CN106971547B - 一种考虑时空相关性的短时交通流预测方法 - Google Patents
一种考虑时空相关性的短时交通流预测方法 Download PDFInfo
- Publication number
- CN106971547B CN106971547B CN201710352120.1A CN201710352120A CN106971547B CN 106971547 B CN106971547 B CN 106971547B CN 201710352120 A CN201710352120 A CN 201710352120A CN 106971547 B CN106971547 B CN 106971547B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- correlation
- short
- prediction
- time
- 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
- 230000002123 temporal effect Effects 0.000 title abstract 3
- 238000013277 forecasting method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000036962 time dependent Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract 1
- 238000007796 conventional method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑时空相关性的短时交通流预测方法。考虑时间相关性对目标检测点交通流的影响,获取短时交通流的时间关联预测值;利用层次聚类方法分析研究对象交通流的空间相关性,并确定几个关键的空间关联点;考虑空间关联点的交通流对目标检测点交通流的影响,获取短时交通流的空间关联预测值;采用“熵值法”融合时间关联预测值、空间关联预测值和现有方法的预测值,生成目标检测点短时交通流的最终预测结果;根据交通流的预测结果和实际交通数据,对预测误差进行评价分析。本发明方法可克服现有方法不能充分利用时空特征的不足,同时可进一步将时空关联预测结果和现有方法的预测结果进行融合,从而有效提升短时交通流预测结果的准确性。
Description
技术领域
本发明涉及智能交通领域,特别是一种考虑时空相关性的短时交通流预测方法。
背景技术
如今的智能交通系统在给市民带来便利的同时不可避免地导致了环境污染、资源浪费和交通拥堵等问题。如何有效缓解城市交通拥堵瓶颈已成为各大城市面临的厄待解决的问题。准确的交通流预测可为市民出行和城市交通规划提供指导性建议,同时预先对交通流进行疏导可有效防止交通拥堵的产生和演变。
国内外业已提出的交通流预测方法主要有时间序列法、卡尔曼滤波、混沌理论、神经网络和支持向量机(SVM)等。影响交通流变化的因素多种多样,而且彼此之间具有非线性和随机性的特点。传统方法在预测时往往只考虑目标路段在时间维上的交通流变量,缺乏对空间关联路段交通流有效信息的利用,不足以准确反映城市交通流的复杂变化特征。近年来,随着深度学习的流行,不少学者利用深度神经网络来分析交通流的时空特征,训练后的模型可以得到理想的预测结果。然而,深度神经网络所取得的成功需要巨大的数据集和很长的训练时间作为代价。为克服现有方法的缺陷,需要提出利用城市道路交通流时空关联信息的预测方法,同时可进一步将时空关联预测结果和现有方法的预测结果进行融合,从而提高短时交通流预测的效率和准确性。
发明内容
本发明的目的在于提供一种考虑时空相关性的短时交通流预测方法,该方法利用城市道路交通流时空关联信息进行预测,可克服现有方法不能充分利用时空特征的不足,同时可进一步将时空关联预测结果和现有方法的预测结果进行融合,从而提高短时交通流预测的准确性。
为实现上述目的,本发明的技术方案是:一种考虑时空相关性的短时交通流预测方法,包括如下步骤,
步骤S1:考虑时间相关性对目标检测点交通流的影响,获取短时交通流的时间关联预测值;
步骤S2:利用层次聚类方法分析研究对象交通流的空间相关性,并确定几个关键的空间关联点;
步骤S3:考虑空间关联点的交通流对目标检测点交通流的影响,获取短时交通流的空间关联预测值;
步骤S4:采用熵值法融合时间关联预测值、空间关联预测值和支持向量机或神经网络的预测值,生成目标检测点短时交通流的最终预测结果;
步骤S5:根据交通流的预测结果和实际交通数据,对预测误差进行评价分析。
在本发明一实施例中,在所述步骤S1中,所述短时交通流的时间关联预测值通过如下方式获取:
步骤S11:收集目标检测点的交通流数据集,通过皮尔逊相关系数计算之前h周同一天交通流数据彼此间的时间相关性:
其中,σ和分别为样本数据X和的标准差;
步骤S12:获取第mT周之前在当前时刻下一时段所对应时段的历史交通流值:
步骤S13:统计平均这些同一时段的历史交通流量值,得到目标检测点在下一时段短时交通流量的时间关联预测值:
在本发明一实施例中,在所述步骤S2中,利用层次聚类方法分析上下游交通流的空间相关性,从一个聚类簇中选取一个关联点,同时确保每两个选取点之间有一个立交桥或交叉路口。
在本发明一实施例中,在所述步骤S3中,所述短时交通流的空间关联预测值通过如下方式获取:
步骤S31:计算目标检测点与其空间关联点交通流的皮尔逊相关系数:
其中,为的标准差,r为空间关联点的数目;
步骤S32:获取关联点nS在时的交通流量值:其中,表示关联点nS到目标检测点的延时;
步骤S33:统计平均这些空间关联点在对应时段的交通流量值,得到目标检测点在下一时段短时交通流量的空间关联预测值:
