CN107464419A - 一种考虑时空特性的短时交通流预测方法 - Google Patents

一种考虑时空特性的短时交通流预测方法 Download PDF

Info

Publication number
CN107464419A
CN107464419A CN201710750113.7A CN201710750113A CN107464419A CN 107464419 A CN107464419 A CN 107464419A CN 201710750113 A CN201710750113 A CN 201710750113A CN 107464419 A CN107464419 A CN 107464419A
Authority
CN
China
Prior art keywords
mrow
msub
time
space
section
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.)
Pending
Application number
CN201710750113.7A
Other languages
English (en)
Inventor
孙智源
陈艳艳
宋程程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201710750113.7A priority Critical patent/CN107464419A/zh
Publication of CN107464419A publication Critical patent/CN107464419A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑时空特性的短时交通流预测方法，该方法属于智能交通管理领域。本发明通过关键路段预选，初步确定用于短时交通流预测的路段集合；进一步通过关键时段预选，选择最强相关性对应的时段；以关键路段预选和关键时刻预选的结果为基础，建立时空模型；基于后向逐步回归分析，设计确定系数与平均绝对百分误差的阈值，进行拟合优度检验和误差控制，实现模型系数标定；分析时空模型的动态噪声，进行时空模型的修正，建立考虑动态噪声的时空模型；基于极限学习机标定噪声与其影响因素的模式匹配关系，获得考虑动态噪声的时空模型，实现短时交通流预测。本方法也适用于交通流错误数据的修正和丢失数据的补充。

Description

一种考虑时空特性的短时交通流预测方法
技术领域
本发明属于智能交通管理领域，涉及一种考虑时空特性的短时交通流预测方法。本发明同时也适用于交通流错误数据的修正和丢失数据的补充。
背景技术
随着信息技术、通信技术、计算机技术等的快速发展，数字城市与智慧城市接踵而来，推动了大数据时代的来临。在交通领域，传统的数据采集向电子化设备与高级应用转变，助力交通大数据的形成与发展。
在大数据背景下，交通流的动态获取和长期存储成为可能，表现出了时间相关性、空间相关性和历史相关性等时空特性，为短时交通流预测、错误数据修正和丢失数据补充等奠定了基础。
发明内容
本发明的目的在于提出了一种考虑时空特性的短时交通流预测方法，通过该方法提高模型的数据预测精度。
为实现上述目的，本发明采用的技术方案为一种考虑时空特性的短时交通流预测方法，具体实现方法如下：
步骤一：关键路段预选，初步确定用于短时交通流预测的路段集合J′
从空间维度考虑，研究对象路段的交通流参数受上下游路段交通流参数的影响，不同路段所产生的影响不同。将影响大的路段定义为关键路段，予以保留；将影响小的路段定义为非关键路段，予以舍弃。从而得到上下游路段集合I′，进一步得到用于短时交通流预测的路段集合J′，J′＝{s,h,I′}，其中，h特指傅里叶变换获得的研究对象路段s的历史相关数据。
从定量角度将Pearson相关系数作为关键路段的度量标准：
式中，Vs(t)为研究对象路段s在第t个时段的交通流参数，代表流量qs(t)、速度vs(t)或占有率ρs(t)；Vi(t)为路段i在第t个时段的交通流参数，代表流量qi(t)、速度vi(t)或占有率ρi(t)；rs,i为研究对象路段s与路段i的Pearson相关系数，代表流量Pearson相关系数速度Pearson相关系数或占有率Pearson相关系数rs,i∈[-1,1]，rs,i＞0表示正相关，rs,i＜0表示负相关，|rs,i|＝1表示完全不等，|rs,i|＝0表示完全相等；为Vs(t)的算术平均值；为Vi(t)的算术平均值。
关于上下游路段集合I′的获取，将r0＝0.618作为阈值执行预选，r0为[0,1]区间的黄金分割点；具体步骤(如图1所示)如下：
Step 1：初始化，随机选择某个上/下游方向；
Step 2：沿着选定的上/下游方向，按照路段间距由小到大顺序计算rs,i；
Step 3：若rs,i＞r0，返回Step 2；否则，进行Step 4；
Step 4：若还有上/下游方向未被计算，更换上/下游方向，返回Step 2；否则，进行Step 5；
Step 5：将满足rs,i＞r0的路段i保留，得到路段集合I′。
步骤二：关键时段预选，针对关键路段预选的路段集合，选择最强相关性对应的时段
从时间维度考虑，不同时段内相同路段产生的影响也不同。将影响最大的时段定义为关键时段，予以保留，其他予以舍弃。将时空相关系数作为关键时段的度量标准：
rj＝max rj,d
式中，rj,d为Vs(t)与Vj(t-d)的时空相关系数，代表流量时空相关系数速度时空相关系数或占有率时空相关系数rj为rj,d的最大值，对应的t-d为关键时段；n为数据序列长度。
步骤三：时空模型建立，描述路段交通流的时空特性
综合考虑路段交通流的时间相关性、空间相关性和历史相关性，以关键路段预选和关键时刻预选获得的Vj(t-d)为基础，建立时空模型：
式中，ε为修正参数；ωj为归一化的系数，j∈J′。
ωj的计算方法如下：
s.t.
ωj＞0
j∈J′
步骤四：模型系数标定，获得时空模型
基于后向逐步回归分析，设计确定系数R2的阈值，进行拟合优度检验；同时考虑误差控制，设计平均绝对百分误差MAPE的阈值，进行模型误差检验，具体步骤(如图2所示)如下：
Step 1：对于j∈J′，拟合时空模型，获得修正参数ε；
Step 2：进行拟合优度检验，若R2≥0.90，进行Step 4；否则，进行Step 3；
