Resumen

Para resolver o aliviar los problemas de transporte, es necesario gestionar eficientemente el transporte público y proporcionar servicios de transporte público de alta calidad y abogar por viajes ecológicos, que dependen de datos de tráfico precisos. Con el fin de obtener datos más precisos sobre la velocidad de los autobuses en el futuro, este artículo propone un nuevo modelo de red dinámico jerárquico espacio-temporal basado en el análisis de relaciones grises (EGRA), la red neuronal convolucional (CNN) y la unidad recurrente cerrada (GRU). El modelo propuesto se denomina DHSTN; explota EGRA para analizar y elegir las secciones de línea candidatas adecuadas con alto impacto en la sección objetivo y, a continuación, construye una estructura multicapa basada en la CNN, GRU y mecanismo de atención para analizar y capturar la dependencia espacial y temporal y, finalmente, la máquina de aprendizaje extremo (ELM) se explota para la fusión de la dependencia a largo y corto plazo para predecir la variación de la velocidad del autobús en el siguiente intervalo de tiempo. Los experimentos comparativos indican que la DHSTN tiene mejores prestaciones, el error medio absoluto se sitúa en torno a 2,6, y cumple los requisitos reales.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:tramos de línea candidatos adecuados, análisis de la relación de grises, velocidad exacta del autobús, datos de tráfico exactos, variación de la velocidad del autobús, red neuronal convolucional, máquina de aprendizaje extremo, unidad recurrente cerrada, error medio absoluto, intervalo de tiempo siguiente
• Keywords:suitable candidate line sections, grey relation analysis, accurate bus speed, accurate traffic data, bus speed variation, convolutional neural network, extreme learning machine, gated recurrent unit, mean absolute error, next time interval