研究比较差分自回归移动平均模型(Autoregressive Integrated Moving Average model,简称ARIMA)与长短期记忆神经网络(Long Short Term Memory,LSTM)模型在建筑安全事故预测中的效果。采用2012—2018年全国建筑安全事故快报数据训练ARIM...研究比较差分自回归移动平均模型(Autoregressive Integrated Moving Average model,简称ARIMA)与长短期记忆神经网络(Long Short Term Memory,LSTM)模型在建筑安全事故预测中的效果。采用2012—2018年全国建筑安全事故快报数据训练ARIMA及LSTM模型,并对全国每年、每月发生的建筑安全事故次数进行预测,使用RMSE和MAE作为评价指标对比两种模型的预测准确率。ARIMA(1,1,0)模型和LSTM模型的RMSE、MAE值分别为8.1318、6.5911和16.4341、14.5534。结果表明,ARIMA模型比LSTM模型更适于预测建筑安全事故发生次数。展开更多
随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果...随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合的WT-SLSTM(Wavelet Transform and Stacked Long Short Term Memory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。展开更多
文摘研究比较差分自回归移动平均模型(Autoregressive Integrated Moving Average model,简称ARIMA)与长短期记忆神经网络(Long Short Term Memory,LSTM)模型在建筑安全事故预测中的效果。采用2012—2018年全国建筑安全事故快报数据训练ARIMA及LSTM模型,并对全国每年、每月发生的建筑安全事故次数进行预测,使用RMSE和MAE作为评价指标对比两种模型的预测准确率。ARIMA(1,1,0)模型和LSTM模型的RMSE、MAE值分别为8.1318、6.5911和16.4341、14.5534。结果表明,ARIMA模型比LSTM模型更适于预测建筑安全事故发生次数。
文摘随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合的WT-SLSTM(Wavelet Transform and Stacked Long Short Term Memory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。