典型文献
顾及地理-语义动态的城市热点预测框架
文献摘要：
城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务.准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗.现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态.通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加.GSEN模型综合了预测递归神经网络(PredRNN)、图卷积预测递归神经网络(GC-PredRNN)和集成层的结构,从不同的角度捕捉时空动态.并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据.最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题.
文献关键词：
时空预测;智慧城市;城市热点;语义建模;预测递归神经网络;图卷积神经网络
中图分类号：
作者姓名：
沙恒宇;金广垠;程光权;黄金才;吴克宇
作者机构：
国防科技大学系统工程学院,长沙410000
文献出处：
引用格式：
[1]沙恒宇;金广垠;程光权;黄金才;吴克宇-.顾及地理-语义动态的城市热点预测框架)[J].地球信息科学学报,2022(01):25-37
A类：
GSEN,预测递归神经网络,PredRNN
B类：
顾及,城市热点,热点预测,时空预测,城市管理,智慧城市建设,高城,城市规划,保障能力,低资源,资源消耗,地理网格,时空动态,原始数据,挖掘出,自语,语义信息,地理空间,图像融合,深度学习方法,语义集成,集成神经网络,型综合,卷积预测,现实世界,实际数据,同城,推广性,网约车,预订,现代城市,语义建模,图卷积神经网络
AB值：
0.296488
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
