CN108629976A - 基于gps的城市交通拥堵预测深度学习方法 - Google Patents
基于gps的城市交通拥堵预测深度学习方法 Download PDFInfo
- Publication number
- CN108629976A CN108629976A CN201810554370.8A CN201810554370A CN108629976A CN 108629976 A CN108629976 A CN 108629976A CN 201810554370 A CN201810554370 A CN 201810554370A CN 108629976 A CN108629976 A CN 108629976A
- Authority
- CN
- China
- Prior art keywords
- network
- neural network
- gps
- cnn
- rnn
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开了一种基于GPS的城市交通拥堵预测深度学习方法,涉及交通智能化管理领域,该基于GPS的城市交通拥堵预测深度学习方法基于城市出租车上的GPS实时数据创新性地构建了一套无监督的大规模城市网络的交通拥堵预测方法(CRC3D)。该方法的核心在于结合了递归神经网络(RNN)、卷积神经网络(CNN)和三维卷积神经网络(C3D)。递归神经网络和三维卷积神经网络可以高效地从不同角度捕捉了连续交通状态的时变特征,效果好,实用性强。
Description
技术领域
本发明涉及交通智能化管理领域,特别涉及一种基于GPS的城市交通拥堵预测深度学习方法。
背景技术
城市交通拥堵是交通界一项棘手的问题,为了科学地解决城市交通拥堵问题,常常会对交通拥堵进行预测分析,来提前解决拥堵问题。以往的研究主要集中在几条道路的交通状态,因此忽略了复杂的交通道路的拓扑结构。此外,传统的研究方法通过一些严格的假设来简化问题,很大程度上会限制研究结果的实用性。
发明内容
本发明所要解决的技术问题是提供一种基于GPS的城市交通拥堵预测深度学习方法,基于城市出租车上的GPS实时数据创新性地构建了一套无监督的大规模城市网络的交通拥堵预测方法(CRC3D)。该方法的核心在于结合了递归神经网络(RNN)、卷积神经网络(CNN)和三维卷积神经网络(C3D)。递归神经网络和三维卷积神经网络可以高效地从不同角度捕捉了连续交通状态的时变特征。
为实现上述目的,本发明提供以下的技术方案:
该基于GPS的城市交通拥堵预测深度学习方法包括如下步骤:
(1)存储驾驶员在使用手机端导航软件的过程中产生的原始GPS数据,其中,原始GPS数据包括时间、经纬度、用户id、速度、方向角的字段信息;
(2)交通网络表征,交通网络表征分为3个具体步骤,首先,将考虑时间维度的城市交通网络转换为一个形状为(I×J×T)的三维帧矩阵,其中,地理单元的经纬度大小为0.001°×0.001°,大约为100m×100m。时间帧单元设置为5分钟,I,J分别表示经度和纬度的单元数量,T表示时间帧数量;
接下来,对速度和加速度进行网络映射,设表示车辆k在t时间帧时是否在(i,j)地理单元格里(i∈I,j∈J);
我们用vk(t)和ak(t)分别表示车辆k在t时间帧时的平均速度和加速度,因此,(i,j)单元格在t时间帧所对应的速度和加速度是的所有车辆的算术平均值,即:
当时,即ai,j(t)=vi,j(t)=0;
最后,将三维帧矩阵映射进行正则化处理,使数值取值区间限定在[0,1],以提高预测方法的效率和精度,正则化处理方式如下:
其中,vmax,vmin,amax,amin分别表示速度和加速度的最大最小值;
(3)CNN-RNN组合设置,根据以上第三步和第四步中神经网络的搭建,组合以上两种神经网络结构,形成CNN-RNN深度学习网络结构;
(4)卷积神经网络(CNN)设置,构建一个典型的CNN网络结构作为后续的CNN-RNN网络的子结构,用以提取连续交通状态帧的空间特征,设为m层的第n个特征映射图的(x,y)位置上的值,该值可由以下公式求出:
其中,f(·)是激活函数,bmn和分别表示偏差和权重,h是(m-1)层中的特征图的序号,(p,q)是滤波器中的权重位置,Pm和Qm则是滤波器的高和宽,在下采样pooling层中,特征图会因区域计算而减小,F7则对应的是以下RNN模型中的门循环单元神经网络(GRU)的输入层;
(5)递归神经网络设置,通用的递归神经网络可以处理时间序列的时变问题,设(x1,x2,...,xn)为输入序列,则RNN计算结果如下:
he=g(Wxhxe+Whhhe-1+bh) (7)
ze=g(Whzhe+bz) (8)
其中,g(·)是隐激活函数,he,bh分别表示隐状态和隐偏差;
门循环单元神经网络GRU属于递归神经网络,并且可以高效地处理更为离散的序列问题,其中,e时刻激活状态是通过前一时刻的激活状态和候选激活状态来计算的:
其中,更新门决定了更新单元的激活程度,计算方式如下:
σ是sigmoid函数,Wz和Uz是算法学习到的权重标准。(·)j是向量上的第j个元素,候选激活状态按下式计算:
其中,表示元素级运算符,re是模型中的一系列重置门,即:
(6)C3D网络设置设为第m层的第n个特征图中(x,y,z)单元位置上的值,可由以下公式计算:
其中,Rm是三维滤波器在时间维度上的大小,(p,q,r)对应的是滤波器上的权重位置;
构建出C3D结构,其中,C3D结构中有3个三维卷积层,2个下采样层和1个平滑层;
(7)CRC3D设置,根据以上CNN-RNN结构和C3D结构特点,构建了CRC3D模型用以对大规模城市道路网络的交通拥堵进行预测。
采用以上技术方案的有益效果是:该基于GPS的城市交通拥堵预测深度学习方法基于城市出租车上的GPS实时数据创新性地构建了一套无监督的大规模城市网络的交通拥堵预测方法(CRC3D)。该方法的核心在于结合了递归神经网络(RNN)和三维卷积神经网络(C3D)。递归神经网络和三维卷积神经网络可以高效地从不同角度捕捉了连续交通状态的时变特征,效果好,实用性强。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的描述。
图1是本发明基于GPS的城市交通拥堵预测深度学习方法的流程图;
图2是正则化后的速度三维帧矩阵映射图;
图3是CNN结构示意图;
图4是GRU结构示意图;
图5是CNN-RNN深度学习网络结构示意图;
图6是C3D结构示意图;
图7CRC3D模型结构示意图。
具体实施方式
下面结合附图详细说明本发明基于GPS的城市交通拥堵预测深度学习方法的优选实施方式。
图1至图7出示本发明基于GPS的城市交通拥堵预测深度学习方法的具体实施方式:
如图1所示,该基于GPS的城市交通拥堵预测深度学习方法包括如下步骤:
(1)存储驾驶员在使用手机端导航软件的过程中产生的原始GPS数据,其中,原始GPS数据包括时间、经纬度、用户id、速度、方向角的字段信息;
(2)交通网络表征,交通网络表征分为3个具体步骤。首先,将考虑时间维度的城市交通网络转换为一个形状为(I×J×T)的三维帧矩阵。其中,地理单元的经纬度大小为0.001°×0.001°,大约为100m×100m。时间帧单元设置为5分钟。I,J分别表示经度和纬度的单元数量,T表示时间帧数量。
接下来,对速度和加速度进行网络映射。设表示车辆k在t时间帧时是否在(i,j)地理单元格里(i∈I,j∈J)。
用vk(t)和ak(t)分别表示车辆k在t时间帧时的平均速度和加速度。因此,(i,j)单元格在t时间帧所对应的速度和加速度是的所有车辆的算术平均值,即:
当时,即ai,j(t)=vi,j(t)=0。以下示意图2表示了一个具体的道路网络速度(I×J×T)三维帧矩阵映射,加速度三维帧矩阵映射采取相同处理方式。
最后,将三维帧矩阵映射进行正则化处理,使数值取值区间限定在[0,1],以提高预测方法的效率和精度。正则化处理方式如下:
其中,vmax,vmin,amax,amin分别表示速度和加速度的最大最小值。如图示意图2为正则化后的速度三维帧矩阵映射;
(3)CNN-RNN组合设置,根据以上第三步和第四步中神经网络的搭建,组合以上两种神经网络结构,形成CNN-RNN深度学习网络结构;
(4)卷积神经网络(CNN)设置,构建一个典型的CNN网络结构作为后续的CNN-RNN网络的子结构,用以提取连续交通状态帧的空间特征。CNN结构如示意图3所示。设为m层的第n个特征映射图的(x,y)位置上的值。该值可由以下公式求出:
其中,f(·)是激活函数,bmn和分别表示偏差和权重,h是(m-1)层中的特征图的序号,(p,q)是滤波器中的权重位置。Pm和Qm则是滤波器的高和宽。在下采样pooling层中,特征图会因区域计算而减小。F7则对应的是以下RNN模型中的门循环单元神经网络(GRU)的输入层;
(5)递归神经网络设置,通用的递归神经网络可以处理时间序列的时变问题。设(x1,x2,...,xn)为输入序列,则RNN计算结果如下:
he=g(Wxhxe+Whhhe-1+bh) (7)
ze=g(Whzhe+bz) (8)
其中,g(·)是隐激活函数,he,bh分别表示隐状态和隐偏差。
门循环单元神经网络GRU属于递归神经网络,并且可以高效地处理更为离散的序列问题。其中,e时刻激活状态是通过前一时刻的激活状态和候选激活状态来计算的:
其中,更新门决定了更新单元的激活程度,计算方式如下:
σ是sigmoid函数,Wz和Uz是算法学习到的权重标准。(·)j是向量上的第j个元素。候选激活状态按下式计算:
其中,表示元素级运算符,re是模型中的一系列重置门,即:
GRU的示意图如图4所示;
(6)C3D网络设置设为第m层的第n个特征图中(x,y,z)单元位置上的值,可由以下公式计算:
