公路与水路运输论文_基于深度聚合神经网络的网-计算机应用

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

公路与水路运输论文_基于深度聚合神经网络的网

作者:

关键词:

摘要：

文章摘要:为解决服务车辆与乘客间的供需不均问题，提升服务车辆的运营效率和利润，同时降低乘客等待时间并改善其对服务平台的满意度，针对差异化结构的多维时空数据，提出一种深度聚合神经网络（DANN）模型用于对网约车需求进行预测。首先，综合考虑了时间、空间和外部环境等多维影响因素，提出了基于周期的时空变量和基于图像点值的空间变量划分方法；然后，依据数据特点构建了不同的子神经网络结构分别拟合时间变量、空间变量和环境变量与需求间的非线性关系；其次，提出了多种异类子神经网络的聚合方法以同时捕捉不同结构时空数据的隐含特征；最后，分析了聚合权重的设置方法以获得网络模型的最优性能。实验结果表明，在三个真实数据集上的R²平均误差仅为9.36%，与融合卷积长短时记忆网络（FCL-Net）和混合深度学习神经网络（HDLN-Net）模型相比，R²平均提升了4.6%和5.22%,MSE平均降低了27.01%和26.6%，因此，DANN在实际应用中能较大幅度的提升需求预测的准确性，可以作为网约车需求预测的有效手段。

文章关键词:

项目基金:《计算机应用》网址: http://www.jsjyyzzs.cn/qikandaodu/2022/0127/994.html