一种基于ST-RANet模型的地铁客流预测方法

    公开(公告)号:CN116629460B

    公开(公告)日:2023-09-12

    申请号:CN202310908667.0

    申请日:2023-07-24

    Abstract: 本发明的实施例公开了一种基于ST‑RANet模型的地铁客流预测方法,包括:获取地铁进出站历史客流数据和对应时空的外部因素数据,将所述客流数据和对应的所述外部因素数据融合,组成待预测地区地铁数据集;分别按照邻近性、周期性和趋势性三种时间尺度,对所述待预测地区地铁数据集中的客流数据进行建模,搭建邻近性、周期性和趋势性三个时空模块,将各时间片段所对应的历史客流数据的输入张量作为三个时空模块的输入;将三个时空模块的输出结果融合,得到时空模块输出模型;构建外部因素模块,将外部因素模块输出模型与时空模块输出模型融合,得到客流预测值模型ST‑RANet。本发明能够解决因周期性、趋势性、波动性及随机性等影响因素带来的客流预测不精准问题。

    一种基于MPDNet模型的行人检测方法及系统

    公开(公告)号:CN115410160A

    公开(公告)日:2022-11-29

    申请号:CN202211204551.0

    申请日:2022-09-29

    Abstract: 一种基于地铁场景行人检测网络MPDNet模型的行人检测方法和系统,包括:获取地铁站原始数据处理组成MetroStation数据集;将数据集的训练集输入PVT模型提取样本图像特征图后输入ASFF‑FPN特征金字塔网络进行特征融合得到特征融合后的特征图;将特征融合后的特征图发送到RetinaNet head模块,并改进边界框回归损失函数GIoU loss,以得到目标的类别和位置信息;采用前述步骤进行模型训练后形成MPDNet模型;使用MPDNet模型进行行人检测。本发明通过整体上使用PVT模型配合改进结构的ASFF‑FPN进行特征图输出,并使用边界框损失函数GIoU loss计算边界框损失,解决了因摄像头布设角度等因素产生的行人不同程度的角度畸变和遮挡的问题,并能满足实时性要求,提升了检测性能和训练效率。

    一种基于ST-RANet模型的地铁客流预测方法

    公开(公告)号:CN116629460A

    公开(公告)日:2023-08-22

    申请号:CN202310908667.0

    申请日:2023-07-24

    Abstract: 本发明的实施例公开了一种基于ST‑RANet模型的地铁客流预测方法,包括:获取地铁进出站历史客流数据和对应时空的外部因素数据,将所述客流数据和对应的所述外部因素数据融合,组成待预测地区地铁数据集;分别按照邻近性、周期性和趋势性三种时间尺度,对所述待预测地区地铁数据集中的客流数据进行建模,搭建邻近性、周期性和趋势性三个时空模块,将各时间片段所对应的历史客流数据的输入张量作为三个时空模块的输入;将三个时空模块的输出结果融合,得到时空模块输出模型;构建外部因素模块,将外部因素模块输出模型与时空模块输出模型融合,得到客流预测值模型ST‑RANet。本发明能够解决因周期性、趋势性、波动性及随机性等影响因素带来的客流预测不精准问题。

Patent Agency Ranking