CN109754605A - 一种基于注意力时态图卷积网络的交通预测方法 - Google Patents
一种基于注意力时态图卷积网络的交通预测方法 Download PDFInfo
- Publication number
- CN109754605A CN109754605A CN201910146627.0A CN201910146627A CN109754605A CN 109754605 A CN109754605 A CN 109754605A CN 201910146627 A CN201910146627 A CN 201910146627A CN 109754605 A CN109754605 A CN 109754605A
- Authority
- CN
- China
- Prior art keywords
- traffic
- section
- traffic flow
- attention
- network
- 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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于智能交通领域,公开了一种基于注意力时态图卷积网络的交通预测方法,首先,将城市道路网络建模为图结构,图的节点表示路段,边为路段之间的连接关系,将每条路段的时间序列描述为节点的属性特征;其次,利用注意力时态图卷积网络模型捕捉交交通流的时间和空间特征,利用门控循环单元学习城市道路上交通流的时间变化趋势以捕捉时间依赖性,利用注意力机制学习交通流全局时间变化趋势;然后,利用全连接层获取每条路段上不同时刻的交通流状态;最后,利用不同的评价指标估计城市道路上交通流真实值与预测值得差异,以评估模型的预测能力。实验证明,本发明提出的方法能够有效实现城市道路上的交通流预测任务。
Description
技术领域
本发明涉及一种基于注意力时态图卷积网络的交通预测方法,属于智能交通技术领域。
背景技术
随着智能交通系统的部署和发展,交通流预测任务越来越受到重视,它是先进的交通管理系统的关键部分,是实现交通规划、交通管理以及交通控制的重要一环。交通流预测是分析城市道路上的交通状态,包括流量、速度和密度等,挖掘交通运行规律并预测道路上交通状态变化趋势的过程,它不仅可以为交通管理者提前感知交通拥堵状况,限制车流量等提供科学依据,还可以为城市出行者选择合适的出行路线、提高出行效率提供保障。但是准确实时的交通流预测一直是富有挑战性的,源于其复杂的空间和时间依赖性。空间依赖性指交通流的变化受限于城市道路网络的拓扑结构,主要体现在上游路段的交通状态对下游路段的传递作用,以及下游路段的交通状态对上游路段的回溯影响。时间依赖性指交通流是随时间动态变化的,主要体现在周期性和趋势性上。如何充分考虑交通流的时空依赖性是解决预测任务的关键问题。
现有的交通流预测模型有很多,可以分参数模型和非参数模型两大类。常见的参数模型包括:历史平均模型、时间序列模型、线性回归模型和卡尔曼滤波模型等。非参数模型包括:k-最近邻模型、支持向量回归模型、Fuzzy Logic模型、贝叶斯网络模型和神经网络模型等。其中,深度网络模型,尤其是循环神经网络(RNN)及其变体长短期记忆模型(LSTM)和门控循环单元(GRU)由于能够利用自循环机制,学习时间依赖性,取得了较好的预测效果。但以上模型考虑了交通流的时间变化趋势,却忽略了其空间依赖性,使得交通流的变化不受道路网络的约束,从而无法精确预测城市道路网络的交通状态。为了更好的表征空间依赖性,不少研究在以上基础上进行改进,引入了卷积神经网络(CNN)进行空间建模。但由于CNN实质上适用于欧氏空间,如图像、格网等,对具有复杂拓扑结构的交通网络存在局限性,从而无法从本质上刻画交通流的空间依赖特性,因此,这类方法也存在一定的缺陷。
发明内容
本发明的目的是提供一种基于注意力时态图卷积网络的交通预测方法,结合图卷积网络(GCN)和门控循环单元(GRU),同时引入注意力机制,提出一种基于注意力时态图卷积网络(AT-GCN)的交通流预测方法,以捕捉城市道路网络的拓扑空间结构和交通流的全局时间变化趋势,准确预测城市道路网络的交通流。
为了实现上述目的,本发明提供一种基于注意力时态图卷积网络的交通预测方法,包括如下步骤:
(1)将城市道路网络建模为图结构,图的节点表示路段,图的边表示路段之间的连接关系,将每条路段的时间序列描述为节点的属性特征;
(2)将步骤(1)得到的图和历史n个交通时间序列,输入注意力时态图卷积网络模型,通过所述注意力时态图卷积网络模型捕捉交通流的全局时间变化特征和空间特征,以及相应的包含交通流时空特征的隐藏状态;
(3)将步骤(2)得到的隐藏状态输入全连接层,得到各路段上的预测结果。
进一步地,所述步骤(3)后面还包括如下步骤:
(4)利用不同的评价指标对模型的预测结果与真实值进行对比评估。
进一步地,所述步骤(1)中的建模过程如下:
使用无权图G=(V,E)来描述城市道路网络的拓扑结构,将每条路段看作一个节点,V={v1,v2,……vN}表示路段节点的集合,N为节点的数目;E表示边的集合;路段之间的连通情况由邻接矩阵A表示,A∈RN×N,邻接矩阵仅含0值和1值,0值表示路段之间不连通,1值表示路段连通;
将城市路网上的交通速度看作是道路网络节点的属性特征,使用特征矩阵X∈RN×P表示,P表示节点属性特征的数目,也即历史时间序列的长度,利用Xt∈RN×i表示第i个时间段内路网上各个路段的速度;
将时空交通预测问题看作是在给定路网拓扑G和特征矩阵X的前提下,学习映射函数f,将给定的路网拓扑G和特征矩阵X输入函数f,即可得到未来T个时刻的交通速度,而函数f由模型自动学习得到,如下式所示:
[Xt+1,……Xt+T]=f(G;(Xt-n,……,Xt-1,Xt));
其中,n表示给定历史时间序列的长度,T为需要预测的时间序列的长度。
进一步地,所述步骤(2)中的捕捉过程如下:
(21)将历史n个时间序列数据输入图卷积网络模型中,捕捉城市道路网络的拓扑结构,以获取交通流的空间特征;当网络包含两层时,具体表达为:
其中,X为特征矩阵;A为邻接矩阵,为预处理步骤,是具有自连接的图G的邻接矩阵,为度矩阵,W0和W1分别表示第一层和第二层网络的权值矩阵;σ(·),Relu()为激活函数;
(22)将得到的带有空间信息的时间序列输入门控循环单元,通过所述门控循环单元之间的传递,学习交通流的动态变化,以获取交通流的时间特征,以及相应的n个包含交通流时空特征的隐藏状态;具体计算过程如下所示:
ut=σ(Wu·[f(A,Xt),ht-1]+bu);rt=σ(Wr·[f(A,Xt),ht-1]+br);
ct=tanh(Wc·[f(A,Xt),(rt*ht-1)]+bc);ht=ut*ht-1+(1-ut)*ct;
其中,ht-1为t-1时刻的隐藏状态,Xt为当前时刻的交通速度,rt为重置门,用于控制忽略前一时刻状态信息的程度,ut为更新门,用于控制前一时刻的状态信息被带入当前状态的程度,ct为当前时刻存储的记忆内容,ht为当前时刻的输出状态,f(A,Xt)表示图卷积过程(21)得到的结果,W和b分别表示训练过程中的权重和偏差;
(23)得到的隐藏状态通过多层感知机,利用归一化指数函数softmax计算每个特征的权重αi;具体计算过程如下所示:
(24)设计注意力函数,计算包含全局交通流变化信息的上下文向量具体计算过程如下所示:
进一步地,步骤(4)中所述评价指标包括均方根误差、平均绝对误差、准确率、可决系数和解释方差中的至少两种。
本发明利用图卷积网络捕捉道路网络的拓扑结构特性,获取中心路段与相邻路段的关系以获得交通流的空间依赖性;利用门控循环单元捕捉不同时刻交通流的动态变化规律以获得交通流的时间依赖性,因此,具有刻画交通流时空特征的能力,此外,利用注意力机制捕捉交通流的全局时间变化趋势,且在真实数据集上取得了良好的预测效果。本发明不局限于交通预测任务,还可用于任何其他时空预测任务。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明一个实施例的流程图;
图2是本发明一个实施例中基于注意力时态图卷积网络模型的城市道路交通流预测模型结构示意图;
图3是本发明一个实施例的预测结果与真实交通流的可视化分析示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
在本发明的一个实施例中,利用深圳市2015.1.1-2015.1.31共31天的出租车轨迹数据,实验选取了罗湖区156条主要路段作为研究对象。按照图1所示的流程,首先,构建数据集,数据主要包括两部分,一是描述路段之间空间拓扑关系的邻接矩阵,矩阵中的值表示路段之间的连通关系;二是描述路段上速度变化的特征矩阵,矩阵的行表示路段,列为不同时间段内路段上的交通速度。其次,将以上数据输入如图2所示的交通流预测模型中,得到预测结果;最后,将预测结果与传统方法作对比。使用Yt表示真实交通速度,表示预测得到的交通速度,n表示不同的路段,评估指标包括以下5个。
(1)均方根误差(RMSE):
(2)平均绝对误差(MAE):
(3)准确率(Accuracy):
(4)可决系数(R2):
(5)解释方差(Var):