其中,Rm是三维滤波器在时间维度上的大小,(p,q,r)对应的是滤波器上的权重位置。
构建出如图6所示的C3D结构。其中,C3D结构中有3个三维卷积层,2个下采样层和1个平滑层;
(7)CRC3D设置,根据以上CNN-RNN结构和C3D结构特点,构建了如示意图7所示的CRC3D模型用以对大规模城市道路网络的交通拥堵进行预测。
以上的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (1)
1.一种基于GPS的城市交通拥堵预测深度学习方法,其特征在于:所述基于GPS的城市交通拥堵预测深度学习方法包括如下步骤:
(1)存储驾驶员在使用手机端导航软件的过程中产生的原始GPS数据,其中,原始GPS数据包括时间、经纬度、用户id、速度、方向角的字段信息;
(2)交通网络表征,交通网络表征分为3个具体步骤,首先,将考虑时间维度的城市交通网络转换为一个形状为(I×J×T)的三维帧矩阵,其中,地理单元的经纬度大小为0.001°×0.001°,大约为100m×100m。时间帧单元设置为5分钟,I,J分别表示经度和纬度的单元数量,T表示时间帧数量;
接下来,对速度和加速度进行网络映射,设表示车辆k在t时间帧时是否在(i,j)地理单元格里(i∈I,j∈J);
我们用vk(t)和ak(t)分别表示车辆k在t时间帧时的平均速度和加速度,因此,(i,j)单元格在t时间帧所对应的速度和加速度是的所有车辆的算术平均值,即:
当时,即ai,j(t)=vi,j(t)=0;
最后,将三维帧矩阵映射进行正则化处理,使数值取值区间限定在[0,1],以提高预测方法的效率和精度,正则化处理方式如下:
其中,vmax,vmin,amax,amin分别表示速度和加速度的最大最小值;
(3)CNN-RNN组合设置,根据以上第三步和第四步中神经网络的搭建,组合以上两种神经网络结构,形成CNN-RNN深度学习网络结构;
(4)卷积神经网络(CNN)设置,构建一个典型的CNN网络结构作为后续的CNN-RNN网络的子结构,用以提取连续交通状态帧的空间特征,设为m层的第n个特征映射图的(x,y)位置上的值,该值可由以下公式求出:
其中,f(·)是激活函数,bmn和分别表示偏差和权重,h是(m-1)层中的特征图的序号,(p,q)是滤波器中的权重位置,Pm和Qm则是滤波器的高和宽,在下采样pooling层中,特征图会因区域计算而减小,F7则对应的是以下RNN模型中的门循环单元神经网络(GRU)的输入层;
(5)递归神经网络设置,通用的递归神经网络可以处理时间序列的时变问题,设(x1,x2,...,xn)为输入序列,则RNN计算结果如下:
he=g(Wxhxe+Whhhe-1+bh) (7)
ze=g(Whzhe+bz) (8)
其中,g(·)是隐激活函数,he,bh分别表示隐状态和隐偏差;
门循环单元神经网络GRU属于递归神经网络,并且可以高效地处理更为离散的序列问题,其中,e时刻激活状态是通过前一时刻的激活状态和候选激活状态来计算的:
其中,更新门决定了更新单元的激活程度,计算方式如下:
σ是sigmoid函数,Wz和Uz是算法学习到的权重标准。(·)j是向量上的第j个元素,候选激活状态按下式计算:
其中,表示元素级运算符,re是模型中的一系列重置门,即:
(6)C3D网络设置设为第m层的第n个特征图中(x,y,z)单元位置上的值,可由以下公式计算:
其中,Rm是三维滤波器在时间维度上的大小,(p,q,r)对应的是滤波器上的权重位置;
构建出C3D结构,其中,C3D结构中有3个三维卷积层,2个下采样层和1个平滑层;
(7)CRC3D设置,根据以上CNN-RNN结构和C3D结构特点,构建了CRC3D模型用以对大规模城市道路网络的交通拥堵进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810554370.8A CN108629976A (zh) | 2018-05-17 | 2018-05-17 | 基于gps的城市交通拥堵预测深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810554370.8A CN108629976A (zh) | 2018-05-17 | 2018-05-17 | 基于gps的城市交通拥堵预测深度学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629976A true CN108629976A (zh) | 2018-10-09 |
Family
