基于残差网络的城市人群流动预测方法研究

发布时间：2024-03-08 23:34

　　城市计算是以城市为背景,融合城市规划、智能交通、社会学和经济学等学科领域,通过获取、整合和分析城市大数据从而提高城市管理水平的过程。城市人群流动预测在交通管理、风险评估、公共安全等领域具有重要的意义,是城市计算领域的一个研究热点。深度学习方法通过分层非线性转换无监督地获取数据的高层抽象,使得特征选取不再过于依赖任务本身且能够降低调整过程的时间消耗,但是当深度神经网络层数过深时会带来优化困难、梯度消失等问题。残差网络在一定程度上缓解了网络层数加深时带来的问题,如何利用残差网络进行有效的城市人群流动预测是一种有益的探索。在分析现有残差网络结构的基础上,提出一种基于双路径时空残差网络的城市人群流动预测方法ST-DPResNet。该方法以DenseNet为骨干,融合ResNet路径,对城市网格区域以及反映时间邻近性、周期性和趋势性的时序特征进行建模,从而充分利用数据的时空特征提高城市人群流动的预测性能。实验结果表明,ST-DPResNet具有较高的预测准确率和较好的模型收敛性。另一方面,为了同时对时间和空间维度进行特征提取,探索将2D卷积网络扩展到3D,以进一步提高城市人群流动预测的效果。考虑...

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图2.1基于网格划分的城市区域图

图2.1基于网格划分的城市区域图R1，R2，R3代表一个城市中相邻的三个不同时间间隔内区域R2的人群流入总量，即intX间间隔内区域R2的人群流出总量，即outitX,,数量、附近道路行驶的车辆数量、乘坐公共示，或者通过将这些数据加在一起来进行衡出城市中每个区域从时....

图2.2复杂函数的分解示例图

图2.2复杂函数的分解示例图综上所述，与浅层学习相比，深度学习具有以下五个方面的特点[41]：(1)如果每一个隐含层的计算元数量相对较少，那么计算复杂度相应也会减少；(2)能够有效地使得上一层产生的错误信息的影响减弱；(3)可以学习到概念化的复杂特征；(4)能够更加逼近复杂目....

图2.3深层神经网络结构

图2.3深层神经网络结构图2.3中是一个四层的全连接神经网络，假设每一层网络激活后的输出为fi中i为第i层,x代表第i层的输入，即第i-1层的输出，f是激活函数，那么得出111*iiiifffb。反向传播算法基于梯度下降策略向目....

图2.4卷积神经网络结构

庆邮电大学硕士学位论文第2章相关理论与技术基.3卷积神经网络卷积神经网络(CNN)是深度学习中非常著名的一种网络，卷积神经网络可以处理各种类型的数据。例如，时间上的一维数据可以作为卷积神经网络的输进行处理，对于地理空间数据，可以认为是二维经纬度坐标值的输入，而对空领域的....

本文编号：3922555