CN107730887A - 实现交通流量预测的方法及装置、可读存储介质 - Google Patents
实现交通流量预测的方法及装置、可读存储介质 Download PDFInfo
- Publication number
- CN107730887A CN107730887A CN201710963496.6A CN201710963496A CN107730887A CN 107730887 A CN107730887 A CN 107730887A CN 201710963496 A CN201710963496 A CN 201710963496A CN 107730887 A CN107730887 A CN 107730887A
- Authority
- CN
- China
- Prior art keywords
- tensor
- time
- region
- propinquity
- time interval
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明揭示了一种实现交通流量预测的方法及装置、可读存储介质。所述方法包括:获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据;根据流量数据和浮动车辆轨迹数据获得区域中交通流量的流入基数和流出基数;按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述区域历史交通流量的张量;通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出区域在下一时间间隔的张量预测初始值;根据区域在下一时间间隔的张量预测初始值获得区域在下一时间间隔的张量预测值。从而解决了预测的交通流量受时间特征的影响而准确性不高的技术问题。
Description
技术领域
本发明涉及交通控制与管理领域,特别涉及一种实现交通流量预测的方法及装置、可读存储介质。
背景技术
随着城市交通的高速发展,对交通流量的预测对交通管理和公共安全至关重要。现有的实现交通流量预测的方法中,通过获取分析历史交通流量的流量数据,来实现未来的某一时间间隔的交通流量的预测,以便提前启动预警机制,及早疏导人群和车流,保障区域内短时车流和人口密度在安全范围内,从而防范重大交通事故和灾难性城市安全事件(如踩踏事件)的发生。
由上述方法可知,该实现交通流量预测的方法中,由于不同时间特征的历史交通流量对于预测的交通流量的影响不同,例如一个小时前的历史交通流量对于预测的交通流量的的影响要大于一个月前的历史交通流量对于预测的交通流量的影响,因此存在着预测的交通流量受时间特征的影响而准确性不高的技术问题。
发明内容
为了解决相关技术中存在着预测的交通流量受时间特征的影响,而准确性不高的技术问题,本发明提供了一种实现交通流量预测的方法及装置、可读存储介质。
一种实现交通流量预测的方法,所述方法包括:
获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据;
根据所述流量数据和浮动车辆轨迹数据获得所述区域中交通流量的流入基数和流出基数,所述流入基数和流出基数形成描述所述区域当前时间间隔交通流量的张量;
按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述所述区域历史交通流量的张量,所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列;
将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出所述区域在下一时间间隔的张量预测初始值;
根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值。
一种实现交通流量预测的装置,所述装置包括:
数据获取模块,用于获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据;
基数获取模块,用于根据所述流量数据和浮动车辆轨迹数据获得所述区域中交通流量的流入基数和流出基数,所述流入基数和流出基数形成描述所述区域当前时间间隔交通流量的张量;
序列获取模块,用于按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述所述区域历史交通流量的张量,所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列;
输出模块,用于将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出所述区域在下一时间间隔的张量预测初始值;
预测模块,用于根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值。
一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据;
根据所述流量数据和浮动车辆轨迹数据获得所述区域中交通流量的流入基数和流出基数,所述流入基数和流出基数形成描述所述区域当前时间间隔交通流量的张量;
按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述所述区域历史交通流量的张量,所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列;
将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出所述区域在下一时间间隔的张量预测初始值;
根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述的实现交通流量预测的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述区域历史交通流量的张量,张量与描述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列,将邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出区域在下一时间间隔的张量预测初始值,并根据区域在下一时间间隔的张量预测初始值获得区域在下一时间间隔的张量预测值。从而按照邻近性时间特征、周期性时间特征和趋势性时间特征,形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列,且运算融合输出区域在下一时间间隔的张量预测初始值,并根据区域在下一时间间隔的张量预测初始值获得区域在下一时间间隔的张量预测值,从而按照不同时间特征,获得区域在下一时间间隔的张量预测值,避免了时间特征对预测的交通流量的影响,解决了预测的交通流量受时间特征的影响而准确性不高的技术问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种实现交通流量预测的方法的流程图;
图2是图1对应实施例的步骤150在一个实施例的流程图;
图3是图1对应实施例的步骤170在一个实施例的流程图;
图4是根据另一示例性实施例示出的一种实现交通流量预测的方法的流程图;
图5是区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据的示意图;
图6是实现交通流量预测的深度多维残差神经网络的示意图;
图7是根据一示例性实施例示出的一种实现交通流量预测的装置框图;
图8是图7对应实施例的序列获取模块在一个实施例的框图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的方法和装置的例子。
图1是根据一示例性实施例示出的一种实现交通流量预测的方法的流程图。如图1所示,该实现交通流量预测的方法可以包括以下步骤。
在步骤110中,获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据。
其中,区域所关联路口线圈和卡口是监测区域中测量流入区域和流出区域流量的路口线圈和卡口,测量流入区域和流出区域的流量得到的即为流量数据。浮动车辆指观察获取轨迹数据的目标车辆。由于出租车辆的流动性大,流动范围广,且出租车更方便进行锁定追踪,因此通常用出租车作为浮动车辆。浮动车辆的轨迹数据是监测到浮动车辆在区域中的运动轨迹得到的数据。
在步骤130中,根据流量数据和浮动车辆轨迹数据获得区域中交通流量的流入基数和流出基数,流入基数和流出基数形成描述区域当前时间间隔交通流量的张量。
其中,将区域分为一个基于经度和纬度的I×J网格,其中,位于第i行第j列的区域表示为(i,j)。根据根据流量数据和浮动车辆轨迹数据获得区域中交通流量的流入基数和流出基数的公式为:
其中,P是当前时间间隔的流量数据的集合,Tr:g1→g2→...→g|Tr|是P中的浮动车辆轨迹数据,gk是地理空间坐标;gk∈(i,j),表示点gk位于网格(i,j)内,反之亦然。
由上述公式可知,流入基数是指在浮动车辆轨迹数据中,上一轨迹数据不在区域(i,j)中,而下一轨迹数据在区域(i,j)中的浮动车辆轨迹数据集合,与之相对的,流出基础是指在浮动车辆轨迹数据中,上一轨迹数据在区域(i,j)中,而下一轨迹数据不在区域(i,j)中的浮动车辆轨迹数据集合。
计算出当前时间间隔内所有I×J区域内的流入基数和流出基数,形成描述区域交通流量的张量。其中,张量可以表示为Xt∈R2×I×J,其中,设置当前时间间隔交通流量的张量为Xt-1。
在步骤150中,按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述区域历史交通流量的张量,张量与描述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。
其中,邻近性时间特征、周期性时间特征和趋势性时间特征为三种时间间隔不同的时间特征,邻近性时间特征小于周期性时间特征小于趋势性时间特征。在一个示例性实施例的具体实现中,邻近性时间特征为一个小时,周期性时间特征为一天,趋势性时间特征为一周。
按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述区域邻近性时间特征、周期性时间特征和趋势性时间特征的历史交通流量的张量,将张量和描述区域当前时间间隔交通流量的张量连接起来,从而分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。邻近性时间依赖关系序列包含从邻近性时间特征至当前时间间隔的交通流量的张量,同理,周期性时间依赖关系序列包含从周期性时间特征至当前时间间隔的交通流量的张量,趋势性时间依赖关系序列包含从趋势性时间特征至当前时间间隔的交通流量的张量。
在步骤170中,将邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出区域在下一时间间隔的张量预测初始值。
其中,通过构建出的邻近性深度残差网络运算,同理将周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过周期性深度残差网络和趋势性深度残差网络运算,并将得到的运算结果融合,输出区域在下一时间间隔的张量预测初始值,张量预测初始值用于得到实现交通流量预测的预测值。
在步骤190中,根据区域在下一时间间隔的张量预测初始值获得区域在下一时间间隔的张量预测值。
其中,区域在下一时间间隔的张量预测值为实现交通流量预测的预测值,根据区域在下一时间间隔的张量预测初始值获得区域在下一时间间隔的张量预测值,可以将张量预测初始值直接作为张量预测值进行输出,也可以对张量预测初始值进行处理计算,得到张量预测值进行输出,从而使交通流量的预测结果更为准确。
此实施例按照不同时间特征,获得区域在下一时间间隔的张量预测值,避免了时间特征对预测的交通流量的影响,解决了预测的交通流量受时间特征的影响而准确性不高的技术问题。
图2是图1对应实施例的步骤150在一个实施例的流程图。如图2所示,该步骤150可以包括以下步骤。
在步骤151中,按照邻近性时间特征、周期性时间特征和趋势性时间特征,获取以当前时间间隔为起始向已发生时间自延伸的邻近性时间片段、周期性时间片段和趋势性时间片段。
其中,设置k为邻近性时间特征,则获取从当前时间间隔为起始向已发生时间自延伸k时间间隔的时间片段,作为邻近性时间片段。同理按照周期性时间特征和趋势性时间特征,获取以当前时间间隔为起始向已发生时间自延伸的获取周期性时间片段和趋势性时间片段。
在步骤153中,分别从邻近性时间片段、周期性时间片段和趋势性时间片段提取区域历史交通流量所对应的张量。
其中,根据邻近性时间片段、周期性时间片段和趋势性时间片段,获取邻近性时间片段、周期性时间片段和趋势性时间片段对应的区域历史交通流量对应的张量,获取的张量的时间间隔分别为邻近性时间特征、周期性时间特征和趋势性时间特征。
在步骤155中,将提取的张量与描述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。
其中,设置k为邻近性时间特征,则将提取的张量与描述区域当前时间间隔交通流量的张量作为一个张量连接起来,形成邻近性时间依赖关系序列,得到的邻近性时间依赖关系序列为[Xt-lc,Xt-(lc-1),···,Xt-1],其中,Xt-1为当前时间间隔交通流量的张量。表示从当前时间间隔Xt-1到邻近性时间特征k的历史交通流量的张量集合。同理将提取的张量与描述区域当前时间间隔交通流量的张量形成周期性时间依赖关系序列和趋势性时间依赖关系序列。
此实施例实现了按照邻近性时间特征、周期性时间特征和趋势性时间特征,获取邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。
图3是图1对应实施例的步骤170在一个实施例的流程图。如图3所示,该步骤170可以包括以下步骤。
在步骤171中,将邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络根据可学习参数进行卷积运算,得到邻近性时间依赖关系张量,周期性时间依赖关系张量和趋势性时间依赖关系张量。
其中,可学习参数为通过邻近性深度残差网络,对邻近性时间依赖关系序列进行运算的参数。将邻近性时间依赖关系序列通过邻近性深度残差网络,根据可学习参数进行卷积运算,得到邻近性时间依赖关系张量的方法为
其中,*代表卷积,f是激活函数,Wc,bc是可学习参数。对邻近性时间依赖关系序列进行卷积,得到的结果为将邻近性时间依赖关系序列卷积后的邻近性时间依赖关系张量Xc。
同理将周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过周期性深度残差网络和趋势性深度残差网络根据可学习参数进行卷积运算,得到周期性时间依赖关系张量Xp和趋势性时间依赖关系张量Xq。
在步骤173中,根据融合可学习参数,融合邻近性时间依赖关系张量,周期性时间依赖关系张量和趋势性时间依赖关系张量,输出区域在下一时间间隔的张量预测初始值。
其中,融合可学习参数为融合邻近性时间依赖关系张量,周期性时间依赖关系张量和趋势性时间依赖关系张量的运算参数。
融合邻近性时间依赖关系张量,周期性时间依赖关系张量和趋势性时间依赖关系张量的方法为
其中,XRes为输出的区域在下一时间间隔的张量预测初始值,Wc、Wp和Wq为融合可学习参数,在Hadamard乘积(即元素乘法)中,Wc、Wp和Wq分别是调整受邻近性时间特征、周期性邻近性时间和趋势性邻近性时间影响程度的融合可学习参数。
此实施例实现了输出区域在下一时间间隔的张量预测初始值。
在一个示例性实施例中,该实现交通流量预测的方法还可以包括以下步骤。
根据区域当前时间间隔的外部影响特征,获得区域在下一时间间隔的张量预测参考值。
其中,交通流量可能受到许多复杂的外部影响特征的影响,如天气和假期事件。假期(中国春节)的交通流量与正常的交通流量有明显差异。同样,大雨也减少了交通流量。令Et是代表在下一时间间隔的外部影响特征的特征向量。将考虑天气,假期事件和元数据(即平日/周末)。为了在下一时间间隔预测交通流量,其中假期事件和元数据可以直接获取。然而,下一时间间隔的天气未知。此时可以当前时间间隔的天气来预测下一时间间隔的天气。在Et上堆叠两个全连接层,第一层可以被视为每个子因子的嵌入层,然后连接激活函数。第二层用于映射与Xt具有相同形状的低至高维度。获得区域在下一时间间隔的张量预测参考值XExt,其中参数是θExt。
此实施例实现了根据区域当前时间间隔的外部影响特征,获得张量预测参考值。
在一个示例性实施例中,图1对应实施例的步骤190可以包括以下步骤。
聚合张量预测初始值和张量预测参考值,获得区域在下一时间间隔的张量预测值。
其中,聚合张量预测初始值和张量预测参考值方法为
其中,tanh函数将聚合的张量预测初始值XRes和张量预测参考值XExt映射到[-1,1]中,从而在反向传播学习过程中产生比标准逻辑函数更快的收敛速度,得到的为下一时间间隔的张量预测值。
在一个示例性实施例的具体实现中,也可以直接聚合聚合张量预测初始值XRes和张量预测参考值XExt,获得区域在下一时间间隔的张量预测值。
此实施例实现了获得区域在下一时间间隔的张量预测值。
图4是根据另一示例性实施例示出的一种实现交通流量预测的方法的流程图。如图4所示,该实现交通流量预测的方法还可以包括以下步骤。
在步骤210中,获取区域在下一时间间隔的张量实际值。
其中,通过下一时间间隔的流量数据和浮动车辆轨迹数据获得区域在下一时间间隔的张量实际值Xt。
在步骤230中,根据张量实际值和张量预测值的平均平方差值,修正区域在下一时间间隔的张量预测值。
其中,张量实际值和张量预测值的平均平方差值计算方法为
其中,通过计算张量实际值Xt和张量预测值的平均平方差值,来训练Xt的预测结果,从而修正在下一时间间隔的张量预测值,使得之后获得的张量预测值的准确度更高。
此实施例实现了修正区域在下一时间间隔的张量预测值,使张量预测值的准确度更高。
图5是区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据的示意图。左边表示区域所关联路口线圈和卡口的流量数据,右边表示区域所关联路口线圈和卡口的流量数据的浮动车辆轨迹数据。
图6是实现交通流量预测的深度多维残差神经网络的示意图。
其中,通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出区域在下一时间间隔的张量预测初始值XRes。根据区域当前时间间隔的外部影响特征(例如天气,假期事件,活动等),获得区域在下一时间间隔的张量预测参考值XExt。聚合张量预测初始值XRes和张量预测参考值XExt,获得所述区域在下一时间间隔的张量预测值。并通过计算张量实际值Xt和张量预测值的平均平方差值,修正在下一时间间隔的张量预测值。
图7是根据一示例性实施例示出的一种实现交通流量预测的装置框图。该装置执行图1任一所示的实现交通流量预测的方法的全部或者部分步骤,如图7所示,该装置包括但不限于:数据获取模块310,基数获取模块330,序列获取模块350,输出模块370和预测模块390。
数据获取模块310用于获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据。
基数获取模块330用于根据流量数据和浮动车辆轨迹数据获得区域中交通流量的流入基数和流出基数,流入基数和流出基数形成描述区域当前时间间隔交通流量的张量。
序列获取模块350用于按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述区域历史交通流量的张量,张量与描述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。
输出模块370用于将邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出区域在下一时间间隔的张量预测初始值。
预测模块390用于根据区域在下一时间间隔的张量预测初始值获得区域在下一时间间隔的张量预测值。
图8是图7对应实施例的序列获取模块在一个实施例的框图。如图8所示,该序列获取模块350包括但不限于:时间片段获取单元351,提取单元353和序列形成单元355。
时间片段获取单元351用于按照邻近性时间特征、周期性时间特征和趋势性时间特征,获取以当前时间间隔为起始向已发生时间自延伸的邻近性时间片段、周期性时间片段和趋势性时间片段。
提取单元353用于分别从邻近性时间片段、周期性时间片段和趋势性时间片段提取区域历史交通流量所对应的张量。
序列形成单元355用于将提取的张量与描述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。
在一个示例性实施例中,本发明包括一种电子设备。该电子设备执行图1任一所示的实现交通流量预测的方法的全部或者部分步骤。该电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据。
根据流量数据和浮动车辆轨迹数据获得区域中交通流量的流入基数和流出基数,流入基数和流出基数形成描述区域当前时间间隔交通流量的张量。
按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述区域历史交通流量的张量,张量与描述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。
将邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出区域在下一时间间隔的张量预测初始值。
根据区域在下一时间间隔的张量预测初始值获得区域在下一时间间隔的张量预测值。
在一个示例性实施例中,本发明包括一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现图1所示的实现交通流量预测的方法。
上述装置中各个模块的功能和作用的实现过程详见上述实现交通流量预测的方法中对应步骤的实现过程,在此不再赘述。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种实现交通流量预测的方法,其特征在于,所述方法包括:
获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据;
根据所述流量数据和浮动车辆轨迹数据获得所述区域中交通流量的流入基数和流出基数,所述流入基数和流出基数形成描述所述区域当前时间间隔交通流量的张量;
按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述所述区域历史交通流量的张量,所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列;
将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出所述区域在下一时间间隔的张量预测初始值;
根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值。
2.根据权利要求1所述的方法,其特征在于,所述按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述所述区域历史交通流量的张量,所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列包括:
按照邻近性时间特征、周期性时间特征和趋势性时间特征,获取以当前时间间隔为起始向已发生时间自延伸的邻近性时间片段、周期性时间片段和趋势性时间片段;
分别从所述邻近性时间片段、周期性时间片段和趋势性时间片段提取所述区域历史交通流量所对应的张量;
将提取的所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。
3.根据权利要求1所述的方法,其特征在于,所述将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出所述区域在下一时间间隔的张量预测初始值包括:
将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络根据可学习参数进行卷积运算,得到邻近性时间依赖关系张量,周期性时间依赖关系张量和趋势性时间依赖关系张量;
根据融合可学习参数,融合所述邻近性时间依赖关系张量,周期性时间依赖关系张量和趋势性时间依赖关系张量,输出所述区域在下一时间间隔的张量预测初始值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值之前,所述方法还包括:
根据所述区域当前时间间隔的外部影响特征,获得所述区域在下一时间间隔的张量预测参考值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值包括:
聚合所述张量预测初始值和所述张量预测参考值,获得所述区域在下一时间间隔的张量预测值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值之后,所述方法还包括:
获取所述区域在下一时间间隔的张量实际值;
根据所述张量实际值和所述张量预测值的平均平方差值,修正所述区域在下一时间间隔的张量预测值。
7.一种实现交通流量预测的装置,其特征在于,所述装置包括:
数据获取模块,用于获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据;
基数获取模块,用于根据所述流量数据和浮动车辆轨迹数据获得所述区域中交通流量的流入基数和流出基数,所述流入基数和流出基数形成描述所述区域当前时间间隔交通流量的张量;
序列获取模块,用于按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述所述区域历史交通流量的张量,所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列;
输出模块,用于将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出所述区域在下一时间间隔的张量预测初始值;
预测模块,用于根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值。
8.根据权利要求7所述的装置,其特征在于,所述序列获取模块包括:
时间片段获取单元,用于按照邻近性时间特征、周期性时间特征和趋势性时间特征,获取以当前时间间隔为起始向已发生时间自延伸的邻近性时间片段、周期性时间片段和趋势性时间片段;
提取单元,用于分别从所述邻近性时间片段、周期性时间片段和趋势性时间片段提取所述区域历史交通流量所对应的张量;
序列形成单元,用于将提取的所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据;
根据所述流量数据和浮动车辆轨迹数据获得所述区域中交通流量的流入基数和流出基数,所述流入基数和流出基数形成描述所述区域当前时间间隔交通流量的张量;
按照邻近性时间特征、周期性时间特征和趋势性时间特征,分别获取描述所述区域历史交通流量的张量,所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列;
将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算,并融合输出所述区域在下一时间间隔的张量预测初始值;
根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的实现交通流量预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710963496.6A CN107730887B (zh) | 2017-10-17 | 2017-10-17 | 实现交通流量预测的方法及装置、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710963496.6A CN107730887B (zh) | 2017-10-17 | 2017-10-17 | 实现交通流量预测的方法及装置、可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730887A true CN107730887A (zh) | 2018-02-23 |
CN107730887B CN107730887B (zh) | 2020-05-15 |
Family
ID=61211458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710963496.6A Active CN107730887B (zh) | 2017-10-17 | 2017-10-17 | 实现交通流量预测的方法及装置、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730887B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108417038A (zh) * | 2018-05-09 | 2018-08-17 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
CN108831153A (zh) * | 2018-08-09 | 2018-11-16 | 深圳先进技术研究院 | 一种利用时空分布特性的交通流预测方法及装置 |
CN108898829A (zh) * | 2018-06-07 | 2018-11-27 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
CN109215349A (zh) * | 2018-10-26 | 2019-01-15 | 同济大学 | 基于深度学习的长时交通流量预测方法 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
CN109461311A (zh) * | 2018-12-19 | 2019-03-12 | 哈尔滨工业大学(深圳) | 一种面向智能交通和智能驾驶的路网交通流时空预测方法 |
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 |
CN109978040A (zh) * | 2019-03-19 | 2019-07-05 | 西南交通大学 | 一种交通运力分布预测方法 |
CN110310474A (zh) * | 2018-05-14 | 2019-10-08 | 桂林远望智能通信科技有限公司 | 一种基于时空残差网络的车流量预测方法及装置 |
CN111242292A (zh) * | 2020-04-26 | 2020-06-05 | 北京全路通信信号研究设计院集团有限公司 | 基于深度时空网络的od数据预测方法及系统 |
CN111429185A (zh) * | 2020-03-27 | 2020-07-17 | 京东城市(北京)数字科技有限公司 | 人群画像预测方法、装置、设备及存储介质 |
CN111524348A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种长短期交通流预测模型及方法 |
CN111832876A (zh) * | 2020-03-30 | 2020-10-27 | 北京骑胜科技有限公司 | 车辆调度方法、可读存储介质和电子设备 |
CN112215408A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 轨道交通客流量预测方法及装置 |
CN113037531A (zh) * | 2019-12-25 | 2021-06-25 | 中兴通讯股份有限公司 | 流量预测方法、装置以及存储介质 |
CN113706875A (zh) * | 2021-10-29 | 2021-11-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路功能研判方法 |
CN114116944A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于时间注意力卷积网络的轨迹预测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101541016A (zh) * | 2009-05-06 | 2009-09-23 | 华为技术有限公司 | 数据预测方法和设备 |
US20150032449A1 (en) * | 2013-07-26 | 2015-01-29 | Nuance Communications, Inc. | Method and Apparatus for Using Convolutional Neural Networks in Speech Recognition |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
CN107122736A (zh) * | 2017-04-26 | 2017-09-01 | 北京邮电大学 | 一种基于深度学习的人体朝向预测方法及装置 |
US20170270653A1 (en) * | 2016-03-15 | 2017-09-21 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107247947A (zh) * | 2017-07-07 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 人脸属性识别方法及装置 |
-
2017
- 2017-10-17 CN CN201710963496.6A patent/CN107730887B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101541016A (zh) * | 2009-05-06 | 2009-09-23 | 华为技术有限公司 | 数据预测方法和设备 |
US20150032449A1 (en) * | 2013-07-26 | 2015-01-29 | Nuance Communications, Inc. | Method and Apparatus for Using Convolutional Neural Networks in Speech Recognition |
US20170270653A1 (en) * | 2016-03-15 | 2017-09-21 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
CN107122736A (zh) * | 2017-04-26 | 2017-09-01 | 北京邮电大学 | 一种基于深度学习的人体朝向预测方法及装置 |
CN107247947A (zh) * | 2017-07-07 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 人脸属性识别方法及装置 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
ANDREJ KARPATHY 等: "Large-scale Video Classification with Convolutional Neural Networks", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
JUNBO ZHANG等: "DNN-Based Prediction Model for Spatial-Temporal Data", 《ACM SIGSPATIAL INTERNATIONAL CONFERENCE ON ADVANCES IN GEOGRAPHIC INFORMATION SYSTEMS》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108417038A (zh) * | 2018-05-09 | 2018-08-17 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
CN108417038B (zh) * | 2018-05-09 | 2021-02-09 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
CN110310474A (zh) * | 2018-05-14 | 2019-10-08 | 桂林远望智能通信科技有限公司 | 一种基于时空残差网络的车流量预测方法及装置 |
CN108898829A (zh) * | 2018-06-07 | 2018-11-27 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
CN108898829B (zh) * | 2018-06-07 | 2021-02-09 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
CN108831153A (zh) * | 2018-08-09 | 2018-11-16 | 深圳先进技术研究院 | 一种利用时空分布特性的交通流预测方法及装置 |
CN109215349A (zh) * | 2018-10-26 | 2019-01-15 | 同济大学 | 基于深度学习的长时交通流量预测方法 |
CN109215349B (zh) * | 2018-10-26 | 2020-12-29 | 同济大学 | 基于深度学习的长时交通流量预测方法 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
CN109461311A (zh) * | 2018-12-19 | 2019-03-12 | 哈尔滨工业大学(深圳) | 一种面向智能交通和智能驾驶的路网交通流时空预测方法 |
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 |
CN109978040A (zh) * | 2019-03-19 | 2019-07-05 | 西南交通大学 | 一种交通运力分布预测方法 |
CN113037531A (zh) * | 2019-12-25 | 2021-06-25 | 中兴通讯股份有限公司 | 流量预测方法、装置以及存储介质 |
US11863397B2 (en) | 2019-12-25 | 2024-01-02 | Zte Corporation | Traffic prediction method, device, and storage medium |
CN111429185A (zh) * | 2020-03-27 | 2020-07-17 | 京东城市(北京)数字科技有限公司 | 人群画像预测方法、装置、设备及存储介质 |
CN111429185B (zh) * | 2020-03-27 | 2023-06-02 | 京东城市(北京)数字科技有限公司 | 人群画像预测方法、装置、设备及存储介质 |
CN111832876A (zh) * | 2020-03-30 | 2020-10-27 | 北京骑胜科技有限公司 | 车辆调度方法、可读存储介质和电子设备 |
CN111832876B (zh) * | 2020-03-30 | 2024-05-14 | 北京骑胜科技有限公司 | 车辆调度方法、可读存储介质和电子设备 |
CN111524348A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种长短期交通流预测模型及方法 |
CN111242292A (zh) * | 2020-04-26 | 2020-06-05 | 北京全路通信信号研究设计院集团有限公司 | 基于深度时空网络的od数据预测方法及系统 |
CN112215408A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 轨道交通客流量预测方法及装置 |
CN113706875A (zh) * | 2021-10-29 | 2021-11-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路功能研判方法 |
CN114116944A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于时间注意力卷积网络的轨迹预测方法及装置 |
CN114116944B (zh) * | 2021-11-30 | 2024-06-11 | 重庆七腾科技有限公司 | 一种基于时间注意力卷积网络的轨迹预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107730887B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730887A (zh) | 实现交通流量预测的方法及装置、可读存储介质 | |
US20240220686A1 (en) | Urban-region road network vehicle-passage flow prediction method and system based on hybrid deep learning model | |
Guo et al. | GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model | |
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 | |
Wu et al. | Artificial neural networks for forecasting watershed runoff and stream flows | |
Zheng et al. | A bivariate Bayesian hierarchical extreme value model for traffic conflict-based crash estimation | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN107111794A (zh) | 预测和利用地图服务中出行时间的可变性 | |
Lin et al. | A Spatial‐Temporal Hybrid Model for Short‐Term Traffic Prediction | |
CN110310474A (zh) | 一种基于时空残差网络的车流量预测方法及装置 | |
CN105376097A (zh) | 网络流量的一种混合预测方法 | |
Chen et al. | Adaptive rolling smoothing with heterogeneous data for traffic state estimation and prediction | |
CN112242060A (zh) | 交通流量预测方法及装置、计算机设备及可读存储介质 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
CN112926742A (zh) | 全息量子动力学模拟 | |
CN108549955A (zh) | 一种充电桩异常率确定方法及装置 | |
Fulari et al. | Artificial neural network–based traffic state estimation using erroneous automated sensor data | |
Wu et al. | Local and global Bayesian network based model for flood prediction | |
Li et al. | Tailings pond risk prediction using long short-term memory networks | |
CN106354940A (zh) | 基于水质模型不确定性输入的景观水水质模拟与预警方法 | |
Hosseini et al. | Traffic flow prediction using MI algorithm and considering noisy and data loss conditions: An application to Minnesota traffic flow prediction | |
Ma et al. | On-ramp and Off-ramp Traffic Flows Estimation Based on A Data-driven Transfer Learning Framework | |
Guo et al. | Learning and integration of adaptive hybrid graph structures for multivariate time series forecasting | |
He et al. | A hybrid deep learning model for link dynamic vehicle count forecasting with Bayesian optimization | |
Pan et al. | Incorporating traffic flow model into A deep learning method for traffic state estimation: a hybrid stepwise modeling framework |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |