CN109671272B - 一种高速公路交通流预测方法 - Google Patents

一种高速公路交通流预测方法 Download PDF

Info

Publication number
CN109671272B
CN109671272B CN201811654715.3A CN201811654715A CN109671272B CN 109671272 B CN109671272 B CN 109671272B CN 201811654715 A CN201811654715 A CN 201811654715A CN 109671272 B CN109671272 B CN 109671272B
Authority
CN
China
Prior art keywords
firefly
neural network
traffic flow
basis function
radial basis
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
Application number
CN201811654715.3A
Other languages
English (en)
Other versions
CN109671272A (zh
Inventor
蔡延光
乐冰
蔡颢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201811654715.3A priority Critical patent/CN109671272B/zh
Publication of CN109671272A publication Critical patent/CN109671272A/zh
Application granted granted Critical
Publication of CN109671272B publication Critical patent/CN109671272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高速公路交通流预测方法，涉及智能交通领域。本发明建立基于改进萤火虫‑径向基函数神经网络的高速公路交通流预测模型；设计了改进萤火虫算法训练径向基函数神经网络参数，提高所述径向基函数神经网络的精度和收敛速度；通过计算所述径向基函数神经网络的损失函数值，选择损失函数最小的径向基函数神经网络，用来预测高速公路交通车流量。本发明提出的高速公路交通流预测方法，计算速度快、预测精度准，在高速公路交通流预测时有很好效果。

Description

一种高速公路交通流预测方法
技术领域
本发明涉及智能交通领域，更具体地，涉及一种高速公路交通流预测方法。
背景技术
随着社会经济的不断增长，国内汽车的拥有量越来越多，高速公路车流量急剧上升，从而导致高速公路上车辆拥堵愈发严重。现有方法采用径向基函数神经网络训练网络参数的算法，在粗略搜索过程中容易陷入局部极小值。因此如何提高径向基函数(RBF)神经网络对高速公路交通流预测的稳定性是问题的关键。
申请号为201710039355.5的专利申请“一种基于萤火虫算法与RBF神经网络的交通流预测方法”初始化萤火虫算法参数，利用随机方法初始化萤火虫种群，并对种群中每个个体进行编码；利用萤火虫算法训练RBF神经网络，得到种群最优个体；对种群最优个体进行解码，得到训练好的RBF神经网络；利用训练好的RBF神经网络对交通流数据样本进行预测，这种方法具有很好的预测能力以及泛化能力，但是其在训练效率以及预测精度上依旧存在一定的不足。
发明内容
本发明为克服上述现有技术所述的训练效率以及预测精度的不足，提供一种高速公路交通流预测方法。
为解决上述技术问题，本发明的技术方案如下：一种高速公路交通流预测方法包括以下步骤：
S1：获取历史高速公路交通流数据集，并将数据集的数据进行分类和归一化处理；
S2：建立基于径向基函数神经网络高速公路交通流预测模型；
S3：利用改进的萤火虫算法训练径向基函数神经网络得到最优参数，建立萤火虫-径向基函数神经网络模型；
其利用改进的萤火虫算法训练径向基函数神经网络得到最优参数的步骤包括对径向基函数神经网络参数进行编码，确定径向基函数神经网络的损失函数，对萤火虫算法中的荧光素值进行更新，计算萤火虫移动方向的概率值并更新萤火虫位置，迭代若干次后找到荧光素值最高的个体进行解码，得到径向基函数神经网络的最优参数；
S4：利用归一化处理后的数据训练萤火虫-径向基函数神经网络模型并迭代若干次，得到损失函数最小的径向基函数神经网络；
S5：利用得到的径向基函数神经网络对高速公路交通流进行预测。
优选地，S1获取历史高速公路交通流数据集，并将数据进行分类的步骤具体为：将历史高速公路交通流数据分为节假日和非节假日，并按时间段将每日分为高峰期和非高峰期；若待预测的那天为节假日则将历史节假日交通流数据作为训练数据，若待预测的那天为非节假日则将历史非节假日交通流数据作为训练数据。
优选地，对所述历史高速公路交通流数据进行归一化处理的公式为：
Figure BDA0001932344200000021
其中，xik是第i天高速公路交通流的第k个时间点的高速公路交通流量值，xmax和xmin分别是高速公路交通流数据的最大值和最小值。
优选地，S2中建立基于径向基函数神经网络高速公路交通流预测模型为：
Figure BDA0001932344200000022
其中，x为输入的高速公路交通流数据，k＝1,2…n，n为输入层节点数，ykj为第k个输入样本对应的输出，j＝1,2…m；wij为隐含层至输出层的权值，i＝1,2…M；m为输出向量的维数，M为隐含层节点数；
Figure BDA0001932344200000023
表示径向基函数，如式：
Figure BDA0001932344200000024
其中：σi为反演S函数的标准差；xk为第k个输入样本；ci为基函数中心；||xk-ci||为样本与中心的欧式距离。
优选地，所述利用改进的萤火虫算法训练径向基函数神经网络最优参数包括的参数为：ci、σi以及wij。
优选地，S31：对径向基函数神经网络参数ci、σi以及wij进行编码；
S32：随机生成N个萤火虫，形成初始的萤火虫种群，设置每个萤火虫的初始荧光素L0，感知半径Rs，初始步长s0，最大步长smax，最小步长smin，荧光素挥发系数ρ，荧光素的更新率γ，令迭代计数器初始值t＝0，设定算法的最大迭代次数tmax；
S33：根据所述径向基函数神经网络高速公路交通流预测模型，确定其损失函数L(y,y*)，其中，y为预测值，y*为真实值；
S34：更新每个荧光虫在第t代的荧光素值li(t)，li(t)表示第t次迭代中，萤火虫i的荧光素值；
S35：每一次迭代，萤火虫移动一次，则在第t次迭代中，当找到荧光素值比萤火虫i的荧光素值高的萤火虫j时，萤火虫i根据概率值Pij(t)向萤火虫j移动；
S36：萤火虫每次移动的移动步长根据迭代次数t进行自适应更新，对萤火虫的位置进行更新；
S37：若迭代次数t超过了最大迭代次数tmax，或者或者神经网络训练的误差达到预设的精度，则对萤火虫种群最优个体进行解码，得到最优径向基函数神经网络参数ci、σi以及wij，否则返回步骤S34。
优选地，S33的径向基函数神经网络高速公路交通流预测模型，其损失函数为：
Figure BDA0001932344200000031
其中，y为预测值，y*为真实值，μ取值在0-1之间；
优选地，S34更新每个荧光虫在第t代的荧光素值li(t)：
li(t)＝(1-ρ)li(t-1)+γL(gi(t))
其中，li(t)表示第t次迭代中，萤火虫i的荧光素值；ρ表示荧光素挥发因子，0<ρ<1；γ表示荧光素增强因子，0<γ<1；L(gi(t))为萤火虫i的损失函数值。
优选地，S35中当找到荧光素值比萤火虫i的荧光素值高的萤火虫j时，萤火虫i根据概率值向萤火虫j移动，其概率值计算公式为：
Figure BDA0001932344200000032
其中，
Figure BDA0001932344200000033
是在决策半径
Figure BDA0001932344200000034
内荧光素高的萤火虫个数，gj(t)表示第t代的第j个萤火虫的位置。
优选地，S36根据位置更新公式对萤火虫位置进行更新，其中位置更新公式为：
Figure BDA0001932344200000041
其中s为移动步长，rand(0,1)为服从0到1的均匀分布函数，ρ为(0,1)的常数，gsomax为整个荧光虫种群中最亮的萤火虫，
Figure BDA0001932344200000042
是一个随机扰动项，
Figure BDA0001932344200000043
表示在更新位置时萤火虫i和gsomax之间的吸引度。
与现有技术相比，本发明技术方案的有益效果是：本发明通过采用分类的数据对RBF神经网络进行训练，提高了RBF神经网络的收敛速度，本发明的预测方法与真实的车流量比较结果预测精度更高，预测误差更小，并且通过萤火虫算法训练径向基函数神经网络参数具有更好的泛化能力，在高速公路交通流预测时有很好效果。
附图说明
图1为本发明的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1为本发明流程图，其步骤包括：
S1：获取历史高速公路交通流数据集，并将数据集的数据进行分类和归一化处理；
在一种具体实施例中，选取2017年8月份30天共2880个交通流数据作为实验用数据，将获取的原始交通流数据进行数据预处理后，将前26天共2496个交通流数据作为训练样本，而最后4天的384个交通流数据作为测试样本。即用前26天的数据训练径向基函数神经网络参数，构建改进萤火虫算法-径向基函数神经网络预测模型再对后4天的交通车流量实行单点单步预测。
预处理过程为：
Figure BDA0001932344200000044
其中，xik是第i天高速公路交通流的第k个时间点的高速公路交通流量值，xmax和xmin分别是高速公路交通流数据的最大值和最小值。
S2：建立基于径向基函数神经网络高速公路交通流预测模型；
Figure BDA0001932344200000051
其中，x为输入的高速公路交通流数据，k＝1,2…n，n为输入层节点数，ykj为第k个输入样本对应的输出，j＝1,2…m；wij为隐含层至输出层的权值，i＝1,2…M；m为输出向量的维数，M为隐含层节点数；
Figure BDA0001932344200000052
表示径向基函数，如式：
Figure BDA0001932344200000053
其中：σi为反演S函数的标准差；xk为第k个输入样本；ci为基函数中心；||xk-ci||为样本与中心的欧式距离。
其中径向基函数神经网络的输入变量x1,x2,...,xn，为连续前N天中的高速公路交通流历史数据；径向基函数神经网络的输出变量y，为待测第N+1天中的高速公路交通流数据。
S3：利用改进的萤火虫算法训练径向基函数神经网络最优参数；建立萤火虫-径向基函数神经网络模型；利用萤火虫算法训练径向基函数神经网络最优参数ci、σi以及wij的步骤为：
S31：对径向基函数神经网络参数ci、σi以及wij进行编码；
S32：随机生成N个萤火虫，形成初始的萤火虫种群，设置每个萤火虫的初始荧光素L0，感知半径Rs，初始步长s0，最大步长smax，最小步长smin，荧光素挥发系数ρ，荧光素的更新率γ，令迭代计数器初始值t＝0，设定算法的最大迭代次数tmax；
S33：根据所述径向基函数神经网络高速公路交通流预测模型，确定其损失函数L(y,y*)：
Figure BDA0001932344200000054
其中，y为预测值，y*为真实值，μ取值在0-1之间；
S34：更新每个荧光虫在第t代的荧光素值li(t)：
li(t)＝(1-ρ)li(t-1)+γL(gi(t))
其中，li(t)表示第t次迭代中，萤火虫i的荧光素值；ρ表示荧光素挥发因子，0<ρ<1；γ表示荧光素增强因子，0<γ<1；L(gi(t))为萤火虫i的损失函数值。
S35：每一次迭代，萤火虫移动一次，则在第t次迭代中，当找到荧光素值比萤火虫i的荧光素值高的萤火虫j时，萤火虫i根据概率值Pij(t)向萤火虫j移动，其概率公式为：
Figure BDA0001932344200000061
其中，
Figure BDA0001932344200000062
是在决策半径
Figure BDA0001932344200000063
内荧光素高的萤火虫个数，gj(t)表示第t代的第j个萤火虫的位置。
S36：萤火虫每次移动的移动步长根据迭代次数t进行自适应更新，对萤火虫的位置进行更新，更新公式为：
Figure BDA0001932344200000064
其中s为移动步长，rand(0,1)为服从0到1的均匀分布函数，ρ为(0,1)的常数，gsomax为整个荧光虫种群中最亮的萤火虫，
Figure BDA0001932344200000065
是一个随机扰动项，
Figure BDA0001932344200000066
表示在更新位置时萤火虫i和gsomax之间的吸引度。
S37：若迭代次数t超过了最大迭代次数tmax，或者(神经网络训练的误差达到预设的精度，则对萤火虫种群最优个体进行解码，得到最优径向基函数神经网络参数ci、σi以及wij，否则返回步骤S34。
S4：利用归一化处理后的数据训练萤火虫-径向基函数神经网络模型并迭代若干次，得到损失函数最小的径向基函数神经网络；在具体的实施例中，迭代次数为20次。
其中需要确认数据的类型与训练策略为：将历史高速公路交通流数据分为节假日和非节假日，并按时间段将每日分为高峰期和非高峰期，高峰期为每天10.00-11.59，14.00-19.59，非高峰期为每天0.00-9.59，12.00-13.59，20.00-23.59每隔15分钟统计一次车流量信息；若待预测的那天为节假日则将历史节假日交通流数据作为训练数据，若待预测的那天为非节假日则将历史非节假日交通流数据作为训练数据。
S5：利用得到的径向基函数神经网络对高速公路交通流进行预测。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (2)

1.一种高速公路交通流预测方法，其特征在于，包括以下步骤；
S1：获取历史高速公路交通流数据集，并将数据集的数据进行分类和归一化处理；
S2：建立基于径向基函数神经网络高速公路交通流预测模型；
S3：利用改进的萤火虫算法训练径向基函数神经网络得到最优参数，建立萤火虫-径向基函数神经网络模型；
其利用改进的萤火虫算法训练径向基函数神经网络得到最优参数的步骤包括对径向基函数神经网络参数进行编码，确定径向基函数神经网络的损失函数，对萤火虫算法中的荧光素值进行更新，计算萤火虫移动方向的概率值并更新萤火虫位置，迭代若干次后找到荧光素值最高的个体进行解码，得到径向基函数神经网络的最优参数；
S4：利用分类和归一化处理后的数据训练萤火虫-径向基函数神经网络模型并迭代若干次，得到损失函数最小的径向基函数神经网络；
S5：利用得到的径向基函数神经网络对高速公路交通流进行预测；
步骤S1中，获取历史高速公路交通流数据集，并将数据进行分类的步骤具体为：将历史高速公路交通流数据分为节假日和非节假日，并按时间段将每日分为高峰期和非高峰期；若待预测的那天为节假日则将历史节假日交通流数据作为训练数据，若待预测的那天为非节假日则将历史非节假日交通流数据作为训练数据；
S2中建立基于径向基函数神经网络高速公路交通流预测模型为：
Figure FDA0003292183900000011
其中，x为输入的高速公路交通流数据，k＝1,2…n，n为输入层节点数，ykj为第k个输入样本对应的预测值，j＝1,2…m；wij为隐含层至输出层的权值，i＝1,2…M；m为输出向量的维数，M为隐含层节点数；
Figure FDA0003292183900000012
表示径向基函数，如式：
Figure FDA0003292183900000013
其中：σi为反演S函数的标准差；xk为第k个输入样本；ci为基函数中心；||xk-ci||为样本与中心的欧式距离；
所述利用改进的萤火虫算法训练径向基函数神经网络得到最优参数包括的参数为：ci、σi以及wij；
所述利用改进的萤火虫算法训练径向基函数神经网络得到最优参数的具体步骤为：
S31：对径向基函数神经网络参数ci、σi以及wij进行编码；
S32：随机生成N个萤火虫，形成初始的萤火虫种群，设置每个萤火虫的初始荧光素L0，感知半径Rs，初始步长s0，最大步长smax，最小步长smin，荧光素挥发系数ρ，荧光素的更新率γ，令迭代计数器初始值t＝0，设定算法的最大迭代次数tmax；
S33：根据所述径向基函数神经网络高速公路交通流预测模型，确定其损失函数L(y,y*)，其中，y为预测值，y*为真实值；
S34：更新每个荧光虫在第t代的荧光素值li(t)，li(t)表示第t次迭代中，萤火虫i的荧光素值；
S35：每一次迭代，萤火虫移动一次，则在第t次迭代中，当找到荧光素值比萤火虫i的荧光素值高的萤火虫j时，萤火虫i根据概率值Pij(t)向萤火虫j移动；
S36：萤火虫每次移动的移动步长根据迭代次数t进行自适应更新，对萤火虫的位置进行更新；
S37：若迭代次数t超过了最大迭代次数tmax，或者神经网络训练的误差达到预设的精度，则对萤火虫种群最优个体进行解码，得到最优径向基函数神经网络参数ci、σi以及wij，否则返回步骤S34；
S33的径向基函数神经网络高速公路交通流预测模型，其损失函数为：
Figure FDA0003292183900000021
其中，y为预测值，y*为真实值，μ取值在0-1之间；
S34更新每个荧光虫在第t代的荧光素值li(t)：
li(t)＝(1-ρ)li(t-1)+γL(gi(t))
其中，li(t)表示第t次迭代中，萤火虫i的荧光素值；ρ表示荧光素挥发因子，0<ρ<1；γ表示荧光素增强因子，0<γ<1；L(gi(t))为萤火虫i的损失函数值；
S35中当找到荧光素值比萤火虫i的荧光素值高的萤火虫j时，萤火虫i根据概率值向萤火虫j移动，其概率值计算公式为：
Figure FDA0003292183900000031
其中，
Figure FDA0003292183900000032
是在决策半径
Figure FDA0003292183900000033
内荧光素高的萤火虫个数，gj(t)表示第t代的第j个萤火虫的位置；
S36根据位置更新公式对萤火虫位置进行更新，其中位置更新公式为：
Figure FDA0003292183900000034
其中s为移动步长，rand(0,1)为服从0到1的均匀分布函数，ρ为(0,1)的常数，gsomax为整个荧光虫种群中最亮的萤火虫，
Figure FDA0003292183900000035
是一个随机扰动项，
Figure FDA0003292183900000036
表示在更新位置时萤火虫i和gsomax之间的吸引度。
2.根据权利要求1所述的一种高速公路交通流预测方法，其特征在于，对所述历史高速公路交通流数据进行归一化处理的公式为：
Figure FDA0003292183900000037
其中，xik是第i天高速公路交通流的第k个时间点的高速公路交通流量值，xmax和xmin分别是高速公路交通流数据的最大值和最小值。
CN201811654715.3A 2018-12-29 2018-12-29 一种高速公路交通流预测方法 Active CN109671272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811654715.3A CN109671272B (zh) 2018-12-29 2018-12-29 一种高速公路交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811654715.3A CN109671272B (zh) 2018-12-29 2018-12-29 一种高速公路交通流预测方法

Publications (2)

Publication Number Publication Date
CN109671272A CN109671272A (zh) 2019-04-23
CN109671272B true CN109671272B (zh) 2022-01-25

Family

ID=66147508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811654715.3A Active CN109671272B (zh) 2018-12-29 2018-12-29 一种高速公路交通流预测方法

Country Status (1)

Country Link
CN (1) CN109671272B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263860A (zh) * 2019-06-21 2019-09-20 广东工业大学 一种高速公路交通流预测方法及装置
CN110533905B (zh) * 2019-07-03 2022-02-15 广东工业大学 一种交通流预测的方法、系统及设备
CN110428613A (zh) * 2019-07-09 2019-11-08 中山大学 一种机器学习的智能交通状态预测方法
CN113361751A (zh) * 2021-05-17 2021-09-07 同济大学 基于萤火虫算法优化的rbf模型的产品质量预测方法和装置
CN113807404B (zh) * 2021-08-24 2024-02-27 中通服咨询设计研究院有限公司 面向多源信息融合的智慧交通网络智能化监控与应急系统
CN114626635A (zh) * 2022-04-02 2022-06-14 北京乐智科技有限公司 一种基于混合神经网络的钢铁物流成本预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008430A (zh) * 2014-05-29 2014-08-27 华北电力大学 一种构建拟境挖掘动态智能负荷预测模型的方法
CN106779063A (zh) * 2016-11-15 2017-05-31 河南理工大学 一种基于rbf网络的提升机制动系统故障诊断方法
CN106910337A (zh) * 2017-01-19 2017-06-30 长安大学 一种基于萤火虫算法与rbf神经网络的交通流预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008430A (zh) * 2014-05-29 2014-08-27 华北电力大学 一种构建拟境挖掘动态智能负荷预测模型的方法
CN106779063A (zh) * 2016-11-15 2017-05-31 河南理工大学 一种基于rbf网络的提升机制动系统故障诊断方法
CN106910337A (zh) * 2017-01-19 2017-06-30 长安大学 一种基于萤火虫算法与rbf神经网络的交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Detection of multiple source locations using a glowworm metaphor with applications to collective robotics;K.N. Krishnanand，D. Ghose;《Proceedings 2005 IEEE Swarm Intelligence Symposium, 2005. SIS 2005.》;20050610;1-14 *
基于萤火虫算法和RBF神经网络的高速公路交通流预测;刘研;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170228;C034-1430 *

Also Published As

Publication number Publication date
CN109671272A (zh) 2019-04-23

Similar Documents

Publication Publication Date Title
CN109671272B (zh) 一种高速公路交通流预测方法
CN107346464B (zh) 业务指标预测方法及装置
CN106781489B (zh) 一种基于递归神经网络的路网状态预测方法
CN107085942B (zh) 一种基于狼群算法的交通流预测方法、装置及系统
CN108108808B (zh) 一种基于深度信念网络的位置预测方法及装置
CN109947963A (zh) 一种基于深度学习的多尺度哈希检索方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
More et al. Road traffic prediction and congestion control using Artificial Neural Networks
CN111080029B (zh) 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
CN109214948A (zh) 一种电力系统热负荷预测的方法和装置
CN105761488B (zh) 基于融合的实时极限学习机短时交通流预测方法
CN109523021B (zh) 一种基于长短时记忆网络的动态网络结构预测方法
CN111860989B (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
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
CN110895878B (zh) 一种基于ge-gan的交通状态虚拟检测器的生成方法
CN109062962A (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN109583565A (zh) 基于注意力模型长短时记忆网络的洪水预测方法
CN109637196A (zh) 航路扇区交通概率密度预测方法
CN109711883A (zh) 基于U-Net网络的互联网广告点击率预估方法
CN108564391A (zh) 一种考虑主客观信息的共享电动汽车需求预测方法及系统
CN111882157A (zh) 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质
CN115115389A (zh) 一种基于价值细分和集成预测的快递客户流失预测方法
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
Zhang et al. Surface and high-altitude combined rainfall forecasting using convolutional neural network
CN113537569B (zh) 一种基于权重堆叠决策树的短时公交客流预测方法及系统

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