其中,RMSE和MAE用于衡量预测误差,值越小代表预测效果越好;Accuracy用于衡量预测精度,值越大代表预测效果越好;R2和Var计算了相关系数,衡量预测结果可以代表实际数据的能力,值越大代表预测效果越好。
对比结果如下表
(1)预测精度高。与所有的基线方法对比,在不同的评价指标下,AT-GCN总能取得最高的精度与最小的预测误差,说明模型可以很好的拟合数据,捕捉数据的变化规律。
(2)时空预测能力。本发明的方法(AT-GCN)的预测效果比仅考虑单一因素(GCN仅考虑空间特征、GRU仅考虑时间特征)的预测精度高,说明了AT-GCN捕捉交通流时空特征的能力。
(3)全局时间变化特征捕捉能力。将AT-GCN与未添加注意力机制的T-GCN模型进行对比,可以看出,与T-GCN模型相比,AT-GCN的RMSE预测误差下降了约1.1%,Accuracy提高了约0.4%,说明了AT-GCN模型捕捉全局时间变化趋势的能力。
图3(a)为2015.01.27-2015.01.31的可视化结果,图3(b)为2015.01.07一天的可视化结果,其中横轴表示时间,纵轴表示速度,黑色线条表示真实记录的交通速度,灰色线条表示预测得到的交通速度,可以看出AT-GCN可以捕捉交通速度的变化趋势,检测到高峰期的开始与结束,使得预测交通速度与实际交通速度具有相似的变化模式,对于交通拥堵等现象的预测是有帮助的,进而是有帮助的,进而说明AT-GCN模型在实际交通预测任务中的有效性。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (5)
1.一种基于注意力时态图卷积网络的交通预测方法,其特征在于,包括如下步骤:
(1)将城市道路网络建模为图结构,图的节点表示路段,图的边表示路段之间的连接关系,将每条路段的时间序列描述为节点的属性特征;
(2)将步骤(1)得到的图和历史n个交通时间序列,输入注意力时态图卷积网络模型,通过所述注意力时态图卷积网络模型捕捉交通流的全局时间变化特征和空间特征,以及相应的包含交通流时空特征的隐藏状态;
(3)将步骤(2)得到的隐藏状态输入全连接层,得到各路段上的预测结果。
2.根据权利要求1所述的基于注意力时态图卷积网络的交通预测方法,其特征在于,所述步骤(3)后面还包括如下步骤:
(4)利用不同的评价指标对模型的预测结果与真实值进行对比评估。
3.根据权利要求1所述的基于注意力时态图卷积网络的交通预测方法,其特征在于,所述步骤(1)中的建模过程如下:
使用无权图G=(V,E)来描述城市道路网络的拓扑结构,将每条路段看作一个节点,V={v1,v2,……vN}表示路段节点的集合,N为节点的数目;E表示边的集合;路段之间的连通情况由邻接矩阵A表示,A∈RN×N,邻接矩阵仅含0值和1值,0值表示路段之间不连通,1值表示路段连通;
将城市路网上的交通速度看作是道路网络节点的属性特征,使用特征矩阵X∈RN×P表示,P表示节点属性特征的数目,也即历史时间序列的长度,利用Xt∈RN×i表示第i个时间段内路网上各个路段的速度;
将时空交通预测问题看作是在给定路网拓扑G和特征矩阵X的前提下,学习映射函数f,将给定的路网拓扑G和特征矩阵X输入函数f,即可得到未来T个时刻的交通速度,而函数f由模型自动学习得到,如下式所示:
[Xt+1,……Xt+T]=f(G;(Xt-n,……,Xt-1,Xt));
其中,n表示给定历史时间序列的长度,T为需要预测的时间序列的长度。
4.根据权利要求1所述的基于注意力时态图卷积网络的交通预测方法,其特征在于,所述步骤(2)中的捕捉过程如下:
(21)将历史n个时间序列数据输入图卷积网络模型中,捕捉城市道路网络的拓扑结构,以获取交通流的空间特征;当网络包含两层时,具体表达为:
其中,X为特征矩阵;A为邻接矩阵,为预处理步骤,是具有自连接的图G的邻接矩阵,为度矩阵,W0和W1分别表示第一层和第二层网络的权值矩阵;σ(·),Relu()为激活函数;
(22)将得到的带有空间信息的时间序列输入门控循环单元,通过所述门控循环单元之间的传递,学习交通流的动态变化,以获取交通流的时间特征,以及相应的n个包含交通流时空特征的隐藏状态;具体计算过程如下所示:
ut=σ(Wu·[f(A,Xt),ht-1]+bu);rt=σ(Wr·[f(A,Xt),ht-1]+br);ct=tanh(Wc·[f(A,Xt),(rt*ht-1)]+bc);ht=ut*ht-1+(1-ut)*ct;
其中,ht-1为t-1时刻的隐藏状态,Xt为当前时刻的交通速度,rt为重置门,用于控制忽略前一时刻状态信息的程度,ut为更新门,用于控制前一时刻的状态信息被带入当前状态的程度,ct为当前时刻存储的记忆内容,ht为当前时刻的输出状态,f(A,Xt)表示图卷积过程(21)得到的结果,W和b分别表示训练过程中的权重和偏差;
(23)得到的隐藏状态通过多层感知机,利用归一化指数函数softmax计算每个特征的权重αi;具体计算过程如下所示:
(24)设计注意力函数,计算包含全局交通流变化信息的上下文向量具体计算过程如下所示:
5.根据权利要求2所述的基于注意力时态图卷积网络的交通预测方法,其特征在于,步骤(4)中所述评价指标包括均方根误差、平均绝对误差、准确率、可决系数和解释方差中的至少两种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146627.0A CN109754605B (zh) | 2019-02-27 | 2019-02-27 | 一种基于注意力时态图卷积网络的交通预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146627.0A CN109754605B (zh) | 2019-02-27 | 2019-02-27 | 一种基于注意力时态图卷积网络的交通预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754605A true CN109754605A (zh) | 2019-05-14 |
CN109754605B CN109754605B (zh) | 2021-12-07 |
Family
ID=66406934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910146627.0A Active CN109754605B (zh) | 2019-02-27 | 2019-02-27 | 一种基于注意力时态图卷积网络的交通预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754605B (zh) |
Cited By (115)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135645A (zh) * | 2019-05-16 | 2019-08-16 | 电子科技大学 | 架空输电线路全光纤动静态监测和趋势预测系统及方法 |
CN110163449A (zh) * | 2019-05-31 | 2019-08-23 | 杭州电子科技大学 | 一种基于主动时空图卷积的机动车排污监测节点部署方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110263280A (zh) * | 2019-06-11 | 2019-09-20 | 浙江工业大学 | 一种基于多视图的动态链路预测深度模型及应用 |
CN110364010A (zh) * | 2019-08-22 | 2019-10-22 | 三星电子(中国)研发中心 | 一种预测路况的导航方法及系统 |
CN110400015A (zh) * | 2019-07-25 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种时间估计方法及其装置、设备 |
CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
CN110459051A (zh) * | 2019-06-21 | 2019-11-15 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、终端设备及存储介质 |
CN110472003A (zh) * | 2019-08-08 | 2019-11-19 | 东北大学 | 基于图卷积网络的社交网络文本情感细粒度分类方法 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110532874A (zh) * | 2019-07-23 | 2019-12-03 | 深圳大学 | 一种物体属性识别模型的生成方法、存储介质及电子设备 |
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 |
CN110599771A (zh) * | 2019-09-18 | 2019-12-20 | 京东城市(北京)数字科技有限公司 | 交通信息确定方法以及交通污染排放预测方法 |
CN110619430A (zh) * | 2019-09-03 | 2019-12-27 | 大连理工大学 | 一种用于交通预测的时空注意力机制方法 |
CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
CN110782663A (zh) * | 2019-09-30 | 2020-02-11 | 电子科技大学 | 一种结合时空特性的路网交通流量短时预测方法 |
CN110796110A (zh) * | 2019-11-05 | 2020-02-14 | 西安电子科技大学 | 一种基于图卷积网络的人体行为识别方法及系统 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
CN110909942A (zh) * | 2019-11-27 | 2020-03-24 | 第四范式(北京)技术有限公司 | 训练模型的方法及系统和预测序列数据的方法及系统 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
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 |
CN111079975A (zh) * | 2019-11-14 | 2020-04-28 | 青岛海信网络科技股份有限公司 | 一种交通数据预测方法、装置及交通工具控制方法 |
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 |
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 |
CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
CN111145541A (zh) * | 2019-12-18 | 2020-05-12 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
CN111210088A (zh) * | 2020-01-16 | 2020-05-29 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
CN111223301A (zh) * | 2020-03-11 | 2020-06-02 | 北京理工大学 | 一种基于图注意力卷积网络的交通流量预测方法 |
CN111243269A (zh) * | 2019-12-10 | 2020-06-05 | 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 |
CN111260919A (zh) * | 2020-01-15 | 2020-06-09 | 厦门大学 | 交通流量预测方法 |
CN111292549A (zh) * | 2020-02-03 | 2020-06-16 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 |
CN111339449A (zh) * | 2020-03-24 | 2020-06-26 | 青岛大学 | 一种用户运动轨迹的预测方法、装置、设备及存储介质 |
CN111428920A (zh) * | 2020-03-17 | 2020-07-17 | 北京香侬慧语科技有限责任公司 | 一种基于图注意力网络的交通预测方法及系统 |
CN111540198A (zh) * | 2020-04-17 | 2020-08-14 | 浙江工业大学 | 基于有向图卷积神经网络的城市交通态势识别方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
CN111653087A (zh) * | 2020-03-18 | 2020-09-11 | 中国地质大学(武汉) | 一种城市交通异常探测模型的构建方法 |
CN111671426A (zh) * | 2020-05-13 | 2020-09-18 | 北京航空航天大学 | 基于柔性传感和深度学习的人体呼吸状态监测系统及方法 |
CN111680784A (zh) * | 2020-05-27 | 2020-09-18 | 上海大学 | 基于时空多维影响力的海面温度深度学习预测方法 |
CN111696355A (zh) * | 2020-06-29 | 2020-09-22 | 中南大学 | 动态图卷积交通速度预测方法 |
CN111724596A (zh) * | 2020-06-23 | 2020-09-29 | 上海电科智能系统股份有限公司 | 一种智能精确自动识别预判快速路瓶颈区方法 |
CN111862590A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、装置及存储介质 |
CN111899510A (zh) * | 2020-07-28 | 2020-11-06 | 南京工程学院 | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 |
CN112071065A (zh) * | 2020-09-16 | 2020-12-11 | 山东理工大学 | 一种基于全局扩散卷积残差网络的交通流预测方法 |
CN112071062A (zh) * | 2020-09-14 | 2020-12-11 | 山东理工大学 | 一种基于图卷积网络和图注意力网络的行车时间估计方法 |
CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 |
CN112116080A (zh) * | 2020-09-24 | 2020-12-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种融合了注意力机制的cnn-gru水质预测方法 |
CN112116155A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及系统 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112257614A (zh) * | 2020-10-26 | 2021-01-22 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
CN112330952A (zh) * | 2020-09-14 | 2021-02-05 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN112350899A (zh) * | 2021-01-07 | 2021-02-09 | 南京信息工程大学 | 一种基于图卷积网络融合多特征输入的网络流量预测方法 |
CN112419710A (zh) * | 2020-10-22 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
CN112489420A (zh) * | 2020-11-17 | 2021-03-12 | 中国科学院深圳先进技术研究院 | 一种公路交通状态预测方法、系统、终端以及存储介质 |
CN112529311A (zh) * | 2020-12-16 | 2021-03-19 | 南京中兴力维软件有限公司 | 一种基于图卷积分析的道路流量预测方法和装置 |
CN112634615A (zh) * | 2020-12-15 | 2021-04-09 | 合肥工业大学 | 一种动态交通流量预测系统 |
CN112712695A (zh) * | 2020-12-30 | 2021-04-27 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112766551A (zh) * | 2021-01-08 | 2021-05-07 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
WO2021098619A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN112863180A (zh) * | 2021-01-11 | 2021-05-28 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN112907956A (zh) * | 2021-01-29 | 2021-06-04 | 同济大学 | 一种基于时空信息的高速公路车道级运行速度预测方法 |
CN112910710A (zh) * | 2021-02-08 | 2021-06-04 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
CN112950924A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
CN112991721A (zh) * | 2021-02-04 | 2021-06-18 | 南通大学 | 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 |