在本发明一实施例中,在所述步骤S4中,利用熵值法得到短时交通流最终预测结果的过程如下:
步骤S41:假设支持向量机或神经网络对短时交通流量的预测值为PA(t+1),线性组合所述时间关联预测值、空间关联预测值和支持向量机或神经网络的预测值三个预测值,作为目标检测点短时交通流量的最终预测结果:
P(t+1)=λ1PA(t+1)+λ2PT(t+1)+λ3PS(t+1)
其中,融合权重λ1、λ2和λ3满足关系:λ1+λ2+λ3=1;
步骤S42:假设PA(t),PT(t)和PS(t)均是P(t)的无偏估计,且它们各自的归一化预测误差分别为eA(t),eT(t)和eS(t),则通过以下公式计算三者的融合权重:
其中,表示单个预测方法在当前时刻的相对误差率,N表示预测方法所采用的时间周期数。
在本发明一实施例中,在所述步骤S5中,采用以下的评价标准对预测误差进行评价分析:
1)平均绝对百分误差(MAPE):
2)均方根误差(RMSE):
3)相关系数(R):
其中,Yi为实际交通量,Yi *为预测的交通流量,n为样本个数。
相较于现有技术,本发明具有以下有益效果:本发明提出的一种考虑时空相关性的短时交通流预测方法,利用城市道路交通流时空关联信息进行预测,可克服现有方法不能充分利用时空特征的不足,同时可进一步将时空关联预测结果和现有方法的预测结果进行融合,从而提高短时交通流预测的准确性。
附图说明
图1是本发明实施例中目标检测点交通流的历史时序图和时间相关性。
图2是本发明实施例中目标检测点的空间关联点示意图。
图3是本发明实施例中利用层次聚类方法分析得到的研究对象交通流的空间相关性结果。
图4是本发明实施例中利用本发明所提出的方法预测生成的目标检测点短时交通流的时空关联预测结果。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的一种考虑时空相关性的短时交通流预测方法,具体按照如下步骤实现,
步骤S1:考虑时间相关性对目标检测点交通流的影响,获取短时交通流的时间关联预测值;
在本实施例中,首先,收集目标检测点的交通流数据集,通过皮尔逊相关系数计算之前h周同一天交通流数据彼此间的时间相关性:
其中,σ和分别为样本数据X和的标准差。
进一步的,获取第mT周之前在当前时刻下一时段所对应时段的历史交通流值:
进一步的,统计平均这些同一时段的历史交通流量值,得到目标检测点在下一时段短时交通流量的时间关联预测值:
步骤S2:利用层次聚类方法分析研究对象交通流的空间相关性,并确定几个关键的空间关联点。
在本实施例中,在研究区域范围内可能有很多空间关联点,不失一般性地,考虑目标检测点上下游的空间点。利用层次聚类方法分析上下游交通流的空间相关性,从一个聚类簇中选取一个关联点,同时确保每两个选取点之间有一个立交桥或交叉路口。显然,这些关联点处的交通流对目标检测点有相当大的影响,因此所采取的方法可以较好地反映城市路网上交通流的空间相关性。
步骤S3:考虑空间关联点的交通流对目标检测点交通流的影响,获取短时交通流的空间关联预测值。
在本实施例中,计算目标检测点与其空间关联点交通流的皮尔逊相关系数:
其中,为的标准差,r为空间关联点的数目。
进一步的,获取关联点nS在时的交通流量值:其中,表示关联点nS到目标检测点的延时;
进一步的,统计平均这些空间关联点在对应时段的交通流量值,得到目标检测点在下一时段短时交通流量的空间关联预测值:
步骤S4:采用熵值法融合时间关联预测值、空间关联预测值以及支持向量机或神经网络的预测值,生成目标检测点短时交通流的最终预测结果。
在本实施例中,假设支持向量机或神经网络对短时交通流量的预测值为PA(t+1),线性组合所述时间关联预测值、空间关联预测值以及支持向量机或神经网络的预测值三个预测值,作为目标检测点短时交通流量的最终预测结果:
P(t+1)=λ1PA(t+1)+λ2PT(t+1)+λ3PS(t+1) (5)
其中,融合权重λ1、λ2和λ3满足关系:λ1+λ2+λ3=1,并且其值由“熵值法”确定。
假设PA(t),PT(t)和PS(t)均是P(t)的无偏估计,且它们各自的归一化预测误差分别为eA(t),eT(t)和eS(t),则通过以下公式计算三者的融合权重:
其中,表示单个预测方法在当前时刻的相对误差率,N表示预测方法所采用的时间周期数。结果可以保证,若某个预测方法的熵值越小,其对应的融合权重也越小。
步骤S5:根据交通流的预测结果和实际交通数据,对预测误差进行评价分析。
在本实施例中,采用以下的评价标准对预测误差进行评价分析:
1)平均绝对百分误差(MAPE):
2)均方根误差(RMSE):
3)相关系数(R):
其中,Yi为实际交通量,Yi *为预测的交通流量,n为样本个数。平均绝对百分误差和均方根误差越小,表示模型预测结果的精度越高;相关系数越大,表示预测交通流量和实际交通流量的拟合度越好。
为了让本领域技术人员进一步了解本发明所提出的一种考虑时空相关性的短时交通流预测方法,下面结合具体实施例作详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程。
如图1所示,为目标检测点交通流的历史时序图和时间相关性。
本实施例包括如下具体步骤:
步骤一:假定预测目标检测点Location 1在某周一的短时交通流量。为考虑历史时间相关性对Location 1交通流的影响,首先分析该点在之前五个周一的交通流时间序列数据之间的相关性。
步骤二:为利用现有经验,将图1中所显示的相关性数值当作这周一同之前四周周一交通流的时间相关性。按步骤S1所述方法对这些历史相关数据进行统计平均后,可以得到这周一Location 1短时交通流的时间关联预测值。
如图2所示,是目标检测点的空间关联点示意图。
利用层次聚类方法对上下游交通流量值进行聚类分析时,从一个聚类簇中选取一个空间关联点,同时确保每两个选取点之间有一个立交桥或交叉路口。图2中菱形点表示目标检测点,方形点为所确定的空间关联点。
