文献类型：期刊文章

作　　者：赖永炫[1,2] 张璐[1,2] 杨帆[2,3] 卢卫[4] 王田[5]

LAI Yong-Xuan;ZHANG Lu;YANG Fan;LU Wei;WANG Tian(Department of Software Engineering,School of Information Science and Technology,Xiamen University,Xiamen 361005,China;Shenzhen Research Institute,Xiamen University,Shenzhen 518057,China;Department of Automation,College of Aerospace Engineering,Xiamen University,Xiamen 361005,China;Department of Computer Science,School of Information,Renmin University of China,Beijing 100872,China;School of Computer Science and Technology,Huaqiao University,Xiamen 361021,China)

机构地区：[1](厦门大学信息科学与技术学院软件工程系,福建厦门361005 [2](厦门大学深圳研究院,广东深圳518057 [3]厦门大学航空航天学院自动化系,福建厦门361005 [4]中国人民大学信息学院计算机系,北京100872 [5]华侨大学计算机科学与技术学院,福建厦门361021

出　　处：《软件学报》

基　　金：国家自然科学基金(61672441,61872154);深圳市基础研究计划(JCYJ20170818141325209);福建省自然科学基金(2018J01097)。

年　　份：2020

卷　　号：31

期　　号：3

起止页码：648-662

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：公交车辆到站时间的预测是公交调度辅助决策系统的重要依据,可帮助调度员及时发现晚点车辆,并做出合理的调度决策.然而,公交到站时间受交通拥堵、天气、站点停留和站间行驶时长不固定等因素的影响,是一个时空依赖环境下的预测问题,颇具挑战性.提出一种基于深度神经网络的公交到站时间预测算法STPM,算法采用时空组件、属性组件和融合组件预测公交车辆从起点站到终点站的总时长.其中,利用时空组件学习事物的时间依赖性与空间相关性.利用属性组件学习事物外部因素的影响.利用融合组件融合时空组件与属性组件的输出,预测最终结果.实验结果表明,STPM能够很好地结合卷积神经网络与循环神经网络模型的优势,学习关键的时间特征与空间特征,在公交到站时间预测的误差百分比和准确率上的表现均优于已有的预测方法.

关 键 词：到站预测  梯度提升树  卷积长短期记忆网络  

分 类 号：TP18]