CN112990594A (zh) * | 2021-03-30 | 2021-06-18 | 上海海事大学 | 一种基于多头自注意力机制的交通流量预测模型及方法 |
CN112988723A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 |
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
CN113077072A (zh) * | 2020-01-06 | 2021-07-06 | 北京京邦达贸易有限公司 | 货量预测的方法和装置 |
CN113095575A (zh) * | 2021-04-16 | 2021-07-09 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113112793A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于动态时空相关性的交通流预测方法 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
CN113313947A (zh) * | 2021-05-31 | 2021-08-27 | 湖南大学 | 短期交通预测图卷积网络的路况评估方法 |
CN113487856A (zh) * | 2021-06-04 | 2021-10-08 | 兰州理工大学 | 基于图卷积网络及注意力机制的交通流组合预测模型 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
CN113673769A (zh) * | 2021-08-24 | 2021-11-19 | 北京航空航天大学 | 基于多元时间序列插补的图神经网络交通流预测方法 |
CN113689052A (zh) * | 2021-09-06 | 2021-11-23 | 北京航空航天大学 | 一种基于张量积神经网络的出行需求预测方法 |
CN113762338A (zh) * | 2021-07-30 | 2021-12-07 | 湖南大学 | 一种基于多重图注意力机制的交通流预测方法、设备及介质 |
CN113794695A (zh) * | 2021-08-26 | 2021-12-14 | 浙江工业大学 | 一种基于gru的网络异常流量检测识别方法 |
CN113821929A (zh) * | 2021-09-24 | 2021-12-21 | 中南大学 | 基于时空注意力机制的高速路网站点流量预测方法及系统 |
CN113838289A (zh) * | 2021-11-30 | 2021-12-24 | 上海闪马智能科技有限公司 | 一种状态确定方法、装置、存储介质及电子装置 |
CN113852492A (zh) * | 2021-09-01 | 2021-12-28 | 南京信息工程大学 | 基于注意力机制和图卷积神经网络的网络流量预测方法 |
CN113947182A (zh) * | 2021-09-24 | 2022-01-18 | 西安理工大学 | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 |
CN114267170A (zh) * | 2021-09-28 | 2022-04-01 | 浙江工业大学 | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 |
CN114299728A (zh) * | 2021-12-29 | 2022-04-08 | 杭州电子科技大学 | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 |
CN114338416A (zh) * | 2020-09-29 | 2022-04-12 | 中国移动通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN114333302A (zh) * | 2021-12-15 | 2022-04-12 | 深圳先进技术研究院 | 全局交通优化系统 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
CN114724386A (zh) * | 2022-03-31 | 2022-07-08 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
US11386507B2 (en) | 2019-09-23 | 2022-07-12 | International Business Machines Corporation | Tensor-based predictions from analysis of time-varying graphs |
CN114743375A (zh) * | 2022-04-08 | 2022-07-12 | 杭州电子科技大学 | 一种基于机器视觉融合路网时空信息的交通流预测方法 |
CN114971093A (zh) * | 2022-08-01 | 2022-08-30 | 中南大学 | 城市道路交通流属性预测方法、系统、设备及介质 |
CN115081717A (zh) * | 2022-06-27 | 2022-09-20 | 北京建筑大学 | 融合注意力机制和图神经网络的轨道交通客流预测方法 |
WO2022203593A1 (en) * | 2021-03-23 | 2022-09-29 | Grabtaxi Holdings Pte. Ltd | System and method for predicting road traffic speed |
CN115240425A (zh) * | 2022-07-26 | 2022-10-25 | 西北师范大学 | 一种基于多尺度时空融合图网络的交通预测方法 |
CN115424429A (zh) * | 2022-08-30 | 2022-12-02 | 浙江绿色慧联有限公司 | 基于深度强化学习的eco-cacc控制方法及系统 |
CN115457764A (zh) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
CN115578852A (zh) * | 2022-07-14 | 2023-01-06 | 西北师范大学 | 一种基于dstgcn的交通预测方法 |
CN115620524A (zh) * | 2022-12-15 | 2023-01-17 | 中南大学 | 一种交通拥堵预测方法、系统、设备及存储介质 |
CN115907079A (zh) * | 2022-10-10 | 2023-04-04 | 南京航空航天大学 | 一种基于注意力时空图卷积网络的空域交通流量预测方法 |
CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及系统 |
CN116188921A (zh) * | 2022-11-30 | 2023-05-30 | 中咨公路养护检测技术有限公司 | 一种基于多图融合的隧道瓦斯浓度预测方法 |
CN116311951A (zh) * | 2023-05-25 | 2023-06-23 | 湖南工商大学 | 一种交通出行量数据处理方法、装置、设备及存储介质 |
US11719550B2 (en) | 2020-02-03 | 2023-08-08 | Baidu Online Network Teghnology (Beiiing) Co., Ltd. | Method and apparatus for building route time consumption estimation model, and method and apparatus for estimating route time consumption |
CN116824870A (zh) * | 2023-08-31 | 2023-09-29 | 国交空间信息技术(北京)有限公司 | 路段流量预测方法、装置、设备以及存储介质 |
CN116824838A (zh) * | 2022-11-07 | 2023-09-29 | 苏州规划设计研究院股份有限公司 | 基于自适应时间序列分解的路网级交通流集成预测方法 |
CN117649769A (zh) * | 2024-01-29 | 2024-03-05 | 南京邮电大学 | 一种基于时空关联特征矩阵的未来交通流量智能预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1725263A (zh) * | 2004-02-02 | 2006-01-25 | 格拉西尔西北公司 | 资源管理系统,例如,用于卡车的跟踪及管理系统 |
US9111442B2 (en) * | 2012-03-23 | 2015-08-18 | International Business Machines Corporation | Estimating incident duration |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
CN108205889A (zh) * | 2017-12-29 | 2018-06-26 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
-
2019
- 2019-02-27 CN CN201910146627.0A patent/CN109754605B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1725263A (zh) * | 2004-02-02 | 2006-01-25 | 格拉西尔西北公司 | 资源管理系统,例如,用于卡车的跟踪及管理系统 |
US9111442B2 (en) * | 2012-03-23 | 2015-08-18 | International Business Machines Corporation | Estimating incident duration |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
CN108205889A (zh) * | 2017-12-29 | 2018-06-26 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
LING ZHAO等: "T-GCN: A Temporal Graph Convolutional", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
李海峰: "基于神经网络的交通方式选择模型", 《公路交通科技》 * |
Cited By (167)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135645A (zh) * | 2019-05-16 | 2019-08-16 | 电子科技大学 | 架空输电线路全光纤动静态监测和趋势预测系统及方法 |
CN110163449A (zh) * | 2019-05-31 | 2019-08-23 | 杭州电子科技大学 | 一种基于主动时空图卷积的机动车排污监测节点部署方法 |
CN110263280A (zh) * | 2019-06-11 | 2019-09-20 | 浙江工业大学 | 一种基于多视图的动态链路预测深度模型及应用 |
CN110223517B (zh) * | 2019-06-20 | 2021-05-18 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110459051A (zh) * | 2019-06-21 | 2019-11-15 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、终端设备及存储介质 |
CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
CN110415215B (zh) * | 2019-06-27 | 2023-03-24 | 同济大学 | 基于图神经网络的智能检测方法 |
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 |
CN110532874B (zh) * | 2019-07-23 | 2022-11-11 | 深圳大学 | 一种物体属性识别模型的生成方法、存储介质及电子设备 |
CN110532874A (zh) * | 2019-07-23 | 2019-12-03 | 深圳大学 | 一种物体属性识别模型的生成方法、存储介质及电子设备 |
CN110400015A (zh) * | 2019-07-25 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种时间估计方法及其装置、设备 |
CN110400015B (zh) * | 2019-07-25 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 一种时间估计方法及其装置、设备 |
CN110472003A (zh) * | 2019-08-08 | 2019-11-19 | 东北大学 | 基于图卷积网络的社交网络文本情感细粒度分类方法 |
CN110472003B (zh) * | 2019-08-08 | 2022-02-22 | 东北大学 | 基于图卷积网络的社交网络文本情感细粒度分类方法 |
CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN110364010A (zh) * | 2019-08-22 | 2019-10-22 | 三星电子(中国)研发中心 | 一种预测路况的导航方法及系统 |
CN110619430A (zh) * | 2019-09-03 | 2019-12-27 | 大连理工大学 | 一种用于交通预测的时空注意力机制方法 |
CN110619430B (zh) * | 2019-09-03 | 2022-09-16 | 大连理工大学 | 一种用于交通预测的时空注意力机制方法 |
CN110599771A (zh) * | 2019-09-18 | 2019-12-20 | 京东城市(北京)数字科技有限公司 | 交通信息确定方法以及交通污染排放预测方法 |
US11386507B2 (en) | 2019-09-23 | 2022-07-12 | International Business Machines Corporation | Tensor-based predictions from analysis of time-varying graphs |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110782663A (zh) * | 2019-09-30 | 2020-02-11 | 电子科技大学 | 一种结合时空特性的路网交通流量短时预测方法 |
CN110796110A (zh) * | 2019-11-05 | 2020-02-14 | 西安电子科技大学 | 一种基于图卷积网络的人体行为识别方法及系统 |
CN110796110B (zh) * | 2019-11-05 | 2022-07-26 | 西安电子科技大学 | 一种基于图卷积网络的人体行为识别方法及系统 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111079975A (zh) * | 2019-11-14 | 2020-04-28 | 青岛海信网络科技股份有限公司 | 一种交通数据预测方法、装置及交通工具控制方法 |
WO2021098619A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
CN110909942B (zh) * | 2019-11-27 | 2022-07-19 | 第四范式(北京)技术有限公司 | 训练模型的方法及系统和预测序列数据的方法及系统 |
CN110909942A (zh) * | 2019-11-27 | 2020-03-24 | 第四范式(北京)技术有限公司 | 训练模型的方法及系统和预测序列数据的方法及系统 |
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 |
CN112950924A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
CN111243269A (zh) * | 2019-12-10 | 2020-06-05 | 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 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
CN111145541A (zh) * | 2019-12-18 | 2020-05-12 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
CN111145541B (zh) * | 2019-12-18 | 2021-10-22 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
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 |
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 |
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 |
CN113077072A (zh) * | 2020-01-06 | 2021-07-06 | 北京京邦达贸易有限公司 | 货量预测的方法和装置 |
CN113077072B (zh) * | 2020-01-06 | 2024-06-18 | 北京京邦达贸易有限公司 | 货量预测的方法和装置 |
CN111260919A (zh) * | 2020-01-15 | 2020-06-09 | 厦门大学 | 交通流量预测方法 |
CN111260919B (zh) * | 2020-01-15 | 2021-06-22 | 厦门大学 | 交通流量预测方法 |
CN111210088A (zh) * | 2020-01-16 | 2020-05-29 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
CN111210088B (zh) * | 2020-01-16 | 2023-06-02 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
US11719550B2 (en) | 2020-02-03 | 2023-08-08 | Baidu Online Network Teghnology (Beiiing) Co., Ltd. | Method and apparatus for building route time consumption estimation model, and method and apparatus for estimating route time consumption |
CN111292549A (zh) * | 2020-02-03 | 2020-06-16 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 |
CN111223301A (zh) * | 2020-03-11 | 2020-06-02 | 北京理工大学 | 一种基于图注意力卷积网络的交通流量预测方法 |
CN111428920B (zh) * | 2020-03-17 | 2023-06-09 | 北京香侬慧语科技有限责任公司 | 一种基于图注意力网络的交通预测方法及系统 |
CN111428920A (zh) * | 2020-03-17 | 2020-07-17 | 北京香侬慧语科技有限责任公司 | 一种基于图注意力网络的交通预测方法及系统 |
CN111653087A (zh) * | 2020-03-18 | 2020-09-11 | 中国地质大学(武汉) | 一种城市交通异常探测模型的构建方法 |
CN111339449A (zh) * | 2020-03-24 | 2020-06-26 | 青岛大学 | 一种用户运动轨迹的预测方法、装置、设备及存储介质 |
CN111563611B (zh) * | 2020-04-13 | 2023-11-24 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
CN111540198A (zh) * | 2020-04-17 | 2020-08-14 | 浙江工业大学 | 基于有向图卷积神经网络的城市交通态势识别方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN111862590A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、装置及存储介质 |
CN111671426B (zh) * | 2020-05-13 | 2022-07-12 | 北京航空航天大学 | 基于柔性传感和深度学习的人体呼吸状态监测系统及方法 |
CN111671426A (zh) * | 2020-05-13 | 2020-09-18 | 北京航空航天大学 | 基于柔性传感和深度学习的人体呼吸状态监测系统及方法 |
CN111680784A (zh) * | 2020-05-27 | 2020-09-18 | 上海大学 | 基于时空多维影响力的海面温度深度学习预测方法 |
CN111680784B (zh) * | 2020-05-27 | 2023-10-24 | 上海大学 | 基于时空多维影响力的海面温度深度学习预测方法 |
CN111724596A (zh) * | 2020-06-23 | 2020-09-29 | 上海电科智能系统股份有限公司 | 一种智能精确自动识别预判快速路瓶颈区方法 |
CN111696355A (zh) * | 2020-06-29 | 2020-09-22 | 中南大学 | 动态图卷积交通速度预测方法 |
CN111899510A (zh) * | 2020-07-28 | 2020-11-06 | 南京工程学院 | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 |
CN111899510B (zh) * | 2020-07-28 | 2021-08-20 | 南京工程学院 | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 |
CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 |
CN112071062A (zh) * | 2020-09-14 | 2020-12-11 | 山东理工大学 | 一种基于图卷积网络和图注意力网络的行车时间估计方法 |
CN112330952B (zh) * | 2020-09-14 | 2021-10-29 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112330952A (zh) * | 2020-09-14 | 2021-02-05 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112071065A (zh) * | 2020-09-16 | 2020-12-11 | 山东理工大学 | 一种基于全局扩散卷积残差网络的交通流预测方法 |
CN112116155B (zh) * | 2020-09-18 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN112116155A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN112116080A (zh) * | 2020-09-24 | 2020-12-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种融合了注意力机制的cnn-gru水质预测方法 |
CN114338416A (zh) * | 2020-09-29 | 2022-04-12 | 中国移动通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及系统 |
CN114338416B (zh) * | 2020-09-29 | 2023-04-07 | 中国移动通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN112241814B (zh) * | 2020-10-20 | 2022-12-02 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112419710A (zh) * | 2020-10-22 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN112419710B (zh) * | 2020-10-22 | 2022-07-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN112257614B (zh) * | 2020-10-26 | 2022-05-17 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112257614A (zh) * | 2020-10-26 | 2021-01-22 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112489420A (zh) * | 2020-11-17 | 2021-03-12 | 中国科学院深圳先进技术研究院 | 一种公路交通状态预测方法、系统、终端以及存储介质 |
CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
CN112489426B (zh) * | 2020-11-26 | 2021-11-09 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
CN112634615A (zh) * | 2020-12-15 | 2021-04-09 | 合肥工业大学 | 一种动态交通流量预测系统 |
CN112529311A (zh) * | 2020-12-16 | 2021-03-19 | 南京中兴力维软件有限公司 | 一种基于图卷积分析的道路流量预测方法和装置 |
CN112529311B (zh) * | 2020-12-16 | 2024-05-24 | 南京中兴力维软件有限公司 | 一种基于图卷积分析的道路流量预测方法和装置 |
CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
CN112712695B (zh) * | 2020-12-30 | 2021-11-26 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112712695A (zh) * | 2020-12-30 | 2021-04-27 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112350899A (zh) * | 2021-01-07 | 2021-02-09 | 南京信息工程大学 | 一种基于图卷积网络融合多特征输入的网络流量预测方法 |
CN112766551B (zh) * | 2021-01-08 | 2022-05-17 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN112766551A (zh) * | 2021-01-08 | 2021-05-07 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN112863180B (zh) * | 2021-01-11 | 2022-05-06 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN112863180A (zh) * | 2021-01-11 | 2021-05-28 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN112907956A (zh) * | 2021-01-29 | 2021-06-04 | 同济大学 | 一种基于时空信息的高速公路车道级运行速度预测方法 |
CN112991721A (zh) * | 2021-02-04 | 2021-06-18 | 南通大学 | 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 |
CN112910710A (zh) * | 2021-02-08 | 2021-06-04 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
CN112988723A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 |
CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
CN112801404B (zh) * | 2021-02-14 | 2024-03-22 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
WO2022203593A1 (en) * | 2021-03-23 | 2022-09-29 | Grabtaxi Holdings Pte. Ltd | System and method for predicting road traffic speed |
EP4241263A4 (en) * | 2021-03-23 | 2024-04-17 | Grabtaxi Holdings Pte. Ltd. | SYSTEM AND METHOD FOR PREDICTING ROAD TRAFFIC SPEED |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113112793A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于动态时空相关性的交通流预测方法 |
CN112990594A (zh) * | 2021-03-30 | 2021-06-18 | 上海海事大学 | 一种基于多头自注意力机制的交通流量预测模型及方法 |
CN112990594B (zh) * | 2021-03-30 | 2024-01-26 | 上海海事大学 | 一种基于多头自注意力机制的交通流量预测模型及方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
CN113095575B (zh) * | 2021-04-16 | 2022-04-29 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
CN113095575A (zh) * | 2021-04-16 | 2021-07-09 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN113313947B (zh) * | 2021-05-31 | 2022-04-19 | 湖南大学 | 短期交通预测图卷积网络的路况评估方法 |
CN113313947A (zh) * | 2021-05-31 | 2021-08-27 | 湖南大学 | 短期交通预测图卷积网络的路况评估方法 |
CN113487856A (zh) * | 2021-06-04 | 2021-10-08 | 兰州理工大学 | 基于图卷积网络及注意力机制的交通流组合预测模型 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
CN113762338B (zh) * | 2021-07-30 | 2023-08-25 | 湖南大学 | 一种基于多重图注意力机制的交通流预测方法、设备及介质 |
CN113762338A (zh) * | 2021-07-30 | 2021-12-07 | 湖南大学 | 一种基于多重图注意力机制的交通流预测方法、设备及介质 |
CN113673769B (zh) * | 2021-08-24 | 2024-02-02 | 北京航空航天大学 | 基于多元时间序列插补的图神经网络交通流预测方法 |
CN113673769A (zh) * | 2021-08-24 | 2021-11-19 | 北京航空航天大学 | 基于多元时间序列插补的图神经网络交通流预测方法 |
CN113794695A (zh) * | 2021-08-26 | 2021-12-14 | 浙江工业大学 | 一种基于gru的网络异常流量检测识别方法 |
CN113852492A (zh) * | 2021-09-01 | 2021-12-28 | 南京信息工程大学 | 基于注意力机制和图卷积神经网络的网络流量预测方法 |
CN113689052A (zh) * | 2021-09-06 | 2021-11-23 | 北京航空航天大学 | 一种基于张量积神经网络的出行需求预测方法 |
CN113821929A (zh) * | 2021-09-24 | 2021-12-21 | 中南大学 | 基于时空注意力机制的高速路网站点流量预测方法及系统 |
CN113947182A (zh) * | 2021-09-24 | 2022-01-18 | 西安理工大学 | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 |
CN113821929B (zh) * | 2021-09-24 | 2022-08-02 | 中南大学 | 基于时空注意力机制的高速路网站点流量预测方法及系统 |
CN113947182B (zh) * | 2021-09-24 | 2024-06-14 | 西安理工大学 | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 |
CN114267170A (zh) * | 2021-09-28 | 2022-04-01 | 浙江工业大学 | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 |
CN113838289A (zh) * | 2021-11-30 | 2021-12-24 | 上海闪马智能科技有限公司 | 一种状态确定方法、装置、存储介质及电子装置 |
CN114333302B (zh) * | 2021-12-15 | 2023-04-18 | 深圳先进技术研究院 | 全局交通优化系统 |
CN114333302A (zh) * | 2021-12-15 | 2022-04-12 | 深圳先进技术研究院 | 全局交通优化系统 |
WO2023109715A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 全局交通优化系统 |
CN114299728A (zh) * | 2021-12-29 | 2022-04-08 | 杭州电子科技大学 | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 |
CN114299728B (zh) * | 2021-12-29 | 2023-04-21 | 杭州电子科技大学 | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 |
CN114724386B (zh) * | 2022-03-31 | 2023-10-27 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN114724386A (zh) * | 2022-03-31 | 2022-07-08 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN114743375B (zh) * | 2022-04-08 | 2023-09-15 | 杭州电子科技大学 | 一种基于机器视觉融合路网时空信息的交通流预测方法 |
CN114743375A (zh) * | 2022-04-08 | 2022-07-12 | 杭州电子科技大学 | 一种基于机器视觉融合路网时空信息的交通流预测方法 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
CN115081717A (zh) * | 2022-06-27 | 2022-09-20 | 北京建筑大学 | 融合注意力机制和图神经网络的轨道交通客流预测方法 |
CN115578852A (zh) * | 2022-07-14 | 2023-01-06 | 西北师范大学 | 一种基于dstgcn的交通预测方法 |
CN115240425A (zh) * | 2022-07-26 | 2022-10-25 | 西北师范大学 | 一种基于多尺度时空融合图网络的交通预测方法 |
CN114971093A (zh) * | 2022-08-01 | 2022-08-30 | 中南大学 | 城市道路交通流属性预测方法、系统、设备及介质 |
CN115457764A (zh) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
CN115457764B (zh) * | 2022-08-24 | 2023-07-18 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
CN115424429B (zh) * | 2022-08-30 | 2024-06-07 | 浙江绿色慧联有限公司 | 基于深度强化学习的eco-cacc控制方法及系统 |
CN115424429A (zh) * | 2022-08-30 | 2022-12-02 | 浙江绿色慧联有限公司 | 基于深度强化学习的eco-cacc控制方法及系统 |
CN115907079B (zh) * | 2022-10-10 | 2023-09-22 | 南京航空航天大学 | 一种基于注意力时空图卷积网络的空域交通流量预测方法 |
CN115907079A (zh) * | 2022-10-10 | 2023-04-04 | 南京航空航天大学 | 一种基于注意力时空图卷积网络的空域交通流量预测方法 |
CN116824838A (zh) * | 2022-11-07 | 2023-09-29 | 苏州规划设计研究院股份有限公司 | 基于自适应时间序列分解的路网级交通流集成预测方法 |
CN116824838B (zh) * | 2022-11-07 | 2024-06-18 | 苏州规划设计研究院股份有限公司 | 基于自适应时间序列分解的路网级交通流集成预测方法 |
CN116188921B (zh) * | 2022-11-30 | 2023-10-13 | 中咨公路养护检测技术有限公司 | 一种基于多图融合的隧道瓦斯浓度预测方法 |
CN116188921A (zh) * | 2022-11-30 | 2023-05-30 | 中咨公路养护检测技术有限公司 | 一种基于多图融合的隧道瓦斯浓度预测方法 |
CN115620524A (zh) * | 2022-12-15 | 2023-01-17 | 中南大学 | 一种交通拥堵预测方法、系统、设备及存储介质 |
CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及系统 |
CN116311951B (zh) * | 2023-05-25 | 2023-08-22 | 湖南工商大学 | 一种交通出行量数据处理方法、装置、设备及存储介质 |
CN116311951A (zh) * | 2023-05-25 | 2023-06-23 | 湖南工商大学 | 一种交通出行量数据处理方法、装置、设备及存储介质 |
CN116824870B (zh) * | 2023-08-31 | 2023-11-24 | 国交空间信息技术(北京)有限公司 | 路段流量预测方法、装置、设备以及存储介质 |
CN116824870A (zh) * | 2023-08-31 | 2023-09-29 | 国交空间信息技术(北京)有限公司 | 路段流量预测方法、装置、设备以及存储介质 |
CN117649769A (zh) * | 2024-01-29 | 2024-03-05 | 南京邮电大学 | 一种基于时空关联特征矩阵的未来交通流量智能预测方法 |
CN117649769B (zh) * | 2024-01-29 | 2024-04-16 | 南京邮电大学 | 一种基于时空关联特征矩阵的未来交通流量智能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109754605B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754605A (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
Zhao et al. | T-GCN: A temporal graph convolutional network for traffic prediction | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN110766942B (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
CN109887282A (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
CN110491129A (zh) | 基于时空图的发散卷积循环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 | |
CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
Gong et al. | Potential passenger flow prediction: A novel study for urban transportation development | |
Khaled et al. | TFGAN: Traffic forecasting using generative adversarial network with multi-graph convolutional network | |
CN110223517A (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN109255505A (zh) | 一种多模型融合神经网络的短期负荷预测方法 | |
CN108205889A (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
Kim et al. | Structural recurrent neural network for traffic speed prediction | |
CN113487856B (zh) | 基于图卷积网络及注意力机制的交通流组合预测模型 | |
CN106530082A (zh) | 基于多机器学习的股票预测方法及系统 | |
Cheng et al. | Analysis and forecasting of the day-to-day travel demand variations for large-scale transportation networks: a deep learning approach | |
Wang et al. | Traffic prediction based on auto spatiotemporal multi-graph adversarial neural network | |
Ouyang et al. | Spatial-temporal dynamic graph convolution neural network for air quality prediction | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
Rizal et al. | Sequence to sequence analysis with long short term memory for tourist arrivals prediction |
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 |