如图3所示,为利用层次聚类方法分析得到的研究对象交通流的空间相关性结果。
本实施例包括如下具体步骤:
步骤一:为考虑空间相关性对Location 1交通流的影响,采用层次聚类方法分析Location 1到Location 14在上周一的交通流量。利用数据集间的平均聚类距离来衡量空间相关性。聚类结果用图3所示的树状图表示,沿虚线分割树状图,可将这些点的交通流数据划分为6个簇:Location 1~Location 3、Location 4~Location 6、Location 7~Location 9、Location 10、Location11~Location 13和Location 14。根据步骤S2所述方法选择Location 4、Location 7、Location 10和Location 11作为Location 1的空间关联点。由于Location 14与其它点数据间的聚类距离明显较大,因此不作为关联点。
步骤二:为减少随机因素如环境、天气和交通事故等的不确定性对预测结果的影响,采用“分时段”的思想进一步分析这些空间关联点的相关性,结果如表1所示。
步骤三:根据既有的“分时段”空间相关性,按步骤S3所述方法对Location 4、Location 7、Location 10和Location 11的交通流数据进行统计平均,进而得到这周一Location 1短时交通流的空间关联预测值。
表1 Location 1与空间关联点“分时段”的空间相关性
如图4所示,为利用本发明所提出的方法预测生成的目标检测点短时交通流的时空关联预测结果。
本实施例包括如下具体步骤:
步骤一:将目标检测点Location 1短时交通流的时间关联预测值、空间关联预测值按照步骤S4所述的“熵值法”进行融合,得到Location 1短时交通流的时空关联预测结果(STC)。
步骤二:为说明本发明所提出方法的可行性和普适性,将时空关联预测值进一步与现有方法如支持向量机(SVM)、后向传播神经网络(BPNN)的预测结果进行融合,得到如表2所示的预测性能评价指标。
表2现有方法融合时空关联预测结果的性能比较
步骤三:由表2可知,利用本发明方法预测生成的Location 1短时交通流的时空关联预测结果(STC)比现有方法中未经优化和改进的SVM、BPNN具有更低的MAPE和RMSE,以及更高的R值。同时,将SVM、BPNN预测结果与STC预测结果融合后的SVM-STC和BPNN-STC,相比融合之前也有一定的性能改进。由此说明,本发明所提出方法对改善短时交通流预测的优越性和普适性。
上述分析说明,本发明所提出的一种考虑时空相关性的短时交通流预测方法,能够很好的改善现有方法对短时交通流的预测,具有一定的参考价值和实际经济效益。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种考虑时空相关性的短时交通流预测方法,其特征在于:包括如下步骤,
步骤S1:考虑时间相关性对目标检测点交通流的影响,获取短时交通流的时间关联预测值;
步骤S2:利用层次聚类方法分析研究对象交通流的空间相关性,并确定几个关键的空间关联点;
步骤S3:考虑空间关联点的交通流对目标检测点交通流的影响,获取短时交通流的空间关联预测值;
步骤S4:采用熵值法融合时间关联预测值、空间关联预测值和支持向量机或神经网络的预测值,生成目标检测点短时交通流的最终预测结果;
步骤S5:根据交通流的预测结果和实际交通数据,对预测误差进行评价分析。
2.根据权利要求1所述的一种考虑时空相关性的短时交通流预测方法,其特征在于:在所述步骤S1中,所述短时交通流的时间关联预测值通过如下方式获取:
步骤S11:收集目标检测点的交通流数据集,通过皮尔逊相关系数计算之前h周同一天交通流数据彼此间的时间相关性:
其中,σ和分别为样本数据X和的标准差;
步骤S12:获取第mT周之前在当前时刻下一时段所对应时段的历史交通流值:
步骤S13:统计平均这些同一时段的历史交通流量值,得到目标检测点在下一时段短时交通流量的时间关联预测值:
3.根据权利要求1所述的一种考虑时空相关性的短时交通流预测方法,其特征在于:在所述步骤S2中,利用层次聚类方法分析上下游交通流的空间相关性,从一个聚类簇中选取一个关联点,同时确保每两个选取点之间有一个立交桥或交叉路口。
4.根据权利要求2所述的一种考虑时空相关性的短时交通流预测方法,其特征在于:在所述步骤S3中,所述短时交通流的空间关联预测值通过如下方式获取:
步骤S31:计算目标检测点与其空间关联点交通流的皮尔逊相关系数:
其中,为的标准差,r为空间关联点的数目;
步骤S32:获取关联点nS在时的交通流量值:其中,表示关联点nS到目标检测点的延时;
步骤S33:统计平均这些空间关联点在对应时段的交通流量值,得到目标检测点在下一时段短时交通流量的空间关联预测值:
5.根据权利要求4所述的一种考虑时空相关性的短时交通流预测方法,其特征在于:在所述步骤S4中,利用熵值法得到短时交通流最终预测结果的过程如下:
步骤S41:假设支持向量机或神经网络对短时交通流量的预测值为PA(t+1),线性组合所述时间关联预测值、空间关联预测值和支持向量机或神经网络的预测值三个预测值,作为目标检测点短时交通流量的最终预测结果:
P(t+1)=λ1PA(t+1)+λ2PT(t+1)+λ3PS(t+1)
其中,融合权重λ1、λ2和λ3满足关系:λ1+λ2+λ3=1;
步骤S42:假设PA(t),PT(t)和PS(t)均是P(t)的无偏估计,且它们各自的归一化预测误差分别为e1(t),e2(t)和e3(t),则通过以下公式计算三者的融合权重:
其中,表示单个预测方法在当前时刻的相对误差率,N表示预测方法所采用的时间周期数。
6.根据权利要求1所述的一种考虑时空相关性的短时交通流预测方法,其特征在于:在所述步骤S5中,采用以下的评价标准对预测误差进行评价分析:
