CN109242140A - 一种基于LSTM_Attention网络的交通流预测方法 - Google Patents
一种基于LSTM_Attention网络的交通流预测方法 Download PDFInfo
- Publication number
- CN109242140A CN109242140A CN201810817827.XA CN201810817827A CN109242140A CN 109242140 A CN109242140 A CN 109242140A CN 201810817827 A CN201810817827 A CN 201810817827A CN 109242140 A CN109242140 A CN 109242140A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- layer
- lstm
- input
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims abstract description 16
- 230000002123 temporal effect Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002834 transmittance 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
- G06N3/045—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于LSTM_Attention网络的交通流预测方法,包括以下步骤:(1)获取道路交通历史数据,将数据分为训练集和测试集,对数据进行预处理;(2)构建一层LSTM网络,根据训练集数据中样本的序列长度设置隐层单元个数,添加一层激活函数为Softmax的全连层,最后添加一层逻辑回归层作为预测层,将训练集数据输入到网络中得到预测值,将预测值与真实值输入到损失函数并通过反向传播对网络模型以及内部参数进行优化;(3)将测试集数据输入到已完成训练的LSTM_Attention网络中得到预测数据。本发明对未来道路交通流量数据进行精确地预测。
Description
技术领域
本发明涉及一种基于LSTM_Attention网络的交通流预测方法,本发明属于交通流量预测领域,涉及道路交通流量数据和神经网络架构的融合方法。
背景技术
经济的高速发展和人民生活水平的不断提高带来的是城市机动车总量的快速增长以及道路交通负载的加重,道路拥堵问题日益严重。交通网络中车辆的分布对于整个网络的流通性至关重要。为实现车辆的合理分布,需要采取一定的调控措施,使得当下以及未来的车辆分布趋于合理,因此对未来的交通状况进行精确预测十分重要。
交通状况可以由许多变量进行衡量,本发明采用流量来衡量道路交通状况。现有的基于神经网络的交通流预测方法十分多,包括卷积神经网络(CNNs)、长短期记忆网络(LSTMs),前者在图像识别领域有很大的成功,后者是一种改进的递归神经网络(RNNs),它在语音识别等方面也取得了很大的成就。道路交通数据本身在空间和时间上都有着很大的联系,本发明的目的是对单个路段的未来道路交通数据进行预测,因此着重考虑交通历史数据的时间特征。传统的基于LSTMs的预测方法将LSTMs最后一个隐层单元的输出作为网络提取的特征,但对于一些特征较复杂的数据而言这种方式所提取的特征可能并不完整,部分信息在隐层单元数据的传递过程中丢失。
发明内容
为了解决现有技术中单一LSTMs的最终输出对输入数据的时间特征表现不完整问题,本发明引入注意力(Attention)机制,给LSTMs每一个隐层单元的输出赋相关性权重,获得时间特征,最终对未来道路交通流量数据进行精确地预测。
本发明解决缺陷所采用的技术方案是:
一种基于LSTM_Attention网络的交通流预测方法,所述方法包括以下步骤:
(1)对道路交通数据进行预处理
获取道路交通历史数据,将数据分为训练集和测试集,对数据进行预处理;
(2)基于训练集构建LSTM_Attention网络
构建一层LSTM网络,根据训练集数据中样本的序列长度设置隐层单元个数,添加一层激活函数为Softmax的全连层,最后添加一层逻辑回归层作为预测层,将训练集数据输入到网络中得到预测值,将预测值与真实值输入到损失函数并通过反向传播对网络模型以及内部参数进行优化;
(3)基于测试集和LSTM_Attention网络实现交通流预测
将测试集数据输入到已完成训练的LSTM_Attention网络中得到预测数据。
进一步,所述步骤(1)中,获取道路交通流量历史数据,设置样本中的数据序列长度为m,将数据划分为训练集和测试集,数据格式为[样本数,流量数据序列长度,1];
对数据进行最大值最小值标准化处理,将流量数据缩放到[0,1]的区间上,预处理计算表达式如下所示
其中,xit表示第i个样本中t时刻预处理过后的道路交通流量数据,x’it表示第i个样本中t时刻检测到的道路交通流量原始数据,max xi表示第i个样本中流量数据的最大值,min xi表示第i个样本中流量数据的最小值,输入数据的矩阵形式如下所示
再进一步,所述步骤(2)中,基于训练集构建LSTM_Attention网络的过程如下:
2.1:构建初始网络
道路交通流量数据与时间的关联性很强,时间特征的充分准确提取对于精确地预测未来流量数据十分关键。因此本文选择LSTM_Attention网络,在LSTMs的基础上应用Attention机制,将各隐层单元的输出结果与一个相关性权重矩阵进行点乘获得更完整的时间特征,最后通过一层逻辑回归层对未来流量数据进行预测。
