基于时空特性分析和数据融合的交通流预测_邱世崇

第４６卷，第２期２０２１年４月公路工程ＨｉｇｈｗａｙＥｎｇｉｎｅｅｒｉｎｇＶｏｌ．４６，Ｎｏ．２Ａｐｒ．，２０２１Ｄｏｉ：１０．１９７８２／ｊ．ｃｎｋｉ．１６７４－０６１０．２０２１．０２．０２２［收稿日期］２０１９－０９－０９［基金项目］国家自然科学基金项目（５１８７８２３６，５１５７８２０７）；合肥市重点局科技项目（２０１９ＦＦＣＪ４３６４）［作者简介］张卫华（１９６７—），男，安徽宿松人，博士，教授，博士生导师，主要从事交通规划、交通环境与能耗、交通安全等方面的教学与科研工作。

［引文格式］张卫华，王雅斋，周　畅．混合非机动车交通流路段的车道宽度设计方法［Ｊ］．公路工程，２０２１，４６（２）：１３９－１４４，１６８．ＺＨＡＮＧＷＨ，ＷＡＮＧＹＺ，ＺＨＯＵＣ．Ｄｅｓｉｇｎｍｅｔｈｏｄｓｆｏｒｔｈｅｗｉｄｔｈｏｆｎｏｎ ｍｏｔｏｒｉｚｅｄｌａｎｅｉｎｍｉｘｅｄｔｒａｆｆｉｃｆｌｏｗｓｅｃｔｉｏｎｓ［Ｊ］．ＨｉｇｈｗａｙＥｎｇｉｎｅｅｒｉｎｇ，２０２１，４６（２）：１３９－１４４，１６８．混合非机动车交通流路段的车道宽度设计方法张卫华１，王雅斋１，周　畅２（１ 合肥工业大学汽车与交通工程学院，安徽合肥２３０００９；　２ 杭州市交通规划设计研究院，浙江杭州　３１０００６）［摘　要］针对非机动车道常呈现出自行车和电动自行车混合行驶的情况，通过对城市道路路段的混合非机动车交通流数据进行统计分析，引入混合比例范围，结合混合非机动车交通流特性，分别提出了基于流率－密度模型与基于速度－流率模型的非机动车道宽度设计方法，根据路段交通服务水平标准，得出两种设计方法的计算分析结果。

研究结果表明，以上方法均可用来确定非机动车道的设计宽度且计算结果相近，基于速度－流率模型的设计方法具有较广的适用范围。

［关键词］混合非机动车流；混合比例；三参数；非机动车道；宽度设计［中图分类号］Ｕ４９１ ［文献标志码］Ａ ［文章编号］１６７４—０６１０（２０２１）０２—０１３９—０６ＤｅｓｉｇｎＭｅｔｈｏｄｓｆｏｒｔｈｅＷｉｄｔｈｏｆＮｏｎ ｍｏｔｏｒｉｚｅｄＬａｎｅｉｎＭｉｘｅｄＴｒａｆｆｉｃＦｌｏｗＳｅｃｔｉｏｎｓＺＨＡＮＧＷｅｉｈｕａ１，ＷＡＮＧＹａｚｈａｉ１，ＺＨＯＵＣｈａｎｇ２（１ ＳｃｈｏｏｌｏｆＡｕｔｏｍｏｔｉｖｅａｎｄＴｒａｎｓｐｏｒｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ，Ａｎｈｕｉ２３０００９，Ｃｈｉｎａ；　２ ＨａｎｇｚｈｏｕＩｎｓｔｉｔｕｔｅｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓＰｌａｎｎｉｎｇ＆Ｒｅｓｅａｒｃｈ，Ｈａｎｇｚｈｏｕ，Ｚｈｅｊｉａｎｇ３１０００６，Ｃｈｉｎａ） ［Ａｂｓｔｒａｃｔ］Ｉｎｏｒｄｅｒｔｏｒｅｓｅａｒｃｈｔｈｅｍｉｘｅｄｄｒｉｖｉｎｇｏｆｂｉｃｙｃｌｅｓａｎｄｅｌｅｃｔｒｉｃｂｉｃｙｃｌｅｓｔｈａｔｉｓｏｆｔｅｎｓｈｏｗｎｉｎｔｈｅｎｏｎ ｍｏｔｏｒｉｚｅｄｌａｎｅｓ，ｔｈｒｏｕｇｈｔｈｅｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓｏｆｔｈｅｍｉｘｅｄｎｏｎ ｍｏｔｏｒｉｚｅｄｔｒａｆｆｉｃｆｌｏｗｄａｔａｏｆｕｒｂａｎｒｏａｄｓｅｃｔｉｏｎｓ，ｍｉｘｉｎｇｒａｔｉｏｒａｎｇｅｉｓｉｎｔｒｏｄｕｃｅｄ，ｔｈｅｎｏｎ ｍｏｔｏｒｉｚｅｄｌａｎｅｗｉｄｔｈｄｅｓｉｇｎｍｅｔｈｏｄｓｂａｓｅｄｏｎｔｈｅｆｌｏｗｒａｔｅ ｄｅｎｓｉｔｙｍｏｄｅｌａｎｄｔｈｅｓｐｅｅｄ ｆｌｏｗｒａｔｅｍｏｄｅｌａｒｅｐｒｏｐｏｓｅｄｒｅｓｐｅｃｔｉｖｅｌｙｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｍｉｘｅｄｎｏｎ ｍｏｔｏｒｉｚｅｄｔｒａｆｆｉｃｆｌｏｗｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｔｈｅｃａｌｃｕｌａｔｉｏｎａｎｄａｎａｌｙｓｉｓｒｅｓｕｌｔｓｏｆｎｏｎ ｍｏｔｏｒｉｚｅｄｌａｎｅｗｉｄｔｈｂｅｔｗｅｅｎｔｈｅｔｗｏｍｅｔｈｏｄｓａｒｅｏｂｔａｉｎｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｏａｄｔｒａｆｆｉｃｓｅｒｖｉｃｅｌｅｖｅｌｓｔａｎｄａｒｄｓ Ｔｈｅｓｉｍｉｌａｒｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｂｏｖｅｍｅｔｈｏｄｓｃａｎｂｅｕｓｅｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅｄｅｓｉｇｎｗｉｄｔｈｏｆｔｈｅｎｏｎ ｍｏｔｏｒｉｚｅｄｌａｎｅ，ａｎｄｔｈｅｎｏｎ ｍｏｔｏｒｉｚｅｄｌａｎｅｗｉｄｔｈｄｅｓｉｇｎｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｓｐｅｅｄ ｆｌｏｗｒａｔｅｍｏｄｅｌｈａｓａｗｉｄｅｒａｐｐｌｉｃａｂｌｅｒａｎｇｅ［Ｋｅｙｗｏｒｄｓ］ｍｉｘｅｄｎｏｎ ｍｏｔｏｒｉｚｅｄｆｌｏｗ；ｍｉｘｉｎｇｒａｔｉｏ；ｔｈｒｅｅｐａｒａｍｅｔｅｒｓ；ｎｏｎ ｍｏｔｏｒｉｚｅｄｌａｎｅ；ｗｉｄｔｈｄｅｓｉｇｎ０　引言近１０ａ来随着电动自行车行业的飞速崛起，非机动车道常呈现出自行车、电动自行车与三轮车混合行驶的状况，单一的非机动车流理论已不适用于混合非机动车交通流特性的分析。

时空数据挖掘在交通流预测中的应用随着城市化进程的加速和社会经济的发展，人们对交通出行的需求越来越高。

但是，城市交通拥堵问题亟待得到解决。

因此，研究城市交通流预测的算法和方法具有重要的理论意义和实际应用价值。

时空数据挖掘技术是处理城市交通流数据的重要手段之一，本文将介绍时空数据挖掘在交通流预测中的应用。

一、时空数据挖掘的基本原理时空数据挖掘是一种将时间和空间结合起来处理数据的技术。

它通过收集和处理大规模的时空数据，寻找数据中的规律和模式，并基于这些规律和模式进行预测和分析。

时空数据挖掘的基本原理是通过对数据进行“聚类”和“分类”，找出数据的共性和差异性，从而找到数据的本质规律。

二、时空数据的采集和处理时空数据挖掘涉及大量的数据采集和处理。

常见的采集方法包括传感器、GPS定位、摄像头等设备。

数据采集后需要经过预处理，即对数据进行清洗、去重、格式化等操作，以便后续的分析和应用。

在数据预处理的过程中，需要注意数据的质量和准确性，避免噪声和错误数据的干扰。

三、交通流预测是指通过对过去的交通数据进行分析和模型建设，预测未来的交通状况。

交通流预测是城市交通规划和交通管理的重要技术之一。

时空数据挖掘是处理交通流数据的重要技术手段之一，具有高度的可靠性和精度。

1、预测交通拥堵交通拥堵是城市交通中的一大难题。

时空数据挖掘技术可以通过对历史交通数据的分析和模型预测，提前发现交通拥堵的可能性。

例如，可以通过历史的交通数据来预测未来的拥堵情况，从而进行交通管理和规划。

2、规划交通路线时空数据挖掘可以通过对历史的交通数据进行分析，找出不同时间不同路段的交通流量和拥堵情况，从而制定合理的交通管理政策，确保交通流畅。

例如，可以通过历史的交通数据来确定不同时间段的路段拥堵情况，制定路线调整方案，以缓解拥堵状况。

3、智能交通控制时空数据挖掘可以根据历史的交通数据和当前的交通状况，制定智能交通控制方案，实现交通拥堵的缓解和交通效率的提高。

基于多源光学数据时空融合的轨道交通动态环境高精度语义解析方法研究是一项重要的研究课题，它涉及到轨道交通动态环境的高精度语义解析，具有重要的实际应用价值。

下面我将从不同的角度阐述这一研究的重要性、方法以及可能的成果。

首先，我们需要明确的是，轨道交通动态环境的高精度语义解析对于城市交通管理、安全监控、智能交通等领域具有重要意义。

随着城市化进程的加速，轨道交通作为城市交通的重要组成部分，其运行状况直接影响着城市的交通状况和居民的生活质量。

因此，对轨道交通动态环境的高精度语义解析，有助于我们更好地理解轨道交通的运行状况，预测交通流量，优化交通管理策略，提高城市交通的运行效率。

为了实现这一目标，我们需要采用多源光学数据时空融合的方法。

多源光学数据包括但不限于激光雷达数据、卫星遥感数据、地面摄像机数据等。

这些数据具有不同的优点和缺点，如分辨率、覆盖范围、时间分辨率等。

通过将这些数据融合在一起，我们可以获取更全面、更精细的轨道交通动态环境信息，从而实现对轨道交通动态环境的高精度语义解析。

在具体实施过程中，我们需要解决一系列的技术问题。

例如，如何处理不同数据源之间的差异和冲突？如何提取出轨道交通动态环境的语义信息？如何将提取出的语义信息转化为可用的交通管理决策？针对这些问题，我们可以采用多种技术手段，如机器学习、计算机视觉、人工智能等。

通过这些技术手段，我们可以实现对轨道交通动态环境的高精度语义解析，为城市交通管理提供有力支持。

基于多源光学数据时空融合的轨道交通动态环境高精度语义解析方法研究可能会带来以下成果：一是提高对轨道交通动态环境的理解程度，为交通管理提供更准确的信息；二是提高城市交通的运行效率，缓解城市交通拥堵问题；三是推动智能交通技术的发展，为未来智慧城市的建设提供有力支持。

总的来说，基于多源光学数据时空融合的轨道交通动态环境高精度语义解析方法研究具有重要的实际应用价值。

通过这一研究，我们可以更好地理解轨道交通动态环境，为城市交通管理提供更准确、更有效的支持。

基于在线地图交通状态的关键道路动态识别方法陈华伟; 邵毅明; 敖谷昌; 张惠玲【期刊名称】《《交通运输系统工程与信息》》【年(卷),期】2019(019)005【总页数】9页(P50-58)【关键词】交通工程; 关键道路; Moran散点图; 在线地图; 集成学习【作者】陈华伟; 邵毅明; 敖谷昌; 张惠玲【作者单位】重庆交通大学交通运输学院重庆400074; 重庆交通大学山地城市交通系统与安全重庆市重点实验室重庆400074【正文语种】中文【中图分类】U491.10 引言交通拥堵问题日趋严重，交通拥堵的防治成为了交通领域研究的重点.交通拥堵的防治以识别关键道路为前提，通过识别关键道路，为交通管理部门的决策提供支撑.目前，国内外学者对关键道路识别进行了许多有益的尝试：基于拓扑网络特性，如Shen 等[1]在路网脆弱性评估过程中，利用成对连通性检测关键链路，此类方法利用拓扑路网特性识别关键道路，未考虑交通流影响，识别结果与动态变化的实际路网有偏差[2]；基于网络中断分析，如Scott 等[3]利用Network Robustness Index评估道路的重要性，此类方法考虑了交通流影响，但通过枚举失效道路来观察路网指标的变化程度识别关键道路，忽略了道路之间的相互影响；基于时空相关分析，如苏飞等[2]根据K 阶近邻道路对道路状态的影响程度识别关键道路，韦伟等[4]利用交通流传播效应分析突发性拥堵对路网的影响，研究可用于关键道路识别，此类方法通过量化道路间的相互作用识别关键道路，弥补了基于网络中断分析的不足.为提升关键道路识别技术的集成化和智能化程度，本文通过调用在线地图的交通状态查询API实时获取路网交通状态，并结合时空相关性理论计算未来时刻交通状态的预测值和波动影响值，以此划分道路类型，进而识别关键道路.1 交通状态短时预测1.1 基本思路时空相关性分析认为道路交通状态具有时空特性，即在时间上延续，在空间上关联[5].基于这种思想，模型自变量设置既要考虑目标道路(待预测道路)状态的延续，还要兼顾近邻道路状态对其的影响，因此，预测模型应以目标道路及其近邻道路的多个历史交通状态时间序列作为输入.1.2 基于集成学习的交通状态预测模型(1)集成学习基本原理.交通状态数据噪声大、波动性强，即使经过数据预处理，单一预测模型也未必适用于所有场景.为了提高模型的适应性，通过聚合多种预测模型或者循环优化一种预测模型，形成强预测模型的方法，称为集成学习[6].(2)路网交通状态数据预处理.假设有1个路网包含e 条道路，道路序号集合为E={1,…,e}，对路网交通状态进行m 天观测，观测日序号集合为M={1,…,m}，每一观测日包含n个观测时刻，观测时刻序号集合为N={1,…,n}，预测时刻序号jpred 上溯p个观测时刻的序号集合为R={jpred-p,…,jpred-1}，其中，jpred ∈N，R ⊂N.在线地图开发者平台提供了查询交通状态的API，其本质上是函数，由服务器名、请求参数及其数值组成.开发者根据需要为请求参数赋值，将赋值后的函数以网页的形式打开，服务器则按照请求返回交通状态数据.通过批量调用API，获取路网交通状态数据集，其由各道路的交通状态组成，其中，k为道路序号，i 为观测日序号，i ∈M.观测日的交通状态由各时刻交通状态组成，，其中，j 为观测时刻序号，j ∈N.为提高模型预测精度，需对SAPI 进行预处理.预处理的流程依次为均值缺失值填充，自然对数变换，z-score 标准化[7]，预处理后的路网交通状态数据集为SPRE. (3)Stacking集成学习模型构建及数据集划分.Stacking是通过上层预测模型(即混合器)聚合下层多种基础预测模型的集成学习方法，由2步组成：一是将SPRE 划分成基础预测模型数据集SBASE和混合器数据集SBLE 两个子集，利用SBASE 构建基础预测模型，如图1所示.图1 基础预测模型构建Fig.1 Base predictors establishment二是将SBLE 代入构建的基础预测模型，将预测结果作为混合器的输入，构建混合器，如图2所示.基础预测模型和混合器的构建均需经历训练、检验、测试过程，则需将SBASE 划分成基础预测模型的训练集和测试集，将SBLE 划分成混合器的训练集和测试集(4)基础预测模型和混合器构建.①基础预测模型训练和检验.按照基本思路的分析，建立基础预测模型训练和检验的自变量和因变量为式中：和分别为模型自变量和因变量；为预处理后的交通状态E 为道路序号集合；kpred 为目标道路序号；为对应的观测日序号集合，为其天数；R 为预测时刻序号jpred 上溯p个观测时刻的序号集合；e 为道路数.图2 混合器构建Fig.2 Blender establishment将式(1)代入建立的基础预测模型集合，逐一训练和检验集合中的模型.②基础预测模型测试.利用绝对误差、均方根误差等指标，测试模型应用于新场景的泛化能力.③混合器构建.混合器构建与基础预测模型构建类似，不同在于混合器以基础预测模型的结果作为输入.1.3 实时交通状态预测实时交通状态预测以在线地图交通状态查询API的实时交通状态数据(经预处理)为输入，利用Stacking模型进行预测，并将结果还原至原始量纲的交通状态sk.重复上述方法，获取路网短时交通状态预测值SPRED=(sk)e×1.2 道路交通状态波动影响值量化2.1 基本思路道路之间通过将交通状态波动传播至近邻道路，实现路网交通状态波动守恒，则可将道路状态波动视为近邻道路状态波动的线性组合.而波动的传播量随着距离的增加而减小，因此，假设波动仅传播至相交道路，将道路状态波动简化为相交道路状态波动的线性组合.通过求解该线性方程，可得到交通状态波动的传播结构，进而量化道路的影响值.2.2 交通状态波动传播根据交通状态预测值和当前值，计算路网交通状态波动，即式中：SPRED 和SNOW 分别为交通状态预测值和当前值；SNET 为路网交通状态波动；Δsk 为道路k的状态波动.按照基本思路中的假设构建线性方程为方程的系数矩阵为相交道路的状态波动矩阵，行向量表示与道路k 相交的道路x 的状态波动，其中，x(x ∈E)与k 同为道路序号.行向量的元素的取值为方程的解为道路状态波动的传播结构向量T=(tk)e×1，其中，tk 为传播结构向量的第k个元素，表示道路k的传播结构.向量描述了道路状态波动的传播方向和大小，当道路x的交通状态产生波动Δsx 时，会将波动Δsxtx 传播至相交道路k，形成其状态波动Δsk的一部分.2.3 道路影响值量化传播结构是道路状态波动对其相交道路状态波动影响程度的标度，因此，可以将相交道路状态波动传播结构的和视为道路影响值，即式中：ak 为道路k的影响值；Ek 为道路k 相交道路的序号集合tk 为道路k的传播结构.3 关键道路识别关键道路作为一种评价道路关键程度的指标，表示失效道路对路网运行的作用明显[8].关键道路没有统一的定义，本文视失效水平和影响水平高的道路为关键道路. 基于时空相关性分析，时空对象具有双重属性，一是自身属性，二是近邻对象的综合属性[9].将时空相关性分析移植到关键道路识别中，将道路视为时空对象，则道路失效水平为自身属性，用预测值度量；道路影响水平为近邻对象的综合属性，用影响值度量，从而建立Moran平面坐标系[9]，s 轴为预测值，a 轴为影响值.取z-score标准化后的预测值和影响值绘制Moran散点图[9]，如图3所示.图3 Moran 散点图Fig.3 Moran scatterplot当s ＞0，a ＞0 时，道路失效水平低，影响水平高，记作潜在关键道路；当s ＞0，a ≤0 时，道路失效水平低，影响水平低，记作非关键道路；当s ≤0，a ≤0 时，道路失效水平高，影响水平低，记作非传播型拥堵道路；当s ≤0，a ＞0 时，道路失效水平高，影响水平高，记作关键道路.4 案例分析4.1 案例场景某城市的局部路网由22 条道路构成，由于该局部路网与城市路网其他部分的整体距离较远，空间联系不紧密，因此，以其作为研究对象，并绘制路网拓扑图，如图4所示.考虑到交叉口信号控制的需要，以2 min(国内多数交叉口的周期时长)为观测间隔，通过编程批量调用高德地图开发者平台提供的“交通态势”API，获取各观测时刻的路网交通状态，构建SAPI.平台返回的结果参数如表1所示.案例将展示6个时段的预测结果，包括早高峰前(05:00-07:00)、早高峰(07:00-09:00)、早高峰后(09:00-11:00)、晚高峰前(15:00-17:00)、晚高峰(17:00-19:00)、晚高峰后(19:00-21:00).为简化展示内容，预测结果以20 min为间隔呈现.图4 研究对象Fig.4 Research object表1 结果参数Table1 Result parametersNo.22 xx路3 21结果参数道路名称状态等级车速/(km/h)No.1 xx路0 15…………4.2 案例结果(1)交通状态短时预测.①准备工作.对SAPI 进行预处理，预处理后的交通状态直方图如图5所示，并划分出各类数据集.图5 预处理后的路网交通状态直方图Fig.5 Histogram of preprocessed traffic state in road network②基础预测模型构建.基础预测模型集合包括线性回归、多项式回归、线性SVM 回归、非线性SVM 回归、回归树，取p=15，对其进行训练、检验，并用绝对误差测试其性能.以No.5道路为例，测试误差如图6所示.图6 基础预测模型测试误差Fig.6 Test error of base predictors③混合器构建.将线性回归模型作为混合器对基础预测模型的预测结果进行聚合，对其进行训练、检验，并用绝对误差测试其性能，测试误差如图7所示.图7 混合器测试误差Fig.7 Test error of blender④模型比较.本文记5 种基础预测模型中均方根误差最低的模型为最佳的基础预测模型，将最佳的基础预测模型和混合器的测试误差进行对比，如图8所示.图8 最佳的基础预测模型和混合器的均方根误差对比Fig.8 Comparison of RMSE between best base predictor and blender在图8中，单条柱体表示两者误差较大者，其中，白色部分表示两者误差较小者；竖向条纹表示相较于最佳的基础预测模型，混合器减少的测试误差；斜向条纹表示相较于混合器，最佳的基础预测模型减少的测试误差.为比较两者在不同交通状态波动场景下的适用性，绘制No.5道路的交通状态散点图，如图9所示.结合图8和图9可以看出，早高峰前、早高峰、晚高峰后3个时段交通状态波动大，混合器优化效果明显优于最佳的基础预测模型，而最佳的基础预测模型的优化部分均匀分布于各时段，但优化效果不明显，因此，从总体上看，混合器的适用场景更加广泛.⑤预测结果.按照上述过程，预测全路网交通状态，如表2所示，预测相对误差如表3所示.