Step 3：删去显著性最差的j，更新J′，返回Step 1；
Step 4：进行训练集误差检验，若MAPE≤0.10，停止，记最终的路段集合为J″；否则，返回Step 3。
步骤五：时空模型修正，建立考虑动态噪声的时空模型
分析时空模型的动态噪声，进行模型修正，建立考虑动态噪声的时空模型：
s.t.
Δ(t)∈[-σ,σ]
j∈J″
式中，Δ(t)为动态噪声项，噪声估计以时空模型为基础，而不是重新建立一套方法，噪声的大小存在约束；σ为标准偏差。
步骤六：动态噪声估计，标定噪声与其影响因素的模式匹配关系
按照交通状态的时变特征，将1日交通流切分成若干个时段，假设每个时段的交通状态相差不大。考虑高峰小时特性，切分结果为时段T1为7:00至10:00，时段T2为10:00至17:00，时段T3为17:00至20:00，时段T4为20:00至次日7:00。对每个时段，独立估计不同时段的动态噪声。
在相同的交通状态下，动态噪声呈现时变特性，并与时空模型中各个路段的交通流参数相关，因此，动态噪声通过如下的模式匹配关系进行估计：
s.t.
j∈J″
式中，fD(·)定义求解动态噪声的模式匹配关系函数。
基于极限学习机标定噪声与其影响因素的模式匹配关系，网络训练模型采用前向单隐层结构，具体步骤如下：
Step 1：确定隐含层神经元的个数，引入一个无限可微的函数g作为隐含层神经元的激活函数；
Step 2：随机选取输入层与隐含层间的连接权值ξ，以及隐含层神经元的偏置
Step 3：计算隐含层输出矩阵；
Step 4：计算隐含层与输出层间的连接权值ψ。
附图说明
图1是关键路段预选的流程图。
图2是逐步回归的流程图。
图3是算例路网图。
图4是拟合优度图。
图5是极限学习机训练效果图。
图6为本发明的实施流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的内容，下面结合附图和实施例对本发明所提供的技术方案作进一步的详细描述本专利。
应用某路网的交通流数据进行算例研究，研究对象路段s及其近邻路段如图3所示。以各路段1周的交通流数据作为基础，进行动态交通流时空模型研究。交通流数据由检测器获取，每5min可获得1条数据，每条数据包括检测时段及速度、流量、占有率参数，每个路段2016条数据。
步骤一和步骤二：关键路段预选和关键时段预选
计算获得路段集合J′、rj及对应的关键时段t-d。流量参数角度共预选关键路段16条，速度参数角度共预选关键路段7条，占有率参数角度共预选关键路段9条。结果如表1所示，按照rj大小，仅列举了前5位。
表1关键路段预选和关键时段预选的结果
步骤三和步骤四：根据关键路段预选和关键时段预选的结果，建立时空模型，基于后向逐步回归分析，进行变量系数标定：
qs(t)＝0.3307×qs(t-5)+0.3247×q3(t-5)
+0.3209×qh(t)-60.4075
vs(t)＝0.2214×vs(t-5)+0.2210×v3(t-5)
+0.2190×v9(t-5)+0.2090×vh(t)
+0.1851×v1(t-5)-1.5057
ρs(t)＝0.3397×ρs(t-5)+0.3388×ρ3(t-5)
+0.3337×ρ9(t-5)-0.4451
拟合优度如图4所示，流量参数拟合的确定系数为0.90，速度参数拟合的确定系数为0.95，占有率参数拟合的确定系数为0.97。
步骤五和步骤六：基于极限学习机，从流量、速度、占有率等3个方面，分别对4个时段的数据进行训练，记录对应的ξ、g、ψ。
极限学习机训练效果分析如图5所示，对比时空模型和考虑动态噪声的时空模型，通过动态噪声的估计，4个时段均得到了修正，提高了模型的精度。
考虑到交通流在高峰和非高峰期间的变化明显，选用平均绝对百分误差进行精度分析，如表2所示。本发明提出的方法具有较高的精度。
表2误差分析

Claims (7)

1.一种考虑时空特性的短时交通流预测方法，其特征在于，本方法的步骤如下：
步骤一：关键路段预选
从空间维度定义关键路段，将Pearson相关系数作为关键路段的度量标准，并将[0,1]区间的黄金分割点0.618作为阈值执行预选，从而得到相关性较强的上下游路段集合，进一步得到用于短时交通流预测的路段集合；
步骤二：关键时段预选
从时间维度定义关键时段，将时空相关系数作为关键时段的度量标准，针对关键路段预选的路段集合，选择最强相关性对应的时段；
步骤三：时空模型建立
综合考虑路段交通流的时间相关性、空间相关性和历史相关性，以关键路段预选和关键时刻预选的结果为基础，建立时空模型；
步骤四：模型系数标定
基于后向逐步回归分析，设计确定系数与平均绝对百分误差的阈值，进行拟合优度检验和误差控制，实现模型系数标定；
步骤五：时空模型修正
分析时空模型的动态噪声，进行时空模型的修正，建立考虑动态噪声的时空模型；
步骤六：动态噪声估计；
基于极限学习机标定噪声与其影响因素的模式匹配关系，获得考虑动态噪声的时空模型。
2.根据权利要求1所述的一种考虑时空特性的短时交通流预测方法，其特征在于：步骤一的实施过程如下，
关键路段预选，初步确定用于短时交通流预测的路段集合J′
从空间维度考虑，研究对象路段的交通流参数受上下游路段交通流参数的影响，不同路段所产生的影响不同；将影响大的路段定义为关键路段，予以保留；将影响小的路段定义为非关键路段，予以舍弃；从而得到上下游路段集合I′，进一步得到用于短时交通流预测的路段集合J′(J′＝{s,h,I′})，其中，h特指傅里叶变换获得的研究对象路段s的历史相关数据；
将Pearson相关系数作为关键路段的度量标准：
<mrow> <msub> <mi>r</mi> <mrow> <mi>s</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <msub> <mi>V</mi> <mi>s</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>V</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <mo>&amp;Sigma;</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>V</mi> <mi>s</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;Sigma;</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>V</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mover> <mi>V</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mfrac> </mrow>
式中，Vs(t)为研究对象路段s在第t个时段的交通流参数，代表流量qs(t)、速度vs(t)或占有率ρs(t)；Vi(t)为路段i在第t个时段的交通流参数，代表流量qi(t)、速度vi(t)或占有率ρi(t)；rs,i为研究对象路段s与路段i的Pearson相关系数，代表流量Pearson相关系数速度Pearson相关系数或占有率Pearson相关系数rs,i∈[-1,1]，rs,i＞0表示正相关，rs,i＜0表示负相关，|rs,i|＝1表示完全不等，|rs,i|＝0表示完全相等；为Vs(t)的算术平均值；为Vi(t)的算术平均值；
关于上下游路段集合I′的获取，将r0＝0.618作为阈值执行预选，具体步骤如下：
Step 1：初始化，随机选择某个上/下游方向；
Step 2：沿着选定的上/下游方向，按照路段间距由小到大顺序计算rs,i；
Step 3：若rs,i＞r0，返回Step 2；否则，进行Step 4；
Step 4：若还有上/下游方向未被计算，更换上/下游方向，返回Step 2；否则，进行Step5；
Step 5：将满足rs,i＞r0的路段i保留，得到路段集合I′。
3.根据权利要求1所述的一种考虑时空特性的短时交通流预测方法，其特征在于：步骤二的实施过程如下，
关键时段预选，针对关键路段预选的路段集合，选择最强相关性对应的时段；
从时间维度考虑，不同时段内相同路段产生的影响也不同；将影响最大的时段定义为关键时段，予以保留，其他予以舍弃；将时空相关系数作为关键时段的度量标准：
rj＝max rj,d
<mrow> <msub> <mi>r</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>d</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </munderover> <msub> <mi>V</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msub> <mi>V</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mi>d</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </munderover> <msub> <mi>V</mi> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </munderover> <msub> <mi>V</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mi>d</mi> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </munderover> <msubsup> <mi>V</mi> <mi>s</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </mfrac> <msup> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </munderover> <msub> <mi>V</mi> <mi>s</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;rsqb;</mo> <mo>&amp;times;</mo> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </munderover> <msubsup> <mi>V</mi> <mi>j</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mi>d</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </mfrac> <msup> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mi>d</mi> </mrow> </munderover> <msub> <mi>V</mi> <mi>j</mi> </msub> <mo>(</mo> <mrow> <mi>t</mi> <mo>-</mo> <mi>d</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;rsqb;</mo> </mrow> </msqrt> </mfrac> </mrow>
式中，rj,d为Vs(t)与Vj(t-d)的时空相关系数，代表流量时空相关系数速度时空相关系数或占有率时空相关系数rj为rj,d的最大值，对应的t-d为关键时段；n为数据序列长度。
4.根据权利要求1所述的一种考虑时空特性的短时交通流预测方法，其特征在于：步骤三的实现过程如下，
时空模型建立，描述路段交通流的时空特性
综合考虑路段交通流的时间相关性、空间相关性和历史相关性，以关键路段预选和关键时刻预选获得的Vj(t-d)为基础，建立时空模型：
式中，ε为修正参数；ωj为归一化的系数，j∈J′；
ωj的计算方法如下：
<mrow> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>r</mi> <mi>j</mi> </msub> <mrow> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msub> <mi>r</mi> <mi>j</mi> </msub> </mrow> </mfrac> </mrow>
s.t.
<mrow> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <mo>=</mo> <mn>1</mn> </mrow>
ωj＞0
j∈J′。
5.根据权利要求1所述的一种考虑时空特性的短时交通流预测方法，其特征在于：步骤四的实现过程如下，
模型系数标定，获得时空模型；
基于后向逐步回归分析，设计确定系数R2的阈值，进行拟合优度检验；同时考虑误差控制，设计平均绝对百分误差MAPE的阈值，进行模型误差检验，具体步骤如下：
Step 1：对于j∈J′，拟合时空模型，获得修正参数ε；
Step 2：进行拟合优度检验，若R2≥0.90，进行Step 4；否则，进行Step 3；
Step 3：删去显著性最差的j，更新J′，返回Step 1；
Step 4：进行训练集误差检验，若MAPE≤0.10，停止，记最终的路段集合为J″；否则，返回Step 3。
6.根据权利要求1所述的一种考虑时空特性的短时交通流预测方法，其特征在于：步骤五的实现过程如下，
分析时空模型的动态噪声，进行模型的修正，建立考虑动态噪声的时空模型：
s.t.
Δ(t)∈[-σ,σ]
j∈J″
式中，Δ(t)为动态噪声项，噪声估计以时空模型为基础，而不是重新建立一套方法，噪声的大小存在约束；σ为标准偏差。
7.根据权利要求1所述的一种考虑时空特性的短时交通流预测方法，其特征在于：步骤六的实现过程如下，
动态噪声估计，标定噪声与其影响因素的模式匹配关系；
按照交通状态的时变特征，将1日交通流切分成若干个时段，假设每个时段的交通状态相差不大；考虑高峰小时特性，切分结果为：时段T1为7:00至10:00，时段T2为10:00至17:00，时段T3为17:00至20:00，时段T4为20:00至次日7:00；对每个时段，独立估计不同时段的动态噪声；
在相同的交通状态下，动态噪声呈现时变特性，并与时空模型中各个路段的交通流参数相关，因此，动态噪声通过如下的模式匹配关系进行估计：
s.t.
j∈J″
式中，fD(·)定义求解动态噪声的模式匹配关系函数；
基于极限学习机标定噪声与其影响因素的模式匹配关系。
CN201710750113.7A 2017-08-28 2017-08-28 一种考虑时空特性的短时交通流预测方法 Pending CN107464419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710750113.7A CN107464419A (zh) 2017-08-28 2017-08-28 一种考虑时空特性的短时交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710750113.7A CN107464419A (zh) 2017-08-28 2017-08-28 一种考虑时空特性的短时交通流预测方法

Publications (1)

Publication Number Publication Date
CN107464419A true CN107464419A (zh) 2017-12-12

Family

ID=60550720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710750113.7A Pending CN107464419A (zh) 2017-08-28 2017-08-28 一种考虑时空特性的短时交通流预测方法

Country Status (1)

Country Link
CN (1) CN107464419A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346287A (zh) * 2018-01-30 2018-07-31 浙江大学 基于影响因素分析的交通流量序列模式匹配方法
CN108399745A (zh) * 2018-03-01 2018-08-14 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
CN108492568A (zh) * 2018-04-25 2018-09-04 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
CN108665705A (zh) * 2018-05-18 2018-10-16 西南交通大学 交通诱导统计模型校对方法及装置
CN109035762A (zh) * 2018-06-28 2018-12-18 浙江大学 一种基于时空宽度学习的交通速度预测方法
CN109377752A (zh) * 2018-10-19 2019-02-22 桂林电子科技大学 短时交通流变化预测方法、装置、计算机设备及存储介质
CN109697849A (zh) * 2018-12-26 2019-04-30 航天科工广信智能技术有限公司 基于滑动平均算法的智能交通时段划分方法
CN109816983A (zh) * 2019-02-26 2019-05-28 昆明理工大学 一种基于深度残差网络的短时交通流量预测方法
CN110223517A (zh) * 2019-06-20 2019-09-10 青岛科技大学 基于时空相关性的短时交通流量预测方法
CN110444011A (zh) * 2018-05-02 2019-11-12 杭州海康威视系统技术有限公司 交通流高峰识别方法、装置、电子设备及存储介质
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 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
CN112257290A (zh) * 2020-11-09 2021-01-22 中国科学院深圳先进技术研究院 一种噪音模拟方法、系统、终端以及存储介质
CN112382089A (zh) * 2020-11-11 2021-02-19 湖南大学 一种基于路网有向图和并联长短时记忆网络的交通枢纽节点流量预测方法
CN113533644A (zh) * 2021-06-26 2021-10-22 西北工业大学 基于无人机的对面源常规大气污染物的监测方法
CN113743204A (zh) * 2021-07-29 2021-12-03 北京工业大学 一种基于感知需求的高速公路传感设备选型及优化布局方法
CN116504076A (zh) * 2023-06-19 2023-07-28 贵州宏信达高新科技有限责任公司 基于etc门架数据的高速公路车流量预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700255A (zh) * 2013-12-30 2014-04-02 复旦大学 一种基于时空关联数据挖掘的交通流预测方法
CN104408913A (zh) * 2014-11-03 2015-03-11 东南大学 一种考虑时空相关性的交通流三参数实时预测方法
KR20150072471A (ko) * 2013-12-19 2015-06-30 건국대학교 산학협력단 시공간 확률 모델을 이용한 교통 흐름 예측 시스템
CN105702029A (zh) * 2016-02-22 2016-06-22 北京航空航天大学 一种分时段考虑时空关联性的快速路交通状态预测方法
CN106971547A (zh) * 2017-05-18 2017-07-21 福州大学 一种考虑时空相关性的短时交通流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150072471A (ko) * 2013-12-19 2015-06-30 건국대학교 산학협력단 시공간 확률 모델을 이용한 교통 흐름 예측 시스템
CN103700255A (zh) * 2013-12-30 2014-04-02 复旦大学 一种基于时空关联数据挖掘的交通流预测方法
CN104408913A (zh) * 2014-11-03 2015-03-11 东南大学 一种考虑时空相关性的交通流三参数实时预测方法
CN105702029A (zh) * 2016-02-22 2016-06-22 北京航空航天大学 一种分时段考虑时空关联性的快速路交通状态预测方法
CN106971547A (zh) * 2017-05-18 2017-07-21 福州大学 一种考虑时空相关性的短时交通流预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUA-PU LU ET AL.: "Three-stage approach for dynamic traffic temporal-spatial model", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 *
NICHOLAS G. POISON ET AL.: "Deep learning for short-term traffic flow prediction", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》 *
夏英等: "基于时空分析的短时交通流量预测模型", 《南京大学学报(自然科学)》 *
陆化普等: "基于时空模型的交通流故障数据修正方法", 《交通运输工程学报》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346287A (zh) * 2018-01-30 2018-07-31 浙江大学 基于影响因素分析的交通流量序列模式匹配方法
CN108346287B (zh) * 2018-01-30 2020-08-04 浙江大学 基于影响因素分析的交通流量序列模式匹配方法
CN108399745A (zh) * 2018-03-01 2018-08-14 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
CN108492568A (zh) * 2018-04-25 2018-09-04 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
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
CN110444011A (zh) * 2018-05-02 2019-11-12 杭州海康威视系统技术有限公司 交通流高峰识别方法、装置、电子设备及存储介质
CN108665705A (zh) * 2018-05-18 2018-10-16 西南交通大学 交通诱导统计模型校对方法及装置
CN109035762A (zh) * 2018-06-28 2018-12-18 浙江大学 一种基于时空宽度学习的交通速度预测方法
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 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
CN109377752A (zh) * 2018-10-19 2019-02-22 桂林电子科技大学 短时交通流变化预测方法、装置、计算机设备及存储介质
CN109697849A (zh) * 2018-12-26 2019-04-30 航天科工广信智能技术有限公司 基于滑动平均算法的智能交通时段划分方法
CN109816983A (zh) * 2019-02-26 2019-05-28 昆明理工大学 一种基于深度残差网络的短时交通流量预测方法
CN110223517A (zh) * 2019-06-20 2019-09-10 青岛科技大学 基于时空相关性的短时交通流量预测方法
CN112257290A (zh) * 2020-11-09 2021-01-22 中国科学院深圳先进技术研究院 一种噪音模拟方法、系统、终端以及存储介质
CN112382089A (zh) * 2020-11-11 2021-02-19 湖南大学 一种基于路网有向图和并联长短时记忆网络的交通枢纽节点流量预测方法
CN113533644A (zh) * 2021-06-26 2021-10-22 西北工业大学 基于无人机的对面源常规大气污染物的监测方法
CN113743204A (zh) * 2021-07-29 2021-12-03 北京工业大学 一种基于感知需求的高速公路传感设备选型及优化布局方法
CN113743204B (zh) * 2021-07-29 2024-04-19 北京工业大学 一种基于感知需求的高速公路传感设备选型及优化布局方法
CN116504076A (zh) * 2023-06-19 2023-07-28 贵州宏信达高新科技有限责任公司 基于etc门架数据的高速公路车流量预测方法

Similar Documents

Publication Publication Date Title
CN107464419A (zh) 一种考虑时空特性的短时交通流预测方法
CN110223517B (zh) 基于时空相关性的短时交通流量预测方法
CN106205126B (zh) 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
CN102867407B (zh) 一种停车场有效泊位占有率多步预测方法
CN109255505B (zh) 一种多模型融合神经网络的短期负荷预测方法
CN104900063B (zh) 一种短程行驶时间预测方法
CN104134351B (zh) 一种短时交通流预测方法
CN103942461B (zh) 基于在线贯序极限学习机的水质参数预测方法
CN106127329A (zh) 订单预测方法与装置
CN106447119A (zh) 一种基于卷积神经网络的短期交通流量预测方法及系统
CN112071062B (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
CN104951836A (zh) 基于神经网络技术的发帖预测系统
CN111461500B (zh) 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法
CN105335892A (zh) 一种社交网络重要用户发现的实现方法
CN113762338B (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN103927891A (zh) 一种基于双贝叶斯的路口动态转向比例两步预测方法
CN105005701A (zh) 一种基于属性与评分的个性化推荐方法
CN108734958A (zh) 一种交通速度预测方法
Mao et al. A comparison of deep reinforcement learning models for isolated traffic signal control
CN105843189A (zh) 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法
CN103116698A (zh) 一种基于三次样条的gm(1,1)模型预测方法
CN110119838A (zh) 一种共享单车需求预测系统、方法及装置
CN105844334A (zh) 一种基于径向基神经网络的温度插值算法
Zou et al. Short-term traffic flow prediction based on PCC-BiLSTM
CN103745602A (zh) 一种基于滑窗平均的交通流量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171212

RJ01 Rejection of invention patent application after publication