根据样本数据序列的长度,设置LSTMs中隐层单元个数为g。本方法采用一层激活函数为Softmax的全连层来实现Attention机制,其输入为LSTMs各隐层单元的输出,其输出为各隐层输出结果与最后预测目标的相关性权重;
2.2:提取训练集数据中的时间特征
LSTMs中一个隐层单元包含四个节点。遗忘节点,输入节点,输出节点和单元状态节点,各节点的输入输出计算如下
ft=σ(Wfxxt+Wfhht-1+bf)
it=σ(Wixxt+Wihht-1+bi)
ot=σ(Woxxt+Wohht-1+bo)
其中Wfx,Wfh,Wix,Wih,Wox,Woh,Wcx,Wch是各个节点的对应两个输入值的权重,bf,bi,bo,bc表示各个节点的偏置,σ()表示Sigmoid激活函数,tanh()表示双曲线激活函数。遗忘节点的输出ft决定传到该节点的信息被保留或剔除。输入节点,输出节点和单元状态节点的输出it,ot和决定当前的输入有多少信息会被保留。然后是对状态的更新和输出的计算,计算如下
ht=ot*tan(Ct)
其中Ct表示隐层单元t的状态值,ht表示隐层单元t的输出值,*表示值的乘法运算,通过LSTMs得到输出H(H={ht},t=1,2,3...g)。
实现Attentnion机制,将得到的隐层单元输出,输入到一层激活函数为Softmax的全连层中,计算如下
QA=Soft max(WAH+bA)
其中WA表示全连层的权重矩阵,QA(QA={qAt},t=1,2,3...g)表示全连层的输出结果即各隐层输出结果与预测目标的相关性,bA为该全连层的偏置。
时间特征计算如下
其中表示网络从输入数据序列中提取得到的时间特征,网络提取出来的时间特征为
2.3:基于训练集对未来交通流量数据进行预测
将网络最终得出的时间特征通过一层逻辑回归层得到该样本的预测值。逻辑回归层表达式为
其中pm+1表示网络预测的结果,Wp表示权重矩阵,bp表示偏置。
2.4:对LSTM_Attention网络优化
网络的损失函数选择均方误差(Mean Square Loss),表达式为
其中pm+1表示对第m+1时刻下道路交通流量预测值,xm+1表示第m+1时刻下道路交通流量真实值;
将网络输出的预测值和真实值带入损失函数,基于反向传播调整网络中所有权重以及偏置的值,使损失函数的值趋于最小,使网络趋于最优。
本发明提出一种基于LSTM_Attention网络的交通流预测方法,引入注意力(Attention)机制,即在计算最终时间特征的时候保留每一个隐层单元的输出结果,添加一个相关性权重矩阵,矩阵中的每一个元素表示每一个输入数据经过隐层单元后输出的结果与预测目标之间的相关性,并由这些输出结果和相关性权重相乘获得网络提取的时间特征。最后通过线性回归对交通流进行预测。
随着智能交通路网的发展,掌握实时交通数据并精确预测未来交通数据为交通调控方案设计提供数据支持。基于LSTM_Attention网络的交通流预测方法可以实现对未来道路交通流量数据的精确预测。
本发明的有益效果:本发明在LSTMs的基础上添加了Attention机制,保证了对数据时间特征提取的完整性,最终将时间特征输入到逻辑回归层通过线性回归来实现对未来道路交通流流量数据的预测,其结果可以为交通道路调控,交通道路规划提供数据支持。
附图说明
图1是方法流程图。
图2是Attention机制等效图。
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和图2,一种基于LSTM_Attention网络的交通流预测方法,包括以下步骤:
(1)对道路交通数据进行预处理
获取道路交通流量历史数据,设置样本中的数据序列长度为m,将数据划分为训练集和测试集,数据格式为[样本数,流量数据序列长度,1]。
对数据进行最大值最小值标准化处理,将流量数据缩放到[0,1]的区间上。预处理计算表达式如下所示
其中,xit表示第i个样本中t时刻预处理过后的道路交通流量数据,x’it表示第i个样本中t时刻检测到的道路交通流量原始数据,max xi表示第i个样本中流量数据的最大值,min xi表示第i个样本中流量数据的最小值。输入数据的矩阵形式如下所示
(2)基于训练集构建LSTM_Attention网络,过程如下:
2.1:构建初始网络
道路交通流量数据与时间的关联性很强,时间特征的充分准确提取对于精确地预测未来流量数据十分关键。因此本文选择LSTM_Attention网络,在LSTMs的基础上应用Attention机制,将各隐层单元的输出结果与一个相关性权重矩阵进行点乘获得更完整的时间特征,最后通过一层逻辑回归层对未来流量数据进行预测。
根据样本数据序列的长度,设置LSTMs中隐层单元个数为g。本方法采用一层激活函数为Softmax的全连层来实现Attention机制,其输入为LSTMs各隐层单元的输出,其输出为各隐层输出结果与最后预测目标的相关性权重。
2.2:提取训练集数据中的时间特征
LSTMs中一个隐层单元包含四个节点。遗忘节点,输入节点,输出节点和单元状态节点,各节点的输入输出计算如下
ft=σ(Wfxxt+Wfhht-1+bf)
it=σ(Wixxt+Wihht-1+bi)
ot=σ(Woxxt+Wohht-1+bo)
其中Wfx,Wfh,Wix,Wih,Wox,Woh,Wcx,Wch是各个节点的对应两个输入值的权重,bf,bi,bo,bc表示各个节点的偏置,σ()表示Sigmoid激活函数,tanh()表示双曲线激活函数。遗忘节点的输出ft决定传到该节点的信息被保留或剔除。输入节点,输出节点和单元状态节点的输出it,ot和决定当前的输入有多少信息会被保留。然后是对状态的更新和输出的计算,计算如下
ht=ot*tan(Ct)
其中Ct表示隐层单元t的状态值,ht表示隐层单元t的输出值,*表示值的乘法运算,通过LSTMs得到输出H(H={ht},t=1,2,3...g)。
实现Attentnion机制,将得到的隐层单元输出,输入到一层激活函数为Softmax的全连层中,计算如下
QA=Soft max(WAH+bA)
其中WA表示全连层的权重矩阵,QA(QA={qAt},t=1,2,3...g)表示全连层的输出结果即各隐层输出结果与预测目标的相关性,bA为该全连层的偏置。
时间特征计算如下
其中表示网络从输入数据序列中提取得到的时间特征,网络提取出来的时间特征为
2.3:基于训练集对未来交通流量数据进行预测
将网络最终得出的时间特征通过一层逻辑回归层得到该样本的预测值。逻辑回归层表达式为
其中pm+1表示网络预测的结果,Wp表示权重矩阵,bp表示偏置。
2.4:对LSTM_Attention网络优化
网络的损失函数选择均方误差(Mean Square Loss),表达式为
其中pm+1表示对第m+1时刻下道路交通流量预测值,xm+1表示第m+1时刻下道路交通流量真实值。
将网络输出的预测值和真实值带入损失函数,基于反向传播调整网络中所有权重以及偏置的值,使损失函数的值趋于最小,使网络趋于最优。
(3)基于测试集和LSTM_Attention网络实现交通流预测
将测试集数据输入到已完成训练的网络中对未来道路交通流量数据进行预测。
实例:一种基于LSTM_Attention网络的交通流预测方法,包括以下步骤:
(1)对道路交通数据进行预处理
获取一个月的道路交通流量数据建立原始数据序列。数据的获取间隔Δt为2min。将70%的数据作为训练数据集,剩余的30%数据作为测试数据集。对训练集和测试集数据进行预处理。
(2)构建LSTM_Attention网络
选取m=18,即以18个连续时刻的道路交通流量数据作为一个样本,因此输入到网络中数据的格式为[样本数,18,1]。添加一层LSTMs,设置隐层单元的个数g=18,添加一层激活函数为Softmax的全连层和一层逻辑回归层,对网络中的权重以及偏置进行初始化。将训练集数据输入到网络中,得到网络的预测值。本方法中涉及到的参数主要包括:LSTMs隐层单元各节点的权重Wfx,Wfh,Wix,Wih,Wox,Woh,Wcx,Wch,相对应的偏置bf,bi,bo,bc,全连层的权重矩阵和相应的偏置WA,bA,Wp,bp。将预测值和真实值输入到损失函数中,基于损失函数对每一个参数的偏导,进行反向传播,对网络中的参数进行调整。增加训练的次数,使损失函数的值趋于最小。
(4)基于测试集和LSTM_Attention网络进行预测的实验结果
将测试集的数据输入到已完成训练的LSTM_Attention网络中获得预测结果。为使预测结果具有对比性,将结果与基于LSTM网络的交通流预测结果进行对比。
利用均方根误差(RMSE),平均绝对误差(MAE)和平均绝对百分误差(MAPE)来检验算法的准确性。
其中pi(m+1)表示第i个样本的预测值,xi(m+1)表示第i个样本预测的目标值。
两个网络模型的交通流预测结果的统计分析如表1所示。
表1。
Claims (3)
1.一种基于LSTM_Attention网络的交通流预测方法,其特征在于,所述方法包括以下步骤:
(1)对道路交通数据进行预处理
获取道路交通历史数据,将数据分为训练集和测试集,对数据进行预处理;
(2)基于训练集构建LSTM_Attention网络
构建一层LSTM网络,根据训练集数据中样本的序列长度设置隐层单元个数,添加一层激活函数为Softmax的全连层,最后添加一层逻辑回归层作为预测层,将训练集数据输入到网络中得到预测值,将预测值与真实值输入到损失函数并通过反向传播对网络模型以及内部参数进行优化;
(3)基于测试集和LSTM_Attention网络实现交通流预测
将测试集数据输入到已完成训练的LSTM_Attention网络中得到预测数据。
2.如权利要求1所述的一种基于LSTM_Attention网络的交通流预测方法,其特征在于,所述步骤(1)中,获取道路交通流量历史数据,设置样本中的数据序列长度为m,将数据划分为训练集和测试集,数据格式为[样本数,流量数据序列长度,1];
对数据进行最大值最小值标准化处理,将流量数据缩放到[0,1]的区间上,预处理计算表达式如下所示:
其中,xit表示第i个样本中t时刻预处理过后的道路交通流量数据,x’it表示第i个样本中t时刻检测到的道路交通流量原始数据,max xi表示第i个样本中流量数据的最大值,minxi表示第i个样本中流量数据的最小值,输入数据的矩阵形式如下所示:
3.如权利要求1或2所述的一种基于LSTM_Attention网络的交通流预测方法,其特征在于,所述步骤(2)中,基于训练集构建LSTM_Attention网络的过程如下:
2.1:构建初始网络
选择LSTM_Attention网络,在LSTMs的基础上应用Attention机制,将各隐层单元的输出结果与一个相关性权重矩阵进行点乘获得更完整的时间特征,最后通过一层逻辑回归层对未来流量数据进行预测;
根据样本数据序列的长度,设置LSTMs中隐层单元个数为g,采用一层激活函数为Softmax的全连层来实现Attention机制,其输入为LSTMs各隐层单元的输出,其输出为各隐层输出结果与最后预测目标的相关性权重;
2.2:提取训练集数据中的时间特征
LSTMs中一个隐层单元包含四个节点,遗忘节点,输入节点,输出节点和单元状态节点,各节点的输入输出计算如下
ft=σ(Wfxxt+Wfhht-1+bf)
it=σ(Wixxt+Wihht-1+bi)
ot=σ(Woxxt+Wohht-1+bo)
其中Wfx,Wfh,Wix,Wih,Wox,Woh,Wcx,Wch是各个节点的对应两个输入值的权重,bf,bi,bo,bc表示各个节点的偏置,σ()表示Sigmoid激活函数,tanh()表示双曲线激活函数;遗忘节点的输出ft决定传到该节点的信息被保留或剔除,输入节点,输出节点和单元状态节点的输出it,ot和决定当前的输入有多少信息会被保留,然后是对状态的更新和输出的计算,计算如下
ht=ot*tan(Ct)
其中Ct表示隐层单元t的状态值,ht表示隐层单元t的输出值,*表示值的乘法运算,通过LSTMs得到输出H(H={ht},t=1,2,3...g);
实现Attentnion机制,将得到的隐层单元输出,输入到一层激活函数为Softmax的全连层中,计算如下
QA=Softmax(WAH+bA)
其中WA表示全连层的权重矩阵,QA(QA={qAt},t=1,2,3...g)表示全连层的输出结果即各隐层输出结果与预测目标的相关性,bA为该全连层的偏置;
时间特征计算如下
其中表示网络从输入数据序列中提取得到的时间特征,网络提取出来的时间特征为
2.3:基于训练集对未来交通流量数据进行预测
将网络最终得出的时间特征通过一层逻辑回归层得到该样本的预测值,逻辑回归层表达式为
其中pm+1表示网络预测的结果,Wp表示权重矩阵,bp表示偏置;
2.4:对LSTM_Attention网络优化
网络的损失函数选择均方误差(Mean Square Loss),表达式为
其中pm+1表示对第m+1时刻下道路交通流量预测值,xm+1表示第m+1时刻下道路交通流量真实值;
将网络输出的预测值和真实值带入损失函数,基于反向传播调整网络中所有权重以及偏置的值,使损失函数的值趋于最小,使网络趋于最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810817827.XA CN109242140A (zh) | 2018-07-24 | 2018-07-24 | 一种基于LSTM_Attention网络的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810817827.XA CN109242140A (zh) | 2018-07-24 | 2018-07-24 | 一种基于LSTM_Attention网络的交通流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242140A true CN109242140A (zh) | 2019-01-18 |
Family
ID=65072250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810817827.XA Pending CN109242140A (zh) | 2018-07-24 | 2018-07-24 | 一种基于LSTM_Attention网络的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242140A (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
CN110033126A (zh) * | 2019-03-14 | 2019-07-19 | 贵州大学 | 基于注意力机制与逻辑回归的长短期记忆网络预测方法 |
CN110166484A (zh) * | 2019-06-06 | 2019-08-23 | 中国石油大学(华东) | 一种基于LSTM-Attention网络的工业控制系统入侵检测方法 |
CN110263962A (zh) * | 2019-03-04 | 2019-09-20 | 南京航空航天大学 | 终端区进场态势预测方法 |
CN110263977A (zh) * | 2019-05-24 | 2019-09-20 | 河南大学 | 基于lstm神经网络模型的优化预测pm2.5的方法及装置 |
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 |
CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
CN110445646A (zh) * | 2019-07-30 | 2019-11-12 | 广东工业大学 | 一种基于注意力机制和流量预测模型的资源预留方法 |
CN110458355A (zh) * | 2019-08-09 | 2019-11-15 | 泰康保险集团股份有限公司 | 事件预测方法、装置、设备及存储介质 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
CN110674887A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于视频分类的端到端道路拥堵检测算法 |
CN110880127A (zh) * | 2019-10-24 | 2020-03-13 | 北京三快在线科技有限公司 | 消费水平的预测方法、装置、电子设备及存储介质 |
CN110995384A (zh) * | 2019-11-27 | 2020-04-10 | 杭州联汇科技股份有限公司 | 一种基于机器学习的广播总控故障趋势预判方法 |
CN111079998A (zh) * | 2019-12-03 | 2020-04-28 | 华东师范大学 | 基于长短时序相关性注意力机制模型的流量预测方法 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
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 |
CN111275971A (zh) * | 2020-02-18 | 2020-06-12 | 山西交通控股集团有限公司 | 一种高速公路交通流量预测方法 |
CN111524348A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种长短期交通流预测模型及方法 |
CN111814508A (zh) * | 2019-04-10 | 2020-10-23 | 阿里巴巴集团控股有限公司 | 一种文字识别方法、系统及设备 |
CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN112037179A (zh) * | 2020-08-11 | 2020-12-04 | 深圳大学 | 一种脑疾病诊断模型的生成方法、系统及设备 |
CN112216101A (zh) * | 2020-09-08 | 2021-01-12 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN112669606A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 利用动态时空图训练卷积神经网络的交通流预测方法 |
CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
CN112927507A (zh) * | 2021-02-04 | 2021-06-08 | 南京航空航天大学 | 一种基于LSTM-Attention的交通流量预测方法 |
CN112926768A (zh) * | 2021-01-27 | 2021-06-08 | 浙江工业大学 | 基于时空注意力机制的地面道路车道级交通流预测方法 |
CN113222239A (zh) * | 2021-05-08 | 2021-08-06 | 浙江科技学院 | 基于CNN-LSTM-At神经网络的短时交通流量预测方法 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN113256000A (zh) * | 2021-05-26 | 2021-08-13 | 四川大学 | 一种带注意力机制序列到序列的景区短期客流量预测方法 |
CN113537580A (zh) * | 2021-06-28 | 2021-10-22 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN117636633A (zh) * | 2023-11-27 | 2024-03-01 | 香港科技大学(广州) | 一种基于时空感知混合图的交通流量预测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
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 |
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
CN107133211A (zh) * | 2017-04-26 | 2017-09-05 | 中国人民大学 | 一种基于注意力机制的作文评分方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107368831A (zh) * | 2017-07-19 | 2017-11-21 | 中国人民解放军国防科学技术大学 | 一种自然场景图像中的英文文字和数字识别方法 |
CN107818306A (zh) * | 2017-10-31 | 2018-03-20 | 天津大学 | 一种基于注意力模型的视频问答方法 |
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN108154435A (zh) * | 2017-12-26 | 2018-06-12 | 浙江工业大学 | 一种基于循环神经网络的股指价格预测方法 |
CN108171358A (zh) * | 2017-11-27 | 2018-06-15 | 科大讯飞股份有限公司 | 成绩预测方法及装置、存储介质、电子设备 |
CN108197743A (zh) * | 2017-12-31 | 2018-06-22 | 北京化工大学 | 一种基于深度学习的预测模型软测量方法 |
CN108229724A (zh) * | 2017-12-06 | 2018-06-29 | 华南理工大学 | 一种基于时空信息融合的短时交通数据流预测方法 |
-
2018
- 2018-07-24 CN CN201810817827.XA patent/CN109242140A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
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 |
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN107133211A (zh) * | 2017-04-26 | 2017-09-05 | 中国人民大学 | 一种基于注意力机制的作文评分方法 |
CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107368831A (zh) * | 2017-07-19 | 2017-11-21 | 中国人民解放军国防科学技术大学 | 一种自然场景图像中的英文文字和数字识别方法 |
CN107818306A (zh) * | 2017-10-31 | 2018-03-20 | 天津大学 | 一种基于注意力模型的视频问答方法 |
CN108171358A (zh) * | 2017-11-27 | 2018-06-15 | 科大讯飞股份有限公司 | 成绩预测方法及装置、存储介质、电子设备 |
CN108229724A (zh) * | 2017-12-06 | 2018-06-29 | 华南理工大学 | 一种基于时空信息融合的短时交通数据流预测方法 |
CN108154435A (zh) * | 2017-12-26 | 2018-06-12 | 浙江工业大学 | 一种基于循环神经网络的股指价格预测方法 |
CN108197743A (zh) * | 2017-12-31 | 2018-06-22 | 北京化工大学 | 一种基于深度学习的预测模型软测量方法 |
Non-Patent Citations (1)
Title |
---|
YIPENG LIU等: "Short-term traffic flow prediction with Conv-LSTM", 《IEEE》 * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263962A (zh) * | 2019-03-04 | 2019-09-20 | 南京航空航天大学 | 终端区进场态势预测方法 |
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 |
CN110033126A (zh) * | 2019-03-14 | 2019-07-19 | 贵州大学 | 基于注意力机制与逻辑回归的长短期记忆网络预测方法 |
CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
CN111814508A (zh) * | 2019-04-10 | 2020-10-23 | 阿里巴巴集团控股有限公司 | 一种文字识别方法、系统及设备 |
CN111814508B (zh) * | 2019-04-10 | 2024-01-09 | 阿里巴巴集团控股有限公司 | 一种文字识别方法、系统及设备 |
CN110263977A (zh) * | 2019-05-24 | 2019-09-20 | 河南大学 | 基于lstm神经网络模型的优化预测pm2.5的方法及装置 |
CN110166484A (zh) * | 2019-06-06 | 2019-08-23 | 中国石油大学(华东) | 一种基于LSTM-Attention网络的工业控制系统入侵检测方法 |
CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
CN110445646B (zh) * | 2019-07-30 | 2022-07-08 | 广东工业大学 | 一种基于注意力机制和流量预测模型的资源预留方法 |
CN110445646A (zh) * | 2019-07-30 | 2019-11-12 | 广东工业大学 | 一种基于注意力机制和流量预测模型的资源预留方法 |
CN110458355A (zh) * | 2019-08-09 | 2019-11-15 | 泰康保险集团股份有限公司 | 事件预测方法、装置、设备及存储介质 |
CN110674887A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于视频分类的端到端道路拥堵检测算法 |
CN110880127A (zh) * | 2019-10-24 | 2020-03-13 | 北京三快在线科技有限公司 | 消费水平的预测方法、装置、电子设备及存储介质 |
CN110880127B (zh) * | 2019-10-24 | 2022-04-12 | 北京三快在线科技有限公司 | 消费水平的预测方法、装置、电子设备及存储介质 |
CN110995384A (zh) * | 2019-11-27 | 2020-04-10 | 杭州联汇科技股份有限公司 | 一种基于机器学习的广播总控故障趋势预判方法 |
CN110995384B (zh) * | 2019-11-27 | 2021-08-10 | 杭州联汇科技股份有限公司 | 一种基于机器学习的广播总控故障趋势预判方法 |
CN111079998B (zh) * | 2019-12-03 | 2020-12-01 | 华东师范大学 | 基于长短时序相关性注意力机制模型的流量预测方法 |
CN111079998A (zh) * | 2019-12-03 | 2020-04-28 | 华东师范大学 | 基于长短时序相关性注意力机制模型的流量预测方法 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
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 |
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 |
CN111275971A (zh) * | 2020-02-18 | 2020-06-12 | 山西交通控股集团有限公司 | 一种高速公路交通流量预测方法 |
CN111524348A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种长短期交通流预测模型及方法 |
CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN112037179A (zh) * | 2020-08-11 | 2020-12-04 | 深圳大学 | 一种脑疾病诊断模型的生成方法、系统及设备 |
CN112216101A (zh) * | 2020-09-08 | 2021-01-12 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN112669606A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 利用动态时空图训练卷积神经网络的交通流预测方法 |
CN112669606B (zh) * | 2020-12-24 | 2022-07-12 | 西安电子科技大学 | 利用动态时空图训练卷积神经网络的交通流预测方法 |
CN112926768A (zh) * | 2021-01-27 | 2021-06-08 | 浙江工业大学 | 基于时空注意力机制的地面道路车道级交通流预测方法 |
CN112766597B (zh) * | 2021-01-29 | 2023-06-27 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
CN112927507A (zh) * | 2021-02-04 | 2021-06-08 | 南京航空航天大学 | 一种基于LSTM-Attention的交通流量预测方法 |
CN113222239B (zh) * | 2021-05-08 | 2022-07-01 | 浙江科技学院 | 基于CNN-LSTM-At神经网络的短时交通流量预测方法 |
CN113222239A (zh) * | 2021-05-08 | 2021-08-06 | 浙江科技学院 | 基于CNN-LSTM-At神经网络的短时交通流量预测方法 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN113256000B (zh) * | 2021-05-26 | 2022-05-20 | 四川大学 | 一种带注意力机制序列到序列的景区短期客流量预测方法 |
CN113256000A (zh) * | 2021-05-26 | 2021-08-13 | 四川大学 | 一种带注意力机制序列到序列的景区短期客流量预测方法 |
CN113537580A (zh) * | 2021-06-28 | 2021-10-22 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113537580B (zh) * | 2021-06-28 | 2024-04-09 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN117636633A (zh) * | 2023-11-27 | 2024-03-01 | 香港科技大学(广州) | 一种基于时空感知混合图的交通流量预测方法 |
CN117636633B (zh) * | 2023-11-27 | 2024-05-17 | 香港科技大学(广州) | 一种基于时空感知混合图的交通流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242140A (zh) | 一种基于LSTM_Attention网络的交通流预测方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN109376227B (zh) | 一种基于多任务人工神经网络的刑期预测方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN108510741A (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN110223517A (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN110021165A (zh) | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN109285346A (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN110503833A (zh) | 一种基于深度残差网络模型的入口匝道联动控制方法 | |
CN106096767A (zh) | 一种基于lstm的路段行程时间预测方法 | |
CN113362598B (zh) | 一种高速公路服务区车流量预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN109785618A (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN114283345A (zh) | 基于元学习和注意力的小样本城市遥感影像信息提取方法 | |
CN113449905A (zh) | 一种基于门控循环单元神经网络的交通拥堵预警方法 | |
CN110446112A (zh) | 基于双向LSTM-Attention的IPTV用户体验预测方法 | |
CN112991721A (zh) | 基于图卷积网络节点关联度的城市路网交通速度预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 |
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 |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |