文章目录
- 导入必要的包
- 读取时间序列数据,并使用日期做索引
- 将时间序列进行可视化展示
- 取一年的数据进行分析
- 将数据分布进行可视化展示
- 画移动平均图
- n 代表滑动窗口的大小
- 向前差分法去趋势化
- 线性回归方法去趋势化
- 拟合模型的线性趋势
- 将拟合得到趋势进行可视化
- detrend
- plot detrended
- 利用ACF函数计算自相关性
- 利用PACF函数计算偏自相关性
- 读取OD数据
- 构建网络结构
- 构建图
- 计算网络的中心性特征
- 构建图
- 度中心性
- 接近中心性
- 介数中心性
- 可视化度分布
- 读取OD数据
- 构建网络结构
- 构建图
- 遍历整理成数组
- 将度分布进行可视化,依据分布形状,判断网络的复杂属性s
- 不考虑用复杂网络特征进行预测
- 得到每个地区的样本,划分目标与
- 建立SVR
- 准备测试数据
- 考虑用复杂网络特征进行预测
- 得到每个地区的样本,划分目标与
- 建立SVR
- 准备测试数据
效果一览
文章概述
城市空间流量预测是时间序列预测的典型应用之一,具有很强的实用性,现已成为智能交通不可或缺的一部分,同时也是城市热点研究例如城市旅行需求、公共服务需求评估的重要组成部分。预测城市空间流量对城市交通系统的合理管理和控制具有重要意义。在本次活动中,我们将以城市空间流量预测为例学习时间序列预测。
利用复杂网络进行城市空间流量预测是一种基于网络科学和机器学习的方法,可以帮助预测城市中不同地区之间的交通流量、人流量或其他类型的空间流量。这种方法利用城市的空间结构和交通网络拓扑,结合历史流量数据进行预测。
下面是一个基本的流程,用于利用复杂网络预测城市空间流量:
数据收集:收集城市中不同地区之间的空间流量数据,这可以包括交通流量、人流量或其他感兴趣的指标。数据可以来自传感器、移动设备、交通监控系统等。
网络构建:根据城市的空间结构和交通网络拓扑,构建一个复杂网络模型。节点代表城市中的地区,边代表地区之间的连接。节点和边可以根据实际情况分配权重,例如距离、道路容量等。
数据处理:将收集到的空间流量数据与网络模型相匹配。这可能需要对数据进行空间插值或其他处理,以便将数据映射到网络节点上。
特征提取:从历史流量数据中提取特征,这些特征可