CN105389980B - 基于长短时记忆递归神经网络的短时交通流预测方法 - Google Patents
基于长短时记忆递归神经网络的短时交通流预测方法 Download PDFInfo
- Publication number
- CN105389980B CN105389980B CN201510757405.4A CN201510757405A CN105389980B CN 105389980 B CN105389980 B CN 105389980B CN 201510757405 A CN201510757405 A CN 201510757405A CN 105389980 B CN105389980 B CN 105389980B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- term memory
- recurrent neural
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本发明公开了一种基于长短时记忆递归神经网络的短时交通流预测方法。该方法包括以下步骤:根据短时交通流的预测时间间隔,对输入的历史交通流数据进行聚合;对聚合后的历史交通流进行预处理;对长短时记忆递归神经网络设置合理的参数;使用预处理后的数据训练该神经网络预测模型;调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势,可以得到更高的预测精度,且对不同的预测间隔有较好的扩展性。
Description
技术领域
本发明属于智能交通系统领域,具体涉及一种基于长短时记忆递归神经网络的短时交通流预测方法。
背景技术
作为智能交通系统(Intelligent Transportation System,ITS)的核心内容之一,智能交通控制与诱导系统一直是智能交通系统研究的热门课题。智能控制与诱导的实现能有效地缓解交通堵塞、减轻环境污染,提供高效安全的道路通行状况。这些实现的前提和关键是能够对短时交通流量进行准确的预测,预测的准确度直接决定了控制和诱导的有效性。
经对现有技术的文献检索发现,已有的预测模型大致可以分为参数化和非参数化模型两类。早期的研究者们使用基于时间序列分析的参数化模型来预测交通流。Levin等使用Box-Jenkins时间序列分析来预测高速公路交通流,发现差分自回归移动平均(Autoregressive Integrated Moving Average,ARIMA)模型在统计上最有效。由于交通流数据很难用参数化模型解析的数学公式描述,导致预测准确率不够理想。目前研究集中在基于机器学习的非参数模型来预测短时交通流。傅贵等使用支持向量机回归(SupportVector Machine,SVM)模型来预测短时交通流。由于人工神经网络(Artificial NeuralNetwork,ANN)在处理较为复杂的非线性问题上的优势,研究者们提出了各种基于人工神经网络的模型和算法,近几年随着深度学习的提出,也有研究者将深度学习的引入该领域。LvY等和Huang W等分别使用栈式自动编码器(Stacked Autoencoder,SAE)和深信度网络(Deep Belief Networks,DBN)两种深度学习模型来对交通流进行建模和预测。但这些模型的输入都要求为静态的定长的历史数据,不能动态地确定最优的历史数据长度,导致它们不能非常有效地动态捕获短时交通流非线性、随机性等复杂的特征。因此,预测效果仍然不够令人满意。
发明内容
为了解决现有方法不能记忆历史交通流数据,从而无法动态确定最优历史长度导致预测精度不够理想的问题,本发明的目的是通过基于长短时记忆递归神经网络交通流预测模型,动态确定最优历史长度,从而获得更好的预测效果。
为实现上述目的,本发明是通过以下技术方案实现的。
一种基于长短时记忆递归神经网络的短时交通流预测方法,该方法包括如下步骤:
步骤S1、根据预测的时间间隔对历史交通流数据进行聚合;
步骤S2、对聚合后的历史交通流数据进行归一化预处理,主要是使用min-max方法
对数据进行归一化:
其中x*为归一化预处理后数据,min为样本数据最小值,max为样本数据最大值,x为待归一化预处理的历史交通流数据;
步骤S3、合理设定长短时记忆递归神经网络预测模型的各个参数;
步骤S4、利用经过聚合和归一化预处理的历史交通流数据,训练已设置合理参数的长短时记忆递归神经网络预测模型,形成已训练交通流预测模型;
步骤S5、利用已训练交通流预测模型预测指定时间间隔的交通流,并评估预测误差。
优选地,所述历史交通流数据为特定观测点在一定时间(指定时间)间隔内经过的车辆数。
