基于多源地理大数据与机器学习的地铁乘客出行目的识别方法

探索地铁乘客出行目的识别方法,有助于突破智能卡数据（Smart Card Data,SCD）在具体应用场景中的局限性,提升SCD在交通出行研究、交通发展规划等领域的应用价值。本文融合多源地理大数据,基于城市交通与土地利用时空间互动理论,以北京市居民地铁出行为例,在交通出行调查数据中提取5565个地铁出行样本及其对应的出行目的和出行特征相关变量。基于兴趣点（Point of Interest,POI）数据得到各样本起止站点的土地利用特征相关变量,形成包含每次地铁出行的出行目的、出行特征、土地利用特征的地铁出行数据集。使用基于随机森林（Random Forest,RF）算法对地铁出行数据集进行训练完成的分类器对SCD记录的每一次地铁出行进行分类,获得该次出行的出行目的及其不同目的地铁出行时空间分布规律。研究结果表明,本识别方法可有效预测地铁乘客的出行目的,其中,“上班”、“回家”2类出行目的的预测准确率均超过90%;纳入土地利用特征相关变量可显著提升RF分类器预测准确率,印证了城市交通与土地利用的时空间互动理论。鉴于当前SCD的可获取性逐渐提高,该项技术在居民地铁出行监测与预测、地铁线网布局和地铁周边土地利用规划等实践方面,具有很强的推广性,有助于更全面地认知大城市居民的地铁出行行为。     

基于时空多图卷积网络的网约车乘客需求预测

随着智能手机的普及,网约车成为常用的出行替代方式。网约车运营平台因此成为智能交通系统的主要组成部分,在满足公众出行需求中发挥重要作用。乘客需求预测是网约车系统需要解决的核心问题,现有文献中提出的模型忽略了长期时间相关性及多种空间相关性,本文针对现有研究成果存在的局限性,在充分考虑网约车乘客出行需求时空相关独特性的基础上,提出一种融合全局特征的时空多图卷积网络(Spatio-Temporal Multi-Graph Convolutional Network Fused With Global Features,GST-MGCN)模型。该模型遵循临近性、周期性和趋势性(Closeness, Period and Trend,CPT)范式,利用时序信息拟合时间依赖关系;通过识别多种空间语义相关性构建对应的关系图结构、建立多图卷积模型;模型中的全局特征融合模块,使用门控融合和总和融合方法分别捕捉乘客需求的突变和渐变。以海口市数据集为样本的实验结果表明,本文提出的GSTMGCN模型MAE、RMSE和MAPE指标的值分别是2.269、3.917、21.447,优于其他同类主流模型。本研究证明提出...     

城市用地功能精细化识别方法：时序动态图嵌入深度学习模型

多源大数据融合背景下的城市功能区识别是复杂非线性系统的模式识别问题,如何有效地从大规模的轨迹数据中提取出多粒度连续性时变和多尺度空间相互作用的信息是进行城市区域功能识别的关键。本研究设计实现了一种基于时序动态图嵌入的深度学习模型,在融合滴滴出行及兴趣点数据（Point of Interest, POI）基础上,提取城市区域存在的时间和空间上的隐式特征,结合聚类分析实现城市用地功能的语义识别。结果表明,成都市中心的用地功能趋向复合多样化的发展,且用地属性随时间发生作用范围和用地类型的变化,呈现出功能随着城市群体活动而变化的时空规律。与相关文献的对比实验表明,本文提出方法在更细粒度的时间段下进行功能区识别,得到的同一类功能区域内集聚度更高,能够更好的捕获复合型区域在不同时间模式下呈现出的用地功能变化。本研究为城市用地功能识别研究提供了新的技术方法,为城市规划研究人员全面理解城区结构属性提供了有效手段,对推动城市空间得到更合理高效的利用具有一定的价值。     

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LBS和深度学习的旅游景区客流量的高时频预测

为实现精准的旅游景区客流量的高时频预测,本研究构建了一套基于LBS和深度学习模型的预测方法。此方法可通过对LBS数据的转换实现预测的空间范围与时频控制,并通过方法的核心模型——基于双向循环神经网络和GRU算法构建的深度双向GRU(DBi-GRU)模型完成预测。为检验方法的有效性,研究以深圳大梅沙海滨公园为例对方法进行实验测试。实验使用拟合曲线、误差指标及DM检验3种方法评估DBi-GRU模型的预测效果。此外,实验还设置了其他五种深度学习模型作为DBi-GRU的对照模型,测试基于不同深度学习算法的模型之间的预测水平差异。实验结果表明:(1)本研究提出的DBi-GRU模型在景区客流量高时频预测中具有理想的预测效果,在高峰时段的客流量预测方面也具有较高准确性,预测效果明显优于其他深度学习模型;(2)基于双向循环网络的模型的效果普遍优于基于常规循环网络的模型。尤其是基于双向LSTM算法的模型,虽然预测的准确度略逊色于DBi-GRU模型,但在模型性能上与其的差异并不显著;(3)在相同网络参数下,GRU算法较前人采用的LSTM和RNN算法有着更高的预测准确性。本研究为客流量预测领域的研究提供了一种...     

基于深度学习的钨钼找矿靶区预测方法研究

随着矿产勘查工作由浅部矿向深部隐伏矿、由易识别矿向难识别矿发展,找矿难度日益增大,地质专家越来越重视新理论、新方法、新技术的应用。深度学习作为人工智能的前沿领域/技术,对于实现矿产资源预测“智能化预测评价”具有得天独厚的优势。本文以陕西省镇安县西部钨钼矿集区单元素化探异常原始数据为基础,提出了基于深度学习的钨钼矿产评价方法。该方法以归一化地球化学数据作为模型训练数据,通过深度学习中深度自编码网络方法实现异常值提取进而识别重点成矿有利地段,实现矿产资源找矿远景区定性预测。研究结果表明,在对957条单元素化探异常原始数据分类且做好模型标签后,整个过程在计算机的“黑盒子”中自动完成学习和预测,相较于传统预测研究方法,本文方法具有自动化程度高和客观性强的特征。此外,本文利用已知矿点构建训练数据集,采用随机森林方法对预测区进行矿产资源找矿靶区预测圈定,为进一步缩小找矿靶区范围提供科学依据。     

导航应用的按需下载区域网络模型研究

提出了一种导航应用的按需下载区域数据模型。对按需下载模式的技术要求进行了分析,提出了区域导航数据模型的定义及其算法,用UML定义了区域网络概念模型,并与ISO的网络模型进行了一致性检验。通过实际算例证明了方法的可用性。     

基于核混合效应回归模型的地震数据预测

针对地震观测数据难以准确预测的难题,提出基于核混合效应回归模型.为验证该算法模型的可行性,结合湖北地震台站地球物理仪器产出数据开展仿真实验,并与传统的神经网络算法作对比.结果 表明,该模型能准确预测地震地球物理观测数据且性能优于其他神经网络算法,对水温、水位数据的预测相对误差低于0.05％及0.48％.该研究为地震监测...     

面向卫星遥感影像检索定位的深度学习全局表征模型评估与分析

如何快速获取无辅助参数卫星遥感影像地理位置是非合作方式获取的遥感影像信息充分利用的一个关键,利用影像特征的相似性对卫星遥感影像检索来实现定位,是获取无辅助参数卫星遥感影像地理位置的有效手段。为了探寻影像深度学习全局特征用于无辅助参数卫星遥感影像检索定位的可行性,建立了包括Precision@K、平均排序、特征提取时间、特征相似性计算时间、硬件消耗等,涵盖有效性、效率2个方面共计5类指标的评估体系。采用谷歌地球提供的影像数据作为基准影像,在资源三号夏季及冬季数据集上,分别利用AlexNet、VggNet、ResNet、DenseNet、EfficientNet等几种代表性的卷积神经网络预训练模型提取基准影像及查询影像的全局特征,依据评估体系中的指标,对这些网络模型的影像表征效果进行全面的量化评估与分析。试验分析结果表明,DenseNet、ResNet-18、VggNet这3个深度学习神经网络预训练模型提取的全局特征,综合表征效果较好,可有效用于卫星遥感影像检索定位;当K值取200时,DenseNet网络模型的Precision@K值可以达到59.5%,ResNet-18和VggNet网络...