CN108205889A - 基于卷积神经网络的高速公路交通流预测方法 - Google Patents
基于卷积神经网络的高速公路交通流预测方法 Download PDFInfo
- Publication number
- CN108205889A CN108205889A CN201711474416.7A CN201711474416A CN108205889A CN 108205889 A CN108205889 A CN 108205889A CN 201711474416 A CN201711474416 A CN 201711474416A CN 108205889 A CN108205889 A CN 108205889A
- Authority
- CN
- China
- Prior art keywords
- matrix
- traffic flow
- same day
- vector
- space
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于卷积神经网络的高速公路交通流预测方法,其特征在于包括以下步骤:1)、对交通流数据和外部因素数据进行预处理,构建时间相邻性矩阵,日周期性矩阵,周周期性矩阵和外部因素向量作为模型的输入;2)、采用卷积神经网络分别对交通流的时间相邻性,日周期性和周周期性进行建模,同时提取不同的时空特征;3)、基于步骤2)所提取的时空特征融合外部因素,构成融合向量作为全连接层的输入;4)、利用全连接层融合所有特征,完成最终的交通流预测,其利用深度学习模型对高速路网交通流进行建模,融合了交通流的时空特征和外部影响因素,使模型能够应对复杂交通流特征,获得预测结果,解决了对区域全部路段同时预测的问题。
Description
技术领域
本发明涉及一种基于卷积神经网络的高速公路交通流预测方法,属于人工智能-智能交通领域。
背景技术
交通流预测是智能交通系统(ITS)不可或缺的组成部分,作为ITS核心的子系统,交通控制和诱导系统需要依赖于准确的交通流预测。交通流预测也是确定道路工程规模、路面保养维护、技术标准以及经济评价的依据。
为了进行有效的交通流预测,需要一些具有挑战性的能力,比如能够形成更加智能和高效的预测来模拟交通流的空间特征和时间特征,能够应对复杂的外部特征隐私,能够处理大规模交通数据等。问题是如何构建一个同时结合上述所有条件的交通预测模型。
在现有的文献中,有两种最常用的交通流预测模型,统计模型和人工智能模型。统计模型主要是基于交通流历史数据的周期性变化进行分析预测。具有计算简单效率高的优点。然而在处理大规模网络数据及模拟非线性特征方面精度明显降低。人工智能模型以神经网络,贝叶斯网络,模糊和进化技术为代表,与统计模型相比人工智能模型在预测精度和数据处理能力上有无可比拟的优势。具有更复杂结构的深度学习方法已被成功的应用于交通预测任务中,比传统方法具有更好的效果。但现有方法大多只针对一条路段进行预测,难以有效利用交通网络中的空间特征,使得高速公路交通管理部门缺乏对路网交通状态变化趋势的整体把握,不利于宏观对路网的调控。
发明内容
本发明的目的在于提供一种基于卷积神经网络的高速公路交通流预测方法,其考虑到交通流的时空相关性和计算成本,将网络交通流转换为包含时空特征的二维矩阵,并使用卷积神经网络对整个区域内交通流的三个不同时空特征建模,来预测高速公路一个地区每一条路段交通流。
本发明的技术方案是这样实现的:一种基于卷积神经网络的高速公路交通流预测方法,其特征在于:统计各个路段交通流的时间间隔为15分钟,分别称为第i时间段,i是大于等于1的正整数。外部因素数据包含天气,是否为节假日,是否为周末,当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段,外部因素数据以天为单位进行采集,为预测一个区域内p条连续路段在第t时间段内的交通流,t≥1345,具体步骤如下:
步骤1)、将全部路段在所有时间段的交通流做均值归一化处理,均值归一化计算方法如下:
式中,xmax和xmin分别为全部路段在所有时间段的交通流的最大值与最小值,x为一条路段在一个时间段的交通流,u为全部路段在所有时间段的交通流的平均值,x′为归一化后的交通流,取值范围为[-1,1];
步骤2)构建时间相邻性矩阵A,A为p×n的二维矩阵。A(i,j)是A的第i行第j列元素,A(i,j)表示路段i在t-j时间段的交通流,i=1,2…,p,j=1,2,…,n。在本发明的时间相邻性矩阵中,n=8;
步骤3)构建日周期性矩阵B,B为p×l的二维矩阵。B(i,j)是B的第i行第j列元素,B(i,j)表示路段i在t-j×96时间段的交通流,i=1,2…,p,j=1,2,…,l。在本发明的日周期性矩阵中,l=7;
步骤4)构建周周期性矩阵C,C为p×w的二维矩阵。C(i,j)是C的第i行第j列元素,C(i,j)表示路段i在t-j×7×96时间段的交通流,i=1,2…,p,j=1,2,…,w。在本发明的周周期性矩阵中,w=2;
步骤5)将外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段做均值归一化处理,均值归一化计算方法如下:
式中,x1可用来代替外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段在某一天的取值。和为该字段在全时间段上的最大值和最小值,u1为该字段在全时间段上的平均值。x1′表示该字段归一化后的值,取值范围为[-1,1];
步骤6)构建向量H,H为6位一维向量,用来存放外部因素数据中的是否为周末,当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段,H(0)=1表示是节假日,H(0)=0表示是不是节假日,H(1)=1表示是周末,H(1)=0表示是不是周末。H(2~5)用来表示外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段归一化后的值,将外部因素数据中的天气按照恶劣程从多云,晴,阴,小雪,中雪,大雪,暴雪,小雨,中雨,大雨,暴雨,阵雨,阵雪,雷阵雨分为14个级别,构建天气向量W,W为14位的一维向量。W(1)=1,W(j)=0,j=2,…,14,表示天气为多云,以此类推,W(14)=1,W(j)=0,j=1,2,…,13表示天气为雷阵雨。将向量W和向量H按顺序合并成一个长度为20的外部因素向量E;
步骤7)、采用卷积神经网络作为模型的特征提取层。将时间相邻性矩阵A,日周期性矩阵B和周周期性矩阵C作为特征提取层的输入,在本发明中,特征提取层为采用三个卷积层的结构,第一个卷积层和第二个卷积层使用32个卷积核,每个卷积核尺寸为3×3,第三个卷积层使用64个卷积核,每个卷积核尺寸为2×2。采用补零操作,使用relu函数作为激活函数,在卷积层后添加了一层Dropout Layer用来防止过拟合;
步骤8)时间相邻性矩阵A经过卷积操作后得到65536个时间相邻性时空特征矩阵,将得到的各个时间相邻性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量,并将每个时间相邻性时空特征矩阵生成的一维向量按顺序合并成一个向量A′,作为特征提取层的输出之一;
步骤9)日周期性矩阵B经过卷积操作后得到65536个日周期性时空特征矩阵,将得到的各个日周期性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量,并将每个日周期性时空特征矩阵生成的一维向量按顺序合并成一个向量B′,作为特征提取层的输出之一;
步骤10)周周期性矩阵C经过卷积操作后得到65536个周周期性时空特征矩阵,将得到的各个周周期性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量,并将每个周周期性时空特征矩阵生成的一维向量按顺序合并成一个向量C′,作为特征提取层的输出之一;
步骤11)依次按照向量A′,B′,C′和E的顺序合并成一个一维向量M,向量M称为融合向量。M={A′,B′,C′};
步骤12)输出层选用全连接层,向量M作为该全连接层的输入,激活函数选用tanh函数,损失函数选择均方误差函数(MSE),输出为一维向量O,O(j)表示路网路段中路段j+1在时间段t内的归一化后的交通流,j=0,2,…,p-1,将输出结果进行反均值归一化后得到最终的预测结果。
与现有技术比较,本发明的积极效果为:针对现有的预测交通流方法无法充分考虑到交通流数据的时空相关性且每次只能预测一条路段交通流的情况,本发明将网络交通流转换为包含时空特征的二维矩阵,并使用卷积神经网络对整个区域内交通流的三个不同时空特征建模,来预测高速公路一个地区每一条路段交通流。
本发明还融合节假日和天气等外部因素,通过将外部因素做one-hot处理和归一化,使之能完美的与卷积神经网络提取出的时空特征相融合,以获得较高的交通流预测精度。
附图说明
图1是本发明的基于卷积神经网络的高速公路交通流预测方法流程框图。
具体实施方式
下面结合附图对本发明做详细描述。如图1所示的是本发明的基于卷积神经网络的高速公路交通流预测方法流程框图。在本发明中,统计各个路段交通流的时间间隔为15分钟,分别称为第i时间段,i是大于等于1的正整数。外部因素数据包含天气,是否为节假日,是否为周末,当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段,外部因素数据以天为单位进行采集。为预测一个区域内p条连续路段在第t时间段内的交通流,t≥1345。具体步骤如下:
步骤1)、将全部路段在所有时间段的交通流做均值归一化处理,均值归一化计算方法如下:
式中,xmax和xmin分别为全部路段在所有时间段的交通流的最大值与最小值,x为一条路段在一个时间段的交通流,u为全部路段在所有时间段的交通流的平均值,x′为归一化后的交通流,取值范围为[-1,1]。
步骤2)构建时间相邻性矩阵A,A为p×n的二维矩阵。A(i,j)是A的第i行第j列元素,A(i,j)表示路段i在t-j时间段的交通流,i=1,2…,p,j=1,2,…,n。在本发明的时间相邻性矩阵中,n=8。
步骤3)构建日周期性矩阵B,B为p×l的二维矩阵。B(i,j)是B的第i行第j列元素,B(i,j)表示路段i在t-j×96时间段的交通流,i=1,2…,p,j=1,2,…,l。在本发明的日周期性矩阵中,l=7。
步骤4)构建周周期性矩阵C,C为p×w的二维矩阵。C(i,j)是C的第i行第j列元素,C(i,j)表示路段i在t-j×7×96时间段的交通流,i=1,2…,p,j=1,2,…,w。在本发明的周周期性矩阵中,w=2。
步骤5)将外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段做均值归一化处理,均值归一化计算方法如下:
式中,x1可用来代替外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段在某一天的取值。和为该字段在全时间段上的最大值和最小值,u1为该字段在全时间段上的平均值。x1′表示该字段归一化后的值,取值范围为[-1,1]。
步骤6)构建向量H,H为6位一维向量。用来存放外部因素数据中的是否为周末,当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段。H(0)=1表示是节假日,H(0)=0表示是不是节假日。H(1)=1表示是周末,H(1)=0表示是不是周末。H(2~5)用来表示外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段归一化后的值。将外部因素数据中的天气按照恶劣程从多云,晴,阴,小雪,中雪,大雪,暴雪,小雨,中雨,大雨,暴雨,阵雨,阵雪,雷阵雨分为14个级别,构建天气向量W,W为14位的一维向量。W(1)=1,W(j)=0,j=2,…,14,表示天气为多云。以此类推,W(14)=1,W(j)=0,j=1,2,…,13表示天气为雷阵雨。将向量W和向量H按顺序合并成一个长度为20的外部因素向量E。
步骤7)、采用卷积神经网络作为模型的特征提取层。将时间相邻性矩阵A,日周期性矩阵B和周周期性矩阵C作为特征提取层的输入。在本发明中,特征提取层为采用三个卷积层的结构。第一个卷积层和第二个卷积层使用32个卷积核,每个卷积核尺寸为3×3。第三个卷积层使用64个卷积核,每个卷积核尺寸为2×2。采用补零操作,使用relu函数作为激活函数。在卷积层后添加了一层Dropout Layer用来防止过拟合。
步骤8)时间相邻性矩阵A经过卷积操作后得到65536个时间相邻性时空特征矩阵。将得到的各个时间相邻性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量。并将每个时间相邻性时空特征矩阵生成的一维向量按顺序合并成一个向量A′,作为特征提取层的输出之一。
步骤9)日周期性矩阵B经过卷积操作后得到65536个日周期性时空特征矩阵。将得到的各个日周期性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量。并将每个日周期性时空特征矩阵生成的一维向量按顺序合并成一个向量B′,作为特征提取层的输出之一。
步骤10)周周期性矩阵C经过卷积操作后得到65536个周周期性时空特征矩阵。将得到的各个周周期性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量。并将每个周周期性时空特征矩阵生成的一维向量按顺序合并成一个向量C′,作为特征提取层的输出之一。
步骤11)依次按照向量A′,B′,C′和E的顺序合并成一个一维向量M,向量M称为融合向量。M={A′,B′,C′}。
步骤12)、输出层选用全连接层,向量M作为该全连接层的输入,激活函数选用tanh函数。损失函数选择均方误差函数(MSE)。输出为一维向量O,O(j)表示路网路段中路段j+1在时间段t内的归一化后的交通流,j=0,2,…,p-1。将输出结果进行反均值归一化后得到最终的预测结果。
以上所述仅为本发明较佳的具体实施方式。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种基于卷积神经网络的高速公路交通流预测方法,其特征在于:统计各个路段交通流的时间间隔为15分钟,分别称为第i时间段,i是大于等于1的正整数。外部因素数据包含天气,是否为节假日,是否为周末,当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段,外部因素数据以天为单位进行采集,为预测一个区域内p条连续路段在第t时间段内的交通流,t≥1345,具体步骤如下:
步骤1)、将全部路段在所有时间段的交通流做均值归一化处理,均值归一化计算方法如下:
式中,xmax和xmin分别为全部路段在所有时间段的交通流的最大值与最小值,x为一条路段在一个时间段的交通流,u为全部路段在所有时间段的交通流的平均值,x′为归一化后的交通流,取值范围为[-1,1];
步骤2)构建时间相邻性矩阵A,A为p×n的二维矩阵。A(i,j)是A的第i行第j列元素,A(i,j)表示路段i在t-j时间段的交通流,i=1,2…,p,j=1,2,…,n。在本发明的时间相邻性矩阵中,n=8;
步骤3)构建日周期性矩阵B,B为p×l的二维矩阵。B(i,j)是B的第i行第j列元素,B(i,j)表示路段i在t-j×96时间段的交通流,i=1,2…,p,j=1,2,…,l;在本发明的日周期性矩阵中,l=7;
步骤4)构建周周期性矩阵C,C为p×w的二维矩阵。C(i,j)是C的第i行第j列元素,C(i,j)表示路段i在t-j×7×96时间段的交通流,i=1,2…,p,j=1,2,…,w;在本发明的周周期性矩阵中,w=2;
步骤5)将外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段做均值归一化处理,均值归一化计算方法如下:
式中,x1可用来代替外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段在某一天的取值。x1 max和x1 min为该字段在全时间段上的最大值和最小值,u1为该字段在全时间段上的平均值;x1′表示该字段归一化后的值,取值范围为[-1,1];
步骤6)构建向量H,H为6位一维向量,用来存放外部因素数据中的是否为周末,当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段,H(0)=1表示是节假日,H(0)=0表示是不是节假日,H(1)=1表示是周末,H(1)=0表示是不是周末;H(2~5)用来表示外部因素数据中的当天最高气温,当天最低气温,当天最大风速和当天最小风速等字段归一化后的值,将外部因素数据中的天气按照恶劣程从多云,晴,阴,小雪,中雪,大雪,暴雪,小雨,中雨,大雨,暴雨,阵雨,阵雪,雷阵雨分为14个级别,构建天气向量W,W为14位的一维向量。W(1)=1,W(j)=0,j=2,…,14,表示天气为多云,以此类推,W(14)=1,W(j)=0,j=1,2,…,13表示天气为雷阵雨;将向量W和向量H按顺序合并成一个长度为20的外部因素向量E;
步骤7)、采用卷积神经网络作为模型的特征提取层。将时间相邻性矩阵A,日周期性矩阵B和周周期性矩阵C作为特征提取层的输入,在本发明中,特征提取层为采用三个卷积层的结构,第一个卷积层和第二个卷积层使用32个卷积核,每个卷积核尺寸为3×3,第三个卷积层使用64个卷积核,每个卷积核尺寸为2×2;采用补零操作,使用relu函数作为激活函数,在卷积层后添加了一层Dropout Layer用来防止过拟合;
步骤8)时间相邻性矩阵A经过卷积操作后得到65536个时间相邻性时空特征矩阵,将得到的各个时间相邻性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量,并将每个时间相邻性时空特征矩阵生成的一维向量按顺序合并成一个向量A′,作为特征提取层的输出之一;
步骤9)日周期性矩阵B经过卷积操作后得到65536个日周期性时空特征矩阵,将得到的各个日周期性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量,并将每个日周期性时空特征矩阵生成的一维向量按顺序合并成一个向量B′,作为特征提取层的输出之一;
步骤10)周周期性矩阵C经过卷积操作后得到65536个周周期性时空特征矩阵,将得到的各个周周期性时空特征矩阵通过Flatten使之以行为基准首尾相连构成一个一维向量,并将每个周周期性时空特征矩阵生成的一维向量按顺序合并成一个向量C′,作为特征提取层的输出之一;
步骤11)依次按照向量A′,B′,C′和E的顺序合并成一个一维向量M,向量M称为融合向量;M={A′,B′,C′};
步骤12)输出层选用全连接层,向量M作为该全连接层的输入,激活函数选用tanh函数,损失函数选择均方误差函数(MSE),输出为一维向量O,O(j)表示路网路段中路段j+1在时间段t内的归一化后的交通流,j=0,2,…,p-1,将输出结果进行反均值归一化后得到最终的预测结果;
与现有技术比较,本发明的积极效果为:针对现有的预测交通流方法无法充分考虑到交通流数据的时空相关性且每次只能预测一条路段交通流的情况,本发明将网络交通流转换为包含时空特征的二维矩阵,并使用卷积神经网络对整个区域内交通流的三个不同时空特征建模,来预测高速公路一个地区每一条路段交通流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711474416.7A CN108205889B (zh) | 2017-12-29 | 2017-12-29 | 基于卷积神经网络的高速公路交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711474416.7A CN108205889B (zh) | 2017-12-29 | 2017-12-29 | 基于卷积神经网络的高速公路交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108205889A true CN108205889A (zh) | 2018-06-26 |
CN108205889B CN108205889B (zh) | 2021-04-27 |
Family
ID=62604957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711474416.7A Expired - Fee Related CN108205889B (zh) | 2017-12-29 | 2017-12-29 | 基于卷积神经网络的高速公路交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108205889B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877226A (zh) * | 2018-08-24 | 2018-11-23 | 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 |
CN108961762A (zh) * | 2018-08-24 | 2018-12-07 | 东北林业大学 | 一种基于多因素融合的城市道路交通流量预测方法 |
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 |
CN109658694A (zh) * | 2018-12-28 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种卷积神经网络高危车辆交通流预测方法和系统 |
CN109658695A (zh) * | 2019-01-02 | 2019-04-19 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN109754126A (zh) * | 2019-01-30 | 2019-05-14 | 银江股份有限公司 | 基于时空相关性和卷积神经网络的短时交通流预测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
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 |
CN110837888A (zh) * | 2019-11-13 | 2020-02-25 | 大连理工大学 | 一种基于双向循环神经网络的交通缺失数据补全方法 |
CN111710154A (zh) * | 2020-05-15 | 2020-09-25 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
CN111861027A (zh) * | 2020-07-29 | 2020-10-30 | 北京工商大学 | 一种基于深度学习融合模型的城市交通流量预测方法 |
CN112102281A (zh) * | 2020-09-11 | 2020-12-18 | 哈尔滨市科佳通用机电股份有限公司 | 基于改进Faster Rcnn的货车制动缸故障检测方法 |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及系统 |
CN112598170A (zh) * | 2020-12-18 | 2021-04-02 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
CN113111573A (zh) * | 2021-03-24 | 2021-07-13 | 桂林电子科技大学 | 基于gru的滑坡位移预测方法 |
CN113116363A (zh) * | 2021-04-15 | 2021-07-16 | 西北工业大学 | 一种基于表面肌电信号判断手部疲劳度方法 |
CN113673769A (zh) * | 2021-08-24 | 2021-11-19 | 北京航空航天大学 | 基于多元时间序列插补的图神经网络交通流预测方法 |
CN115333621A (zh) * | 2022-08-10 | 2022-11-11 | 长春理工大学 | 一种分布式框架下融合时空特征的光斑质心预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104485665A (zh) * | 2014-12-17 | 2015-04-01 | 河海大学 | 计及风速预测误差时空相关性的动态概率潮流计算方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
US20160189541A1 (en) * | 2010-09-23 | 2016-06-30 | Intelligent Mechatronic Systems Inc. | User-centric traffic enquiry and alert system |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 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 |
CN106339753A (zh) * | 2016-08-17 | 2017-01-18 | 中国科学技术大学 | 一种有效提升卷积神经网络稳健性的方法 |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
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 |
-
2017
- 2017-12-29 CN CN201711474416.7A patent/CN108205889B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189541A1 (en) * | 2010-09-23 | 2016-06-30 | Intelligent Mechatronic Systems Inc. | User-centric traffic enquiry and alert system |
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 |
CN104485665A (zh) * | 2014-12-17 | 2015-04-01 | 河海大学 | 计及风速预测误差时空相关性的动态概率潮流计算方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 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 |
CN106339753A (zh) * | 2016-08-17 | 2017-01-18 | 中国科学技术大学 | 一种有效提升卷积神经网络稳健性的方法 |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
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 |
---|
孙德鑫: "基于神经网络的车流量检测及预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
焦琴琴: "基于深度学习的路网短时交通流预测", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (26)
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 |
CN108961762A (zh) * | 2018-08-24 | 2018-12-07 | 东北林业大学 | 一种基于多因素融合的城市道路交通流量预测方法 |
CN108877226A (zh) * | 2018-08-24 | 2018-11-23 | 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 |
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 |
CN109658694A (zh) * | 2018-12-28 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种卷积神经网络高危车辆交通流预测方法和系统 |
CN109658695A (zh) * | 2019-01-02 | 2019-04-19 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN109658695B (zh) * | 2019-01-02 | 2020-09-22 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN109754126A (zh) * | 2019-01-30 | 2019-05-14 | 银江股份有限公司 | 基于时空相关性和卷积神经网络的短时交通流预测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109754605B (zh) * | 2019-02-27 | 2021-12-07 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
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 |
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 |
CN110837888A (zh) * | 2019-11-13 | 2020-02-25 | 大连理工大学 | 一种基于双向循环神经网络的交通缺失数据补全方法 |
CN111710154A (zh) * | 2020-05-15 | 2020-09-25 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
CN111710154B (zh) * | 2020-05-15 | 2022-11-18 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
CN111861027A (zh) * | 2020-07-29 | 2020-10-30 | 北京工商大学 | 一种基于深度学习融合模型的城市交通流量预测方法 |
CN112102281A (zh) * | 2020-09-11 | 2020-12-18 | 哈尔滨市科佳通用机电股份有限公司 | 基于改进Faster Rcnn的货车制动缸故障检测方法 |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及系统 |
CN112598170A (zh) * | 2020-12-18 | 2021-04-02 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
CN112598170B (zh) * | 2020-12-18 | 2022-10-28 | 中国科学技术大学 | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 |
CN113111573A (zh) * | 2021-03-24 | 2021-07-13 | 桂林电子科技大学 | 基于gru的滑坡位移预测方法 |
CN113116363A (zh) * | 2021-04-15 | 2021-07-16 | 西北工业大学 | 一种基于表面肌电信号判断手部疲劳度方法 |
CN113673769A (zh) * | 2021-08-24 | 2021-11-19 | 北京航空航天大学 | 基于多元时间序列插补的图神经网络交通流预测方法 |
CN113673769B (zh) * | 2021-08-24 | 2024-02-02 | 北京航空航天大学 | 基于多元时间序列插补的图神经网络交通流预测方法 |
CN115333621A (zh) * | 2022-08-10 | 2022-11-11 | 长春理工大学 | 一种分布式框架下融合时空特征的光斑质心预测方法 |
CN115333621B (zh) * | 2022-08-10 | 2023-07-18 | 长春理工大学 | 一种分布式框架下融合时空特征的光斑质心预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108205889B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108205889A (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
Zhao et al. | T-gcn: A temporal graph convolutional network for traffic prediction | |
Zhao et al. | Deep temporal convolutional networks for short-term traffic flow forecasting | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
Chen et al. | Predicting station level demand in a bike‐sharing system using recurrent neural networks | |
Liao et al. | Large-scale short-term urban taxi demand forecasting using deep learning | |
CN108830430A (zh) | 用于交通流量预测的卷积神经网络多点回归预测模型 | |
Yang et al. | MF-CNN: traffic flow prediction using convolutional neural network and multi-features fusion | |
Yitian et al. | Modeling flow and sediment transport in a river system using an artificial neural network | |
CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
Nourani et al. | Integrated artificial neural network for spatiotemporal modeling of rainfall–runoff–sediment processes | |
CN107967451A (zh) | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 | |
CN107563567A (zh) | 基于稀疏自编码的核极限学习机洪水预报方法 | |
CN109902880A (zh) | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 | |
Minglei et al. | Classified real-time flood forecasting by coupling fuzzy clustering and neural network | |
CN110188733A (zh) | 基于3d区域卷积神经网络的时序行为检测方法及系统 | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
CN107045785B (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
CN111275971A (zh) | 一种高速公路交通流量预测方法 | |
CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210427 Termination date: 20211229 |
|
CF01 | Termination of patent right due to non-payment of annual fee |