城市計算是以城市為背景,融合城市規(guī)劃、智能交通、社會學(xué)和經(jīng)濟(jì)學(xué)等學(xué)科領(lǐng)域,通過獲取、整合和分析城市大數(shù)據(jù)從而提高城市管理水平的過程。城市人群流動預(yù)測在交通管理、風(fēng)險評估、公共安全等領(lǐng)域具有重要的意義,是城市計算領(lǐng)域的一個研究熱點。深度學(xué)習(xí)方法通過分層非線性轉(zhuǎn)換無監(jiān)督地獲取數(shù)據(jù)的高層抽象,使得特征選取不再過于依賴任務(wù)本身且能夠降低調(diào)整過程的時間消耗,但是當(dāng)深度神經(jīng)網(wǎng)絡(luò)層數(shù)過深時會帶來優(yōu)化困難、梯度消失等問題。殘差網(wǎng)絡(luò)在一定程度上緩解了網(wǎng)絡(luò)層數(shù)加深時帶來的問題,如何利用殘差網(wǎng)絡(luò)進(jìn)行有效的城市人群流動預(yù)測是一種有益的探索。在分析現(xiàn)有殘差網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上,提出一種基于雙路徑時空殘差網(wǎng)絡(luò)的城市人群流動預(yù)測方法ST-DPResNet。該方法以DenseNet為骨干,融合ResNet路徑,對城市網(wǎng)格區(qū)域以及反映時間鄰近性、周期性和趨勢性的時序特征進(jìn)行建模,從而充分利用數(shù)據(jù)的時空特征提高城市人群流動的預(yù)測性能。實驗結(jié)果表明,ST-DPResNet具有較高的預(yù)測準(zhǔn)確率和較好的模型收斂性。另一方面,為了同時對時間和空間維度進(jìn)行特征提取,探索將2D卷積網(wǎng)絡(luò)擴(kuò)展到3D,以進(jìn)一步提高城市人群流動預(yù)測的效果。考慮...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1基于網(wǎng)格劃分的城市區(qū)域圖

圖2.1基于網(wǎng)格劃分的城市區(qū)域圖R1，R2，R3代表一個城市中相鄰的三個不同時間間隔內(nèi)區(qū)域R2的人群流入總量，即intX間間隔內(nèi)區(qū)域R2的人群流出總量，即outitX,,數(shù)量、附近道路行駛的車輛數(shù)量、乘坐公共示，或者通過將這些數(shù)據(jù)加在一起來進(jìn)行衡出城市中每個區(qū)域從時....

圖2.2復(fù)雜函數(shù)的分解示例圖

圖2.2復(fù)雜函數(shù)的分解示例圖綜上所述，與淺層學(xué)習(xí)相比，深度學(xué)習(xí)具有以下五個方面的特點[41]：(1)如果每一個隱含層的計算元數(shù)量相對較少，那么計算復(fù)雜度相應(yīng)也會減少；(2)能夠有效地使得上一層產(chǎn)生的錯誤信息的影響減弱；(3)可以學(xué)習(xí)到概念化的復(fù)雜特征；(4)能夠更加逼近復(fù)雜目....

圖2.3深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2.3深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖2.3中是一個四層的全連接神經(jīng)網(wǎng)絡(luò)，假設(shè)每一層網(wǎng)絡(luò)激活后的輸出為fi中i為第i層,x代表第i層的輸入，即第i-1層的輸出，f是激活函數(shù)，那么得出111*iiiifffb。反向傳播算法基于梯度下降策略向目....

圖2.4卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

慶郵電大學(xué)碩士學(xué)位論文第2章相關(guān)理論與技術(shù)基.3卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)中非常著名的一種網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)可以處理各種類型的數(shù)據(jù)。例如，時間上的一維數(shù)據(jù)可以作為卷積神經(jīng)網(wǎng)絡(luò)的輸進(jìn)行處理，對于地理空間數(shù)據(jù)，可以認(rèn)為是二維經(jīng)緯度坐標(biāo)值的輸入，而對空領(lǐng)域的....

本文編號：3922555