-
题名采用多任务学习预测短时公交客流
- 1
-
-
作者
张鹏祯
左兴权
黄海
-
机构
北京邮电大学计算机学院
可信分布式计算与服务教育部重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第24期360-366,共7页
-
基金
国家自然科学基金(61873040)。
-
文摘
现有公交线路短时客流预测方法主要依赖于单条线路的信息,忽略了多条线路之间的相关关系对客流预测的提升效果。针对这一问题,提出一种基于相关度分析和多任务学习的公交客流预测方法。利用灰色关联分析和皮尔逊相关系数获取公交线路之间的关联度系数,计算当前线路的相关线路集合;将相关线路的客流预测作为当前线路客流预测的辅助任务,建立基于门控循环单元(GRU)神经网络的多任务深度学习模型来预测客流。实验结果表明,该多任务学习模型在预测精度方面优于传统的时间序列预测模型以及仅考虑单条线路信息的神经网络预测模型。
-
关键词
公交短时客流预测
门控循环单元(gru)神经网络
多任务学习
灰色关联分析
-
Keywords
short-term bus passenger flow forecasting
gate recurrent unit(gru)neural network
multi-task learning
grey correlation analysis
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于PSO-GRU的锂电池SoC预测
- 2
-
-
作者
蒋永辉
-
机构
海南师范大学信息科学技术学院
-
出处
《信息与电脑》
2023年第11期109-111,共3页
-
基金
海南省重点研发计划项目(项目编号:ZDYF2021GXJS023)。
-
文摘
电池荷电状态(State of Charge,SoC)是预防新能源汽车电池过充或过放的重要指标。文章提出一种基于粒子群优化算法-门循环单元(Particle Swarm Optimization-Gate Recurrent Unit,PSO-GRU)的锂电池SoC预测方法。该方法使用粒子群优化算法优化GRU神经网络的超参数,可避免超参数使GRU神经网络训练产生局部最优问题。实验证明,设计方法比只使用GRU神经网络具有更好的预测性能。
-
关键词
荷电状态(SoC)预测
门循环单元(gru)神经网络
粒子群优化算法(PSO)算法
-
Keywords
State of Charge(SoC)prediction
gate recurrent unit(gru)neural network
Particle Swarm Optimization(PSO)algorithm
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
