-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
基于人工智能的城市軌道交通短時客流預測 版權信息
- ISBN:9787302627579
- 條形碼:9787302627579 ; 978-7-302-62757-9
- 裝幀:精裝
- 冊數:暫無
- 重量:暫無
- 所屬分類:>>
基于人工智能的城市軌道交通短時客流預測 本書特色
本書為當前鮮有的利用人工智能進行城市軌道交通短時客流預測方法的專著,構建了一整套智能城市軌道交通短時客流預測體系。
基于人工智能的城市軌道交通短時客流預測 內容簡介
內容:本書構建了包括城市軌道交通常態與非常態場景下車站級和網絡級短時進站流預測、短時OD流預測、短時斷面流預測、以軌道交通為骨干的多模式交通短時客流預測、基于計算機視覺的軌道交通站內關鍵設施處短時客流預測等在內的一整套智能城市軌道交通短時客流預測體系。具體章節內容安排如下:第1章為緒論。第2章為城市軌道交通車站級常態短時進站流預測。第3章為城市軌道交通網絡級常態短時進站流預測。第4章為城市軌道交通車站級與網絡級非常態短時進站流預測。第5章為城市軌道交通車站級與網絡級短時OD流預測。第6章為城市軌道交通網絡級短時斷面流預測。第7章為以軌道交通為骨干的多模式交通短時客流預測。第8章為基于計算機視覺的城市軌道交通站內短時客流預測。 讀著對象:本書主要面向城市軌道交通運營管理部分科研人員,廣大從事交通大數據分析、機器學習或深度學習的專業人員,從事高等教育的專任教師,高等院校的在讀學生及相關領域的廣大科研人員,可作為各高等院校交通運輸、交通工程等專業的本科生和研究生教材。 特色:隨著大數據、人工智能等技術的興起,利于人工智能方法進行短時客流預測的研究興起,然而目前國內鮮有利用人工智能方法針對城市軌道交通進行短時客流預測的專著,本書為當前鮮有的利用人工智能進行城市軌道交通短時客流預測方法的專著,構建了一整套包括城市軌道交通常態與非常態場景下車站級和網絡級短時進站流預測、短時OD流預測、短時斷面流預測、以軌道交通為骨干的多模式交通短時客流預測、基于計算機視覺的軌道交通站內關鍵設施處短時客流預測等在內的一整套智能城市軌道交通短時客流預測體系。
基于人工智能的城市軌道交通短時客流預測 目錄
1.1研究背景及意義
1.2相關概念
1.3面臨的問題
1.4本書研究內容 第2章城市軌道交通車站級常態短時進站流預測
2.1概述
2.2客流空間特征挖掘
2.2.1基于兩步K-means算法的車站聚類
2.2.2基于車站類別的客流特征分析
2.3客流時間特征挖掘
2.3.1客流時間序列相似性度量
2.3.2客流時間序列平穩性檢驗
2.3.3客流時間序列可預測性評估及分析
2.4基于聚類和LSTM的車站級短時進站流預測
2.4.1問題及數據簡介
2.4.2基于聚類的LSTM模型
2.4.3模型配置
2.4.4預測結果分析
2.5基于元學習的新開車站或線路短時進站流預測
2.5.1問題及數據簡介
2.5.2基于元學習的LSTM模型
2.5.3模型配置
2.5.4預測結果分析
2.6小結
參考文獻 第3章城市軌道交通網絡級常態短時進站流預測
3.1概述
3.1.1基于循環神經網絡的模型
3.1.2基于卷積神經網絡的模型
3.1.3基于圖卷積神經網絡的模型
3.1.4基于深度學習框架的模型
3.2基于ResLSTM的網絡級短時進站流預測
3.2.1問題及數據簡介
3.2.2ResLSTM模型
3.2.3模型配置
3.2.4預測結果分析
3.3基于Conv-GCN的網絡級短時進站流預測
3.3.1問題及數據簡介
3.3.2Conv-GCN模型
3.3.3模型配置
3.3.4預測結果分析
3.4基于Graph-GAN的網絡級短時進站流預測
3.4.1問題及數據簡介
3.4.2Graph-GAN模型
3.4.3模型配置
3.4.4預測結果分析
3.5小結
參考文獻 第4章城市軌道交通車站級與網絡級非常態短時進站流預測
4.1概述
4.2基于Graph-Transformer的節假日短時進站流預測
4.2.1問題及數據簡介
4.2.2Graph-Transformer模型
4.2.3模型配置
4.2.4預測結果分析
4.3基于ST-former的疫情期間短時進站流預測
4.3.1問題及數據簡介
4.3.2ST-former模型
4.3.3模型配置
4.3.4預測結果分析
4.4基于ST-BiLSTM-Attention的大型活動期間短時進站流預測
4.4.1問題及數據簡介
4.4.2大型活動期間的客流數據分析
4.4.3ST-BiLSTM-Attention模型
4.4.4模型配置
4.4.5預測結果分析
4.5小結
參考文獻 第5章城市軌道交通車站級與網絡級短時OD流預測
5.1概述
5.2基于LSTM的車站級短時OD流預測
5.2.1問題及數據簡介
5.2.2模型配置
5.2.3預測結果分析
5.3基于CAS-CNN的網絡級短時OD流預測
5.3.1問題及數據簡介
5.3.2CAS-CNN模型
5.3.3模型配置
5.3.4預測結果分析
5.4小結
參考文獻 第6章城市軌道交通網絡級短時斷面流預測
6.1概述
6.2問題及數據簡介
6.2.1問題分析
6.2.2網絡表示及虛擬數據簡介
6.2.3真實數據簡介
6.2.4本章符號表示
6.3計算圖模型簡介
6.4基于計算圖的車站等車時間與鏈路行程時間估計
6.4.1路徑選擇建模
6.4.2k短路搜索以及有效路徑選擇
6.4.3數學優化模型構建
6.4.4優化模型向量化
6.4.5計算圖模型建模
6.5客流分配及短時斷面流預測
6.5.1智能體仿真生成斷面客流量
6.5.2虛擬地鐵網絡案例研究
6.5.3北京真實地鐵網絡案例研究
6.6小結
參考文獻 第7章以軌道交通為骨干的多模式交通短時客流預測
7.1概述
7.2基于Res-Transformer的區域級多模式交通短時客流預測
7.2.1問題及數據簡介
7.2.2Res-Transformer模型
7.2.3模型配置
7.2.4預測結果分析
7.3基于Res-Informer的網絡級多模式交通短時客流預測
7.3.1問題及數據簡介
7.3.2Res-Informer模型
7.3.3模型配置
7.3.4預測結果分析
7.4小結
參考文獻 第8章基于計算機視覺的城市軌道交通站內短時客流預測
8.1概述
8.1.1目標檢測
8.1.2目標跟蹤
8.1.3短時客流預測
8.2問題及數據簡介
8.2.1問題分析
8.2.2問題定義
8.2.3數據簡介
8.3模型簡介
8.3.1客流識別算法與客流預測算法
8.3.2Detect-Predict模型
8.4實驗及分析
8.4.1客流識別實時性實驗
8.4.2乘客數量統計以及客流時間序列提取算法
8.4.3精細化短時客流預測
8.5小結
參考文獻
基于人工智能的城市軌道交通短時客流預測 作者簡介
張金雷,男,1993年2月生,工學博士,講師。現任職于北京交通大學軌道交通控制與安全國家重點實驗室,主要從事人工智能與交通大數據挖掘、短時客流預測、機器學習深度學習、計算機視覺相關研究,主講《人工智能與大數據應用實戰》 研究生課程、《人工智能與交通大數據實戰》本科生課程,參編《深度學習與交通大數據實戰》教材1部,指導多項本科畢業設計和大學生創新創業項目。主持和參與國家自然科學基金面上、國家自然科學基金青年基金、北京自然科學基金等項目多項。在Transportation Research Part C、IEEE Transactions on Intelligent Transportation Systems等交通領域國際頂級SCI期刊發表論文10 余篇,申請國家發明專利8項。讀博期間2019、2020年連續兩次獲博士研究生國家獎學金,獲2021年校最高獎學金-知行獎學金提名獎,主持研究生最高等創新基金項目,獲國家留學基金委資助,赴美國華盛頓大學進行了為期一年的訪學。
- >
上帝之肋:男人的真實旅程
- >
山海經
- >
名家帶你讀魯迅:故事新編
- >
推拿
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
月亮與六便士
- >
中國歷史的瞬間
- >
莉莉和章魚