时空数据挖掘五（城市计算）

最新推荐文章于 2022-09-18 11:58:46 发布

西西弗的小蚂蚁

最新推荐文章于 2022-09-18 11:58:46 发布

阅读量686

点赞数 1

分类专栏：时空数据预测（基于图神经网络）轨迹数据相似性查询文章标签：算法神经网络深度学习

本文链接：https://blog.csdn.net/zj_18706809267/article/details/126794202

版权

本文介绍了深度FCM模型在多元时间序列预测中的应用，结合了FCM的解释性和深度神经网络的预测能力。同时，提出了一种物理指导的神经网络模型STDEN，用于交通流预测，它融合了数据驱动和物理模型的优势。此外，NR-cNTF模型通过邻域正则化和上下文感知的张量分解揭示了城市动态和交通模式。所有这些方法都在实际数据集上进行了验证，显示了在理解和预测城市交通流动方面的潜力。

摘要由CSDN通过智能技术生成

Deep Fuzzy Cognitive Maps for Interpretable Multivariate Time Series Prediction

模糊认知图(FCM)是一种功能强大的系统状态预测和可解释知识表示模型。近年来，人们在提高基本FCM方面做出了巨大的努力，如引入时间因素、不确定性或模糊规则来改进解释，以及引入模糊神经网络或小波来改进时间序列预测。但如何在跨领域的实际应用中实现高精度、可解释的预测仍然是一个巨大的挑战。在本文中，我们提出了一种新的FCM扩展，称为深度FCM (DFCM)，用于多元时间序列预测，以同时利用FCM在解释方面的优势和深度神经网络在预测方面的优势。具体来说，为了提高预测能力，DFCM利用一个完全连接的神经网络来建模系统中概念之间的连接(关系)，以及一个循环神经网络来建模影响系统动力学的未知外生因素。此外，为了培养被嵌入的深层结构阻碍的模型可解释性，提出了一种基于偏导数的方法来衡量DFCM中概念之间的联系强度。提出了一种交替函数梯度下降算法进行参数推断。DFCM的有效性在4个公开的数据集上得到了验证，有7个基线。DFCM确实为为现实应用程序构建可解释的预测器提供了重要的线索

ROD-Revenue: Seeking Strategies Analysis and Revenue Prediction in Ride-on-Demand Service Using Multi-Source Urban Data

近年来，Uber、Lyft和滴滴等按需出行(RoD)服务业务快速增长。与出租车服务不同，这些新兴的交通服务使用动态定价来操纵供应和需求，并提高服务响应能力和质量。尽管如此，