优选地,所述步骤S1将一定时间(指定时间)间隔内的若干个历史交通流数据进行累加,得到观测点指定时间间隔的聚合后的历史交通流数据。
优选地,所述步骤S2为,在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max,使用min-max方法对数据进行归一化,使归一化预处理后的历史交通流数据值域为区间[0,1];具体地,x*=(x-min)/(max-min),其中x*为归一化预处理后数据,min为样本数据最小值,max为样本数据最大值,x为x为待归一化预处理的历史交通流数据;所述样本数据具体是指:聚合后的历史交通流数据中用于训练和测试的所有数据。
优选地,所述步骤S3需要合理设定长短时记忆递归神经网络预测模型的以下任一个或任多个参数:输入层结点数,隐层层数,每个隐层的结点数和输出层结点数。
优选地,所述步骤S4进一步包括以下步骤:
步骤S41、将经过聚合和归一化预处理的历史交通流数据划分为训练数据集和测试数据集;
步骤S42、利用训练数据集,在已设定合理参数的长短时记忆递归神经网络交通流预测模型上使用历时方向传播(Back Propagation Through Time,BPTT)算法进行训练,并计算长短时记忆递归神经网络预测模型在测试数据集上的平均误差;
步骤S43、选择测试数据集上误差最小的长短时记忆递归神经网络预测模型作为指定时间间隔交通流数据的已训练交通流预测模型。
优选地,所述步骤S5进一步包括以下步骤:
步骤S51、将历史交通流数据作为输入数据进行指定时间间隔聚合和归一化预处理;
步骤S52、将步骤S51获得的聚合和归一化处理后的数据输入所述长短时记忆递归神经网络预测模型,进行前向计算,得到对应的输出数据,即对下一指定时间间隔的交通流数据的归一化预测值;
步骤S53、将步骤S52得到的下一指定时间间隔的交通流数据的归一化预测值进行反归一化处理,得到对指定时间间隔的交通流数据预测值;
步骤S54、将步骤S53得到的指定时间间隔的交通流数据预测值与对应的实际预测值进行对比,计算误差,得到长短时记忆递归神经网络预测模型的误差。
本发明提供的基于长短时记忆递归神经网络(Long Short-Term MemoryRecurrent Neural Network)的短时交通流预测方法,该方法包括以下步骤:根据短时交通流的预测时间间隔,对输入的历史交通流数据进行聚合;对聚合后的历史交通流进行预处理;对长短时记忆递归神经网络设置合理的参数;使用预处理后的数据训练该神经网络预测模型;调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势,可以得到更高的预测精度,且对不同的预测间隔有较好的扩展性。
与现有技术相比,本发明具有以下有益效果:
1、使用长短时记忆递归神经网络模型预测短时交通流,该模型具有长时记忆历史数据的优点;
2、使用长短时记忆递归神经网络模型可以动态确定最优历史数据长度,以得到更高的预测精确度;
3、长短时记忆递归神经网络交通流预测模型对不同的预测时间间隔有很好的扩展性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明方法的流程图。
图2为本发明采用的长短时记忆递归神经网络架构示意图。
图3为本发明模型计算所得的短时交流预测值与观测值对比图。
图4为本发明和多个已有方法之间的平均绝对百分比误差对比图。
图5为本发明和多个已有方法之间的均方根误差对比图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
实施例
本实施例提供了一种基于长短时记忆递归神经网络的短时交通流预测方法,该方法包括如下步骤:
步骤S1、根据预测的时间间隔对历史交通流数据进行聚合;
所述历史交通流数据来源于交通数据采集系统,可以通过线圈检测、微波传感器、视频监测等方法获得。
获取的历史交通流量数据为特定观测点或路段在一定时间间隔内经过的车辆数。所述指定的时间间隔可以根据预测需求进行指定(例如15分钟)。
将各观测点或路段的指定时间间隔内的若干个交通流量数据分别进行累加,得到各观测点指定时间间隔的交通流量数据。下述某时刻的交通流数据指的是从此时刻开始经过指定时间间隔(例如15分钟)的交通流数据。
历史观测数据集合可表示为F={ft|t=1,2,...,T},其中ft表示路网特定观测点获得的第t个历史交通流数据。T时刻和T+1时刻之间的差值为预测时间间隔Δt(如15分钟)。
步骤S2、对合并后的历史交通流数据进行预处理,主要是使用min-max方法对数据进行归一化;
在交通流数据中计算样本数据的最小值min和最大值max,使用min-max方法对数据进行归一化,使其值域为区间[0,1].
具体地,根据历史观测数据集合F={ft|t=1,2,...,T}求得集合中的最大值max和最小值min,对集合中的每个数据计算
从而获得归一化后的历史观测数据集合。
步骤S3、合理设定长短时记忆递归神经网络预测模型的各个参数;
所述步骤S3,具体地需要合理设定长短时记忆递归神经网络预测模型的以下参数:输入层结点数,隐层层数,每个隐层的结点数和输出层结点数。
步骤S4、利用经过聚合和预处理的交通流数据,训练已设置合理参数的长短时记忆递归神经网络交通流预测模型;
所述步骤S4,具体为:
步骤S41、将经过聚合和预处理的交通流数据划分为训练数据集和测试数据集;
步骤S42、利用训练数据集,在已设定合理参数的长短时记忆递归神经网络交通流预测模型上使用历时反向传播(Back Propagation Through Time,BPTT)算法进行训练;
图2是长短时记忆递归神经网络交通流预测模型的架构图。如图2所示,所述模型由一个输入层,一个隐层和一个输出层构成,其中隐层单元为长短时记忆递归神经网络交通流预测模型特有的记忆块,而不是普通神经网络的神经元结点,图2也显示了一个记忆块的内部结构。
训练长短时记忆递归神经网络交通流预测模型主要包括前向传播过程具体为:
假设输入为交通流历史值序列x=(x1,x2,...,xT),LSTM RNN通过迭代计算式(1)和式(2)来计算隐层向量序列h=(h1,h2,...,hT)和输出的交通流预测值序列y=(y1,y2,...,yT)。
其中,x1,x2,...,xT表示共T个不同时刻下的输入的历史交通流数据,h1,h2,...,hT表示共T个不同时刻下的隐层向量参数,y1,y2,...,yT表示共T个不同时刻下的输出的预测交通流数据;
ht=H(Wxhxt+Whhht-1+bh) (1)
yt=Whyht+by (2)
式中W表示权重矩阵(例如,Wxh表示输出到隐层的权重矩阵),b表示偏差向量(例如,bh为隐层偏差向量),H为隐层函数,由式子(3)-(7)联合构成。ht表示t时刻的隐层向量参数,xt表示t时刻的输入的历史交通流数据,yt表示t时刻的输出的预测交通流数据,下标t的取值范围为[1,T];
it=σ(Wxixt+Whiht-1+Wcict-1+bi) (3)
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf) (4)
ct=ftct-1+itg(Wxcxt+Whcht-1+bc) (5)
ot=σ(Wxoxt+Whoht-1+Wcoct+bo) (6)
ht=oth(ct) (7)
其中i、f、o、c分别表示输入门、遗忘门、输出门、结点的激活向量,它们的维度都和隐层向量h的维度相同,下标t表示在t时刻。σ(·)为逻辑斯蒂S型函数,g(·)和h(·)是σ(·)函数的变换,其值域分别为[-2,2]和[-1,1]。
训练过程中的目标函数为预测值与真实值之间的平方误差,由式子(11)所定义:
其中表示t时刻第i个输出结点的观测值,表示t时刻第i个输出结点的预测值。通过最小化该目标函数可求得模型中各个参数。本发明使用历时反向传播算法将误差反向传播,利用梯度下降原理更新模型中各个参数,从而逐渐最小化目标函数。
步骤S43、并计算预测模型在测试数据集上的平均误差,选择测试数据集上误差最小的预测模型作为指定时间间隔交通流数据的长短时记忆递归神经网络交通流预测模型。
具体地,误差可通过两个指标来评估,即平均绝对百分比误差(Mean AbsolutePercentage Error,MAPE)和均方根误差(Root Mean Square Error,RMSE),它们的定义如式(12)和式(13)所示,其中f为交通流的观测值,为交通流的预测值。
其中,n表示交通流预测值的数量;
步骤S5、利用已训练的交通流预测模型预测指定时间间隔的交通流,并评估预测误差;
所述步骤S5,具体为:
步骤S51、将输入数据进行指定时间间隔聚合和归一化预处理;
步骤S52、将上述获得的数据输入所述长短时记忆递归神经网络预测模型,进行前向计算,得到对应的输出数据,即对下一指定时间间隔的交通流数据的归一化预测值;
步骤S53、将上述预测值进行反归一化,得到对指定时间间隔的交通流数据预测值;
步骤S54、将上述预测值与对应的实际预测值进行对比,计算误差,得到长短时记忆递归神经网络预测模型的误差。
本实施例的有效性可以通过下面的仿真实验来进一步说明。需要说明的是,实验中应用的参数不影响本发明的一般性。
1)仿真条件:
CPU:CoreTM i5 2.80GHz,RAM 6.00GB,操作系统Ubuntu 12.04LTS,仿真软件Python2.7。
2)仿真内容:
使用美国加州交通局性能测量系统(Caltrans Performance MeasurementSystem,PeMS)获得的数据进行分析建模。随机选取了6条高速公路(同名公路的不同方向视为不同的公路),每条公路随机选取了主线上5个观测点传感器获得的2014年所有工作日总计249天的交通流数据。实验预测的时间间隔为15、30、45、60分钟,因此,首先将系统原始数据的5分钟采样间隔的数据聚合成相应的时间间隔。并使用所述min-max方法对数进行归一化。实验使用前200天的数据作为训练数据集,后40天的数据作为测试数据集。
长短时记忆递归神经网络短时交通流预测模型的四个重要的参数包括:输入层结点数,隐含层层数,每层隐含层结点数和输出层结点数。仿真实验使用的输入层结点数为区间[1,21];网络的隐含层数设定为1;根据经验,隐含层的结点的取值范围设定为集合{5,10,15,20,25,30,35,40}。输出层结点数为1,即未来一个预测时间间隔的交通流。
实验选取了过去已有工作中几个经典的预测模型作为对比:随机游走(RandomWalk,RW)模型,支持向量机(Support Vector Machine,SVM)模型,单隐层前馈神经网络(Feed Forward Neural Network,FFNN)和栈式自动编码器(Stacked AutoEncoder,SAE),并使用和相关文献一致的调参方法。RW模型是最简单的预测模型,它使用当前时间的交通流作为下一时间间隔的预测值,即该模型作为预测的基准线。SVM通过在高维或无限维空间中构造超平面的方法解决分类、回归等问题时有非常好的表现,实验选择了径向基核函数(Radial Basis Function,RBF)SVM作为对比模型。神经网络是重要的一类预测模型,实验选择了经典的单隐层FFNN模型和较新的SAE深度学习模型作为对比模型,并使用后向传播算法训练这两个神经网络模型。
对美国加州I8-E高速公路1111531号观测点进行预测实验得到的某工作日15分钟时间间隔交通流观测值和预测值对比如图3所示,可以直观地看出LSTM RNN预测模型具有良好的预测准确性。实验的误差结果对比如图4和图5所示,对于不同的预测时间间隔,长短时记忆递归神经网络短时交通流预测模型的两个评价指标均为最低。RW模型随着预测时间间隔的增加MAPE和RMSE上升非常快,对于时间间隔非常敏感,扩展性很差;其他基于机器学习模型的预测准确度比较稳定,但其预测精度没有长短时记忆递归神经网络短时交通流预测模型高。因此,实验证明了长短时记忆递归神经网络短时交通流预测模型具有更高的预测精度以及对于不同预测时间间隔有很好的扩展性。
本实施例提供的长短时记忆递归神经网络短时交通流预测模型可以长时间“记忆”时间序列中的历史数据,并可以动态的确定最优的历史时间长度来进行预测,和RW、SVM、FFNN、SAE等预测模型的对比实验表明,长短时记忆递归神经网络短时交通流预测模型对于不同预测时间间隔MAPE和RMSE两个指标都最低,证明了该模型预测短时具有更高的精确度和很好的扩展性。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (4)
1.一种基于长短时记忆递归神经网络的短时交通流预测方法,其特征在于,包括如下步骤:
步骤S1、根据预测的时间间隔对历史交通流数据进行聚合;
步骤S2、对聚合后的历史交通流数据进行归一化预处理;
步骤S3、合理设定长短时记忆递归神经网络预测模型的各个参数;
步骤S4、利用经过聚合和归一化预处理的历史交通流数据,训练已设置合理参数的长短时记忆递归神经网络预测模型,形成已训练交通流预测模型;
步骤S5、利用已训练交通流预测模型预测指定时间间隔的交通流,并评估预测误差;
所述步骤S3中,长短时记忆递归神经网络预测模型的各个参数包括如下任一个或任多个:输入层结点数、隐层层数、每个隐层的结点数、输出层结点数;
所述步骤S4进一步包括以下步骤:
步骤S41、将经过聚合和归一化预处理的历史交通流数据划分为训练数据集和测试数据集;
步骤S42、利用训练数据集,在已设定合理参数的长短时记忆递归神经网络预测模型上使用历时方向传播算法进行训练,并计算长短时记忆递归神经网络预测模型在测试数据集上的平均误差;
步骤S43、选择测试数据集上误差最小的长短时记忆递归神经网络预测模型作为指定时间间隔交通流数据的已训练交通流预测模型;
所述步骤S5进一步包括以下步骤:
步骤S51、将历史交通流数据作为输入数据进行指定时间间隔聚合和归一化预处理;
步骤S52、将步骤S51获得的聚合和归一化处理后的数据输入所述长短时记忆递归神经网络预测模型,进行前向计算,得到对应的输出数据,即对下一指定时间间隔的交通流数据的归一化预测值;
步骤S53、将步骤S52得到的下一指定时间间隔的交通流数据的归一化预测值进行反归一化处理,得到对指定时间间隔的交通流数据预测值;
步骤S54、将步骤S53得到的指定时间间隔的交通流数据预测值与对应的实际预测值进行对比,计算误差,得到长短时记忆递归神经网络预测模型的误差。
2.根据权利要求1所述的基于长短时记忆递归神经网络的短时交通流预测方法,其特征在于,所述历史交通流数据为特定观测点在指定时间间隔内经过的车辆数。
3.根据权利要求1所述的基于长短时记忆递归神经网络的短时交通流预测方法,其特征在于,所述步骤S1具体为,将指定时间间隔内的若干个历史交通流数据进行累加,得到观测点指定时间间隔的聚合后的历史交通流数据。
4.根据权利要求1所述的基于长短时记忆递归神经网络的短时交通流预测方法,其特征在于,所述步骤S2具体为,在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max,使用min-max方法对数据进行归一化预处理,使归一化预处理后的历史交通流数据值域为区间[0,1],具体地,min-max方法对数据进行归一化预处理通过以下代式实现:
<mrow>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,x*为归一化预处理后数据,min为样本数据最小值,max为样本数据最大值,x为待归一化预处理的历史交通流数据;所述样本数据具体是指:聚合后的历史交通流数据中用于训练和测试的所有数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510757405.4A CN105389980B (zh) | 2015-11-09 | 2015-11-09 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510757405.4A CN105389980B (zh) | 2015-11-09 | 2015-11-09 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389980A CN105389980A (zh) | 2016-03-09 |
CN105389980B true CN105389980B (zh) | 2018-01-19 |
Family
ID=55422218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510757405.4A Active CN105389980B (zh) | 2015-11-09 | 2015-11-09 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389980B (zh) |
Families Citing this family (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654729B (zh) * | 2016-03-28 | 2018-01-02 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN106096729B (zh) * | 2016-06-06 | 2018-11-20 | 天津科技大学 | 一种面向大规模环境中复杂任务的深度策略学习方法 |
CN106295874B (zh) * | 2016-08-08 | 2021-02-12 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
CN108111363A (zh) * | 2016-11-25 | 2018-06-01 | 厦门雅迅网络股份有限公司 | 一种分析车联网系统中通信链接是否异常的方法及装置 |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN107038478B (zh) | 2017-04-20 | 2023-10-27 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
CN106981198B (zh) * | 2017-05-24 | 2020-11-03 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
CN107239859B (zh) * | 2017-06-05 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107103758B (zh) * | 2017-06-08 | 2019-06-21 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107292383B (zh) * | 2017-07-06 | 2019-12-03 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
CN107154150B (zh) * | 2017-07-25 | 2019-07-02 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN107705556A (zh) * | 2017-09-01 | 2018-02-16 | 南京邮电大学 | 一种基于支持向量机和bp神经网络结合的交通流预测方法 |
CN108037378B (zh) * | 2017-10-26 | 2020-08-07 | 上海交通大学 | 基于长短时记忆网络的变压器运行状态预测方法及系统 |
CN108062561B (zh) * | 2017-12-05 | 2020-01-14 | 华南理工大学 | 一种基于长短时记忆网络模型的短时数据流预测方法 |
CN108229724B (zh) * | 2017-12-06 | 2020-12-22 | 华南理工大学 | 一种基于时空信息融合的短时交通数据流预测方法 |
CN108470212B (zh) * | 2018-01-31 | 2020-02-21 | 江苏大学 | 一种能利用事件持续时间的高效lstm设计方法 |
CN108345857A (zh) * | 2018-02-09 | 2018-07-31 | 北京天元创新科技有限公司 | 一种基于深度学习的区域人群密度预测方法及装置 |
CN108399749A (zh) * | 2018-03-14 | 2018-08-14 | 西南交通大学 | 一种短时交通出行需求预测方法 |
CN108492568B (zh) * | 2018-04-25 | 2020-06-12 | 南京邮电大学 | 一种基于时空特性分析的短时交通流预测方法 |
CN108564228A (zh) * | 2018-04-26 | 2018-09-21 | 重庆大学 | 一种基于时序特征预测轨道交通od客流量的方法 |
CN108615360B (zh) * | 2018-05-08 | 2022-02-11 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
CN108876045A (zh) * | 2018-06-25 | 2018-11-23 | 上海应用技术大学 | 基于lstm模型预测的急救车最优路线推荐方法 |
CN108647839A (zh) * | 2018-06-28 | 2018-10-12 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
WO2020019237A1 (en) * | 2018-07-26 | 2020-01-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for dispatching service providers |
CN109194498B (zh) * | 2018-07-27 | 2021-10-08 | 南京理工大学 | 一种基于lstm的网络流量预测方法 |
CN108898838B (zh) * | 2018-08-03 | 2020-08-28 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN109190948B (zh) * | 2018-08-20 | 2020-06-12 | 北京航空航天大学 | 一种大型航空枢纽运行与城市交通拥堵的关联分析方法 |
CN109345832B (zh) * | 2018-11-13 | 2021-06-29 | 上海应用技术大学 | 一种基于深度递归神经网络的城市道路超车预测方法 |
CN111275225B (zh) * | 2018-12-04 | 2022-07-19 | 北京嘀嘀无限科技发展有限公司 | 空车轨迹预测方法、预测装置、服务器和可读存储介质 |
CN109598381B (zh) * | 2018-12-05 | 2023-04-18 | 武汉理工大学 | 一种基于状态频率记忆神经网络的短时交通流预测方法 |
CN109803222B (zh) * | 2018-12-13 | 2020-10-16 | 北京市天元网络技术股份有限公司 | 无线小区性能指标预测方法及装置 |
CN109598935B (zh) * | 2018-12-14 | 2020-12-15 | 银江股份有限公司 | 一种基于超长时间序列的交通数据预测方法 |
CN109711022B (zh) * | 2018-12-17 | 2022-11-18 | 哈尔滨工程大学 | 一种基于深度学习的潜艇抗沉系统 |
CN109887272B (zh) * | 2018-12-26 | 2021-08-13 | 创新先进技术有限公司 | 一种交通人流量的预测方法及装置 |
CN109658695B (zh) * | 2019-01-02 | 2020-09-22 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN109910909B (zh) * | 2019-02-25 | 2020-09-11 | 清华大学 | 一种多车运动状态的汽车轨迹网联交互式预测方法 |
CN110263962A (zh) * | 2019-03-04 | 2019-09-20 | 南京航空航天大学 | 终端区进场态势预测方法 |
CN109887290B (zh) * | 2019-03-30 | 2021-03-23 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
CN110164129B (zh) * | 2019-04-25 | 2021-02-26 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
CN110070715A (zh) * | 2019-04-29 | 2019-07-30 | 浙江工业大学 | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 |
CN110263860A (zh) * | 2019-06-21 | 2019-09-20 | 广东工业大学 | 一种高速公路交通流预测方法及装置 |
CN110782658B (zh) * | 2019-08-16 | 2022-03-29 | 华南理工大学 | 一种基于LightGBM算法的交通量预测方法 |
CN110517488A (zh) * | 2019-08-19 | 2019-11-29 | 南京理工大学 | 基于时序分解和循环神经网络的短时交通流预测方法 |
CN110599766B (zh) * | 2019-08-22 | 2020-08-18 | 浙江工业大学 | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 |
CN110675623B (zh) * | 2019-09-06 | 2020-12-01 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、系统、装置 |
CN113051976A (zh) * | 2019-12-27 | 2021-06-29 | 广东博智林机器人有限公司 | 指纹定位方法、装置、电子设备及存储介质 |
CN111462479A (zh) * | 2020-02-26 | 2020-07-28 | 南京新一代人工智能研究院有限公司 | 一种基于傅里叶-递归神经网络的交通流预测方法 |
CN113159456A (zh) * | 2020-09-30 | 2021-07-23 | 中科三清科技有限公司 | 水质预测方法、装置、电子设备及存储介质 |
CN112712159A (zh) * | 2020-12-28 | 2021-04-27 | 广州市交通规划研究院 | 一种基于改进pso算法的lstm短时交通流预测方法 |
CN112687104B (zh) * | 2020-12-30 | 2021-09-28 | 西南交通大学 | 一种解决无限维交通分配问题的方法及装置 |
CN113159395A (zh) * | 2021-03-31 | 2021-07-23 | 华南师范大学 | 一种基于深度学习的污水处理厂进水流量预测方法及系统 |
CN113205684A (zh) * | 2021-04-29 | 2021-08-03 | 上海应用技术大学 | 交通流量预测方法及系统 |
CN114255591A (zh) * | 2021-12-17 | 2022-03-29 | 重庆中信科信息技术有限公司 | 考虑时空相关性的短时交通流预测方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
JP2005208041A (ja) * | 2003-12-26 | 2005-08-04 | Aisin Aw Co Ltd | 動的経路探索方法 |
CN1967622A (zh) * | 2005-11-14 | 2007-05-23 | 上海经达实业发展有限公司 | 城市道路交通流预测及交通信息诱导系统 |
AU2007224206A1 (en) * | 2006-03-03 | 2007-09-13 | Inrix, Inc. | Assessing road traffic conditions using data from mobile data sources |
CN101593424A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 一种短时交通流智能组合预测方法 |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
CN104538028A (zh) * | 2014-12-25 | 2015-04-22 | 清华大学 | 一种基于深度长短期记忆循环神经网络的连续语音识别方法 |
CN104615983A (zh) * | 2015-01-28 | 2015-05-13 | 中国科学院自动化研究所 | 基于递归神经网络和人体骨架运动序列的行为识别方法 |
CN104952448A (zh) * | 2015-05-04 | 2015-09-30 | 张爱英 | 一种双向长短时记忆递归神经网络的特征增强方法及系统 |
-
2015
- 2015-11-09 CN CN201510757405.4A patent/CN105389980B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
JP2005208041A (ja) * | 2003-12-26 | 2005-08-04 | Aisin Aw Co Ltd | 動的経路探索方法 |
CN1967622A (zh) * | 2005-11-14 | 2007-05-23 | 上海经达实业发展有限公司 | 城市道路交通流预测及交通信息诱导系统 |
AU2007224206A1 (en) * | 2006-03-03 | 2007-09-13 | Inrix, Inc. | Assessing road traffic conditions using data from mobile data sources |
CN101593424A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 一种短时交通流智能组合预测方法 |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
CN104538028A (zh) * | 2014-12-25 | 2015-04-22 | 清华大学 | 一种基于深度长短期记忆循环神经网络的连续语音识别方法 |
CN104615983A (zh) * | 2015-01-28 | 2015-05-13 | 中国科学院自动化研究所 | 基于递归神经网络和人体骨架运动序列的行为识别方法 |
CN104952448A (zh) * | 2015-05-04 | 2015-09-30 | 张爱英 | 一种双向长短时记忆递归神经网络的特征增强方法及系统 |
Non-Patent Citations (1)
Title |
---|
"基于神经网络的短时交通流预测方法的研究与应用";朱学明;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;第I140-75页:正文第6-10页、31-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105389980A (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389980B (zh) | 基于长短时记忆递归神经网络的短时交通流预测方法 | |
Hu et al. | Rapid spatio-temporal flood prediction and uncertainty quantification using a deep learning method | |
Shao et al. | Traffic flow prediction with long short-term memory networks (LSTMs) | |
Chen et al. | Deformation prediction of landslide based on improved back-propagation neural network | |
Moeeni et al. | Integrated SARIMA with neuro-fuzzy systems and neural networks for monthly inflow prediction | |
Li et al. | Urban traffic flow forecasting using Gauss–SVR with cat mapping, cloud model and PSO hybrid algorithm | |
Noori et al. | Evaluation of PCA and Gamma test techniques on ANN operation for weekly solid waste prediction | |
CN104536412B (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
CN110070713A (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN109376913A (zh) | 降水量的预测方法及装置 | |
CN106295874A (zh) | 基于深信度网络的交通流参数预测方法 | |
CN102694800A (zh) | 网络安全态势预测的高斯过程回归方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN114091359A (zh) | 一种水库水沙预测模型训练、水库水沙预测方法及装置 | |
CN104217258A (zh) | 一种电力负荷条件密度预测方法 | |
CN103558554A (zh) | 一种新能源汽车动力电池soh在线估算的方法 | |
CN104978857A (zh) | 一种基于混沌理论的交通状态预测方法及其装置 | |
CN104035037A (zh) | 一种新能源汽车动力电池soh在线估算的方法 | |
CN104240520A (zh) | 一种基于gso优化的高速公路流量预测方法 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
Le et al. | Application of gated recurrent unit (GRU) network for forecasting river water levels affected by tides | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
Yan et al. | Real-time localization of pollution source for urban water supply network in emergencies | |
CN116432861A (zh) | 一种综合能源系统源荷价多任务联合预测方法及系统 | |
Zou et al. | Short-term traffic flow prediction based on PCC-BiLSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |