CN108053646B - 基于时间敏感特征的交通特征获取方法、预测方法及系统 - Google Patents
基于时间敏感特征的交通特征获取方法、预测方法及系统 Download PDFInfo
- Publication number
- CN108053646B CN108053646B CN201711176304.3A CN201711176304A CN108053646B CN 108053646 B CN108053646 B CN 108053646B CN 201711176304 A CN201711176304 A CN 201711176304A CN 108053646 B CN108053646 B CN 108053646B
- Authority
- CN
- China
- Prior art keywords
- traffic
- historical
- area
- time points
- time point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002776 aggregation Effects 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于时间敏感特征的交通特征获取方法、预测方法及系统。该交通特征获取方法对原始GPS轨迹数据进行预处理,将偏移的经纬度坐标通过地图匹配的方式匹配到道路上,再利用其统计城市区域内的各项交通参数。根据特定时刻的预测要求针对性的筛选历史数据获得历史关键时间点的交通参数。基于这些交通参数,衡量所有历史关键时间点上的不同区域之间交通状态的空间相关性,即以空间相关指数等级作为区域内交通状态的动态时间敏感特征。考虑到各个区域之间交通状态的相互影响,同时依据历史交通数据,使得获得的交通特征更准确,所描述的特征具有一定的可解释性,能够有效指导关于交通状态的后期预测。
Description
技术领域
本发明属于智慧交通领域,更具体地,涉及一种基于时间敏感特征的交通特征获取方法、预测方法及系统。
背景技术
随着城市现代化进程的不断深入,大城市人口数量开始大幅度地极速膨胀,人们的出行需求与有限的交通资源间的矛盾日益突显,具体表现在持续性或间断性的交通拥堵上。城市交通状态的变化本身受多种因素影响且随着时间的推移会回馈式地影响后续状态的变化。通过分析交通历史数据以及综合考虑人为因素、环境因素能够从中归纳出交通状态的变化规律及特征。具象地对这些交通状态的变化特征进行描述能够有效指导后期交通预测及规划,对智慧交通的发展有着积极的作用。
智慧交通作为智慧城市的一大模块,其在应用和研究方面都获得了国内外研究人员的广泛关注。目前已经有相当多的针对交通数据挖掘的研究工作。微软亚洲研究院的郑宇利用贵阳实时的出租车数据,对未来时刻的人流量进行预测。他们提出了一种基于深度学习的方法,利用残差神经网络对交通流的特性进行建模。但是利用深度学习所描述的特征没有很好的可解释性,且在训练阶段需要消耗大量的计算资源,不利于泛化与推广。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于时间敏感特征的交通特征获取方法、预测方法及系统,其目的解决由于底层原始数据中缺失和噪声而导致的预测精度低下的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于时间敏感特征的交通特征获取方法,包括如下步骤:
对每个汽车GPS轨迹数据与城市地图进行匹配处理获得匹配后汽车GPS轨迹数据;
将城市划分为多个区域,并根据匹配后汽车GPS轨迹数据获得各个区域内流入量、流出量以及平均车速,将流入量、流出量以及平均车速作为该区域的交通参数;
从历史时间点中提取与该区域预测时间点具有时空关联的历史时间点作为历史关键时间点,并从历史时间点的交通参数提取每个区域历史关键时间点的交通参数;
对各个区域的在某个历史关键时间点交通参数进行相关性处理获得某个区域在该历史关键时间点交通状态与其他区域的交通状态的相关性;遍历历史关键时间点集合,获得某个区域交通状态在所有历史关键时间点上与其他区域的交通状态的空间相关性;
对某个区域交通状态在所有历史关键时间点与其他区域的交通状态的相关性进行标准化处理获得某个区域所有历史关键时间点交通状态的聚集程度,用某个区域所有历史关键时间点交通状态的聚集程度描述该区域的交通特征。
优选地,从历史时间点中提取与该区域预测时间点相关的历史时间点作为历史关键时间点包括如下步骤:
根据预测时间点即时特征与各个历史时间点即时特征获取各个历史时间点的即时相似度,并根据各个历史时间点的即时相似度从各个历史时间点选择出第一关键时间集合;
从各个历史时间点提取与预测时间点具有相同小时数、相同星期数、相同日期的所有历史时刻作为第二关键时间集合;
从各个历史时间点提取与预测时间点临近的所有历史时间点作为第三关键时间集合;
将第一关键时间集合至第三时间集合进行合并去除重复时间点形成历史关键时间点集合。
其中,为第i个区域在历史关键时间点tk上的交通参数,表示在历史关键时间点tk上的交通参数平均值,wij表示第i区域与第j区域是否为相邻关系,为第j个区域在历史关键时间点tk上的交通参数,M为区域集合,1≤k≤n,n为历史关键时间点的数量。
按照本发明的另一方面,提供了一种交通状态预测方法,包括:
利用从上述交通特征获取方法获得的第r个区域在时间点t上的交通特征进行分类预测或者回归预测获得第r个区域在时间点t上的交通状态。
按照本发明的另一方面,提供了一种交通特征描述系统,包括:
依次连接的匹配模块、交通参数提取模块、相关性提取模块以及聚集程度提取模块;
匹配模块用于对每个汽车GPS轨迹数据与城市地图进行匹配处理输出匹配后汽车GPS轨迹数据;
关键交通参数提取模块用于从匹配后汽车GPS轨迹数据中获得历史时间点的交通参数,并从历史时间点的交通参数提取与预测时间相关的历史时间点作为每个区域历史关键时间点的交通参数;
相关性提取模块用于对各个区域的在所有历史关键时间点交通参数进行相关性处理获得某个区域在所有历史关键时间点交通状态与其他区域的交通状态的相关性;
聚集程度提取模块用于对某个区域交通状态在所有历史关键时间点与其他区域的交通状态的相关性进行标准化处理获得某个区域所有历史关键时间点交通状态的聚集程度,并作为该区域的交通特征输出。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明提出了基于时间敏感的交通特征获取方法,对原始GPS轨迹数据进行预处理,将偏移的经纬度坐标通过地图匹配的方式匹配到道路上,再利用其统计城市区域内的各项交通参数。根据特定时刻的预测要求针对性的筛选历史数据获得历史关键时间点的交通参数。基于这些交通参数进行交通特征获取,能够避免直接采用原始GPS轨迹数据进行交通特征获取导致精度低的问题。
2、基于这些交通参数计算所有历史关键时间点上的不同区域之间交通状态的相关性,以空间相关指数等级作为区域内交通状态的动态时间敏感特征。考虑到各个区域之间交通状态的相互影响,同时依据历史交通数据,使得获得的交通特征更准确,所描述的特征具有一定的可解释性,能够有效指导关于交通状态的后期预测。
附图说明
图1是本发明提供的基于时间敏感性的交通预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
要做到对交通状态的精准预测,首先需要动态且直观地描述交通状态的变化特征。我们针对交通变化极具时间敏感性的这一特点,结合道路、天气等多源异构数据,提出了一种考虑到交通时间影响和空间影响的交通特征获取方法。利用该方法所描述的特征可用于后续交通状况的预测,预测结果所达到性能指标则可反映特征描述方法准确性。同时,由于特征描述和提取的过程将原始数据进行了抽象,本发明能够解决由于底层原始数据中缺失和噪声而导致的预测精度低下的问题。
本发明所提出的基于时间敏感性的交通特征描述方法结构图如图1所示:
步骤1:GPS轨迹数据的地图匹配。原始采集而来的GPS轨迹数据存在着不可忽视的误差,具体表现在其经纬度坐标无法映射在城市地图的区域或道路上。因此,获取采集而来的原始浮动车GPS数据,对这些轨迹数据进行预处理。并采用隐马尔可夫的地图匹配算法对进行预处理的GPS轨迹数据进行地图匹配,修正GPS轨迹数据的经纬坐标,使之能够匹配到区域或道路上。
步骤2:基于GPS轨迹的区域内交通参数统计。一条GPS记录至少需要包括以下几个字段:机动车标识、记录时刻、经度、维度以及当前车速。
对城市进行经纬网格的区域划分,生成n个网格区域,每条GPS数据对应其中一个经纬网格区域。则轨迹数据可简化为{(区域r1,时刻t1),(区域r2,时刻t2),……}。
设定一个时间戳的时间长短,根据GPS轨迹数据在城市内区域的转移,统计每个时间戳内,各个网格区域中GPS轨迹数的转移情况得出区域的出流量和入流量。依据轨迹数据计算每个浮动车的行驶速度,随后再按区域计算区域平均行车速度。
区域r在时间段t内的交通参数可表示为:
步骤3:提取关键时间点。针对需要预测的时刻t和现有的历史GPS轨迹数据,提取出对预测时间点交通状态有参考价值的关键历史时间点。根据需要预测的时刻t,寻找历史记录中与其相关的三类关键时间点。三类关键点的描述如下:
步骤31:即时特征相对的历史时间点。定义即时天气、是否工作日、是否节假日以及是否处于出行高峰期元素为各时刻的即时特征。那么,时刻t的即时特征由四元组instant(t)=(Weather,WorkDay,Holiday,RushHour)表示。即时特征的设定不只局限于上述四项,可按照具体场景对即时特征进行扩充。
时刻间即时相似度的计算可采用余弦相似度。那么某历史时刻t’与预测时刻t的即时相识度可描述为:接着,依次计算预测时刻t与各个历史时刻即时特征的相似度,筛选出即时相似度较高的历史时刻作为第一历史关键时间点,筛选过程中相似度阈值根据需求确定,获得的第一关键时间集合包含所有的第一历史关键时间点。
步骤32:符合周期规律的潜在时间点。交通状况的变化可能具有特定的周期规律。分别以天、星期、月为周期,向前推算出潜在的符合周期规律的历史时刻,即与时刻t具有相同小时数、相同星期数、相同日期的所有历史时刻作为第二历史关键时间点,获得的第二关键时间集合中包含所有第二历史关键时间点。
步骤33:处于近期的时间点。交通状态大多会受近期变化趋势的影响,因此,选取出所有位于临近时刻t的历史时刻作为第三历史关键时间点,获得的第三关键时间集合包含所有的第三历史关键时间点。临近的时间范围可按需求设置,例如三十分钟、一小时等,若选定的时间范围为三十分钟则位于t-30至t之间的时刻均为近期时间点。
关键时间点的主要包括三大类:与时刻t具有相似的即时特征的时间点、符合周期规律的时间段、受近期趋势影响的时间段。筛选出三类历史关键时间点后,去除其中的重复时间点,得到关键时间点集合T。
步骤4:计算空间相关性。根据目标区域r,将该区域的出流量、入流量以及平均车速作为属性,计算其在关键历史时刻上与邻近区域的空间相关性。依据第三步所得到的交通参数,计算目标区域r在时刻t,的局部空间相关指数。为计算所得的局部空间相关指数划分等级,作为特征向量的输出,当维度过大时采用PCA或稀疏自编码进行降维。
步骤41:首先,按照区域间的邻近关系构造空间权重矩阵W,其中元素wij表示区域i与区域j是否为相邻关系,其中,wij的值为零,表示区域i与区域j不为相邻关系,wij的值为1,表示区域i与区域j是相邻关系。
步骤42:接着,计算空间相关性。按计算区域i与区域j在第tk个关键时间点的空间相关性指数,其中,表示区域i目标属性在第tk个历史关键时刻下的值,1≤k≤n,表示目标属性在所有区域的平均值,取各个区域在第tk个关键时间点的交通参数的平均值作为在第tk个关键时间点的交通参数平均值。
采用上述交通特征描述方法获得对交通特征。将各项交通特征向量输入到机器学习中的分类或回归预测模型中,用于预测未来时刻各区域的交通状态。预测模型对于不同类别的特征采用不同权重,在模型的训练阶段训练出每一类特征的权重值,该权重值有助于对特征重要程度的后续分析。
下文为用于具体说明该方法的算例,对于预测时刻t=‘2015-08-0605:09:52’,计算网格8中的时空特征,选取入流、出流、平均车速这三项交通参数。获取t的即时特征instant(t)=(‘天气晴’,‘是工作日’,‘非节假日’,‘非高峰期’)。在历史时刻上查找出具有相似即时特征的时刻,得到集合Tinstant。随后,根据t获得符合周期规律的时间点集合Tcycle以及近期的时间点集合Trecent,则关键时间点集合T=Tinstant∩Tcycle∩Trecent。T集合结果如下:
…… | |
t<sub>i+1</sub> | 2015-08-03 05:10:00 |
t<sub>i+2</sub> | 2015-08-03 05:40:00 |
t<sub>i+3</sub> | 2015-08-03 06:10:00 |
…… | |
t<sub>n</sub> | 2015-08-05 04:40:00 |
针对关键时间点集合T中的时刻,依次计算区域8的关于入流、出流、平均车速的局部相关性。得到关于流入量、流出量以及平均车速的矩阵在进行后续运算时,将上述矩阵转化为3×n维的向量,该向量即为网格8在2015-08-06 05:09:52时刻下的交通特征,此处选取了三个交通参数,故向量规模为3×n,。
作为本发明的另一方面,本发明提供一种基于时间敏感特征的交通特征获取系统,该交通特征获取系统包括五个依次连接的模块,即匹配模块、交通参数提取模块、聚集程度提取模块以及相关性提取模块。
匹配模块用于对每个汽车GPS轨迹数据与城市地图进行匹配处理输出匹配后汽车GPS轨迹数据;
关键交通参数提取模块用于从匹配后汽车GPS轨迹数据中获得历史时间点的交通参数,并从历史时间点的交通参数提取与预测时间相关的历史时间点作为每个区域历史关键时间点的交通参数;
相关性提取模块用于根据各个区域的在所有历史关键时间点交通参数获得某个区域在所有历史关键时间点交通状态与其他区域的交通状态的相关性;
聚集程度提取模块用于对某个区域交通状态在所有历史关键时间点与其他区域的交通状态的相关性进行标准化处理获得某个区域所有历史关键时间点交通状态的聚集程度,并作为该区域的交通特征输出。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于时间敏感特征的交通特征获取方法,其特征在于,包括如下步骤:
对每个汽车GPS轨迹数据与城市地图进行匹配处理获得匹配后汽车GPS轨迹数据;
将城市划分为多个区域,并根据匹配后汽车GPS轨迹数据获得每个区域内流入量、流出量以及平均车速,将每个区域的流入量、流出量以及平均车速作为对应区域的交通参数;
从历史时间点中提取与预测时间点具有时空关联的历史时间点作为历史关键时间点;
从历史时间点的交通参数提取每个区域历史关键时间点的交通参数;
对各个区域的在某个历史关键时间点交通参数进行相关性处理,获得某个区域在该历史关键时间点交通状态与其他区域的交通状态的相关性指数;遍历历史关键时间点集合,获得某个区域交通状态在所有历史关键时间点上与其他区域的交通状态的空间相关性指数;
对待预测区域交通状态在所有历史关键时间点上与其他区域的交通状态的空间相关性指数进行标准化分级处理,获得待预测区域所有历史关键时间点交通状态的聚集程度,所述聚集程度为空间相关性指数标准化分数的等级,用待预测区域所有历史关键时间点交通状态的聚集程度描述该待预测区域的交通特征。
2.如权利要求1所述的交通特征获取方法,其特征在于,从历史时间点中提取与预测时间点具有时空关联的历史时间点作为历史关键时间点包括如下步骤:
根据预测时间点的即时特征与各个历史时间点的即时特征获取各个历史时间点的即时相似度,并根据各个历史时间点的即时相似度从各个历史时间点选择出第一关键时间集合;
从各个历史时间点提取出与预测时间点具有相同小时数、相同星期数、相同日期的所有历史时刻作为第二关键时间集合;
从各个历史时间点提取与预测时间点临近的所有历史时间点作为第三关键时间集合;
将第一关键时间集合至第三时间集合进行合并去除重复时间点处理形成历史关键时间点集合。
5.一种基于权利要求1所述的交通特征获取方法的交通状态预测方法,其特征在于,包括:
利用从上述交通特征获取方法获得的第r个区域在时间点t上的交通特征进行分类预测或者回归预测获得第r个区域在时间点t上的交通状态。
6.一种基于权利要求1所述的交通特征获取方法的交通特征获取系统,其特征在于,包括:
依次连接的匹配模块、交通参数提取模块、相关性提取模块以及聚集程度提取模块;
匹配模块用于对每个汽车GPS轨迹数据与城市地图进行匹配处理输出匹配后汽车GPS轨迹数据;
交通参数提取模块用于从匹配后汽车GPS轨迹数据中获得历史时间点的交通参数,并从历史时间点的交通参数提取与预测时间具有时空关联的历史时间点作为每个区域历史关键时间点的交通参数;
相关性提取模块用于对各个区域的在所有历史关键时间点交通参数进行相关性处理,获得某个区域在所有历史关键时间点交通状态与其他区域的交通状态的空间相关性指数;
聚集程度提取模块用于对待预测区域交通状态在所有历史关键时间点与其他区域的交通状态的空间相关性指数进行标准化处理,获得待预测区域所有历史关键时间点交通状态的聚集程度,所述聚集程度为空间相关性指数标准化分数的等级,并作为该待预测区域的交通特征输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711176304.3A CN108053646B (zh) | 2017-11-22 | 2017-11-22 | 基于时间敏感特征的交通特征获取方法、预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711176304.3A CN108053646B (zh) | 2017-11-22 | 2017-11-22 | 基于时间敏感特征的交通特征获取方法、预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053646A CN108053646A (zh) | 2018-05-18 |
CN108053646B true CN108053646B (zh) | 2020-12-08 |
Family
ID=62120232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711176304.3A Active CN108053646B (zh) | 2017-11-22 | 2017-11-22 | 基于时间敏感特征的交通特征获取方法、预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053646B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877226B (zh) * | 2018-08-24 | 2020-08-18 | 交通运输部规划研究院 | 景区交通旅游预测方法及预警系统 |
CN111008223B (zh) * | 2019-10-21 | 2023-11-14 | 北京交通大学 | 一种基于时空关联规则的区域交通拥堵相关性计算方法 |
CN114548836A (zh) * | 2022-04-25 | 2022-05-27 | 杭州玳数科技有限公司 | 一种基于疫情的多因素交通枢纽运营方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7617042B2 (en) * | 2006-06-30 | 2009-11-10 | Microsoft Corporation | Computing and harnessing inferences about the timing, duration, and nature of motion and cessation of motion with applications to mobile computing and communications |
CN101286270A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测方法 |
CN101901546B (zh) * | 2010-04-29 | 2012-06-27 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
CN102737508B (zh) * | 2012-06-19 | 2014-03-26 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
US9286793B2 (en) * | 2012-10-23 | 2016-03-15 | University Of Southern California | Traffic prediction using real-world transportation data |
CN104821082B (zh) * | 2015-04-29 | 2017-01-18 | 电子科技大学 | 一种基于综合评价的短时交通流预测方法 |
CN106251625B (zh) * | 2016-08-18 | 2019-10-01 | 上海交通大学 | 大数据环境下立体城市交通路网全局状态预测方法 |
-
2017
- 2017-11-22 CN CN201711176304.3A patent/CN108053646B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108053646A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
CN107610464B (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
Wang et al. | Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN105206041B (zh) | 一种考虑时序dbscan的智能手机轨迹链簇识别方法 | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN113159364A (zh) | 一种大型交通场站的客流预测方法及系统 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、系统及装置 | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
Gao et al. | Short-term traffic speed forecasting using a deep learning method based on multitemporal traffic flow volume | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
Li et al. | A multi-categorical probabilistic approach for short-term bike sharing usage prediction | |
Gkountouna et al. | Traffic flow estimation using probe vehicle data | |
CN116206451A (zh) | 一种智慧交通车流数据分析方法 | |
CN112926809B (zh) | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 | |
CN113284337B (zh) | 基于车辆轨迹多维数据的od矩阵计算方法及装置 | |
Wu et al. | A novel dynamically adjusted regressor chain for taxi demand prediction | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
Faghih et al. | Predicting short-term Uber demand using spatio-temporal modeling: A New York City Case Study | |
CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 | |
CN115796030A (zh) | 一种基于图卷积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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |