相关实验视频
Updated: Jun 6, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
通过与多尺度区域信息的相互加强来提高城市流量预测
Xu Zhang1, Mengxin Cao1, Yongshun Gong2
1Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences), Jinan, China; Shandong Provincial Key Laboratory of Computing Power Internet and Service Computing, Shandong Fundamental Research Center for Computer Science, Jinan, China.
这项研究引入了城市流量预测的新方法,改善了路线优化和资源配置. 该方法有效地处理时空数据挑战,即使信息有限.
科学领域:
- 智能运输系统 (ITS) 是指智能运输系统.
- 城市规划 城市规划
- 数据科学数据科学数据科学
背景情况:
- 准确的城市流量预测对于优化现代城市的路线和资源配置至关重要.
- 现有的方法难以应对城市流动的空间-时间异质性,特别是小或杂的数据集.
- 当前的方法往往无法充分捕捉空间特征,从而限制了性能.
研究的目的:
- 开发一种用于城市流动预测的新方法,该方法解决了空间-时间异质性.
- 通过整合多个规模的区域信息来增强空间特征的提取和嵌入.
- 提高城市流量预测的稳定性和准确性,特别是在数据稀缺的场景中.
主要方法:
- 通过多尺度区域信息 (MR-UFP) 相互加强来预测城市流量的方法.
- 采用时空随机掩盖和对比学习用于预训练以捕捉数据异质性.
- 利用一个多尺度区域分类辅助任务,以实现空间特征提取的相互加强.
- 整合了自适应环境融合模块和实时图形处理以实现动态特征相关性.
- 设计了一个关节损失函数,以优化功能嵌入和反校正.
主要成果:
- 与两个真实数据集的基线模型相比,MR-UFP表现出优异的性能.
- 该方法显示出显著的稳定性和有效性,即使处理最小的数据.
- 成功地解决了现有方法在捕捉时空异质性的局限性.
结论:
- MR-UFP为城市流量预测提供了强大而有效的解决方案,性能优于现有的方法.
- 拟议的方法通过区域信息的相互增强来提高空间特征提取和预测准确性.
- 这一进步有助于更有效的城市规划和资源管理在智能交通系统.
相关概念视频
Typical Model Studies
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Rapidly Varying Flow
End Point Prediction: Gran Plot
For potentiometric titration, the Gran plot is created by plotting...
Manipulation and Analysis
Levels of Use of a GIS