ID=63690933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810554370.8A Pending CN108629976A (zh) | 2018-05-17 | 2018-05-17 | 基于gps的城市交通拥堵预测深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629976A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112083456A (zh) * | 2020-09-14 | 2020-12-15 | 电子科技大学 | 一种货运状态识别方法、装置、设备及存储介质 |
CN112100163A (zh) * | 2020-08-19 | 2020-12-18 | 北京航空航天大学 | 一种基于三维卷积神经网络的路网状态时空预测方法 |
CN112633602A (zh) * | 2020-12-31 | 2021-04-09 | 深圳云天励飞技术股份有限公司 | 一种基于gis地图信息的交通拥堵指数预测方法及装置 |
CN114724386A (zh) * | 2022-03-31 | 2022-07-08 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005230A1 (en) * | 2005-06-29 | 2007-01-04 | Nissan Motor Co., Ltd. | Traffic jam prediction device and method |
JP2007140745A (ja) * | 2005-11-16 | 2007-06-07 | Sumitomo Electric Ind Ltd | 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法 |
CN101188002A (zh) * | 2007-12-24 | 2008-05-28 | 北京大学 | 一种具有实时和连续特性的城市交通状态预测系统及方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104268642A (zh) * | 2014-09-16 | 2015-01-07 | 杭州文海信息技术有限公司 | 基于最小变异系数评价及推理模型的道路通堵预测方法 |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN107038478A (zh) * | 2017-04-20 | 2017-08-11 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
-
2018
- 2018-05-17 CN CN201810554370.8A patent/CN108629976A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005230A1 (en) * | 2005-06-29 | 2007-01-04 | Nissan Motor Co., Ltd. | Traffic jam prediction device and method |
JP2007140745A (ja) * | 2005-11-16 | 2007-06-07 | Sumitomo Electric Ind Ltd | 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法 |
CN101188002A (zh) * | 2007-12-24 | 2008-05-28 | 北京大学 | 一种具有实时和连续特性的城市交通状态预测系统及方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104268642A (zh) * | 2014-09-16 | 2015-01-07 | 杭州文海信息技术有限公司 | 基于最小变异系数评价及推理模型的道路通堵预测方法 |
CN104616498A (zh) * | 2015-02-02 | 2015-05-13 | 同济大学 | 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN107038478A (zh) * | 2017-04-20 | 2017-08-11 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
CN107766808A (zh) * | 2017-09-30 | 2018-03-06 | 北京泓达九通科技发展有限公司 | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 |
CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
Non-Patent Citations (1)
Title |
---|
谭娟等: "基于深度学习的交通拥堵预测模型研究", 《计算机应用研究》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112100163A (zh) * | 2020-08-19 | 2020-12-18 | 北京航空航天大学 | 一种基于三维卷积神经网络的路网状态时空预测方法 |
CN112083456A (zh) * | 2020-09-14 | 2020-12-15 | 电子科技大学 | 一种货运状态识别方法、装置、设备及存储介质 |
CN112633602A (zh) * | 2020-12-31 | 2021-04-09 | 深圳云天励飞技术股份有限公司 | 一种基于gis地图信息的交通拥堵指数预测方法及装置 |
CN112633602B (zh) * | 2020-12-31 | 2023-03-03 | 深圳云天励飞技术股份有限公司 | 一种基于gis地图信息的交通拥堵指数预测方法及装置 |
CN114724386A (zh) * | 2022-03-31 | 2022-07-08 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN114724386B (zh) * | 2022-03-31 | 2023-10-27 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629976A (zh) | 基于gps的城市交通拥堵预测深度学习方法 | |
CN106297297B (zh) | 基于深度学习的交通拥堵判别方法 | |
CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
Liu et al. | Dynamic spatial-temporal representation learning for traffic flow prediction | |
CN105654729B (zh) | 一种基于卷积神经网络的短时交通流量预测方法 | |
CN107103758B (zh) | 一种基于深度学习的城市区域交通流量预测方法 | |
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 | |
CN106205114B (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
CN107145387B (zh) | 一种车载网环境下基于深度强化学习的任务调度方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
Wu et al. | Graph attention LSTM network: A new model for traffic flow forecasting | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN108831153A (zh) | 一种利用时空分布特性的交通流预测方法及装置 | |
CN110494902A (zh) | 用于管理地理位置中的交通的系统、设备和方法 | |
CN107437339A (zh) | 一种信息引导下的可变信息情报板协调控制方法及系统 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN110070715A (zh) | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 | |
CN111523706B (zh) | 一种基于深度学习组合模型的断面车道级短时交通流预测方法 | |
CN109584552A (zh) | 一种基于网络向量自回归模型的公交到站时间预测方法 | |
CN108346293A (zh) | 一种实时交通流短时预测方法 | |
CN112905379B (zh) | 基于自我注意力机制的图自编码器的交通大数据修复方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN110164129A (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
Chatterjee et al. | Real time traffic delay optimization using shadowed type-2 fuzzy rule base | |
CN108492561A (zh) | 一种基于矩阵分解的路网交通状态时空特征分析方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181009 |