CN108538050A - 一种短时交通流量预测方法及装置 - Google Patents
一种短时交通流量预测方法及装置 Download PDFInfo
- Publication number
- CN108538050A CN108538050A CN201710123398.1A CN201710123398A CN108538050A CN 108538050 A CN108538050 A CN 108538050A CN 201710123398 A CN201710123398 A CN 201710123398A CN 108538050 A CN108538050 A CN 108538050A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- observation
- data
- magnitude
- adjustment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000005498 polishing Methods 0.000 claims abstract description 9
- 238000013277 forecasting method Methods 0.000 claims abstract 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003556 assay Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于交通领域，提供了一种短时交通流量预测方法及装置，所述交通流量预测方法包括：获取宏观交通流模型；确定状态向量、状态方程、观测向量和观测方程；构建用于交通流量预测的数据同化系统框架；将不同观测时段类型的观测数据进行分类采样；融合历史观测数据，基于调整的集合卡尔曼滤波的数据同化方法，补齐当前时刻路段缺失的观测值；基于所述数据同化方法，对所述宏观交通流模型的模型参数进行修正调整；利用调整模型参数后的所述宏观交通流模型，对未来时刻的交通流量进行预测；本发明能够对未来时刻的交通流量进行预测，同时实现了在线调整，易于推广。
Description
技术领域
本发明属于交通领域，重点涉及一种短时交通流量预测方法及装置。
背景技术
随着交通事业的发展，交通拥挤和交通事故等诸多交通问题越来越显著， 只能交通控制与诱导系统已经成为ITS研究的热门核心课题，而实现交通流诱 导系统的关键问题是准确的短时交通流量预测，即如何有效地利用实时交通数 据信息去滚动预测未来几分钟内的交通状况，为出行者提供实时有效的选择路 径信息，缩减出行时间，减少交通拥挤。短时预测是微观意义上的，与中观和 宏观意义上的以小时、天、月甚至是年计算的基于交通规划的战略预测是有本 质区别的。
随着短时预测中时间跨度的缩短，交通流量显示出来的非线性，时变性， 不确定性越来越强，传统的预测模型的精度与效果不甚理想。如历史平均模型 虽然操作简单，速度快，但精度较差，静态的预测有其先天性的不足；基于神 经网络的预测模型的训练过程过于复杂，并且其训练过程只能通过调整神经元 的权值进行数据处理，这种不足导致这类网络存在着局部极小、收敛速度慢、 推广能力差以及难以实现在线调整等问题。
发明内容
本发明实施例的目的在于提供一种短时交通流量预测方法，旨在对未来时 刻的交通流量值进行预测。
本发明实施例是这样实现的，一种短时交通流量预测方法，包括：
获取宏观交通流模型；
确定状态向量、状态方程、观测向量和观测方程；
构建用于交通流量预测的数据同化系统框架；
将不同观测时段类型的观测数据进行分类采样；
融合历史观测数据，基于调整的集合卡尔曼滤波的数据同化方法，补齐当 前时刻路段缺失的观测值；
基于所述数据同化方法，对所述宏观交通流模型的模型参数进行修正调整；
利用调整模型参数后的所述宏观交通流模型，对未来时刻的交通流量进行 预测；
本发明实施例的另一目的在于提供一套短时交通流量预测装置，包括：
获取模块，用于获取宏观交通流模型；
构建模块，用于确定状态向量，状态方程，观测向量，观测方程，构建用 于交通流量预测的数据同化系统框架；
分类模块，用于将不同观测时段类型的观测数据进行分类采样；
估计模块，用于基于调整的集合卡尔曼滤波的数据同化方法，补齐当前时 刻路段缺失的观测值，以及对所述宏观交通流模型的模型参数进行修正调整；
预测模块，用于利用调整模型参数后的所述宏观交通流模型，对未来时刻 的交通流量进行预测；
在本发明实施例中，利用基于调整的集合卡尔曼滤波的数据同化方法对交 通流量进行预测，有益效果在于，提高了交通状态的预测精度，同时实现了在 线调整，易于推广。
附图说明
图1是本发明实施例提供的短时交通流量预测方法的实现流程图；
图2是本发明实施例提供的基于调整的集合卡尔曼滤波的数据同化方法预 测交通流量的实现流程图；
图3是本发明实施例提供的短时交通流量预测装置的结构框图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包 含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除 一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添 加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施 例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使 用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个” 及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且 包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“倘若”可以依据 上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。 类似地，短语“倘若确定”或“倘若读取到[所描述条件或事件]”可以依据上 下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件 或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一
图1是本发明实施例提供的短时交通流量预测方法的实现流程图，详述如 下：
在步骤S101中，获取宏观交通流模型；
在步骤S102中，确定状态向量、状态方程、观测向量和观测方程；
在步骤S103中，构建用于交通流量预测的数据同化系统框架；
在步骤S104中，将不同观测时段类型的观测数据进行分类采样；在步骤 S105中，融合历史观测数据，基于调整的集合卡尔曼滤波的数据同化方法，补 齐当前时刻路段缺失的观测值；
在步骤S106中，基于所述数据同化方法，对所述宏观交通流模型的模型 参数进行修正调整；
在步骤S107中，利用调整模型参数后的所述宏观交通流模型，对未来时 刻的交通流量进行预测。
在本发明实施例中，利用基于调整的集合卡尔曼滤波的数据同化方法对交 通流量进行预测，有益效果在于，提高了交通状态的预测精度，同时实现了在 线调整，易于推广。
实施例二
本发明实施例描述了宏观交通流模型，所述宏观交通流模型具体为：
qi(t)＝β(vi(t)·ρi(t))+(1-β)(vi+1(t)·ρi+1(t)) (3)
其中：ρi(t)为路段i上t时刻的交通密度；
vi(t)为路段i上t时刻车辆的平均速度；
qi(t)为在t时刻路段i和路段i+1间边界点上的交通流量；
ri(t),si(t)分别是在t时刻路段i上流入和流出的流量值；
Δt为时间增益；
λi为在路段i上的车道个数；
ve(·)为平衡态时的速度，可以通过公式(4)获得，其中：
vf,ρcr,α分别是道路畅通时的自由速率、临界交通密度、速度方程的指数。
τ,η,κ是模型参数；
β是权重参数，取值范围为(0,1)。
实施例三
本发明实施例描述了状态部分与观测部分的确定，详述如下：
我们将交通密度和平均速度作为状态向量X(t)，即X(t)＝(ρ,v)t；将交通流 量作为观测向量Y(t)，即Y(t)＝(q)t；将所述宏观交通流模型中的公式(1)和公式 (2)作为状态方程；公式(3)作为观测方程。
实施例四
本发明实施例描述了用于交通流量预测的数据同化系统框架，所述数据同 化系统框架具体为：
模式部分：Xt＝M(Xt-1)+δ；
Xt为将背景场Xt-1放入模型中推导出的当前时刻的状态值，M为状态方程， δ为模型误差；
观测部分：Yt＝H(Xt)+ε；
Yt是由当前时刻状态导出的观测信息,H为观测算子，即由状态空间到观测 空间的映射关系，ε为观测误差。
同化算法部分：调整的集合卡尔曼滤波。
实施例五
本发明实施例描述了将不同观测时段类型的观测数据进行分类采样的过程， 详述如下：
根据不同时间段交通流量值分布不同，将不同观测时段类型的观测数据进 行分类采样，以提高交通流量的预测精度。
其中，根据不同时间段交通流量值分布不同，可以将交通流量观测数据分 为工作日，周末，节假日等类型，针对不同时间段类型，分别进行采样研究， 对交通流量值进行短时预测，有助于提高预测精度，增加交通流预测的合理性。
实施例六
本发明实施例描述了补齐当前时刻路段缺失的观测值的实现流程，详述如 下：
基于调整的集合卡尔曼滤波的数据同化方法，将所属宏观交通流模型的预 报值与历史观测数据相融合，得到当前时刻的路网中路段缺失的交通流量观测 值。
实施例七
图2是本发明实施例提供的基于调整的集合卡尔曼滤波的数据同化方法预 测交通流量的实现流程图，其中包含对模型参数的修正调整以及对短时交通流 量值的预测，详述如下：
已知， 第i-1时刻的状态向量的分析值，亦称为背
景场，为第i-1时刻的样本的状态向量的分析值，为集合样本数；
第一步：通过状态方程获得当前时刻状态向量的预报值即：
其中，为当前时刻样本状态向量的预报值，为当前时刻状态向量的 预测值，Mi-1为i-1时刻的状态方程；
第二步：计算状态向量的预报误差协方差矩阵即：
第三步：计算观测新息即：
其中：H为观测算子，即由状态空间到观测空间的映射关 系，yo为观测值，yb为利用状态向量通过观测算子得到的观测信息，为 利用状态向量通过观测算子得到的观测信息的方差，为观测值的方差； 第四步：使用线性回归将观测新息投影到模型空间网格点上，用于计算当 前时刻的样本状态向量的分析值即：
其中，cj为投影系数；
第五步：当循环次数小于指定循环次数时，返回到第一步；
第六步：计算当前时刻状态分析值即：
第七步：计算当前时刻状态分析值的误差协方差矩阵即：
实施例八
图3是本发明实施例提供的短时交通流量预测装置的结构框图，该装置可 以运行于用户设备中。用户设备包括但不限于摄像机、移动电话、口袋计算机 (Pocket PersonalComputer，PPC)、掌上电脑、计算机、笔记本电脑、个人数 字助理(Personal DigitalAssistant，PDA)、MP4、MP3。为便于说明，仅示出 了与本实施例相关的部分。
参照图3，该短时交通流量预测装置，包括：
获取模块31，用于获取宏观交通流模型；
构建模块32，用于确定状态向量，状态方程，观测向量，观测方程，构建 用于交通流量预测的数据同化系统框架；
分类模块33，用于将不同观测时段类型的观测数据进行分类采样；
估计模块34，用于基于调整的集合卡尔曼滤波的数据同化方法，补齐当前 时刻路段缺失的观测值，以及对所述宏观交通流模型的模型参数进行修正调整；
预测模块35，用于利用调整模型参数后的所述宏观交通流模型，对未来时 刻的交通流量进行预测。
作为本实施例的一种实现方式，在所述短时交通流量预测装置中，所述构 建模块，具体用于将交通密度和平均速度作为状态向量X(t)，即X(t)＝(ρ,v)t；将 交通流量作为观测向量Y(t)，即Y(t)＝(q)t；将所述宏观交通流模型中的公式(1) 和公式(2)作为状态方程，公式(3)作为观测方程，再以调整的集合卡尔曼滤波算 法作为同化算法，构建数据同化系统框架。
作为本实施例的一种实现方式，在所述短时交通流量预测装置中，所述分 类模块，具体用于根据不同时间段交通流量值分布不同，将不同观测时段类型 的观测数据进行分类采样，以提高交通流量的预测精度。
作为本实施例的一种实现方式，在所述短时交通流量预测装置中，所述估 计模块，具体用于基于调整的集合卡尔曼滤波的数据同化方法，将所属宏观交 通流模型的预报值与历史观测数据相融合，得到当前时刻的路网中路段缺失的 交通流量观测值，以及对所述宏观交通流模型的模型参数进行修正调整。
作为本实例的一种实现方式，在所述短时交通流量预测装置中，所述预测 模块，具体用于利用调整模型参数后的所述宏观交通流模型，对未来时刻的交 通流量进行预测。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例装置和装置中的单元可以根据实际需要进行合并、划分和删 减。
本发明实施例提供的装置可以应用在前述对应的方法实施例中，详情参见 上述实施例的描述，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方 法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性 的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另 外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或 一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直 接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连 接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为 单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元 中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时， 可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方 案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件 产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指 令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括： U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器 (RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的 介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到 的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围 应以权利要求的保护范围为准。
Claims (10)
1.一种短时交通流量预测方法，其特征在于，包括：
获取宏观交通流模型；
确定状态向量、状态方程、观测向量和观测方程；
构建用于交通流量预测的数据同化系统框架；
将不同观测时段类型的观测数据进行分类采样；
融合历史观测数据，基于调整的集合卡尔曼滤波的数据同化方法，补齐当前时刻路段缺失的观测值；
基于所述数据同化方法，对所述宏观交通流模型的模型参数进行修正调整；
利用调整模型参数后的所述宏观交通流模型，对未来时刻的交通流量进行预测。
2.如权利要求1所述的交通流量预测方法，其特征在于，所述宏观交通流模型具体为：
qi(t)＝β(vi(t)·ρi(t))+(1-β)(vi+1(t)·ρi+1(t)) (3)
其中：ρi(t)为路段i上t时刻的交通密度；
vi(t)为路段i上t时刻车辆的平均速度；
qi(t)为在t时刻路段i和路段i+1间边界点上的交通流量；
ri(t),si(t)分别是在t时刻路段i上流入和流出的流量值；
Δt为时间增益；
λi为在路段i上的车道个数；
ve(·)为平衡态时的速度，可以通过公式(4)获得，其中：
vf,ρcr,α分别是道路畅通时的自由速率、临界交通密度、速度方程的指数。
τ,η,κ是模型参数；
β是权重参数，取值范围为(0,1)。
3.如权利要求1或2所述的交通流量预测方法，其特征在于，所述确定状态向量、状态方程、观测向量和观测方程，具体为：
将交通密度和平均速度作为状态向量X(t)，即X(t)＝(ρ,v)t；将交通流量作为观测向量Y(t)，即Y(t)＝(q)t；将所述宏观交通流模型中的公式(1)和公式(2)作为状态方程，公式(3)作为观测方程。
4.如权利要求1所述的交通流量预测方法，其特征在于，所述数据同化系统框架包括以下部分：
模式部分：Xt＝M(Xt-1)+δ；
Xt为将背景场Xt-1放入模型中推导出的当前时刻的状态值，M为状态方程，δ为模型误差；
观测部分：Yt＝H(Xt)+ε；
Yt是由当前时刻状态导出的观测信息,H为观测算子，即由状态空间到观测空间的映射关系，ε为观测误差；
同化算法部分：调整的集合卡尔曼滤波。
5.如权利要求1所述的交通流量预测方法，其特征在于，所述将不同观测时段类型的观测数据进行分类采样，具体为：
根据不同时间段交通流量值分布不同，将不同观测时段类型的观测数据进行分类采样，以提高交通流量的预测精度。
6.如权利要求1所述的交通流量预测方法，其特征在于，所述融合历史观测数据，基于调整的集合卡尔曼滤波的数据同化方法，补齐当前时刻路段缺失的观测值，具体为：
基于调整的集合卡尔曼滤波的数据同化方法，将所属宏观交通流模型的预报值与历史观测数据相融合，得到当前时刻的路网中路段缺失的交通流量观测值。
7.一种短时交通流量预测装置，其特征在于，包括：
获取模块，用于获取宏观交通流模型；
构建模块，用于确定状态向量，状态方程，观测向量，观测方程，构建用于交通流量预测的数据同化系统框架；
分类模块，用于将不同观测时段类型的观测数据进行分类采样；
估计模块，用于基于调整的集合卡尔曼滤波的数据同化方法，补齐当前时刻路段缺失的观测值，以及对所述宏观交通流模型的模型参数进行修正调整；
预测模块，用于利用调整模型参数后的所述宏观交通流模型，对未来时刻的交通流量进行预测。
8.如权利要求7所述的短时交通流量预测装置，其特征在于，所述构建模块，具体用于将交通密度和平均速度作为状态向量X(t)，即X(t)＝(ρ,v)t；将交通流量作为观测向量Y(t)，即Y(t)＝(q)t；将所述宏观交通流模型中的公式(1)和公式(2)作为状态方程，公式(3)作为观测方程。再以调整的集合卡尔曼滤波算法作为同化算法，构建数据同化系统框架。
9.如权利要求7所述的短时交通流量预测装置，其特征在于，所述分类模块，具体用于根据不同时间段交通流量值分布不同，将不同观测时段类型的观测数据进行分类采样，以提高交通流量的预测精度。
10.如权利要求7所述的短时交通流量预测装置，其特征在于，
所述估计模块，具体用于基于调整的集合卡尔曼滤波的数据同化方法，将所属宏观交通流模型的预报值与历史观测数据相融合，得到当前时刻的路网中路段缺失的交通流量观测值，以及对所述宏观交通流模型的模型参数进行修正调整；所述预测模块，具体用于利用调整模型参数后的所述宏观交通流模型，对未来时刻的交通流量进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710123398.1A CN108538050B (zh) | 2017-03-01 | 2017-03-01 | 一种短时交通流量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710123398.1A CN108538050B (zh) | 2017-03-01 | 2017-03-01 | 一种短时交通流量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108538050A true CN108538050A (zh) | 2018-09-14 |
| CN108538050B CN108538050B (zh) | 2020-07-31 |
Family
ID=63489229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710123398.1A Active CN108538050B (zh) | 2017-03-01 | 2017-03-01 | 一种短时交通流量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108538050B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN109409598A (zh) * | 2018-10-23 | 2019-03-01 | 河南工业大学 | 基于svm和卡尔曼滤波的路段行程时间预测方法及装置 |
| CN110335466A (zh) * | 2019-07-11 | 2019-10-15 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
| CN111081022A (zh) * | 2019-12-30 | 2020-04-28 | 宁波财经学院 | 一种基于粒子群优化神经网络的交通流预测方法 |
| CN111583648A (zh) * | 2020-05-14 | 2020-08-25 | 公安部交通管理科学研究所 | 融合gps数据和卡口流量数据的城市交通流量预测方法 |
| CN111833594A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视系统技术有限公司 | 车流量预测方法、装置、电子设备及存储介质 |
| CN113034904A (zh) * | 2021-03-05 | 2021-06-25 | 交通运输部公路科学研究所 | 基于etc数据的交通状态估计方法和装置 |
| CN113362600A (zh) * | 2021-06-11 | 2021-09-07 | 重庆大学 | 一种交通状态估计方法及系统 |
| CN117057174A (zh) * | 2023-10-13 | 2023-11-14 | 长江三峡集团实业发展(北京)有限公司 | 一种缺资料地区径流预测的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004078482A (ja) * | 2002-08-15 | 2004-03-11 | Japan Automobile Research Inst Inc | 車両の交通状態量推定システム |
| CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
| 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 |
| CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
| CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
| CN106355877A (zh) * | 2016-08-23 | 2017-01-25 | 重庆大学 | 基于粒子滤波算法的高速公路交通事件影响范围仿真估计方法 |
-
2017
- 2017-03-01 CN CN201710123398.1A patent/CN108538050B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004078482A (ja) * | 2002-08-15 | 2004-03-11 | Japan Automobile Research Inst Inc | 車両の交通状態量推定システム |
| CN102629418A (zh) * | 2012-04-09 | 2012-08-08 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流参数预测方法 |
| 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 |
| CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
| CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
| CN106355877A (zh) * | 2016-08-23 | 2017-01-25 | 重庆大学 | 基于粒子滤波算法的高速公路交通事件影响范围仿真估计方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109409598A (zh) * | 2018-10-23 | 2019-03-01 | 河南工业大学 | 基于svm和卡尔曼滤波的路段行程时间预测方法及装置 |
| 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 |
| CN111833594A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视系统技术有限公司 | 车流量预测方法、装置、电子设备及存储介质 |
| CN110335466A (zh) * | 2019-07-11 | 2019-10-15 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
| CN110335466B (zh) * | 2019-07-11 | 2021-01-26 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
| CN111081022A (zh) * | 2019-12-30 | 2020-04-28 | 宁波财经学院 | 一种基于粒子群优化神经网络的交通流预测方法 |
| CN111583648A (zh) * | 2020-05-14 | 2020-08-25 | 公安部交通管理科学研究所 | 融合gps数据和卡口流量数据的城市交通流量预测方法 |
| CN113034904A (zh) * | 2021-03-05 | 2021-06-25 | 交通运输部公路科学研究所 | 基于etc数据的交通状态估计方法和装置 |
| CN113362600A (zh) * | 2021-06-11 | 2021-09-07 | 重庆大学 | 一种交通状态估计方法及系统 |
| CN117057174A (zh) * | 2023-10-13 | 2023-11-14 | 长江三峡集团实业发展(北京)有限公司 | 一种缺资料地区径流预测的方法 |
| CN117057174B (zh) * | 2023-10-13 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种缺资料地区径流预测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108538050B (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108538050A (zh) | 一种短时交通流量预测方法及装置 | |
| TWI746814B (zh) | 電腦可讀介質、車險風險預測裝置及伺服器 | |
| Guo et al. | GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model | |
| Chen et al. | iBOAT: Isolation-based online anomalous trajectory detection | |
| CN105849998B (zh) | 电力需求预测装置及预测方法、供电系统及记录介质 | |
| Geng et al. | Port throughput forecasting by MARS-RSVR with chaotic simulated annealing particle swarm optimization algorithm | |
| Alsolami et al. | Hybrid statistical and machine learning methods for road traffic prediction: A review and tutorial | |
| EP3362994A1 (en) | Accurately determining real time parameters describing vehicle motion based on multiple data sources | |
| CN111833600B (zh) | 通行时间预测方法、装置及数据处理设备 | |
| JP2015125775A (ja) | システムでの需要の予測のためのマルチタスク学習システムおよび方法 | |
| CN106530010A (zh) | 融合时间因素的协同过滤方法和装置 | |
| Lai et al. | Prediction stock price based on different index factors using LSTM | |
| CN110674858B (zh) | 一种基于时空关联与大数据挖掘的交通舆情检测方法 | |
| CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
| CN108091132A (zh) | 一种交通流量预测方法及装置 | |
| CN108876436A (zh) | 一种基于集成模型的电商优惠券使用概率预测方法 | |
| CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
| CN108876056A (zh) | 一种共享自行车需求量预测方法、装置、设备及存储介质 | |
| Zhu et al. | Internal and external coupling of Gaussian mixture model and deep recurrent network for probabilistic drought forecasting | |
| Fuentes et al. | Aircraft parametric structural load monitoring using Gaussian process regression | |
| Maddu et al. | Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks | |
| Wang et al. | Practical options for adopting recurrent neural network and its variants on remaining useful life prediction | |
| CN109543922A (zh) | 用于有桩共享单车站点群的分时段借还量预测方法 | |
| CN111862583A (zh) | 一种车流量预测方法及装置 | |
| CN106096029B (zh) | 一种基于用户双向关系的推荐方法 |
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 |