CN109118014A - 一种基于时间递归神经网络的交通流速度预测方法 - Google Patents
一种基于时间递归神经网络的交通流速度预测方法 Download PDFInfo
- Publication number
- CN109118014A CN109118014A CN201811002457.0A CN201811002457A CN109118014A CN 109118014 A CN109118014 A CN 109118014A CN 201811002457 A CN201811002457 A CN 201811002457A CN 109118014 A CN109118014 A CN 109118014A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- layer
- flow speed
- neural network
- recurrent neural
- 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
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000007787 long-term memory Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于时间递归神经网络的交通流速度预测方法,包括以下步骤:步骤一:构建交通流时空输入矩阵;步骤二:构建基于长短期记忆网络结构的循环神经网络模型;步骤三:用时空输入数据集训练整个循环神经网络,调整模型内部的权重参数;步骤四:用已训练的模型来预测交通流速度。本发明考虑各路段各个时间段内的交通流速度的内在关系,有效提取时间序列数据的信息,实现了对未来时间段内道路交通流速度的精准预测。
Description
技术领域
本发明涉及机器学习和智能交通领域,特别是指一种基于时间递归神经网络的交通流速度预测方法。
背景技术
随着社会的发展,以及城市化进程的不断推进,高效、便利且安全的交通系统已经成为人民生活的基本需要。为缓解交通困难,城市陆续修建高架道路,减少了道路交叉的同时,增加道路容量。然而,随着交通系统日益变得复杂,交通管理的难度日益加大。在城市快速路等快速公路路网中,不设置红绿灯,限制速度比一般道路高,这就导致快速路的整体平均交通流速度偏高。大型的车辆较多地选择在快速路上行驶,而一旦发生超速,所造成的灾祸是相对于平均速度较低的情况下比较严重的。因此,对快速公路路网的交通流速度进行管控尤为重要。交通流速度预测模型能够根据历史道路交通流速度的情况预测未来道路交通流速度,对交通事故或者交通拥堵起到预警作用,在一定程度上缓解交通问题。
现有研究中已存在交通流速度预测模型的建立方法。多元线性回归模型通过分析历史数据自变量和因变量之间的关系来得到预测值;历史趋势法将一个时间段的历史数据的平均值作为当前时间段的预测依据;卡尔曼滤波法结合现代自动控制理论,利用状态空间模型来描述交通系统。这些基于统计理论的模型无法对突发交通状况做出准确预测,不能很好地模拟交通随机性。另外,一些交通流速度预测模型的建立只对空间速度数据做处理,没有结合时间速度数据,导致预测结果的不准确。
随着云计算、大数据时代的到来,计算能力的大幅提升可以增加复杂模型的训练效率,训练数据的大幅增加可以降低过拟合的风险,因此从神经网络衍化出的深度学习这类复杂模型受到广泛的关注。针对交通流速度预测的问题,深度学习可以构建交通流速度预测模型。一般的基于全连接神经网络的方法存在参数多、无法利用数据中时间序列的信息等问题。而循环神经网络能挖掘数据中的时序信息,但无法处理长期依赖的问题。长短期记忆网络的设计可以解决这个问题。
发明内容
为了克服现有预测交通流速度的方法难以对大规模的交通数据进行有效挖掘,充分提取时间序列信息等问题,本发明利用深度学习设计了一种预测精度较高的基于时间递归神经网络的交通流速度预测方法。
本发明解决其技术问题所采用的技术方案如下:
一种基于时间递归神经网络的交通流速度预测方法,包括如下步骤:
步骤一:针对一条待预测交通流速度的道路,将该道路分隔为M个路段,从T时刻开始,以时间间隔t对道路上行驶的车辆速度数据进行采样,将一个路段上车辆的平均速度作为该时刻该路段的交通流速度,进而构建一个M×N的交通流时空输入矩阵
其中N表示一个时间周期内,对车辆数据采样的次数,vi,j表示在j时刻,路段i的交通流速度;
步骤二:构建基于长短期记忆网络结构的循环神经网络模型,循环神经网络的输入层有一层输入层,两层隐藏层,一层全连接层和一层输出层,其中使用两层长短期记忆网络结构作为隐藏层,再将多层长短期记忆网络结构通过接口连接成循环神经网络,接着对长短期记忆网络的输出增加一层全连接层;
步骤三:前向计算整个模型,从输入层到隐藏层1,从隐藏层1到隐藏层2,从隐藏层2到全连接层,从全连接层到输出层,并使用通过时间反向传播算法反向计算整个模型及权重的梯度,用随机梯度下降算法最小化目标函数来调整模型各层之间的权重参数,其中o(t)表示t时刻的预测值,y(t)表示t时刻的真实值,当目标函数收敛或者达到训练迭代次数时停止训练,获得基于时间递归神经网络的交通流速度预测模型;
步骤四:在已训练模型输入表征道路的M个路段的N个连续时刻的交通流速度的M×N时空输入矩阵数据,得到的输出为道路M个路段在N+1个时刻的交通流速度预测值。
进一步,所述步骤二中,长短期记忆网络结构作为隐藏层,其基本单元是一个记忆模块,包含一个自连接的记忆细胞和三个控制信息流的门单元:输入门、输出门和遗忘门;输入门决定当前时刻网络的输入有多少保存到单元状态;输出门控制单元状态有多少输出到模型的下一层;遗忘门决定上一时刻的单元状态有多少保留到当前时刻。
本发明的技术构思为:首先建立道路的交通流时空输入矩阵,接着构建一种基于时间递归神经网络,建立不同时间序列交通流之间的关系模型,提高预测的准确度。
本发明的有益效果为:利用基于长短期记忆网络结构的循环神经网络处理交通流时间序列,有助于提高预测精度。
附图说明
图1是交通流时空输入矩阵构建图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1,一种基于时间递归神经网络的交通流速度预测方法,包括如下步骤:
步骤一:针对一条待预测交通流速度的道路,将该道路分隔为M个路段,从T时刻开始,以时间间隔t对道路上行驶的车辆速度数据进行采样,将一个路段上车辆的平均速度作为该时刻该路段的交通流速度,如图1中的方格矩阵的行表示时刻,列表示路段,进而构建一个M×N的交通流时空输入矩阵
其中N表示一个时间周期内,对车辆数据采样的次数,vi,j表示在j时刻,路段i的交通流速度,取图1中的第j行,每一方格分别表示该路段在j时刻的交通流速度;
步骤二:构建基于长短期记忆网络结构的循环神经网络模型,循环神经网络的输入层有一层输入层,两层隐藏层,一层全连接层和一层输出层,其中使用两层长短期记忆网络结构作为隐藏层,再将多层长短期记忆网络结构通过接口连接成循环神经网络,接着对长短期记忆网络的输出增加一层全连接层;其中,使用循环神经网络利用数据的时序信息,并减少模型的参数总量,而加入长短期记忆网络结构可以缓解循环神经网络在长期依赖方面的缺陷;
步骤三:前向计算整个模型,从输入层到隐藏层1,从隐藏层1到隐藏层2,从隐藏层2到全连接层,从全连接层到输出层,并使用通过时间反向传播算法反向计算整个模型及权重的梯度,用随机梯度下降算法最小化目标函数来调整模型各层之间的权重参数,其中o(t)表示t时刻的预测值,y(t)表示t时刻的真实值,当目标函数收敛或者达到训练迭代次数时停止训练,获得基于时间递归神经网络的交通流速度预测模型;
步骤四:在已训练模型输入表征道路的M个路段的N个连续时刻的交通流速度的M×N时空输入矩阵数据,得到的输出为道路M个路段在N+1个时刻的交通流速度预测值。
进一步,所述步骤二中,长短期记忆网络结构作为隐藏层,其基本单元是一个记忆模块,包含一个自连接的记忆细胞和三个控制信息流的门单元:输入门、输出门和遗忘门;输入门决定当前时刻网络的输入有多少保存到单元状态;输出门控制单元状态有多少输出到模型的下一层;遗忘门决定上一时刻的单元状态有多少保留到当前时刻。
Claims (2)
1.一种基于时间递归神经网络的交通流速度预测方法,其特征在于,所述方法包括如下步骤:
步骤一:针对一条待预测交通流速度的道路,将该道路分隔为M个路段,从T时刻开始,以时间间隔t对道路上行驶的车辆速度数据进行采样,将一个路段上车辆的平均速度作为该时刻该路段的交通流速度,进而构建一个M×N的交通流时空输入矩阵
其中N表示一个时间周期内,对车辆数据采样的次数,vi,j表示在j时刻,路段i的交通流速度;
步骤二:构建基于长短期记忆网络结构的循环神经网络模型,循环神经网络的输入层有一层输入层,两层隐藏层,一层全连接层和一层输出层,其中使用两层长短期记忆网络结构作为隐藏层,再将多层长短期记忆网络结构通过接口连接成循环神经网络,接着对长短期记忆网络的输出增加一层全连接层;
步骤三:前向计算整个模型,从输入层到隐藏层1,从隐藏层1到隐藏层2,从隐藏层2到全连接层,从全连接层到输出层,并使用通过时间反向传播算法反向计算整个模型及权重的梯度,用随机梯度下降算法最小化目标函数来调整模型各层之间的权重参数,其中o(t)表示t时刻的预测值,y(t)表示t时刻的真实值,当目标函数收敛或者达到训练迭代次数时停止训练,获得基于时间递归神经网络的交通流速度预测模型;
步骤四:在已训练模型输入表征道路的M个路段的N个连续时刻的交通流速度的M×N时空输入矩阵数据,得到的输出为道路M个路段在N+1个时刻的交通流速度预测值。
2.如权利要求1所述的一种基于时间递归神经网络的交通流速度预测方法,其特征在于:所述步骤二中,长短期记忆网络结构作为隐藏层,其基本单元是一个记忆模块,包含一个自连接的记忆细胞和三个控制信息流的门单元:输入门、输出门和遗忘门;输入门决定当前时刻网络的输入有多少保存到单元状态;输出门控制单元状态有多少输出到模型的下一层;遗忘门决定上一时刻的单元状态有多少保留到当前时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002457.0A CN109118014A (zh) | 2018-08-30 | 2018-08-30 | 一种基于时间递归神经网络的交通流速度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811002457.0A CN109118014A (zh) | 2018-08-30 | 2018-08-30 | 一种基于时间递归神经网络的交通流速度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109118014A true CN109118014A (zh) | 2019-01-01 |
Family
ID=64861430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811002457.0A Pending CN109118014A (zh) | 2018-08-30 | 2018-08-30 | 一种基于时间递归神经网络的交通流速度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118014A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
CN110009634A (zh) * | 2019-04-22 | 2019-07-12 | 苏州海赛人工智能有限公司 | 一种基于全卷积网络的车道内车辆计数方法 |
CN110245987A (zh) * | 2019-06-17 | 2019-09-17 | 重庆金窝窝网络科技有限公司 | 一种广告点击率预测方法、装置、服务器及存储介质 |
CN110264270A (zh) * | 2019-06-20 | 2019-09-20 | 京东数字科技控股有限公司 | 一种行为预测方法、装置、设备和存储介质 |
CN110543888A (zh) * | 2019-07-16 | 2019-12-06 | 浙江工业大学 | 一种基于群集递归神经网络的图像分类方法 |
CN110580289A (zh) * | 2019-08-28 | 2019-12-17 | 浙江工业大学 | 一种基于堆叠自动编码器和引文网络的科技论文分类方法 |
CN111080029A (zh) * | 2019-12-26 | 2020-04-28 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及系统 |
CN111291924A (zh) * | 2020-01-17 | 2020-06-16 | 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 |
CN111862595A (zh) * | 2020-06-08 | 2020-10-30 | 同济大学 | 基于路网拓扑关系的速度预测方法、系统、介质及设备 |
WO2020232732A1 (en) * | 2019-05-23 | 2020-11-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for predicting traffic information |
CN114266406A (zh) * | 2021-12-24 | 2022-04-01 | 北京航空航天大学 | 一种基于联邦学习的大范围路网交通流状态预测方法 |
CN117533356A (zh) * | 2024-01-09 | 2024-02-09 | 北京市北太机电设备工贸有限公司 | 一种智能驾驶辅助系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN106781489A (zh) * | 2016-12-29 | 2017-05-31 | 北京航空航天大学 | 一种基于递归神经网络的路网状态预测方法 |
CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
-
2018
- 2018-08-30 CN CN201811002457.0A patent/CN109118014A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN106781489A (zh) * | 2016-12-29 | 2017-05-31 | 北京航空航天大学 | 一种基于递归神经网络的路网状态预测方法 |
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
YIPENG LIU: "Short-Term Traffic Flow Prediction with Conv-LSTM", 《IEEE》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
CN110009634A (zh) * | 2019-04-22 | 2019-07-12 | 苏州海赛人工智能有限公司 | 一种基于全卷积网络的车道内车辆计数方法 |
WO2020232732A1 (en) * | 2019-05-23 | 2020-11-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for predicting traffic information |
CN110245987A (zh) * | 2019-06-17 | 2019-09-17 | 重庆金窝窝网络科技有限公司 | 一种广告点击率预测方法、装置、服务器及存储介质 |
CN110264270B (zh) * | 2019-06-20 | 2020-09-01 | 京东数字科技控股有限公司 | 一种行为预测方法、装置、设备和存储介质 |
CN110264270A (zh) * | 2019-06-20 | 2019-09-20 | 京东数字科技控股有限公司 | 一种行为预测方法、装置、设备和存储介质 |
CN110543888A (zh) * | 2019-07-16 | 2019-12-06 | 浙江工业大学 | 一种基于群集递归神经网络的图像分类方法 |
CN110580289A (zh) * | 2019-08-28 | 2019-12-17 | 浙江工业大学 | 一种基于堆叠自动编码器和引文网络的科技论文分类方法 |
CN110580289B (zh) * | 2019-08-28 | 2021-10-29 | 浙江工业大学 | 一种基于堆叠自动编码器和引文网络的科技论文分类方法 |
CN111080029A (zh) * | 2019-12-26 | 2020-04-28 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及系统 |
CN111080029B (zh) * | 2019-12-26 | 2022-09-06 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及系统 |
CN111291924A (zh) * | 2020-01-17 | 2020-06-16 | 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 |
CN111862595A (zh) * | 2020-06-08 | 2020-10-30 | 同济大学 | 基于路网拓扑关系的速度预测方法、系统、介质及设备 |
CN111862595B (zh) * | 2020-06-08 | 2021-12-31 | 同济大学 | 基于路网拓扑关系的速度预测方法、系统、介质及设备 |
CN114266406A (zh) * | 2021-12-24 | 2022-04-01 | 北京航空航天大学 | 一种基于联邦学习的大范围路网交通流状态预测方法 |
CN114266406B (zh) * | 2021-12-24 | 2024-07-12 | 北京航空航天大学 | 一种基于联邦学习的大范围路网交通流状态预测方法 |
CN117533356A (zh) * | 2024-01-09 | 2024-02-09 | 北京市北太机电设备工贸有限公司 | 一种智能驾驶辅助系统及方法 |
CN117533356B (zh) * | 2024-01-09 | 2024-03-29 | 北京市北太机电设备工贸有限公司 | 一种智能驾驶辅助系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118014A (zh) | 一种基于时间递归神经网络的交通流速度预测方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN110322695B (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN106846842A (zh) | 基于多时段控制方案的城市干道协调控制优化方法 | |
CN107464021B (zh) | 一种基于强化学习的人群疏散仿真方法、装置 | |
CN101403891B (zh) | 电梯群控节能调度方法 | |
CN105096614B (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
CN105654729A (zh) | 一种基于卷积神经网络的短时交通流量预测方法 | |
CN108205889A (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
CN106529734A (zh) | 一种基于knn和svr的航班滑出时间预测方法 | |
CN105868787A (zh) | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 | |
CN102855760A (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
Bohan et al. | Traffic flow prediction based on BRNN | |
CN103746370A (zh) | 一种风电场可靠性建模方法 | |
CN107862877A (zh) | 一种城市交通信号模糊控制方法 | |
CN108364490A (zh) | 城市公路交通系统车辆运行调控方法 | |
CN103955135A (zh) | 一种基于双层模式曲线的机车优化操纵序列计算方法 | |
Xing et al. | A data fusion powered bi-directional long short term memory model for predicting multi-lane short term traffic flow | |
CN110263860A (zh) | 一种高速公路交通流预测方法及装置 | |
CN114742209A (zh) | 一种短时交通流预测方法及系统 | |
Zou et al. | Short-term traffic flow prediction based on PCC-BiLSTM | |
CN113657645B (zh) | 基于注意力机制的时空连接增强3dcnn交通预测方法 | |
Zhang et al. | Short-term Traffic Flow Prediction With Residual Graph Attention Network. | |
CN108364491A (zh) | 基于车流量预测的驾驶员信息提醒方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |