CN109035779A - 基于DenseNet的高速公路交通流预测方法 - Google Patents
基于DenseNet的高速公路交通流预测方法 Download PDFInfo
- Publication number
- CN109035779A CN109035779A CN201811002046.1A CN201811002046A CN109035779A CN 109035779 A CN109035779 A CN 109035779A CN 201811002046 A CN201811002046 A CN 201811002046A CN 109035779 A CN109035779 A CN 109035779A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- network
- training
- densenet
- 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 27
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing 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
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示了一种基于DenseNet的高速公路交通流预测方法,在研究深层二维卷积网络DenseNet的基础上,将一维交通流数据导入,并且修改网络中的输入以及卷积方式,使得网络学习一维时间序列数据中的隐藏规律,有效地实现对下一阶段高速公路交通流的预测。其实现步骤是:(1)读取交通流数据,并构建训练测试集;(2)数据预处理,变换四维张量,并进行归一化,适应于网络的学习;(3)构建网络;(4)训练网络,输入训练样本,通过前向预测结果以及误差反向传播更新网络参数,循环迭代,直至网络收敛;(5)测试网络,对测试集进行交通流量的预测。本发明能够自动学习流量数据集中流量之间隐藏的特征关系,且具有更好的预测效果,广泛适用于交通流预测。
Description
技术领域
本发明涉及一种高速公路交通流预测系统及方法,具体涉及一种基于DenseNet的高速公路交通流预测系统及方法。
背景技术
基于实时路况的交通流监控数据,对高速公路交通流进行预测,对推进交通信息化进程具有重要推动作用。其目的是通过视频摄像机、雷达等传感终端,实时准确地采集交通流数据;根据实际交通运行状况,提前干预,削弱各种因素对交通流的影响,防止因车辆故障和交通事故等原因造成高速公路拥堵;保证道路通畅和行车安全,实现人车路和谐运行。
据可靠推测,到2020年,国家高速公路网将基本建成,高速公路通车里程将达10万公里。随着交通基础设施和运输网络的逐步完善,高速公路监控系统越来越受重视。然而,现有高速公路监控系统的发展相对迟缓,仍然存在许多问题,与发达国家相比还存在不小的差距,比如交通流预测能力偏弱。如何在原有监控数据基础上,高效的运用现有交通资源,提前预测并诱导交通流,提高路网运行效率,是目前高速公路监控方面亟待解决的关键问题。在此过程中,交通流预测研究具有重要作用。
大量人工智能技术已经应用到了交通流预测上。包括滑动平均模型,k近邻模型,自回归模型,周期性的ARIMA模型和神经网络模型等。预测交通流量很大程度上依赖于历史和实时的交通数据,这些数据可从各种传感器,例如线圈,雷达,GPS以及多媒体数据中获取。深度学习技术的发展正如火如荼,深度学习模型在交通问题上的应用吸引了大量科研工作人员的注意,也己经大量应用在了分类、自然语言处理目标检测等任务上。其对交通流预测也有过早期的尝试,比如使用栈式自动编码机(SAE)和深度置信网络(DBN)。这两种方式都是对原有的输入进行特征学习再将结果作为预测输入进行交通流预测的。
Hinton等人提出了基于深度信念网络的快速学习算法,并应用于数字图形识别;此外,Kuremoto等人应用了基于限制波尔兹曼机的深信网络模型的时间序列预测。而在国内,谭娟等人将深度学习应用到交通拥堵预测研究中,以及其他学者将深度学习应用到语音识别、行人检测。目前应用深度学习来进行交通流预测的相关研究成果还比较少,有研究团体应用了基于深信网络模型结构和多任务回归的交通预测方法,对单输出和多任务输出的流量进行了预测;也有人针对大路网下的交通流,提出了自编码的深度网络模型预测方法,这两种方法采用的顶层预测模型均为对数回归模型,未考虑交通数据潜在的趋势项对预测结果的影响,且没有对整个路网流量进行预测。也有研究团体针对轨道交通流数据,应用了残差网络模型结构,对交通流进行分析研究;更有其他研究团体针对市区人流量数据,提出ST-ResNet网络,对人群的入流量和出流量进行有效预测。
发明内容
为了克服现有技术的不足,本发明提供了一种基于DenseNet的高速公路交通流预测方法,克服了某些传统网络不能考虑交通流数据潜在趋势的不足,并且达到较高模型精度的效果。
为了实现上述目的,本发明的技术解决方案为:基于DenseNet的高速公路交通流预测方法,其特征在于:对于输入的一维交通流数据,预处理数据,然后构造并以迭代方式训练DenseNet网络模型,最后对交通流量进行预测。
进一步地,包括步骤:
S1:输入交通流数据,构建训练测试集和测试集;
S2:数据预处理,将一维时间序列扩增为四维张量,得训练样本;
S3:构造一个包含一个输入部、三个密集部、两个过渡部、一个输出部的卷积神经网络模型;
S4:训练卷积神经网络模型,将训练样本输入到步骤S3所得的卷积神经网络模型,在预设训练轮数下反复迭代训练,每次迭代训练包含由前向传播、输出预测值、计算迭代损失、反向传播损失、更新网络参数组成的单循环步骤;
S5:将测试集输入至步骤S4训练后的卷积神经网络模型中进行预测。
更进一步地,步骤S1中所输入的交通流数据根据时间划分为周末数据X1和非周末数据X2。
更进一步地,步骤S1中构建训练测试集的过程为以X为训练数据,以Y为训练数据对应的标签,X的维度为(m,n),Y的维度为(m,1),其中m表示根据原始数据构造的样本个数,n表示一个样本中观察的之前时刻交通流的数目,Y中每一行表示下一时刻的交通流的真实值。
更进一步地,所述训练样本得自于训练测试集的归一化处理,且归一化公式为:
其中四维张量X′[m,n,1,1]为归一化后的训练样本,Xmin和Xmax是交通流数据的最小值和最大值,前一个1表示默认序列的宽为1,后一个1表示默认通道数为1。
更进一步地,步骤S3所构造的卷积神经网络模型中:
输入部由卷积层和BN层构成,并由BN层对每次训练输入到网络中的数据作标准化处理;
每个密集部由十二个卷积部构成,且每个卷积部由卷积层、激活函数层和BN层构成,深度级联特征图;
每个过渡部由一个卷积部和平均池化层构成,降低特征图大小及维度;
输出部由一个全局平均池化层和一个全连接层构成,通过计算像素点的均值、组成向量并映射得到交通流的预测值。
与现有技术相比,本发明具有突出的实质性特点和显著的进步性:本发明采用基于DenseNet的卷积神经网络结构能够自动学习流量数据集中流量之间隐藏的特征关系,具有超出传统方法更好的预测效果。
附图说明
图1为本发明高速公路交通流预测方法的流程示意图。
图2和图3为本发明预测方法中网络模型训练的结果示意图。
具体实施方式
下面结合说明书附图对本发明创造作进一步详细的说明。
本发明该基于DenseNet(Dense Convolutional Network)的高速公路交通流预测方法,其概述的特征为:对于输入的一维交通流数据,预处理数据,然后构造并以迭代方式训练DenseNet网络模型,最后对交通流量进行预测。
如图1所示的流程图可见,其具体步骤如下:
1)、输入交通流数据
根据时间关系,将交通流数据分为周末(X1)以及非周末数据(X2),构建训练测试集。以X作为训练数据,Y为训练数据对应的标签即真实值。X的读取维度为(m,n),Y的维度为(m,1),其中,m表示根据原始数据构造的样本个数,n表示一个样本中观察的之前时刻交通流的数目,Y中每一行表示下一时刻的交通流的真实值。
2)、数据预处理
为了加快模型训练的收敛速度,需对训练数据进行归一化处理,公式为:
其中,Xmin和Xmax是交通流数据的最小值和最大值。针对卷积神经网络模型的训练,为了方便书写,下面四维张量X′[m,n,1,1]默认是归一化后的数据,其中m,n表示如上,前一个1表示默认序列的宽为1,后一个1表示默认通道数为1。
3)、构造网络模型
本卷积神经网络模型DenseNet主要包括1个输入部(input block)、3个密集部(dense block),2个过渡部(transition block)以及1个输出部(output block)。
第一个模块为input block,由卷积层和BN层构成。卷积层采用16个卷积核,其大小为3x1,卷积步长为1,padding为1,对输入的大小为nx1的流量数据进行卷积,将生成16个大小仍旧为nx1的特征图。
其中,n表示输入的一维数据的长度,k表示卷积核的大小,p表示padding的数目,s表示卷积步长,r表示卷积后得到的特征图的大小,[·](即公式(2)中方括号所指代的内容)表示向下取整。因为这里对数据进行了padding为1的填充,所以卷积后的特征图大小保持不变。
BN层对每次训练输入到网络中的数据进行标准化处理,加快网络的训练。
其中,Xi表示当前传入到网络中的一定批次的数据,Xmean、Xstd分别是这批训练数据的均值和方差,是标准化后的数据,yi是对做一定尺度缩放及移位后的结果,γ、β是网络需要学习的参数,BN能有效解决训练过程中的internal covariate shift问题,降低梯度爆炸、梯度弥散等风险,加快模型的收敛速度。
第二个模块为dense block,一个dense block由12个卷积部(conv block)构成。每一个conv block的输入都包含了所有较早层的特征图(feature map)s,而且它的输出被传递至每个后续层,这些feature maps通过深度级联在一起。为了防止级联时出现featuremaps大小不统一的问题,同一个dense block内卷积层卷积通过padding使卷积之后的维度大小都保持不变。
conv block由卷积层、激活函数层以及BN层构成。卷积层和BN层同input block相同。
X=max(0,X) (7)
公式(7)即为ReLU激活函数层,能够有效加强网络的非线性表达能力,并且一定程度上抑制网络训练过程中梯度爆炸、梯度弥散的风险。
XL=HL(X0,X1,...,XL-1) (8)
其中,XL为第L个conv block的输出,本发明中L设为12,即第12个conv block的输入来自于前面11个conv block的输出,输出的feature maps通过深度级联在一起,加强了feature的传递以及复用。
第三个模块为transition block,一个transition block由一个conv block以及平均池化层构成,减小feature maps的大小以及维度,降低模型的复杂度。
X=avg(X[i]+…+X[i+k]) (9)
其中,k表示池化窗口的大小,本发明中k的维度大小为(2,1),池化步长为(2,1),X即经过平均池化后的结果,经过平均池化后,feature maps的大小减小为原来长度的一半。
第四个模块为output block。该模块由一个全局平均池化层和一个全连接层构成。全局平均池化层主要是对每个feature map计算所有像素点的均值,将所有输出值组成一个向量。最后一个全连接层将上一层的输出向量映射到1个值,即为交通流的预测值。
4)、训练网络模型
将预处理好的交通流数据输入到构建好的网络中,进行前向传播,输出当前预测值,然后与真实值相比较,得到本次迭代的损失,再将损失反向传播,更新网络参数,反复迭代,达到指定训练轮数,终止训练。
交通流预测为一维时间序列预测问题,故使用均方误差作为网络的损失函数,该网络模型经训练后的输出结果,如图2和图3所示。
5)、测试网络模型
将测试集输入至训练好的网络模型中进行预测,最后将预测值与真实值进行比较,绘制成图。
综上结合图示的实施例详细介绍可见,本发明采用基于DenseNet的卷积神经网络结构能够自动学习流量数据集中流量之间隐藏的特征关系,具有超出传统方法更好的预测效果。
以上详细描述了本发明的优选实施方式,但是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内进行修改或者等同变换,均应包含在本发明的保护范围之内。
Claims (6)
1.基于DenseNet的高速公路交通流预测方法,其特征在于:对于输入的一维交通流数据,预处理数据,然后构造并以迭代方式训练DenseNet网络模型,最后对交通流量进行预测。
2.根据权利要求1所述基于DenseNet的高速公路交通流预测方法,其特征在于包括步骤:
S1:输入交通流数据,构建训练测试集和测试集;
S2:数据预处理,将一维时间序列扩增为四维张量,得训练样本;
S3:构造一个包含一个输入部、三个密集部、两个过渡部、一个输出部的卷积神经网络模型;
S4:训练卷积神经网络模型,将训练样本输入到步骤S3所得的卷积神经网络模型,在预设训练轮数下反复迭代训练,每次迭代训练包含由前向传播、输出预测值、计算迭代损失、反向传播损失、更新网络参数组成的单循环步骤;
S5:将测试集输入至步骤S4训练后的卷积神经网络模型中进行预测。
3.根据权利要求2所述基于DenseNet的高速公路交通流预测方法,其特征在于:步骤S1中所输入的交通流数据根据时间划分为周末数据X1和非周末数据X2。
4.根据权利要求2所述基于DenseNet的高速公路交通流预测方法,其特征在于:步骤S1中构建训练测试集的过程为以X为训练数据,以Y为训练数据对应的标签,X的维度为(m,n),Y的维度为(m,1),其中m表示根据原始数据构造的样本个数,n表示一个样本中观察的之前时刻交通流的数目,Y中每一行表示下一时刻的交通流的真实值。
5.根据权利要求2所述基于DenseNet的高速公路交通流预测方法,其特征在于:所述训练样本得自于训练测试集的归一化处理,且归一化公式为:
其中四维张量X′[m,n,1,1]为归一化后的训练样本,Xmin和Xmax是交通流数据的最小值和最大值,前一个1表示默认序列的宽为1,后一个1表示默认通道数为1。
6.根据权利要求2所述基于DenseNet的高速公路交通流预测方法,其特征在于:步骤S3所构造的卷积神经网络模型中:
输入部由卷积层和BN层构成,并由BN层对每次训练输入到网络中的数据作标准化处理;
每个密集部由十二个卷积部构成,且每个卷积部由卷积层、激活函数层和BN层构成,深度级联特征图;
每个过渡部由一个卷积部和平均池化层构成,降低特征图大小及维度;
输出部由一个全局平均池化层和一个全连接层构成,通过计算像素点的均值、组成向量并映射得到交通流的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002046.1A CN109035779B (zh) | 2018-08-30 | 2018-08-30 | 基于DenseNet的高速公路交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002046.1A CN109035779B (zh) | 2018-08-30 | 2018-08-30 | 基于DenseNet的高速公路交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035779A true CN109035779A (zh) | 2018-12-18 |
CN109035779B CN109035779B (zh) | 2021-01-19 |
Family
ID=64625670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811002046.1A Active CN109035779B (zh) | 2018-08-30 | 2018-08-30 | 基于DenseNet的高速公路交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035779B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840628A (zh) * | 2019-01-17 | 2019-06-04 | 湖南大学 | 一种短时多区域车速预测方法及系统 |
CN109871803A (zh) * | 2019-02-18 | 2019-06-11 | 清华大学 | 机器人回环检测方法和装置 |
CN109887290A (zh) * | 2019-03-30 | 2019-06-14 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
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 |
CN110097755A (zh) * | 2019-04-29 | 2019-08-06 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
CN111179596A (zh) * | 2020-01-06 | 2020-05-19 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
CN111832336A (zh) * | 2019-04-16 | 2020-10-27 | 四川大学 | 一种基于改进的c3d视频行为检测方法 |
CN112966673A (zh) * | 2021-05-19 | 2021-06-15 | 南京视察者智能科技有限公司 | 一种行人重识别模型的构建方法及行人重识别方法 |
CN114264626A (zh) * | 2021-12-18 | 2022-04-01 | 复旦大学 | 一种基于时间序列残差网络的织物无损定量分析方法 |
CN116978236A (zh) * | 2023-09-25 | 2023-10-31 | 南京隼眼电子科技有限公司 | 交通事故预警方法、装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106295874A (zh) * | 2016-08-08 | 2017-01-04 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
US20170169327A1 (en) * | 2015-12-15 | 2017-06-15 | Analog Devices, Inc. | Convolutional neural network |
CN108182388A (zh) * | 2017-12-14 | 2018-06-19 | 哈尔滨工业大学(威海) | 一种基于图像的运动目标跟踪方法 |
CN108197326A (zh) * | 2018-02-06 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种车辆检索方法及装置、电子设备、存储介质 |
CN108446798A (zh) * | 2018-03-08 | 2018-08-24 | 重庆邮电大学 | 基于双路径时空残差网络的城市人群流动预测方法 |
-
2018
- 2018-08-30 CN CN201811002046.1A patent/CN109035779B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169327A1 (en) * | 2015-12-15 | 2017-06-15 | Analog Devices, Inc. | Convolutional neural network |
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 |
CN106295874A (zh) * | 2016-08-08 | 2017-01-04 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
CN108182388A (zh) * | 2017-12-14 | 2018-06-19 | 哈尔滨工业大学(威海) | 一种基于图像的运动目标跟踪方法 |
CN108197326A (zh) * | 2018-02-06 | 2018-06-22 | 腾讯科技(深圳)有限公司 | 一种车辆检索方法及装置、电子设备、存储介质 |
CN108446798A (zh) * | 2018-03-08 | 2018-08-24 | 重庆邮电大学 | 基于双路径时空残差网络的城市人群流动预测方法 |
Non-Patent Citations (2)
Title |
---|
G.HUANG ET AL: ""Densely Connected Convolutional Networks"", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
李刚等: ""基于三维卷积稠密网络的视频行为识别算法"", 《中国科技论文》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840628A (zh) * | 2019-01-17 | 2019-06-04 | 湖南大学 | 一种短时多区域车速预测方法及系统 |
CN109840628B (zh) * | 2019-01-17 | 2023-03-24 | 湖南大学 | 一种短时多区域车速预测方法及系统 |
CN109871803B (zh) * | 2019-02-18 | 2020-12-08 | 清华大学 | 机器人回环检测方法和装置 |
CN109871803A (zh) * | 2019-02-18 | 2019-06-11 | 清华大学 | 机器人回环检测方法和装置 |
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 |
CN109887290A (zh) * | 2019-03-30 | 2019-06-14 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
CN109887290B (zh) * | 2019-03-30 | 2021-03-23 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
CN111832336B (zh) * | 2019-04-16 | 2022-09-02 | 四川大学 | 一种基于改进的c3d视频行为检测方法 |
CN111832336A (zh) * | 2019-04-16 | 2020-10-27 | 四川大学 | 一种基于改进的c3d视频行为检测方法 |
CN110097755A (zh) * | 2019-04-29 | 2019-08-06 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN110503833B (zh) * | 2019-08-29 | 2021-06-08 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN110826693B (zh) * | 2019-10-29 | 2022-10-14 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
CN110826693A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 |
CN111179596B (zh) * | 2020-01-06 | 2021-09-21 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN111179596A (zh) * | 2020-01-06 | 2020-05-19 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN111325976B (zh) * | 2020-02-24 | 2021-02-02 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
CN112966673A (zh) * | 2021-05-19 | 2021-06-15 | 南京视察者智能科技有限公司 | 一种行人重识别模型的构建方法及行人重识别方法 |
CN112966673B (zh) * | 2021-05-19 | 2021-07-23 | 南京视察者智能科技有限公司 | 一种行人重识别模型的构建方法及行人重识别方法 |
CN114264626A (zh) * | 2021-12-18 | 2022-04-01 | 复旦大学 | 一种基于时间序列残差网络的织物无损定量分析方法 |
CN116978236A (zh) * | 2023-09-25 | 2023-10-31 | 南京隼眼电子科技有限公司 | 交通事故预警方法、装置和存储介质 |
CN116978236B (zh) * | 2023-09-25 | 2023-12-15 | 南京隼眼电子科技有限公司 | 交通事故预警方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109035779B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035779A (zh) | 基于DenseNet的高速公路交通流预测方法 | |
CN107180530B (zh) | 一种基于深度时空卷积循环网络的路网状态预测方法 | |
CN106548645B (zh) | 基于深度学习的车辆路径寻优方法及系统 | |
CN110147763B (zh) | 基于卷积神经网络的视频语义分割方法 | |
Lu et al. | A combined method for short-term traffic flow prediction based on recurrent neural network | |
Ma et al. | Multi-lane short-term traffic forecasting with convolutional LSTM network | |
CN109903557A (zh) | 基于改进独立循环神经网络的高速公路交通流预测方法 | |
CN110070713A (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN109902880A (zh) | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 | |
CN109299262A (zh) | 一种融合多粒度信息的文本蕴含关系识别方法 | |
CN107730903A (zh) | 基于深度卷积神经网络的违章停车和抛锚车视觉检测系统 | |
CN107133974A (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN110163069A (zh) | 用于辅助驾驶的车道线检测方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
WO2019053052A1 (en) | METHOD FOR (RE-) TRAINING MACHINE LEARNING COMPONENT | |
CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
CN108229724A (zh) | 一种基于时空信息融合的短时交通数据流预测方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN108446798A (zh) | 基于双路径时空残差网络的城市人群流动预测方法 | |
Cheng et al. | Analysis and forecasting of the day-to-day travel demand variations for large-scale transportation networks: a deep learning approach | |
Zhang et al. | TSR-GAN: Generative adversarial networks for traffic state reconstruction with time space diagrams | |
Zou et al. | Short-term traffic flow prediction based on PCC-BiLSTM | |
CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 |
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 |