图9 No.5 道路交通状态散点图Fig.9 Traffic state scatterplot of No.5 road表2 全路网交通状态预测值Table2 Prediction of traffic state in road network (m/s)道路编号早晚早晚1234567891 0 11早高峰前11.239 12.213 9.559 10.005 6.255 10.216 7.434 9.761 10.133 15.370 3.697高峰7.137 5.312 2.819 6.508 3.337 8.984 3.401 5.443 3.611 7.287 2.637早高峰后7.209 6.293 3.016 6.288 2.998 8.910 4.065 5.459 4.636 7.621 2.831晚高峰前6.905 4.988 2.103 5.761 3.067 8.817 3.759 5.427 4.020 7.955 1.694高峰4.105 3.019 1.8755.093 2.441 8.465 2.240 4.771 2.437 5.974 1.935晚高峰后7.654 9.171 7.3096.287 2.620 8.674 5.232 6.781 6.435 8.425 2.027道路编号12 13 14 15 16 17 18 19 20 21 22早高峰前11.401 6.853 6.612 6.050 6.486 10.158 4.834 6.393 11.796 4.406 9.649高峰8.627 6.8897.079 7.918 4.3178.096 2.160 3.979 1.948 1.768 6.741早高峰后8.310 7.785 6.282 7.419 2.915 8.306 1.994 4.433 1.743 1.321 6.824晚高峰前8.946 6.903 6.847 7.488 3.468 8.072 2.111 2.928 1.458 1.301 6.779高峰6.870 6.047 5.487 7.437 3.565 8.169 2.104 2.5371.622 1.314 4.439晚高峰后8.061 6.569 6.770 7.564 5.553 7.979 3.158 6.962 3.236 1.825 7.252表3 预测相对误差Table3 Relative error of prediction (%)道路编号早晚早晚1234567891 0 11早高峰前-2.16-1.51 1.41-2.94 3.42 0.80 3.74-1.11-3.22 4.22-0.44高峰-1.41-8.22-10.40-3.30 4.05-2.16-8.71-3.49-4.97-5.22-11.39早高峰后-4.70 2.73-13.57 3.30 2.39-0.81-5.84 3.86 0.36-0.92 2.55晚高峰前-2.28 0.72 6.03-6.86 0.00-0.76 2.45-3.81-5.56 0.04-2.30高峰-8.15-4.30 0.915.64 0.44-1.31-2.08-1.63-9.64-1.54 0.09晚高峰后-0.11-1.15 1.59-4.69-1.39-2.97-2.53-4.95-0.23 2.03-11.26道路编号12 13 14 15 16 17 18 19 20 21 22早高峰前-0.39 10.60-4.45-0.49 0.46-2.64-12.32-3.23-9.35 0.51-0.81高峰-0.93-1.02-1.80-0.82 4.93-1.35-1.30-9.45 3.83 2.27 1.31早高峰后-1.20 1.281.482.16 1.45-2.81 2.31-3.45-2.26-1.31 1.13晚高峰前1.87 0.40-0.02 1.00 5.88 2.65 1.39-9.77-2.30-1.56 2.28高峰1.38-2.94-3.37 0.18 0.25-1.45 0.86-2.23 1.59-6.05-7.48晚高峰后-0.12 1.75 2.71-2.49-3.01-0.73 1.70-2.51-1.68 6.23-3.79从表3可以看出，95%的相对误差绝对值小于10%，模型预测精度较高.(2)道路交通状态波动影响值量化.根据路网的交通状态预测值和当前值，计算全路网交通状态波动影响值，如表4所示.表4 全路网交通状态波动影响值Table4 Affection of traffic state wave in road network道路编号早晚早晚1234567891 0 11早高峰前0.000 0.006 0.0000.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000高峰0.255-0.162-0.009 0.047 0.128 0.229-0.017-0.083 0.075 0.003 0.014早高峰后0.168 0.000 0.000 0.000 0.168 0.168 0.000 0.000-0.168-0.168-0.168晚高峰前0.000-0.0010.001-0.002 0.001 0.001 0.000-0.002 0.011 0.009 0.010高峰0.100-0.031-0.002 0.040 0.092 0.108 0.058-0.006 0.102 0.113 0.091晚高峰后0.000-0.002-0.002 0.000 0.002 0.004 0.002 0.003 0.007 0.007 0.011道路编号12 13 14 15 16 17 18 19 20 21 22早高峰前0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.006 0.000 0.000高峰0.054 0.176-0.166-0.212-0.022-0.017-0.151-0.164-0.149-0.164 0.184早高峰后0.000 0.000-0.168 0.000 0.0000.000 0.000 0.000 0.000 0.000 0.168晚高峰前0.008 0.009 0.001-0.001 0.0010.001-0.003 0.000-0.004 0.000 0.001高峰0.072 0.100-0.017-0.088 0.003 0.014-0.096-0.087-0.068-0.079 0.059晚高峰后0.014 0.011-0.002-0.004 0.002 0.001 0.001-0.001-0.006-0.003 0.002从表4可以推测出，由于早晚高峰前后道路的交通量相对较低，道路交通状态的波动基本由自身交通量波动引起，因此，道路影响值的绝对值较低；而当早晚高峰时，道路交通量增加，路网交通相互影响明显，此时，道路交通状态的波动是自身交通量和相交道路交通量波动共同引起的，因此，道路影响值的绝对值较高. (3)关键道路识别.各时段道路类型划分结果如图10所示.图中以细实线表示潜在关键道路，细虚线表示非关键道路，粗实线表示关键道路，粗虚线表示非传播型拥堵道路.图10 道路类型划分结果Fig.10 Result of road types classification5 结论基于在线地图交通状态的关键道路动态识别方法根据路网交通状态预测值和交通状态波动影响值，将道路分为关键道路、非关键道路、潜在关键道路、非传播型拥堵道路，可为交管部门分时分区限行、交叉口信号控制、车流诱导等决策提供支撑. 后续研究将在本文研究的基础上，融合微波和RFID采集点的多源数据划分道路类型，并进一步优化模型算法.同时，为拓展模型的应用场景，将结合在线地图提供的积水点、施工点位置数据，对城市内涝和道路施工情景下关键道路的时空演变规律进行研究.【相关文献】[1]SHEN Y,DINH T N,THAI M T.Adaptive algorithms for detecting critical links and nodes in dynamic networks[C].MILCOM 2012 IEEE Military Communications Conference,2012.[2]苏飞,董宏辉,贾利民,等.基于时空相关性的城市交通路网关键路段识别[J].交通运输系统工程与信息,2017,17(3)：213-221.[SU F,DONG H H,JIA L M,et al.Identification of critical section in urban traffic road network based on space-time correlation[J].Journal of Transportation Systems Engineering and Information Technology,2017,17(3)：213-221.][3]SCOTT D M,NOVAK D C,AULTMAN-HALL L,et work robustness index：A new method for identifying critical links and evaluating the performance of transportation networks[J].Journal of Transport Geography,2006,14(3)：215-227.[4]韦伟,毛保华,陈绍宽,等.基于当期事件识别的拥堵传播特征研究[J].交通运输系统工程与信息,2016,16(4)：165-170.[WEI W,MAO B H,CHEN S K,et al.Spatial propagating study of urban traffic congestion based on current event recognition[J].Journal of Transportation Systems Engineering and Information Technology,2016,16(4)：165-170.][5]韦伟,毛保华,陈绍宽,等.基于时空自相关的道路交通状态聚类方法[J].交通运输系统工程与信息,2016,16(2)：57-63.[WEI W,MAO B H,CHEN S K,et al.Urban traffic status clustering method based on spatiotemporal autocorrelation[J].Journal of Transportation Systems Engineering and Information Technology,2016,16(2)：57-63.][6]AURELIEN G.Hands-on machine learning with scikitlearn and tensorflow[M].O'Reilly Media,2017.[7]IAN G,YOSHUA B,AARON C.Deep learning[M].The MIT Press,2011.[8]TAYLOR M A P,SEKHAR S V C,D'ESTE G M.Application of accessibility based methods for vulnerability analysis of strategic road networks[J].Networks and Spatial Economics,2006,6(3-4)：267-291.[9]ANSELIN L,FLORAX R J G M.New directions in spatial econometrics[M].Springer,1995.。

交通地理信息系统中的时空动态分段模型研究董传胜;郑伟安;凌晓春;张拥军;钟全宝;孟大鹏;张金营【摘要】动态分段技术是交通地理信息系统(GIS-T)中一项重要的线性要素动态显示与分析技术,该文提出了一种时空动态分段模型,使动态分段系统的组成成分融入时态因素,并将属性的时态信息作为属性信息表的字段存储,通过时态地理信息系统技术完成物理段的时态变化.利用统一建模语言(UML)的类图设计方式开发了物理模型,描述了时空动态分段模型中对象之间的关系,并定义了必要的属性和操作;同时基于线性参照系统(LRS)表达空间实体的方法,概括了模型中所涉及到的主要拓扑关系.实验表明,时空动态分段模型弥补其他模型将时空参考分为时间参考和空间参考所产生的不足,而且更明确地将多重属性和物理实体有机结合起来.%Dynamic segmentation is an important technique in the dynamic analysis, displaying of linear features in Geographic Information System for transportation.In this paper, a spatio-temporal dynamic segmentation model has been put forward.Dynamic segmentation system will be merged into temporal factor, and the temporal information in the attribute tables as a field will be restored, and the temporal maintenance of physical arcs by temporal GIS techniques will be reconciled.In the logic model, the relationships between objects in spatio-temporal dynamic segmentation model are provided and the necessary attribute fields and operations are defined according to the class diagram in Unified Modeling Language.The topologic relations related to the spatio-temporal dynamic segmentation model are also introduced based on the one-dimension expression of the linear reference system.Experimental results show that the spatio-temporaldynamic segmentation model make up the other models defects of divided spatio-temporal segmentation mode into time reference and space reference, and combine the multiple attributes with physical entities.【期刊名称】《山东国土资源》【年(卷),期】2017(033)005【总页数】5页(P73-77)【关键词】时空动态分段;交通地理信息系统;统一建模语言;线性参照系统;拓扑关系【作者】董传胜;郑伟安;凌晓春;张拥军;钟全宝;孟大鹏;张金营【作者单位】山东省国土测绘院,山东济南 250102;山东省国土测绘院,山东济南250102;山东省国土测绘院,山东济南 250102;山东省国土测绘院,山东济南250102;山东省国土测绘院,山东济南 250102;山东省第一地质矿产勘查院,山东济南 250013;山东省国土测绘院,山东济南 250102【正文语种】中文【中图分类】P208;U12随着智能交通系统(ITS)研究的不断深入，交通地理信息系统(GIS-T)已成为地理信息系统应用研究的一个热点。

基于循环神经网络与时序数据挖掘的交通流量预测研究交通流量预测是城市交通规划和管理中的关键问题之一。

准确预测交通流量可以帮助交通部门优化路网规划、交通信号控制以及旅行者信息提供等操作，最终提高城市交通运行效率和减少交通拥堵。

随着循环神经网络（Recurrent Neural Network, RNN）技术和时序数据挖掘方法的发展，基于RNN和时序数据挖掘的交通流量预测研究被广泛应用。

循环神经网络是一类特殊的神经网络结构，适用于处理序列数据、时间序列等具有时间依赖性的问题。

与传统的前馈神经网络（Feedforward Neural Network）相比，RNN的隐状态可以通过一个循环的连接实现信息在时序上的传递，从而对前序信息进行记忆和利用。

这使得RNN成为处理交通流量预测问题的强有力工具。

在交通流量预测中，时序数据挖掘扮演着至关重要的角色，其可以从历史交通流量数据中识别出重要的模式和趋势，从而为预测模型提供准确的输入。

常见的时序数据挖掘方法包括时间序列分析、周期性分析、自回归模型、移动平均模型等。

这些方法可以帮助我们理解交通流量数据中的季节性、周期性和趋势性，并提取出有效的特征用于交通流量预测。

基于循环神经网络和时序数据挖掘的交通流量预测方法可以分为两个主要步骤：特征提取和流量预测。

首先，通过时序数据挖掘方法，我们可以从历史交通流量数据中提取出有意义的特征。

例如，我们可以提取每天的交通流量变化模式、周末与工作日的流量差异、季节性和节假日对流量的影响等。

这些特征可以用于后续的流量预测模型。

针对特征提取之后的交通流量预测问题，循环神经网络被广泛应用。

基于RNN的交通流量预测模型能够利用历史交通数据中的时序信息和交通流量的动态特性进行预测。

这种方法能够捕获与时间相关的特征，同时还能够考虑到交通流量之间的相互影响。

常见的基于RNN的交通流量预测模型包括基本的循环神经网络（Simple RNN）、长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）等。

《多模GNSS融合精密定轨理论及其应用研究》篇一一、引言随着全球导航卫星系统（GNSS）技术的快速发展，多模GNSS融合精密定轨技术在航空航天、地球科学、交通物流等领域的应用越来越广泛。

多模GNSS融合技术能够综合利用不同类型、不同频段的卫星信号，提高定位精度和可靠性。

本文将介绍多模GNSS融合精密定轨理论的基本原理，并探讨其在实际应用中的效果和价值。

二、多模GNSS融合精密定轨理论1. 基本原理多模GNSS融合精密定轨理论基于GNSS观测数据，通过数学模型和算法，实现卫星轨道的精确测定。

该理论包括观测方程、卫星轨道模型、地球引力模型、大气模型等多个部分。

其中，观测方程用于描述卫星与接收机之间的信号传播过程，卫星轨道模型用于描述卫星的运动规律，地球引力模型和大气模型则用于考虑地球引力和大气对卫星运动的影响。

2. 关键技术（1）多模GNSS信号处理技术：该技术能够同时处理不同类型、不同频段的GNSS信号，提高定位精度和可靠性。

（2）精密定轨算法：该算法基于观测方程和卫星轨道模型，通过迭代计算，实现卫星轨道的精确测定。

（3）误差分析与修正技术：该技术能够分析并修正观测数据中的各种误差，如多路径效应、电离层延迟等，进一步提高定位精度。

三、多模GNSS融合精密定轨技术的应用1. 航空航天领域多模GNSS融合精密定轨技术在航空航天领域具有广泛应用。

例如，在卫星导航系统中，该技术可用于卫星的精密定轨和姿态确定，提高卫星导航的准确性和可靠性。

在载人航天任务中，该技术可用于航天器的精确入轨和轨道控制，确保航天器的安全和稳定运行。

2. 地球科学领域在地球科学领域，多模GNSS融合精密定轨技术可用于地球动力学研究、地球重力场测量、大气和海洋遥感等领域。

通过该技术，可以精确测定地球的形状、大小和内部结构，了解地球的物理性质和运动规律。

同时，该技术还可以用于监测地球表面的形变、地震活动等地质灾害，为地球科学研究提供重要支持。

改进ICP算法的点云配准
邱世聪;罗意
【期刊名称】《河南科技》
【年(卷),期】2017(000)007
【摘要】针对传统ICP算法所存在的对初始点云位置要求高、算法效率低等局限性,本文对算法进行研究改进,改进结合K-近邻搜索和法向量估计,采用组建不变角度作为不变特征求解旋转矩阵和平移向量实现初配准,利用基于八叉树的ICP算法进行精配准.研究表明,改进算法能提高配准精度,缩短配准时间,优势明显.
【总页数】3页(P40-42)
【作者】邱世聪;罗意
【作者单位】江西理工大学建筑与测绘工程学院,江西赣州 341000;江西理工大学建筑与测绘工程学院,江西赣州 341000
【正文语种】中文
【中图分类】TP391.7
【相关文献】
1.基于SAC-IA和改进ICP算法的点云配准技术 [J], 陈学伟;朱耀麟;武桐;王祖全
2.结合八叉树结构对ICP算法在点云配准方面的改进 [J], 吕明慧
3.利用特征点采样一致性改进ICP算法点云配准方法 [J], 宋成航;李晋儒;刘冠杰
4.基于改进SICP算法的多源点云配准研究 [J], 梁四幺;周光耀;李茂森
5.改进ICP算法在屏风骨架点云配准中的应用研究 [J], 邰凤阳;王化明
因版权原因，仅展示原文概要，查看原文内容请购买。

智能交通时空信息采集与分析技术研究第一章绪论智能交通时空信息采集与分析技术，是通过各种现代交通信息采集手段，对交通信息进行高效快捷的智能识别、采集、处理、传输、存储、分析、展示。

随着城市交通的发展，交通拥堵、环境污染和交通事故等问题也愈来愈严重，因此，智能交通技术已成为国内外学者广泛关注的研究领域之一。

本文旨在全面介绍智能交通时空信息采集与分析技术的现状、发展趋势和研究进展，以及该技术的应用和优势。

第二章智能交通时空信息采集技术1. 车载系统车载系统可以拍摄交通车辆的视频图像，并利用车载计算机对图像进行实时处理。

车载系统采集的数据包括车速、车辆位置、行驶路径等，通过GPS和地面无线通信网络将数据上传至中心服务器，从而实现对车辆信息的实时监控和管理。

2. 交通控制设备交通控制设备一般分为半自动和全自动两种，在交通拥堵时，通过设置特定的道路延迟时间和交通信号优化，实现交通信号灯的控制。

交通控制设备可以采集实时交通信息，如交通状况、车流量等，以提供给交通部门进行分析和决策。

3. 交通视频监控系统交通视频监控系统可通过视频监控设备实时采集道路状况，并上传至中心服务器，提供给交通管理人员进行分析。

此外，视频监控还可提供视频分析技术，如车辆检测、车牌识别、行人识别等。

第三章智能交通时空信息分析技术1. 数据挖掘技术数据挖掘技术可以从海量数据中挖掘出有用信息，并将其整理成不同的数据报告。

交通部门利用数据挖掘技术对交通数据进行分析，以改善城市交通运输。

2. GIS技术地理信息系统（GIS）是一种用于管理、分析和展示地理空间数据的技术。

交通部门利用GIS技术分析交通数据，如交通热点、交通拥挤度、交通流量等，以便进行更加准确的交通规划和管理。

3. 人工智能技术人工智能技术可以对交通数据进行高效的预处理、特征选择和决策分析。

例如，智能交通系统可以利用机器学习技术对交通数据进行分类和预测，以更好地管理城市交通。

第四章智能交通时空信息采集与分析技术的优势1. 实时性智能交通系统可以实时采集和上传交通信息，使数据及时准确地反映交通状态，提高交通管理工作的有效性。

基于小波消噪和混沌时间序列的交通流预测
董锐;贾元华;敖谷昌
【期刊名称】《科学技术与工程》
【年(卷),期】2010(010)031
【摘要】基于实际交通流变化的不确定性和交通系统时变复杂的特征,应用小波分析理论,对原始交通流数据进行消噪处理,使消噪后的数据更能反映交通流的本质及变化规律.再针对交通流的非线性特征及其短期可预测性,应用混沌时间序列预测模型来预测短时交通量.结果表明:先进行小波消噪再进行预测所得的结果与实测值有更高的拟合度,可以用于短时交通流的预测.
【总页数】5页(P7848-7851,7861)
【作者】董锐;贾元华;敖谷昌
【作者单位】北京交通大学交通运输学院,北京,100044;北京交通大学交通运输学院,北京,100044;北京交通大学交通运输学院,北京,100044
【正文语种】中文
【中图分类】U491.112
【相关文献】
1.基于混沌时间序列的道路断面短时交通流预测模型 [J], 王科伟;徐志红
2.基于混沌时间序列分析法的短时交通流预测研究 [J], 薛洁妮;史忠科
3.基于混沌时间序列局域法的短时交通流预测 [J], 廖荣华;兰时勇;刘正熙
4.基于小波消噪和LS-SVM的混沌时间序列预测模型及其应用 [J], 秦永宽;黄声享;
赵卿
5.基于小波消噪的ARIMA与SVM组合交通流预测 [J], 谭满春;李英俊;徐建闽因版权原因，仅展示原文概要，查看原文内容请购买。

专利名称：基于无人机和多目标追踪的智能交通流量数据统计方法及系统
专利类型：发明专利
发明人：邱崧,刘壮,韩定定,张博远,张聪慧,金豫
申请号：CN202111314501.3
申请日：20211108
公开号：CN114038193A
公开日：
20220211
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于无人机和多目标追踪的智能交通流量数据统计方法，利用无人机灵活的特点，解决了传统方法中采用路口固定摄像头视野小、灵活性差等问题，并且由于无人机可以飞到较高的地方，可以很好地减少在进行车辆检测时某些车辆被遮挡的问题；在算法方面，使用了深度学习的方法进行有关车辆的目标检测和追踪，与目前传统算法相比，精度高，可扩展性强，适用范围更广，并且本发明提出了新的CD‑DEEPSORT模型，在提取车辆的表观特征方面效果更好，更适用于有关车辆追踪场景；在深度学习算法部署到嵌入式平台的过程中，将原模型进行了量化处理，并采用once‑for‑all算法减小模型体积，并转换到TensorRT框架下再部署，提高了模型在嵌入式平台中的运行速度。

申请人：华东师范大学
地址：200241 上海市闵行区东川路500号
国籍：CN
代理机构：上海德禾翰通律师事务所
代理人：夏思秋
更多信息请下载全文后查看。

地理学报ACTA GEOGRAPHICA SINICA 第69卷第9期2014年9月V ol.69,No.9September,2014收稿日期：2014-07-08;修订日期：2014-07-27基金项目：国家自然科学基金(41023010);973课题(2012CB955503)[Foundation:National Natural Science Foundationof China,No.41023010;The National Basic Research Program of China,No.2012CB955503]作者简介：王劲峰(1965-),男,研究员,中国地理学会会员(BJ1566),从事地理信息科学的理论创新和实践。

E-mail:wangjf@1326-1345页地理学时空数据分析方法王劲峰1,葛咏1,李连发1,孟斌2,武继磊3,柏延臣4,杜世宏5,廖一兰1,胡茂桂1,徐成东1(1.中国科学院地理科学与资源研究所,北京100101;2.北京联合大学应用文理学院,北京100191;3.北京大学人口研究所,北京100871;4.北京师范大学遥感与地理学院,北京100875;5.北京大学地球与空间科学学院,北京100871)摘要：随着地理空间观测数据的多年积累，地球环境、社会和健康数据监测能力的增强，地理信息系统和计算机网络的发展，时空数据集大量生成，时空数据分析实践呈现快速增长。

本文对此进行了分析和归纳，总结了时空数据分析的7类主要方法，包括：时空数据可视化，目的是通过视觉启发假设和选择分析模型；空间统计指标的时序分析，反映空间格局随时间变化；时空变化指标，体现时空变化的综合统计量；时空格局和异常探测，揭示时空过程的不变和变化部分；时空插值，以获得未抽样点的数值；时空回归，建立因变量和解释变量之间的统计关系；时空过程建模，建立时空过程的机理数学模型；时空演化树，利用空间数据重建时空演化路径。

基于时空依赖性自适应模糊嵌入的交通流量预测方法目录一、内容简述 (2)1. 研究背景与意义 (2)1.1 交通流量预测的重要性 (3)1.2 时空依赖性在交通流量预测中的应用 (4)1.3 自适应模糊嵌入方法的研究进展 (5)2. 研究目标及内容 (6)2.1 研究目标 (7)2.2 研究内容 (8)二、交通流量预测相关理论及技术 (9)1. 交通流量数据特性分析 (10)1.1 时间依赖性 (11)1.2 空间依赖性 (11)1.3 数据不确定性 (12)2. 预测模型相关理论 (13)2.1 传统时间序列模型 (14)2.2 空间相关性模型 (15)2.3 模糊嵌入方法概述 (16)三、基于时空依赖性的交通流量预测模型构建 (18)1. 数据预处理与特征提取 (19)1.1 数据清洗与整理 (20)1.2 特征选择与提取方法 (21)1.3 数据集构建与划分 (22)2. 时空依赖性建模与分析 (23)2.1 时间依赖性建模方法 (25)2.2 空间依赖性建模方法 (25)2.3 时空依赖性融合策略 (26)3. 自适应模糊嵌入方法应用 (27)3.1 模糊嵌入原理及算法流程 (28)3.2 自适应模糊嵌入策略设计 (29)3.3 模型参数优化与调整方法 (31)四、模型实现与性能评估 (32)1. 模型实现流程 (33)1.1 模型构建步骤概述 (35)1.2 关键技术实现细节讨论 (35)1.3 模型计算复杂度分析 (37)2. 性能评估指标与方法选择 (38)一、内容简述本文档主要介绍了一种基于时空依赖性自适应模糊嵌入的交通流量预测方法。

该方法旨在提高交通流量预测的准确性，并有效应对城市交通流量的复杂多变和不确定性。

其核心思想是通过捕捉交通流量的时空依赖性，结合自适应模糊嵌入技术，构建一个能够自适应调整参数、自动处理不确定性和复杂性的预测模型。

该方法的实施流程主要包括数据收集与处理、时空依赖性分析、自适应模糊嵌入模型的构建与训练、以及预测结果的输出与评估等步骤。

基于多源数据的中国城市收缩时空分异与驱动机制研究目录一、内容综述 (2)二、文献综述与现状概述 (3)1. 城市收缩现象的相关研究 (4)2. 时空分异研究现状 (5)3. 驱动机制研究的进展 (6)三、数据来源与研究方法 (7)1. 数据来源及预处理 (9)（1）官方统计数据 (10)（2）遥感数据 (11)（3）问卷调查数据 (12)（4）其他相关数据 (13)2. 研究方法与技术路线 (14)（1）时空分异分析方法 (16)（2）驱动机制研究方法 (17)四、中国城市收缩的时空分异特征分析 (18)1. 时间维度上的城市收缩特征 (20)（1）长期趋势分析 (21)（2）短期波动研究 (22)（3）阶段性特征总结 (22)2. 空间维度上的城市收缩特征分析 (23)一、内容综述城市收缩现象近年来在全球范围内引起了广泛关注，表现为城市人口减少、经济活动衰退和城市建设用地扩张等方面的变化。

针对这一问题，学术界进行了大量研究，试图揭示其背后的驱动机制和时空分异特征。

多源数据作为一种新兴的数据来源，能够从不同角度反映城市发展状况，为城市收缩研究提供了丰富的数据支持。

首先是城市收缩的定义与识别，学者们从人口、经济、空间等多个维度出发，提出了多种城市收缩的定义。

这些定义从不同角度反映了城市发展过程中的不健康、不协调现象。

在识别城市收缩时，研究者们采用了多种统计方法和GIS技术，对城市人口、经济、建设用地上进行了定量和定性分析。

其次是城市收缩的类型划分，根据城市收缩的成因和表现形式，学者们将其划分为不同类型，如资源枯竭型、经济衰退型、空间失衡型等。

这些类型的划分有助于深入理解城市收缩的复杂性和多样性，并为制定针对性的政策提供依据。

再者是城市收缩的驱动机制分析，学者们从宏观经济、中观规划和微观个体等多个层面探讨了城市收缩的成因。

宏观经济因素包括经济增长放缓、产业结构调整、人口流动等；中观规划因素涉及土地利用效率、城市规划与管理不善等；微观个体因素则主要关注企业盈利下滑、居民收入减少等。

城市轨道交通客流时空演变建模研究
邵星杰;张宁;邱华瑞
【期刊名称】《都市快轨交通》
【年(卷),期】2015(028)002
【摘要】在阐述轨道交通客流时空演变概念的基础上,从时间和空间两个角度讨论不同层面微观客流演变的定义、意义以及模型构建方法在时间演变规律上,分析不同主体和不同时间跨度的客流对运营的具体意义,结合实例分析适合不同主体和不同时间跨度的客流拟合模型;在客流空间演变规律上,讨论全线网站点客流Original Destination(OD)演变的建模方法,通过实例验证该方法的可行性,为轨道交通运营商分析客流时空特性提供参考.
【总页数】5页(P65-69)
【作者】邵星杰;张宁;邱华瑞
【作者单位】南京地下铁道有限责任公司运营分公司南京210008;东南大学智能运输系统研究中心南京210018;东南大学智能运输系统研究中心南京210018【正文语种】中文
【中图分类】U231.92
【相关文献】
1.城市轨道交通线网时空相关性客流预测研究 [J], 邹东;刘琼;黄梓荣
2.基于时空特征的城市轨道交通客流量预测方法 [J], 袁坚;王鹏;王钺;杨欣
3.基于客流时空分布的城市轨道交通线路行车计划优化方案 [J], 王树文
4.土地利用因素对城市轨道交通车站客流的时空影响分析 [J], 丛雅蓉;王永岗;余丽洁;李国栋
5.城市轨道交通客流时空分布特性研究 [J], 李岩辉
因版权原因，仅展示原文概要，查看原文内容请购买。

基于时空注意力Bi-LSTM模型的短时交通流预测
赵恒辉;黄德启;曾蓉;於积荣
【期刊名称】《计算机仿真》
【年(卷),期】2022(39)9
【摘要】针对目前交通流预测精度不高的问题,提出了一种时空注意力Bi-LSTM
的短时交通流预测模型。

结合交通流的时空特性,将交通流序列构成时空数据矩阵作为模型的输入,利用Bi-LSTM网络关联预测时刻前后的交通流数据,捕捉交通流数据在时间维度前后潜在的联系。

引入注意力机制,解决不同时刻输入特征对预测时刻交通流影响存在差异的问题。

实验结果表明,相较于对比模型,所提出预测方法的预测误差低于其他模型的预测误差,其有效地提升了预测精度,体现了新模型对于短时交通流预测的有效性。

【总页数】6页(P177-181)
【作者】赵恒辉;黄德启;曾蓉;於积荣
【作者单位】新疆大学电气工程学院
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于时空相关性的短时交通流预测模型
2.基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测
3.基于图结构的城市道路短时交通流量时空预测模型
4.
基于时空多维的VMD-GAT-Attention短时交通流量组合预测模型5.基于网格划分的城市短时交通流量时空预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。