1)平均绝对百分误差(MAPE):
2)均方根误差(RMSE):
3)相关系数(R):
其中,Yi为实际交通量,Yi *为预测的交通流量,n为样本个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710352120.1A CN106971547B (zh) | 2017-05-18 | 2017-05-18 | 一种考虑时空相关性的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710352120.1A CN106971547B (zh) | 2017-05-18 | 2017-05-18 | 一种考虑时空相关性的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106971547A CN106971547A (zh) | 2017-07-21 |
CN106971547B true CN106971547B (zh) | 2019-06-04 |
Family
ID=59326170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710352120.1A Active CN106971547B (zh) | 2017-05-18 | 2017-05-18 | 一种考虑时空相关性的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971547B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性的短时交通流预测方法 |
CN108009469B (zh) * | 2017-10-24 | 2020-11-24 | 中国科学院电子学研究所苏州研究院 | 一种基于结构递归神经网络的海上油气平台检测方法 |
CN108022425B (zh) * | 2017-12-21 | 2020-05-05 | 东软集团股份有限公司 | 交通状况预测方法、装置和计算机设备 |
CN108399745B (zh) * | 2018-03-01 | 2020-10-16 | 北京航空航天大学合肥创新研究院 | 一种基于无人机的分时段城市路网状态预测方法 |
CN108629979B (zh) * | 2018-06-12 | 2020-08-21 | 浙江工业大学 | 一种基于历史和周边路口数据的拥堵预测算法 |
CN108564790B (zh) * | 2018-06-12 | 2020-12-22 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
CN108898851B (zh) * | 2018-06-20 | 2020-11-27 | 东南大学 | 城市道路断面交通量组合预测方法 |
CN109035762B (zh) * | 2018-06-28 | 2020-12-18 | 浙江大学 | 一种基于时空宽度学习的交通速度预测方法 |
CN108877223A (zh) * | 2018-07-13 | 2018-11-23 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
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 |
CN109637128B (zh) * | 2018-12-14 | 2021-06-18 | 南通大学 | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 |
CN109961180A (zh) * | 2019-03-15 | 2019-07-02 | 浙江工业大学 | 一种基于时空相关性的短时交通流量预测方法 |
CN110223517B (zh) * | 2019-06-20 | 2021-05-18 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110751828B (zh) * | 2019-09-10 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 一种路段拥堵测量方法、装置、计算机设备及存储介质 |
CN110751102B (zh) * | 2019-10-22 | 2023-12-22 | 天津财经大学 | 京津冀三地机场客流关联性分析方法及装置 |
CN111179591B (zh) * | 2019-12-30 | 2021-02-26 | 银江股份有限公司 | 一种路网交通时序特征数据质量诊断与修复方法 |
CN111340288B (zh) * | 2020-02-25 | 2024-04-05 | 武汉墨锦创意科技有限公司 | 一种顾及时空关联性的城市空气质量时序预测方法 |
CN111696369B (zh) * | 2020-04-10 | 2023-04-28 | 北京数城未来科技有限公司 | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 |
CN111710155A (zh) * | 2020-05-21 | 2020-09-25 | 东莞数汇大数据有限公司 | 一种道路间的拥堵关系分析方法及系统 |
CN112102610A (zh) * | 2020-07-27 | 2020-12-18 | 清华大学深圳国际研究生院 | 一种交通流量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN105389987A (zh) * | 2015-12-03 | 2016-03-09 | 青岛海信网络科技股份有限公司 | 一种道路交通状况预测方法及装置 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN106157616A (zh) * | 2016-06-29 | 2016-11-23 | 肖锐 | 一种交通流量短时预测装置 |
-
2017
- 2017-05-18 CN CN201710352120.1A patent/CN106971547B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN105389987A (zh) * | 2015-12-03 | 2016-03-09 | 青岛海信网络科技股份有限公司 | 一种道路交通状况预测方法及装置 |
CN106157616A (zh) * | 2016-06-29 | 2016-11-23 | 肖锐 | 一种交通流量短时预测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106971547A (zh) | 2017-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971547B (zh) | 一种考虑时空相关性的短时交通流预测方法 | |
CN110111575B (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
Zheng et al. | Detecting collective anomalies from multiple spatio-temporal datasets across different domains | |
Yuan et al. | Driving with knowledge from the physical world | |
Shang et al. | Inferring gas consumption and pollution emission of vehicles throughout a city | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
WO2018122804A1 (zh) | 一种非等距时空划分的道路交通异常检测方法 | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
Yao et al. | An optimization model for arterial coordination control based on sampled vehicle trajectories: The STREAM model | |
CN108399741A (zh) | 一种基于实时车辆轨迹数据的交叉口流量估计方法 | |
Yao et al. | Sampled trajectory data-driven method of cycle-based volume estimation for signalized intersections by hybridizing shockwave theory and probability distribution | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
Tufuor et al. | Calibrating the Highway Capacity Manual arterial travel time reliability model | |
Huber et al. | Modelling bicycle route choice in German cities using open data, MNL and the bikeSim web-app | |
Alhazzani et al. | Urban Attractors: Discovering patterns in regions of attraction in cities | |
Zhou et al. | Method for judging parking status based on yolov2 target detection algorithm | |
CN115798212B (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
Othman et al. | Enhancing realism in simulation through deep learning | |
CN113903171B (zh) | 一种基于高速路网时空特性的车辆群智感知节点优化方法 | |
CN110189029A (zh) | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 | |
Daraghmi et al. | Improved dynamic route guidance based on holt-winters-taylor method for traffic flow prediction | |
Kartika | Visual exploration of spatial-temporal traffic congestion patterns using floating car data | |
Liu et al. | City Routing Velocity Estimation Model under theEnvironment of Lack of Floating Car Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |