Resumen

La prediccin precisa del flujo de multitudes en zonas urbanas es cada vez ms importante en muchos campos, como la gestin del trfico y la seguridad pblica. Sin embargo, la compleja relacin espacio-temporal de los datos de trfico y la influencia de los eventos, el clima y otros factores hacen que sea muy difcil predecir con exactitud el flujo de multitudes. En este estudio, proponemos un modelo de prediccin espaciotemporal basado en redes convolucionales densamente conectadas y unidades recurrentes controladas (GRU) con el mecanismo de atencin para predecir la entrada y salida de multitudes en regiones dentro de un rea especfica. El modelo DCAST divide el eje temporal en tres partes: dependencia a corto plazo, regla de periodo y dependencia a largo plazo. Para cada parte, empleamos redes convolucionales densamente conectadas para extraer caractersticas espaciales. El mdulo GRU basado en la atencin se utiliza para captar las caractersticas temporales. A continuacin, los resultados de las tres partes se fusionan mediante una suma ponderada por elementos. Por ltimo, combinamos los resultados de la fusin y los factores externos para predecir el flujo de multitudes en cada regin. Los errores cuadrticos medios del modelo DCAST en dos conjuntos de datos reales de taxis en Pekn (TaxiBJ) y bicicletas en Nueva York (BikeNYC) son 15,70 y 5,53, respectivamente. Los resultados experimentales muestran que los resultados son ms precisos y fiables que los del modelo de referencia.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Predicción; Flujo de multitudes; Zonas urbanas; Relación espaciotemporal; Datos de tráfico; Modelo de predicción
• Keywords:Prediction; Crowd flow; Urban areas; Spatiotemporal relationship; Traffic data; Prediction model