CN105938655A - 基于高斯混合模型的实时交通状态评估方法 - Google Patents
基于高斯混合模型的实时交通状态评估方法 Download PDFInfo
- Publication number
- CN105938655A CN105938655A CN201610430578.XA CN201610430578A CN105938655A CN 105938655 A CN105938655 A CN 105938655A CN 201610430578 A CN201610430578 A CN 201610430578A CN 105938655 A CN105938655 A CN 105938655A
- Authority
- CN
- China
- Prior art keywords
- traffic
- real
- data
- time
- gauss
- 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.)
- Granted
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于高斯混合模型的实时交通状态评估方法,包括如下步骤:采用指数平滑法分别对交通数据进行平滑处理;采用高斯混合模型对平滑处理过的交通数据进行聚类分析并分类;利用线性回归方法对交通数据进行回归分析得到的直线,直线用于将交通数据进行划分;利用采用高斯混合模型和回归分析得到的直线对实时采集的交通数据进行实时评估。与现有技术相比,本发明具有以下有益效果:高斯混合模型是基于数据的概率分布进行聚类分析,克服了传统聚类方法对某些数据项的权重依赖问题;本方法结合了交通学者Kerner的三相交通流理论,一定程度上克服了传统交通聚类方法划分结果只代表数据本身的统计特性,而缺乏交通流理论支撑的缺陷。
Description
技术领域
本发明属于智能交通系统领域,具体涉及一种基于高斯混合模型的实时交通状态评估方法。
背景技术
作为智能交通系统(Intelligent Transportation System,ITS)的核心内容之一,智能交通状态实时判别一直是智能交通系统研究的热门课题。实时交通状态研判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实时交通状态进行评估。
经对现有技术的文献检索发现,目前对交通状态研判方法主要包括两类:基于交通流模型和基于机器学习和数据挖掘的算法。在交通状态态势评估的两类方法中,基于交通流模型依据交通流理论,使得研判的结果可解释性强,该方法运算量较大,难以用于实时评估。基于机器学习和数据挖掘的交通状态研判方法,可计算性强,但容易受到数据本身分布的影响,致使交通状态研判结果只代表数据本身的统计特性,而缺乏交通理论的解释。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种拥有较高的热力学效率,减少换热过程中的损失的基于高斯混合模型的实时交通状态评估方法。
为解决上述技术问题,本发明提供了一种基于高斯混合模型的实时交通状态评估方法,包括如下步骤:
步骤1,采用指数平滑法分别对交通数据进行平滑处理;
步骤2,采用高斯混合模型对平滑处理过的交通数据进行聚类分析并分类;
步骤3,利用线性回归方法对交通数据进行回归分析得到的直线,直线用于将交通数据进行划分;
步骤4,利用采用高斯混合模型和回归分析得到的直线对实时采集的交通数据进行实时评估。
优选地,步骤1中,交通数据为历史占有率和流量数据。
优选地,步骤1中,采用指数平滑法分别对交通数据进行平滑处理:
s(t)=ax(t)+(1-α)s(t-1)
其中,x(t)为t时刻的原始采集数据,s(t-1)为t-1时刻的平滑后的数据,s(t)为t时刻的平滑后的数据,α为平滑因子,取值范围在0到1之间。
优选地,步骤2中,采用高斯混合模型对平滑处理过的交通数据进行聚类分析并分成自由流、准自由流、拥挤流三种类型;其中
各成分高斯分布的占有率平均值最小的类别对应自由流,占有率均值最大的类别对应拥挤流,占有率均值居中的类别对应准自由流。
优选地,步骤3中,利用线性回归方法对交通数据进行回归分析,将拥挤流划分为同步流和阻塞流。
优选地,步骤4包括:
步骤4.1,采集实时的占有率和流量数据的向量x,利用实时数据占有率和流量数据的向量x计算该实时的占有率和流量数据属于不同交通类别的隶属度γ(k):
其中,N(x|μk,Σk)为各聚类对应的第k个高斯成分分布,N(x|μj,Σj)为各聚类对应的第j个高斯成分分布,μk为第k个高斯成分分布的均值,μj为第j个高斯成分分布的均值,Σk为第k个高斯成分分布的方差,Σj为第j个高斯成分分布的方差,πk为第k个高斯成分分布的影响因子;πj为第j个高斯成分分布的影响因子;k=1,2,3,…,K;
步骤4.2,γ(1),γ(2)和γ(3)分别与交通数据的三种类型一一对应,具体为:
γ(1)为自由流;γ(2)为准自由流;γ(3)为拥挤流;
比较γ(1),γ(2)和γ(3)的值,γ(1),γ(2)和γ(3)中的最大值对应的交通状态为实时的交通状态;
步骤4.3,若实时的交通状态为拥挤流时,需要对交通状态作进一步评估:
y=m*x+n
其中,y为回归分析得到的三相交通流理论中的直线的纵指标值,即为流量值;x为回归分析得到的三相交通流理论中的直线的横坐标值,即为占有率;m为回归分析得到的三相交通流理论中的直线的斜率,n为回归分析得到的三相交通流理论中的直线在纵轴的截距;
步骤4.4,判断实时的交通状态;
将y值与采集的实时流量数据进行比较,若采集的实时流量数据大于y值,则认为实时的交通状态为同步流;
否则,则认为实时的交通状态为阻塞流。
与现有技术相比,本发明具有以下有益效果:
1、高斯混合模型是基于数据的概率分布进行聚类分析,克服了传统聚类方法对某些数据项的权重依赖问题;
2、本方法结合了交通学者Kerner的三相交通流理论,一定程度上克服了传统交通聚类方法划分结果只代表数据本身的统计特性,而缺乏交通流理论支撑的缺陷。
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为本发明基于高斯混合模型的实时交通状态评估方法的流程图。
图2为本发明中引据的学者Kerner的三相交通流理论。
图3为本发明基于高斯混合模型的实时交通状态评估方法将交通数据进行高斯混合模型聚类分析的结果图;
图4为本发明基于高斯混合模型的实时交通状态评估方法将拥挤流进一步划分为同步流和阻塞流的结果图;
图5为本发明基于高斯混合模型的实时交通状态评估方法将对实时交通状态研判的结果。
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。
本实施例提供了一种基于高斯混合模型的实时交通状态评估方法,该方法包括如下步骤:
根据指数平滑法对交通数据进行平滑预处理;
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,所述占有率数据为一定时间间隔的道路占有百分比数据。所述指定的时间间隔可以根据预测需求进行指定(例如5分钟)。
对交通数据进行指数平滑处理计算:
s(t)=ax(t)+(1-α)s(t-1)
其中,x(t)为t时刻的原始采集数据,s(t-1)为t-1时刻的平滑后的数据,s(t)为t时刻的平滑后的数据,平滑因子α越接近于1,t时刻实际值s(t)对t时刻平滑值s(t)影响越大;平滑因子α越接近于0,t时刻实际值s(t)对t时刻平滑值s(t)影响越小。本发明中,平滑因子α=0.3。
利用平滑后的二维交通历史数据(占有率、流量)训练高斯混合模型。高斯混合模型将交通数据聚类为三类,分别对应交通状态的自由流、准自由流和同步流。
具体地,利用占有率、流量二维交通历史数据训练高斯混合模型。高斯混合模型将该数据集聚类为三个类别。同时该模型得到三个聚类类别对应的三个高斯分布(包括均值、方差和影响因子)。
比较三个高斯成分分布的均值向量中的占有率均值,占有率均值数值最小的聚类(和高斯成分分布)对应自由流,占有率均值数值最大的聚类(和高斯成分分布)对应拥挤流,占有率均值数值居中的聚类(和高斯成分分布)对应准同步流。划分结果如图3所示。
高斯混合模型的基本原理如下:对于一个观测数据集,根据数理统计和概率论理论,其可以有若干个高斯混合模型的加权进行模拟:
其中,X是一个数据源矩阵,πk是权重因子。N(X|πk,Σk)代表均值为πk、方差Σk的成分高斯分布。每个成分高斯分布可由下式表示:
高斯混合模型由每个成分高斯分布的均值、方差和对应的影响因子三个参数共同确定。各参数可由下式统一表示:
λ={wk,μk,Σk}k=1,2,...,K
因此,高斯混合模型由参数λ确定。高斯混合模型的参数可通过计算释然函数ln p(X|λ)得到。
对于任何一个高斯混合模型,参数λ可通过计算释然函数的最大值求解。EM算法是一种用来估计模型参数的算法。该算法包含两个步骤:E-Step和M-Step。通过E-Step和M-Step的迭代运算,可以最终确定各成分高斯分布的参数。EM算法的主要步骤原理如下:
初始化的每个成分高斯分布的均值μk、方差Σk以及对应的影响因子πk。
E-Step:计算γ(k)
M-Step:通过公式下列各式重新估算各高斯分布的均值、方差和影响因子。
πk=Nk/N
计算释然函数ln p(X|λ),直至释然函数或成分高斯分布的均值、方差和权重因子收敛,否则,循环计算上述步骤。
步骤S3、根据三相交通流理论,拥挤流数据可以进一步划分两类。本发明利用步骤S2中得到的拥挤流数据训练线性回归模型。线性回归算法模拟出的直线(如图2三相交通流理论示意图中的直线J,该直线将二维占有率-流量坐标区域分割为亚稳态同步流和同质同步流两个部分)。本发明中,前述线性回归得到的直线用于模拟三相交通流理论中的直线J,将拥挤流划分为两类,分别对应同步流和阻塞流。其划分依据为:位于该直线上方的对应同步流,位于直线下方的对应阻塞流。
步骤S4、根据高斯混合模型和线性回归模型方法得到的参数进一步包括以下步骤:
步骤S41,实时采集的数据为交通流数据中的占有率、流量数据,利用实时数据占有率和流量数据,通过以下公式计算该实时数据属于不同交通类别的隶属度:
其中,N(x|μk,Σk)为步骤S1中各聚类对应的聚类高斯成分分布,μk,Σk,πk分别为每个成分分布的均值、方差和影响因子。各参数的值在步骤S1的模型训练中得到。γ(k)为隶属度,k=1,2,3;。比较各γ(k)值,最大值对应的交通状态为实时的交通状态。假设γ(1),γ(2)和γ(3)分别对应自由流、准自由流和拥挤流,则最大值分布与交通状态信息对应情况如表1所示:
表1
γ(1) | γ(2) | γ(3) | |
自由流 | √ | ||
准自由流 | √ | ||
拥挤流 | √ |
步骤S42,若4中得到的交通状态为拥挤流,这需要利用线性回归中得到的如下所示的表达式进行进一步的交通状态研判:
y=m*x+n
其中,y为该直线的纵指标值(代表流量值);x为横坐标值(代表占有率);m为该直线的斜率,n为该直线在纵轴的截距。将实时采集的占有率数据代入上式中,计算y值。并将该值与实时采集的流量数据进行比较,若实时采集的占有率数据大于y值,实时交通状态为同步流。否则,实时交通状态为阻塞流。
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:CoreTMi5 2.80GHz,RAM 6.00GB,操作系统Window 10家庭版,仿真软件MATLAB 2013。
2)仿真内容:
使用美国加州交通局性能测量系统(Caltrans Performance Measurement System,PeMS)获得的数据进行分析建模。随机选取了1条高速公路监测节点。节点检测数据为占有率和流量数据,数据时间间隔为5分钟,采集数据时间跨度为8天,数据量为2304组。其中前7天共计2016组数据用于模型训练,后1天的数据用于实时交通状态评估测试。
通过高斯混合模型聚类分析得到的结果如图3所示。图3中,高斯混合模型将二维交通数据(占有率、流量数据)聚类为三类:第一类数据对应于自由流。在自由流中,占有率和流量较低,流量数值随着占有率数值的增加而近似线性增加。第二类数据对应于准自由流。准自由流位于图3中的自由流和拥挤流之间。在准自由流中,占有率较低,流量较高,表明道路上的平均行车速度较快。第三类数据对应拥挤流。在拥挤流中,占有率较高,流量较低,表明道路上的平均行车速度较慢。
根据Kerner交通流理论,对图3中的拥挤流进行线性回归分析,划分结果如图4所示。图4中,线性回归分析得到的直线将图3中的拥挤流进一步分割为两类:位于直线J上方的同步流和位于直线J下方的阻塞流。在同步流中,占有率和流量水平较高,平均速度较慢,但高于阻塞流中的而平均速度。位于直线J下方的部分对应于阻塞流。在阻塞流中,占有率水平较高,流量较低,平均速度最慢。
通过高斯混合模型和线性回归算法得到的参数,模型对该节点的实时交通状态进行研判,研判结果如图5所示(图5中,I代表自由流,II代表准自由流、III代表同步流,IV代表阻塞流)。通过图5所示实时交通研判结果发现,此方法研判结果与实际经验得到的交通状态分布规律相符,证明了此方法具有较高的可行性。
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化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种基于高斯混合模型的实时交通状态评估方法,其特征在于,包括如下步骤:
步骤1,采用指数平滑法分别对交通数据进行平滑处理;
步骤2,采用高斯混合模型对平滑处理过的交通数据进行聚类分析并分类;
步骤3,利用线性回归方法对交通数据进行回归分析得到的直线,直线用于将交通数据进行划分;
步骤4,利用采用高斯混合模型和回归分析得到的直线对实时采集的交通数据进行实时评估。
2.根据权利要求1所述的基于高斯混合模型的实时交通状态评估方法,其特征在于,步骤1中,交通数据为历史占有率和流量数据。
3.根据权利要求2所述的基于高斯混合模型的实时交通状态评估方法,其特征在于,步骤1中,采用指数平滑法分别对交通数据进行平滑处理:
s(t)=ax(t)+(1-α)s(t-1)
其中,x(t)为t时刻的原始采集数据,s(t-1)为t-1时刻的平滑后的数据,s(t)为t时刻的平滑后的数据,α为平滑因子,取值范围在0到1之间。
4.根据权利要求1所述的基于高斯混合模型的实时交通状态评估方法,其特征在于,步骤2中,采用高斯混合模型对平滑处理过的交通数据进行聚类分析并分成自由流、准自由流、拥挤流三种类型;其中
各成分高斯分布的占有率平均值最小的类别对应自由流,占有率均值最大的类别对应拥挤流,占有率均值居中的类别对应准自由流。
5.根据权利要求4所述的基于高斯混合模型的实时交通状态评估方法,其特征在于,步骤3中,利用线性回归方法对交通数据进行回归分析,将拥挤流划分为同步流和阻塞流。
6.根据权利要求1所述的基于高斯混合模型的实时交通状态评估方法,其特征在于,步骤4包括:
步骤4.1,采集实时的占有率和流量数据的向量x,利用实时数据占有率和流量数据的向量x计算该实时的占有率和流量数据属于不同交通类别的隶属度γ(k):
其中,N(x|μk,Σk)为各聚类对应的第k个高斯成分分布,N(x|μj,Σj)为各聚类对应的第j个高斯成分分布,μk为第k个高斯成分分布的均值,μj为第j个高斯成分分布的均值,Σk为第k个高斯成分分布的方差,Σj为第j个高斯成分分布的方差,πk为第k个高斯成分分布的影响因子;πj为第j个高斯成分分布的影响因子;k=1,2,3,…,K;
步骤4.2,γ(1),γ(2)和γ(3)分别与交通数据的三种类型一一对应,具体为:
γ(1)对应自由流;γ(2)对应准自由流;γ(3)对应拥挤流;
比较γ(1),γ(2)和γ(3)的值,γ(1),γ(2)和γ(3)中的最大值对应的交通状态为实时的交通状态;
步骤4.3,若实时的交通状态为拥挤流时,需要对交通状态作进一步评估:
y=m*x+n
其中,y为回归分析得到的三相交通流理论中的直线的纵指标值,即为流量值;x为回归分析得到的三相交通流理论中的直线的横坐标值,即为占有率;m为回归分析得到的三相交通流理论中的直线的斜率,n为回归分析得到的三相交通流理论中的直线在纵轴的截距;
步骤4.4,判断实时的交通状态;
将y值与采集的实时流量数据进行比较,若采集的实时流量数据大于y值,则认为实时的交通状态为同步流;
