CN108647834B - 一种基于卷积神经网络结构的交通流预测方法 - Google Patents
一种基于卷积神经网络结构的交通流预测方法 Download PDFInfo
- Publication number
- CN108647834B CN108647834B CN201810509571.6A CN201810509571A CN108647834B CN 108647834 B CN108647834 B CN 108647834B CN 201810509571 A CN201810509571 A CN 201810509571A CN 108647834 B CN108647834 B CN 108647834B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- layer
- data set
- model
- data
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000010410 layer Substances 0.000 claims abstract description 106
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims abstract description 4
- 239000002356 single layer Substances 0.000 claims abstract description 3
- 239000000284 extract Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G06Q50/40—
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于卷积神经网络结构的交通流预测方法,包括以下步骤:1)建立交通流数据集并对数据集进行预处理:根据获取的交通流数据建立交通流数据集,对数据集进行预处理,构建数据集样本矩阵,将数据集分为训练集和测试集;2)搭建单层传统卷积神经网络,去除池化层,构建道路交通流矩阵的特征提取网络,在全连接层后增加sigmoid非线性回归层,构建道路交通流非线性回归预测网络;3)训练卷积神经网络并实现短期交通流的实时预测:定义模型目标函数,将训练集作为卷积神经网络模型输入,求解模型最优参数从而完成模型训练;利用训练完成的卷积神经网络模型对测试集进行实时交通流预测。本发明而提高交通流短期预测的准确性。
Description
技术领域
本发明涉及一种基于卷积神经网络结构的交通流预测方法,本发明属于交通预测领域。
背景技术
道路交通流预测是对交通流进行诱导和控制的必要前提,其不仅便于出行者制定更好的出行计划,还有利于交通管理部门做出更好的管理决策。此外,道路交通流预测在智能交通中也发挥着不可替代的作用。
在已有的道路交通流预测方法中,浅层模型不能较好的挖掘交通流数据中的信息,时序模型只考虑了交通流在时间上的特征而忽略了空间上的影响。而卷积神经网络通过卷积不仅能够提取时间上的特征,还能提取空间上的特征,故本发明提出了一种基于卷积神经网络的交通流预测方法,通过卷积提取交通流中的时空特征并进行非线性回归,最终实现道路交通流的预测。
随着智能交通系统在中国的发展和应用,道路交通流预测可以辅助交通管理部门做出更合理的交通管制决策,缓解交通拥堵,减少交通资源的浪费。
发明内容
为了克服已有道路交通流预测方法的交通流短期预测的准确性较低的不足,本发明的提供一种基于卷积神经网络结构的交通流预测方法。该方法能够在时空上对交通流数据进行更加深入的分析,提高特征提取的有效性,从而提高交通流短期预测的准确性。
本发明解决其技术问题所采用的技术方案是:
一种基于卷积神经网络结构的交通流预测方法,包括以下步骤:
1)建立交通流数据集并对数据集进行预处理:根据获取的交通流数据建立交通流数据集,对数据集进行预处理,构建数据集样本矩阵,将数据集分为训练集和测试集;
2)构建基于卷积神经网络的交通流预测模型:搭建单层传统卷积神经网络,去除池化层,构建道路交通流矩阵的特征提取网络,在全连接层后增加sigmoid非线性回归层,构建道路交通流非线性回归预测网络;
3)训练卷积神经网络并实现短期交通流的实时预测:定义模型目标函数,将训练集作为卷积神经网络模型输入,求解模型最优参数从而完成模型训练;利用训练完成的卷积神经网络模型对测试集进行实时交通流预测。
进一步,所述步骤1)中,使用多条路段多天交通流数据构成数据集矩阵,对数据集进行预处理:采用最大最小标准化方法对数据集进行标准化处理;使用数据集中多条路段多个历史流量数据构成数据集样本矩阵,将其下一时刻的流量数据作为标签数据矩阵并将预处理后的数据集分为训练集和测试集两部分。
再进一步,所述步骤1)的过程如下:
1.1:建立交通流数据集,对数据进行预处理
获取多条路段多天车流量数据构建交通流数据集,数据集形式如下所示:
其中,p表示路段数目,q表示在采样周期T一定情况下采样样本的数量;
考虑到卷积神经网络预测模型中采用了sigmoid回归,将交通流数据实际值域映射到0-1值域,为了确保模型输入输出是在同一量纲,对原始多路段的交通流数据进行了标准化处理,标准化方法为最大最小标准化;
1.2:构建数据集样本矩阵,将数据集分为训练集和测试集
由于二维卷积运算提取两个维度的信息,在交通数据中则对应于时间信息和空间信息,故模型的数据集中的单个样本应包含时空信息,将数据集中的单个样本设计为以下形式:
矩阵的行向量表示相同路段不同时刻交通流数据的时间信息,列向量表示相同时刻不同路段交通流数据的空间信息,其中,N表示路段数量,n表示历史交通流数据数量;记当前时刻为t,则xi,t-n表示路段i在t-n时刻的交通流数据;
数据集样本矩阵构建完成后,将整个数据集分为训练集和测试集。
所述步骤2)的过程如下:
2.1:构建特征提取网络
特征提取模块包含卷积层、展开层和全连层;
卷积层采用二维卷积进行计算,该卷积不仅可以提取输入矩阵行向量的交通流数据中的时间信息,还可以提取列向量上的交通流数据中的位置信息,对于单个样本的卷积层计算表达式如下:
Y=f((m,X,k)*W1+b1) (3)
其中,(m,X,k)为输入矩阵,m表示样本数,k表示通道数,W1为a×b×c×s权重矩阵,a×b定义为卷积核大小,c为通道数,s定义为卷积核数量,b1为偏置项,f为激活函数relu:max(0,x),Y为卷积层输出,*为二维卷积运算操作;
由卷积运算可知,卷积层输出为三维向量,而回归层输入为一维向量,故采用展开层将卷积层输出转变为一维向量,展开层表达式如下:
Yflat=Reshape(Y,size) (4)
其中,Y为卷积层输出,Yflat为展开层的输出,Reshape为展开函数,size表示转换结果的维数,例如Reshape(Y,(2,3))表示将Y转变为2×3的向量;
展开层输出作为全连接层的输入,全连接层计算表达式如下:
Z=f(W2Yflat+b2) (5)
其中,Yflat为展开层输出,W2为权重矩阵,b2为偏置项,f为激活函数relu:max(0,x),Z为全连接层输出;
2.2:构建非线性回归预测网络
回归预测模块包含Drop层和回归层。
在损失函数中加入正则化项和随机丢弃部分数据并用0填充,采用第二种方式,并将该层称之为Drop层,Drop层表达式如下:
Zdrop=Drop(Z,keep_prop) (6)
其中,Z为全连接层输出,Zdrop为Drop层输出,keep_prop为保留数据占数据总量的比例,取值范围为0-1;
由于交通流数据的非线性,采用非线性回归进行预测,回归层表达式如下:
O=g(W3Zdrop+b3) (7)
其中,Zdrop为卷积层输出,W3为权重矩阵,b3为偏置项,g为激活函数sigmoid:1/(1+exp(-x)),O为全连接层输出。
所述步骤3)的过程如下:
3.1:定义模型目标函数,训练模型
设O为模型预测输出,Label为样本标签数据,j为样本数量,则模型损失函数L如下所示:
针对上述的模型目标函数,通过反向传播算法调解模型每层参数,寻找模型的相对最优参数;
3.2:实现实时交通流的预测
获取实时交通流数据作为上述训练完成模型的输入,实现交通流的实时预测。
本发明的有益效果主要表现在:本发明通过卷积神经网络模型对交通流数据的学习训练,形成了短期交通流预测模型。该模型相比传统技术而言,它可以有效提取交通流数据中的时空信息,更加充分挖掘交通流数据中的信息,故其也有着更高的预测精度。此外,相比传统卷积模型,该模型去除了池化层以及增加了sigmoid非线性回归层,一定程度上避免了有效交通流数据特征的丢失和提高了预测的精度。
随着人们生活水平的不断提高,路面车辆的数量也在不断增加,处理好交通堵塞问题已成为燃眉之急。而提高交通流预测模型精度更是其中不可或缺的一部分。本发明将卷进神经网络模型运用到交通流预测上,将有效提高交通流预测精度。该发明一定程度上可以协助出行者做出更好的出行决断,还可以辅助交管部门做出更合理的交通管制与诱导。
附图说明
图1是卷积神经网络预测模型结构框图。
图2是基于卷积神经网络的交通流预测结果图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于卷积神经网络结构的交通流预测方法,包括以下步骤:
1)建立交通流数据集并对数据集进行预处理,过程如下:
1.1:建立交通流数据集,对数据进行预处理
获取多条路段多天车流量数据构建交通流数据集,数据集形式如下所示。
其中,p表示路段数目,q表示在采样周期T一定情况下采样样本的数量。
考虑到卷积神经网络预测模型中采用了sigmoid回归,将交通流数据实际值域映射到0-1值域,为了确保模型输入输出是在同一量纲,本发明对原始多路段的交通流数据进行了标准化处理。标准化方法为最大最小标准化。
1.2:构建数据集样本矩阵,将数据集分为训练集和测试集
由于二维卷积运算可以提取两个维度(方向)的信息,在交通数据中则对应于时间信息和空间信息,故模型的数据集中的单个样本应包含时空信息。出于对以上的考虑,本发明将数据集中的单个样本设计为以下形式:
矩阵的行向量表示相同路段不同时刻交通流数据的时间信息,列向量表示相同时刻不同路段交通流数据的空间信息。其中,N表示路段数量,n表示历史交通流数据数量;记当前时刻为t,则xi,t-n表示路段i在t-n时刻的交通流数据。
数据集样本矩阵构建完成后,将整个数据集分为训练集和测试集。
2)构建基于卷积神经网络的交通流预测模型,过程如下:
2.1:构建特征提取网络
特征提取模块主要包含卷积层、展开层和全连层。
卷积层采用二维卷积进行计算,该卷积不仅可以提取输入矩阵行向量的交通流数据中的时间信息,还可以提取列向量上的交通流数据中的位置信息。对于单个样本的卷积层计算表达式如下:
Y=f((m,X,k)*W1+b1) (3)
其中,(m,X,k)为输入矩阵,m表示样本数,k表示通道数,W1为a×b×c×s权重矩阵(a×b定义为卷积核大小,c为通道数,s定义为卷积核数量),b1为偏置项,f为激活函数relu:max(0,x),Y为卷积层输出,*为二维卷积运算操作。
由卷积运算可知,卷积层输出为三维向量(不考虑样本数量维度),而回归层输入为一维向量,故采用展开层将卷积层输出转变为一维向量。展开层表达式如下:
Yflat=Reshape(Y,size) (4)
其中,Y为卷积层输出,Yflat为展开层的输出,Reshape为展开函数,size表示转换结果的维数,例如Reshape(Y,(2,3))表示将Y转变为2×3的向量。
展开层输出作为全连接层的输入,全连接层计算表达式如下:
Z=f(W2Yflat+b2) (5)
其中,Yflat为展开层输出,W2为权重矩阵,b2为偏置项,f为激活函数relu:max(0,x),Z为全连接层输出。
2.2:构建非线性回归预测网络
回归预测模块主要包含Drop层和回归层。
为了防止模型出现过拟合问题,常用的解决方法有在损失函数中加入正则化项和随机丢弃部分数据并用0填充。本发明中采用第二种方式,并将该层称之为Drop层。Drop层表达式如下:
Zdrop=Drop(Z,keep_prop) (6)
其中,Z为全连接层输出,Zdrop为Drop层输出,keep_prop为保留数据占数据总量的比例,取值范围为0-1。
由于交通流数据的非线性,本发明采用非线性回归进行预测。回归层表达式如下:
O=g(W3Zdrop+b3) (7)
其中,Zdrop为卷积层输出,W3为权重矩阵,b3为偏置项,g为激活函数sigmoid:1/(1+exp(-x)),O为全连接层输出。
3)训练卷积神经网络并实现短期交通流的实时预测,过程如下:
3.1:定义模型目标函数,训练模型
设O为模型预测输出,Label为样本标签数据,j为样本数量,则模型损失函数L如下所示:
针对上述的模型目标函数,通过反向传播算法调解模型每层参数,寻找模型的相对最优参数。
3.2:实现实时交通流的预测
获取实时交通流数据(测试集)作为上述训练完成模型的输入,实现交通流的实时预测。
实例:一种基于卷积神经网络结构的交通流预测方法,包括以下步骤:
1)选取实验数据
原始交通流数据集包含10条路段14天的车流量数据(即p=10,q=720x14),所述的数据集中的交通流数据为北京市二环部分路段线圈感应的车流量数据,采样间隔T为2min。
将10条路段前10天的道路交通流数据作为训练数据集,进行模型参数训练。将10条路段后4天的道路交通流数据作为实验数据集,进行算法验证。
2)参数确定
在构建卷积神经网络模型过程中,涉及的主要参数有:路段数量N、历史交通流数据数量n、单批次训练样本数m、通道数k、卷积层权重矩阵W1、卷积层偏置项b1、Reshape层参数size、全连接层权重矩阵W2、全连接层偏置项b2、Drop层参数keep_prop、回归层权重矩阵W3、回归层偏置项b3,各参数设定如表1所示。
表1
3)实验结果
基于实验路段的交通流数据,获取模型的最优参数。本实验主要针对多路段的交通流预测。提取多路段交通流数据,实现多路段的交通流预测。
选取绝对值均方差(MAE)、均方根误差(RMSE)作为道路交通流预测精度的指标,其计算公式分别如下所示:
所有实验路段流量预测结果统计分析如表2、表3所示:
表2
表3
Claims (2)
1.一种基于卷积神经网络结构的交通流预测方法,其特征在于,所述方法包括以下步骤:
1)建立交通流数据集并对数据集进行预处理:根据获取的交通流数据建立交通流数据集,对数据集进行预处理,构建数据集样本矩阵,将数据集分为训练集和测试集;
2)构建基于卷积神经网络的交通流预测模型:搭建单层传统卷积神经网络,去除池化层,构建道路交通流矩阵的特征提取网络,在全连接层后增加sigmoid非线性回归层,构建道路交通流非线性回归预测网络;
3)训练卷积神经网络并实现短期交通流的实时预测:定义模型目标函数,将训练集作为卷积神经网络模型输入,求解模型最优参数从而完成模型训练;利用训练完成的卷积神经网络模型对测试集进行实时交通流预测;
所述步骤1)的过程如下:
1.1:建立交通流数据集,对数据进行预处理
获取多条路段多天车流量数据构建交通流数据集,数据集形式如下所示:
其中,p表示路段数目,q表示在采样周期T一定情况下采样样本的数量;
考虑到卷积神经网络预测模型中采用了sigmoid回归,将交通流数据实际值域映射到0-1值域,为了确保模型输入输出是在同一量纲,对原始多路段的交通流数据进行了标准化处理,标准化方法为最大最小标准化;
1.2:构建数据集样本矩阵,将数据集分为训练集和测试集
由于二维卷积运算提取两个维度的信息,在交通数据中则对应于时间信息和空间信息,故模型的数据集中的单个样本应包含时空信息,将数据集中的单个样本设计为以下形式:
矩阵的行向量表示相同路段不同时刻交通流数据的时间信息,列向量表示相同时刻不同路段交通流数据的空间信息,其中,N表示路段数量,n表示历史交通流数据数量;记当前时刻为t,则xi t-n表示路段i在t-n时刻的交通流数据;
数据集样本矩阵构建完成后,将整个数据集分为训练集和测试集;
所述步骤2)的过程如下:
2.1:构建特征提取网络
特征提取模块包含卷积层、展开层和全连层;
卷积层采用二维卷积进行计算,该卷积不仅可以提取输入矩阵行向量的交通流数据中的时间信息,还可以提取列向量上的交通流数据中的位置信息,对于单个样本的卷积层计算表达式如下:
Y=f((m,X,k)*W1+b1) (3)
其中,(m,X,k)为输入矩阵,m表示样本数,k表示通道数,W1为a×b×c×s权重矩阵,a×b定义为卷积核大小,c为通道数,s定义为卷积核数量,b1为偏置项,f为激活函数relu:max(0,x),Y为卷积层输出,*为二维卷积运算操作;
由卷积运算可知,卷积层输出为三维向量,而回归层输入为一维向量,故采用展开层将卷积层输出转变为一维向量,展开层表达式如下:
Yflat=Reshape(Y,size) (4)
其中,Y为卷积层输出,Yflat为展开层的输出,Reshape为展开函数,size表示转换结果的维数,例如Reshape(Y,(2,3))表示将Y转变为2×3的向量;
展开层输出作为全连接层的输入,全连接层计算表达式如下:
Z=f(W2Yflat+b2) (5)
其中,Yflat为展开层输出,W2为权重矩阵,b2为偏置项,f为激活函数relu:max(0,x),Z为全连接层输出;
2.2:构建非线性回归预测网络
回归预测模块包含Drop层和回归层;
在损失函数中加入正则化项和随机丢弃部分数据并用0填充,采用第二种方式,并将该层称之为Drop层,Drop层表达式如下:
Zdrop=Drop(Z,keep_prop) (6)
其中,Z为全连接层输出,Zdrop为Drop层输出,keep_prop为保留数据占数据总量的比例,取值范围为0-1;
由于交通流数据的非线性,采用非线性回归进行预测,回归层表达式如下:
O=g(W3Zdrop+b3) (7)
其中,Zdrop为卷积层输出,W3为权重矩阵,b3为偏置项,g为激活函数sigmoid:1/(1+exp(-x)),O为全连接层输出;
所述步骤3)的过程如下:
3.1:定义模型目标函数,训练模型
设O为模型预测输出,Label为样本标签数据,j为样本数量,则模型损失函数L如下所示:
针对上述的模型目标函数,通过反向传播算法调解模型每层参数,寻找模型的相对最优参数;
3.2:实现实时交通流的预测
获取实时交通流数据作为上述训练完成模型的输入,实现交通流的实时预测。
2.如权利要求1所述的一种基于卷积神经网络结构的交通流预测方法,其特征在于,所述步骤1)中,使用多条路段多天交通流数据构成数据集矩阵,对数据集进行预处理:采用最大最小标准化方法对数据集进行标准化处理;使用数据集中多条路段多个历史流量数据构成数据集样本矩阵,将其下一时刻的流量数据作为标签数据矩阵并将预处理后的数据集分为训练集和测试集两部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509571.6A CN108647834B (zh) | 2018-05-24 | 2018-05-24 | 一种基于卷积神经网络结构的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509571.6A CN108647834B (zh) | 2018-05-24 | 2018-05-24 | 一种基于卷积神经网络结构的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647834A CN108647834A (zh) | 2018-10-12 |
CN108647834B true CN108647834B (zh) | 2021-12-17 |
Family
ID=63758083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810509571.6A Active CN108647834B (zh) | 2018-05-24 | 2018-05-24 | 一种基于卷积神经网络结构的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647834B (zh) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508476B (zh) * | 2018-10-17 | 2023-01-13 | 成都卡普数据服务有限责任公司 | 基于深度网络学习的山火预测建模方法 |
CN109299185B (zh) * | 2018-10-18 | 2023-04-07 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 一种针对时序流数据的卷积神经网络提取特征的分析方法 |
CN111081010B (zh) * | 2018-10-18 | 2022-08-02 | 阿里巴巴集团控股有限公司 | 一种交通流量或旅行时间的预测方法和设备 |
CN109508830B (zh) * | 2018-11-15 | 2022-09-02 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
CN109636049B (zh) * | 2018-12-19 | 2021-10-29 | 浙江工业大学 | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 |
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 |
CN109711640A (zh) * | 2019-01-23 | 2019-05-03 | 北京工业大学 | 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法 |
CN109978230B (zh) * | 2019-02-15 | 2021-08-10 | 杭州博钊科技有限公司 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
CN109903557A (zh) * | 2019-03-04 | 2019-06-18 | 南京邮电大学 | 基于改进独立循环神经网络的高速公路交通流预测方法 |
CN110263961A (zh) * | 2019-03-04 | 2019-09-20 | 南京航空航天大学 | 进场交通流预测装置 |
CN109993970B (zh) * | 2019-03-15 | 2020-09-29 | 西南交通大学 | 一种城市区域交通事故风险预测方法 |
CN110164129B (zh) * | 2019-04-25 | 2021-02-26 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
CN110070715A (zh) * | 2019-04-29 | 2019-07-30 | 浙江工业大学 | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 |
CN110265147B (zh) * | 2019-05-05 | 2023-05-05 | 深圳大学 | 神经网络及其训练方法、预测方法、设备及存储介质 |
CN110555018B (zh) * | 2019-07-29 | 2021-12-17 | 浙江工业大学 | 一种交通流量补全与预测方法 |
CN110517482B (zh) * | 2019-07-29 | 2021-06-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
CN110517494A (zh) * | 2019-09-03 | 2019-11-29 | 中国科学院自动化研究所 | 基于集成学习的交通流预测模型、预测方法、系统、装置 |
CN110991690B (zh) * | 2019-10-17 | 2023-05-12 | 宁波大学 | 一种基于深度卷积神经网络的多时次风速预测方法 |
CN110851782B (zh) * | 2019-11-12 | 2023-06-23 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
CN111243269B (zh) * | 2019-12-10 | 2021-06-29 | 福州市联创智云信息科技有限公司 | 基于融合时空特征的深度网络的交通流预测方法 |
CN111126680A (zh) * | 2019-12-11 | 2020-05-08 | 浙江大学 | 一种基于时间卷积神经网络的道路断面交通流量预测方法 |
CN111159149B (zh) * | 2019-12-13 | 2023-06-30 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于三维卷积神经网络的河流流量预测方法 |
CN110942637B (zh) * | 2019-12-17 | 2021-04-06 | 浙江工业大学 | 基于空域图卷积神经网络的scats系统道路交通流预测方法 |
CN111105097B (zh) * | 2019-12-25 | 2022-07-29 | 河海大学常州校区 | 一种基于卷积神经网络的大坝变形预测系统和方法 |
CN111291924B (zh) * | 2020-01-17 | 2023-06-06 | 同济大学 | 面向长时交通速度预测的几何代数深度神经网络模型方法 |
CN111369795B (zh) * | 2020-03-09 | 2022-11-08 | 深圳大学 | 一种车流量统计方法、装置、设备及存储介质 |
CN111242395B (zh) * | 2020-04-26 | 2020-07-31 | 北京全路通信信号研究设计院集团有限公司 | 用于od数据的预测模型构建方法及装置 |
CN113672818B (zh) * | 2020-05-13 | 2023-11-14 | 中南大学 | 一种获取社交媒体用户画像的方法及系统 |
CN111784041B (zh) * | 2020-06-28 | 2024-02-09 | 中国电力科学研究院有限公司 | 一种基于图卷积神经网络的风电功率预测方法及系统 |
CN111669777B (zh) * | 2020-07-26 | 2021-06-29 | 青岛科技大学 | 基于改进卷积神经网络的移动通信系统智能预测方法 |
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 |
CN112201036B (zh) * | 2020-09-25 | 2022-06-24 | 同济大学 | 一种基于Inception-CNN的城市快速路行程速度短时预测方法 |
CN112562339B (zh) * | 2020-12-09 | 2022-01-04 | 福州大学 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
CN112668002B (zh) * | 2020-12-24 | 2022-07-26 | 工业信息安全(四川)创新中心有限公司 | 一种基于特征扩充的工控安全检测方法 |
CN112907953B (zh) * | 2021-01-27 | 2022-01-28 | 吉林大学 | 一种基于稀疏gps数据的公交行程时间预测方法 |
CN112990545B (zh) * | 2021-02-08 | 2022-11-18 | 东南大学 | 一种高速公路交织区交通安全状态预测方法 |
CN112966871B (zh) * | 2021-03-15 | 2023-05-05 | 上海交通大学 | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 |
CN113063507B (zh) * | 2021-03-26 | 2022-12-13 | 中国科学院物理研究所 | 基于卷积神经网络的超短脉冲宽度预测方法 |
CN112905213B (zh) * | 2021-03-26 | 2023-08-08 | 中国重汽集团济南动力有限公司 | 一种基于卷积神经网络实现ecu刷写参数优化的方法及系统 |
CN114090651B (zh) * | 2021-11-10 | 2023-04-18 | 哈尔滨工业大学(深圳) | 基于双通道图神经网络自编码器的交通流异常数据判断方法 |
CN114399901B (zh) * | 2022-01-04 | 2022-12-13 | 青岛海信网络科技股份有限公司 | 一种控制交通系统的方法和设备 |
CN114566046A (zh) * | 2022-03-01 | 2022-05-31 | 海南大学 | 一种短时交通状况预测系统及其方法 |
CN115019505B (zh) * | 2022-05-27 | 2024-04-30 | 湖南大学 | 一种交通流速度的预测方法及装置 |
CN116484275B (zh) * | 2023-04-17 | 2023-12-22 | 中南大学 | 基于自适应时空图卷积神经网络的铝电解阳极效应监测方法 |
CN117218868B (zh) * | 2023-11-07 | 2024-03-22 | 福建理工大学 | 一种基于几何散射图网络的交通流预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107358576A (zh) * | 2017-06-24 | 2017-11-17 | 天津大学 | 基于卷积神经网络的深度图超分辨率重建方法 |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
-
2018
- 2018-05-24 CN CN201810509571.6A patent/CN108647834B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107358576A (zh) * | 2017-06-24 | 2017-11-17 | 天津大学 | 基于卷积神经网络的深度图超分辨率重建方法 |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
Non-Patent Citations (3)
Title |
---|
一种基于CNN的SAR图像变化检测方法;徐真等;《雷达学报》;20171031;第483-491页 * |
基于CNN-SVR混合深度学习模型的短时交通流预测;罗文慧等;《交通运输系统工程与信息》;20171031;第68-74页 * |
面向短时交通流量预测的神经网络算法研究;林海涛;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170215;第16-29、56-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108647834A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647834B (zh) | 一种基于卷积神经网络结构的交通流预测方法 | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
AU2021101714A4 (en) | Method of land use classification oriented to time-series remote-sensing images | |
CN109165660B (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
Nikoo et al. | Flood-routing modeling with neural network optimized by social-based algorithm | |
CN109635917A (zh) | 一种多智能体合作决策及训练方法 | |
CN107564025A (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
CN107506692A (zh) | 一种基于深度学习的密集人群计数与人员分布估计方法 | |
CN105654729A (zh) | 一种基于卷积神经网络的短时交通流量预测方法 | |
CN108460391B (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN110689183B (zh) | 一种集群光伏功率概率预测方法、系统、介质及电子设备 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN112766280A (zh) | 一种基于图卷积的遥感图像道路提取方法 | |
CN104732087A (zh) | 基于gis的神经网络元胞自动机传染病传播模拟分析方法 | |
WO2021129668A1 (zh) | 训练神经网络的方法和装置 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN109711622A (zh) | 一种基于时空多维因素预测警情的方法和系统 | |
Feng et al. | Embranchment cnn based local climate zone classification using sar and multispectral remote sensing data | |
CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Ahmed et al. | Artificial neural network and machine learning based methods for population estimation of Rohingya refugees: Comparing data-driven and satellite image-driven approaches | |
Ran et al. | Travel time prediction by providing constraints on a convolutional neural network |
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 |