和经济、人口等驱动力数据双方面支持下的城区面积联合预测,提高了城区面积预测的精度,为城区面积预测提供了一种新颖有效的方法,能够为城市时空演变研究服务于城市土地利用和规划制订提供技术支持。     

融合Markov与多类机器学习模型的个体出行位置预测模型

随着城市化的发展,人们出行的方式逐渐多样化,对人类行为的深入理解以及对个体出行行为的建模预测有助于解释若干复杂的社会经济现象,且在基于位置的服务、交通规划、公共安全等方面具有重要价值。个体出行行为预测建立在深入理解人类活动特性的基础上,而在移动互联网时代,网络空间的上网行为与现实空间的出行行为密不可分。首先基于上网行为特征,融合马尔可夫(Markov)模型和多类机器学习模型,构建了个体出行位置预测模型,该模型使用了基于频率分布图的自适应融合规则,融合了传统的Markov模型和机器学习多分类模型的结果进行个体出行位置预测;然后利用手机数据、上网流量数据、兴趣点数据及天气等多源数据进行个体出行位置预测实验。实验结果表明,该模型的第1个和前3个预测结果中包括正确结果的准确率分别为74.59%、94.19%,均优于基础模型的准确率和利用投票法融合规则融合基础模型的准确率,且预测时间粒度为30 min时,该模型的预测效果较好。     

复杂场景下对违规共享单车的细粒度检测方法

针对检测违规共享单车,受阴影遮挡、姿态差异和目标重叠因素影响,已有算法存在误提取、漏检和定位不准确问题,提出一种对违规共享单车细粒度检测的Bicycle-YOLO算法。针对目标受阴影遮挡的情形：(1)构建具有自适应感受野的C3＿DCN模块,增强模型对共享单车识别和描述能力,缓解模型对违规共享单车细粒度检测的误提取情况;(2)依据违规共享单车存在停放姿态差异,引入上下文聚合块,提升模型对多粒度目标检测精度,减少漏检;(3)根据违规共享单车出现重叠堆放现象,使用WIOUv3损失函数,解决重叠目标细粒度特征混杂问题,精准定位目标位置。在自制违规共享单车数据集上,选取其他方法进行对比实验,结果表明Bicycle-YOLO算法的精确率、召回率、map@0.5与F1分别达到了93.4%、87.3%、91.2%、90.25%,明显优于其他方法,验证了本文方法的可行性。     

长短期记忆压缩激励全卷积神经网络建筑物变化检测

针对当前遥感影像建筑物变化检测未考虑时序信息,导致变化特征提取效果欠佳,本文提出了一种长短期记忆压缩激励全卷积神经网络。在全卷积神经网络框架下,搭建了结合长短期记忆网络与压缩激励网络原理的长短期记忆压缩激励单元,使算法能够充分结合纹理特征及时序特征优势,提高遥感影像建筑物变化检测精度。以遥感影像建筑物变化检测公开数据集LEVIR-CD作为实验数据对该方法进行验证,结果显示,F1-score达86.35%,相较于FC-EF、FC-CONC、FC-DIFF算法,F1-score分别高出2.35%、3.47%、4.52%。     

基于共享单车时空大数据的细粒度聚类

针对传统上单独采用K-means或DBSCAN等方法对共享单车位置数据聚类时造成的聚类结果与真实的聚类结构不符的问题,本文提出了一种基于共享单车时空大数据的细粒度聚类方法(FGCM)。该方法通过DBSCAN进行初始聚类,并在此基础上采用GMM-EM算法进行细部聚类,以提取细粒度层级的热点区域。试验表明,该方法可根据密度阈值排除噪声和离群值,无需指定细部聚类簇数,簇的形状和大小比较灵活。在对共享单车大数据位置特征进行聚类时,与传统的单独采用K-means或DBSCAN的方法相比,FGCM具备更高的精细程度,能够充分展现共享单车的实际聚集特征,可用于规划共享单车电子围栏等设施,在不降低通勤效率的基础上规范共享单车的停放问题。     

融合多特征神经网络的城市道路速度预测研究

交通速度预测是智能交通系统的重要组成部分,该文从交通路网时空分布特征入手,引入天气状态、空气质量和时间属性特征变量,建立了基于多源特征融合的双向长短期记忆网络框架(MF-BiLSTM).以此模型为基础,对基于滴滴开源算法计算得到的成都市道路速度时序数据集进行建模分析,分别选取了RNN、ARIMA、CNN、多层LSTM和单层LSTM网络5个基准模型进行验证.结果 表明,MF-BiLSTM在一个标准周内的各个时间段均优于基准模型,在不同道路等级下能表现出较高的稳定性,与上述基准模型相比预测精度分别提高了2.94％、1.02％、2.45％、1.10％和1.67％.同时,在不同天气状态和空气质量等级下,MF-BiLSTM均能表现出更加准确和平稳的预测性能.     

基于CEEMD和LSTM方法的深基坑沉降变形预测

为了提升长短时记忆(LSTM)神经网络对深基坑沉降监测数据的预测效果，本文提出一种基于互补集合经验模态分解(CEEMD)、样本熵以及LSTM神经网络的组合基坑沉降预测模型。该组合沉降模型实现基坑沉降变形预测的关键步骤为：首先，使用CEEMD分解算法将基坑沉降序列分解为若干个本征模态函数(IMF);其次，重组相同特征的IMF分量；最后，使用LSTM神经网络预测重组后分量并叠加预测结果。使用某实测基坑数据进行实验，结果显示，本文提出组合预测模型预测结果的均方根误差、平均绝对误差以及平均绝对百分比误差较对比模型均更小，表明本文提出组合预测模型的预测精度更高，具有较好的非线性序列预测效果，为基坑沉降预测提供了一种新方法。