否则,则认为实时的交通状态为阻塞流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610430578.XA CN105938655B (zh) | 2016-06-16 | 2016-06-16 | 基于高斯混合模型的实时交通状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610430578.XA CN105938655B (zh) | 2016-06-16 | 2016-06-16 | 基于高斯混合模型的实时交通状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105938655A true CN105938655A (zh) | 2016-09-14 |
CN105938655B CN105938655B (zh) | 2019-02-22 |
Family
ID=56872063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610430578.XA Active CN105938655B (zh) | 2016-06-16 | 2016-06-16 | 基于高斯混合模型的实时交通状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105938655B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859467A (zh) * | 2019-01-30 | 2019-06-07 | 银江股份有限公司 | 一种交通模型中环境影响因子的挖掘分析方法 |
CN110634285A (zh) * | 2019-08-05 | 2019-12-31 | 江苏大学 | 一种基于高斯混合模型的路段出行时间预测方法 |
CN110634288A (zh) * | 2019-08-30 | 2019-12-31 | 上海电科智能系统股份有限公司 | 基于三元高斯混合模型的多维城市交通异常事件识别方法 |
WO2020148761A1 (en) * | 2019-01-15 | 2020-07-23 | Waycare Technologies Ltd. | System and method for detection and quantification of irregular traffic congestion |
CN113836480A (zh) * | 2020-06-23 | 2021-12-24 | 中核武汉核电运行技术股份有限公司 | 一种基于高斯过程回归的换热器效率预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN104574968A (zh) * | 2015-01-19 | 2015-04-29 | 浙江大学 | 一种临界交通状态参数的确定方法 |
-
2016
- 2016-06-16 CN CN201610430578.XA patent/CN105938655B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN104574968A (zh) * | 2015-01-19 | 2015-04-29 | 浙江大学 | 一种临界交通状态参数的确定方法 |
Non-Patent Citations (1)
Title |
---|
刘曙云,关积珍,李元左: "基于高斯混合模型的道路交通状态特征辨识方法", 《中南林业科技大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020148761A1 (en) * | 2019-01-15 | 2020-07-23 | Waycare Technologies Ltd. | System and method for detection and quantification of irregular traffic congestion |
US11100793B2 (en) | 2019-01-15 | 2021-08-24 | Waycare Technologies Ltd. | System and method for detection and quantification of irregular traffic congestion |
US12008896B2 (en) | 2019-01-15 | 2024-06-11 | Waycare Technologies Ltd. | System and method for detection and quantification of irregular traffic congestion |
CN109859467A (zh) * | 2019-01-30 | 2019-06-07 | 银江股份有限公司 | 一种交通模型中环境影响因子的挖掘分析方法 |
CN109859467B (zh) * | 2019-01-30 | 2020-11-10 | 银江股份有限公司 | 一种交通模型中环境影响因子的挖掘分析方法 |
CN110634285A (zh) * | 2019-08-05 | 2019-12-31 | 江苏大学 | 一种基于高斯混合模型的路段出行时间预测方法 |
CN110634285B (zh) * | 2019-08-05 | 2021-10-08 | 江苏大学 | 一种基于高斯混合模型的路段出行时间预测方法 |
CN110634288A (zh) * | 2019-08-30 | 2019-12-31 | 上海电科智能系统股份有限公司 | 基于三元高斯混合模型的多维城市交通异常事件识别方法 |
CN113836480A (zh) * | 2020-06-23 | 2021-12-24 | 中核武汉核电运行技术股份有限公司 | 一种基于高斯过程回归的换热器效率预测方法 |
CN113836480B (zh) * | 2020-06-23 | 2024-01-12 | 中核武汉核电运行技术股份有限公司 | 一种基于高斯过程回归的换热器效率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105938655B (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105938655A (zh) | 基于高斯混合模型的实时交通状态评估方法 | |
Cao et al. | Parallel processing algorithm for railway signal fault diagnosis data based on cloud computing | |
Zhao et al. | T-GCN: A temporal graph convolutional network for traffic prediction | |
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
Wang et al. | Investigation of road network features and safety performance | |
Hao et al. | Research on mandatory lane‐changing behavior in highway weaving sections | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN109242223A (zh) | 城市公共建筑火灾风险的量子支持向量机评估与预测方法 | |
CN108009972A (zh) | 一种基于多源数据校核的多方式出行o-d需求估计方法 | |
Yu et al. | The varying effects of accessing high-speed rail system on China’s county development: A geographically weighted panel regression analysis | |
Li et al. | Identification of key nodes and vital edges in aviation network based on minimum connected dominating set | |
CN106203521A (zh) | 基于差异图自步学习的sar图像变化检测方法 | |
CN103678483A (zh) | 基于自适应概率超图和半监督学习的视频语义分析方法 | |
Shan et al. | Fusing incomplete multisensor heterogeneous data to estimate urban traffic | |
Mohammadian et al. | Synthetic household travel survey data simulation | |
Peng et al. | The agent-based spatial simulation to the burglary in Beijing | |
Wang et al. | A general framework for combining traffic flow models and Bayesian network for traffic parameters estimation | |
Zhou et al. | Seat belt detection using convolutional neural network bn-alexnet | |
CN103646118B (zh) | 置信优势关系粗糙集模型及属性约简方法 | |
Wang et al. | Abnormal trajectory detection based on geospatial consistent modeling | |
CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
Xia et al. | Deeprailway: a deep learning system for forecasting railway traffic | |
Cissé et al. | Impact of neighborhood structure on epidemic spreading by means of cellular automata approach | |
Aguero-Valverde | Direct spatial correlation in crash frequency models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |