论文篇-----基于时空时移特征的短时旅行时间预测问题

最新推荐文章于 2024-09-14 08:08:08 发布

Mr_leedom

最新推荐文章于 2024-09-14 08:08:08 发布

阅读量1.4k

点赞数 1

分类专栏：论文文章标签：旅行时间

本文链接：https://blog.csdn.net/weixin_38725737/article/details/82495202

版权

本文探讨了基于时空时移特征的短时旅行时间预测，介绍了朴素方法、参数方法和非参数方法的优缺点，并提出了一种结合CNN和LSTM的深度预测架构，利用KL-散度筛选相关路段，提高预测精度。同时引入时移信息，考虑交通数据的时空特性。然而，模型未充分考虑周期性特征。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

重要概念：
朴素方法：如历史平均算法（ＨＡ），计算复杂度低，易于部署，然而正是因为缺乏复杂计算，朴素方法通常存在预测结果精度不高的问题。
参数方法：是指方法模型结构已被预先定义，而模型参数数值需要在实验中计算得到。这类方法主要基于时间序列分析，包括自回归滑动平均（ＡＲＭＡ）模型，差分自回归滑动平均（ＡＲＩＭＡ）模型和时空差分自回归滑动平均（ＳＴＡＲＩＭＡ）模型。这类方法的特点是根据历史通行时间序列，通过滑动平均、自回归等运算来预测下一时间片段中的路段通行时间，并没有考虑到交通数据的空间特征和其他路段对目标路段旅行时间的影响。
非参数方法：是指模型结构及其参数均需要在训练中确定，又分为基于模型的方法和基于记忆的方法两类。在基于模型的方法中，历史数据被用来构建模型结构，一旦模型结构得以确定将不再需要历史数据。这类方法主要有人工神经网络（ＡＮＮ），随机森林（ＲＦ）和支持向量机（ＳＶＭ）。而基于记忆的方法则需要维护一个额外的数据库来存储历史数据，因为历史数据不仅被用在构建模型结构的阶段，也需要被用于预测阶段。典型方法有ｋ近邻（ｋＮ

最低0.47元/天解锁文章