.png){kind=icon}
返回
Partial differential equations and machine learning integration for transit-oriented development
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.113703.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 在TOD框架下开创PDE-ML集成：本研究首次将偏微分方程（PDEs）与监督机器学习（ML）相结合，以对TOD框架内的铁路交通站点进行分类。
• 将热方程应用于NPRT模型：本研究将热方程应用于NPRT模型，提供了一种新颖的数学方法来捕捉交通系统中乘客的时空动态。
• 平衡精度与可解释性：尽管PDE-NPRT模型的精度略低于先进机器学习模型（如DDNN，均方误差MSE为0.0034），但其表现良好（MSE为0.0075–0.0222）且具有更强的可解释性。
• 多层建模与验证：采用回归、聚类、PDEs和神经网络的分层框架提升了客流量预测和拥堵分析能力，其中聚类结果通过外部指标和实际数据进行了验证。
Keyword:
PDE-ML integration
heat equation
NPRT model
transit-oriented development
ridership prediction
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
查看更多机构
引用论文
暂无论文信息