CN109887290A - 基于平衡指数平滑法和栈式自编码器的交通流预测方法 - Google Patents
基于平衡指数平滑法和栈式自编码器的交通流预测方法 Download PDFInfo
- Publication number
- CN109887290A CN109887290A CN201910254186.6A CN201910254186A CN109887290A CN 109887290 A CN109887290 A CN 109887290A CN 201910254186 A CN201910254186 A CN 201910254186A CN 109887290 A CN109887290 A CN 109887290A
- Authority
- CN
- China
- Prior art keywords
- sequence
- traffic flow
- data
- value
- training
- 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
- 238000009499 grossing Methods 0.000 title claims abstract description 32
- 238000013277 forecasting method Methods 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- QBPFLULOKWLNNW-UHFFFAOYSA-N chrysazin Chemical compound O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=CC=C2O QBPFLULOKWLNNW-UHFFFAOYSA-N 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种基于平衡指数平滑和栈式自编码器的交通流预测方法，其步骤为：(1)生成训练序列和测试序列；(2)对训练序列和测试序列进行预处理；(3)利用平衡指数平滑法获取平衡指数值序列；(4)利用最小最大归一化公式，计算完整训练交通流序列的平衡指数值序列中每个值的归一化值，获取完整训练和测试交通流序列的归一化值序列；(5)构建栈式自编码器神经网络；(6)训练栈式自编码器神经网络；(7)对完整测试交通流数据序列的归一化值序列进行测试。本发明的方法，在考虑了交通流数据的高随机性基础上也考虑了交通流数据的复杂非线性特性，提高了交通流的预测精度。
Description
技术领域
本发明属于控制领域，更进一步涉及智能交通领域中的一种基于平衡指数平滑法和栈式自编码器的交通流预测方法。本发明可以通过获取高速公路历史交通流数据对当前的交通流进行预测。
背景技术
智能交通系统(ITS)是一种实时、准确、高效的智能化交通网络管理系统，它有效地集成了先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术，是全方位解决交通拥堵和保障交通网络运输安全的有效手段。构建ITS中的交通流诱导子系统，是解决城市交通拥堵和提高路网通行效率的最有效方式之一，而ITS要实现实时的交通控制和诱导，就必须要有及时、准确的短时交通流预测为其提供支持，因此短时交通流预测已经成为智能交通系统的研究热点。预测未来短期内的交通流量，不仅可以方便出行者选择最优的出行路线，还可以为均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据。这对于缓解交通拥挤和避免资源的浪费有着重要的意义和应用价值。
Yisheng Lv,Yanjie Duan,Wenwen Kang等人在其发表的论文“Traffic FlowPrediction With Big Data:A Deep Learning Approach”(IEEE TRANSACTIONS ONINTELLIGENT TRANSPORTATION SYSTEMS,VOL.16,NO.2,APRIL 2015)中公开了一种基于栈式自编码器的交通流预测方法。该方法通过构建栈式自编码器神经网络，对交通流数据进行预测，通过栈式自编码器可以构建更深层的网络，表达数据的复杂非线性特征。但是，该方法仍然存在的不足之处是，它虽然解决了交通流复杂非线性的问题，但是交通流的高随机性的特点也是影响其预测精度的重要因素之一，因此，即使构建深层的网络，其网络也容易陷入局部最优解，难以提高交通流的预测精度。
浙江海洋大学在其申请的专利文献“基于小波神经网络的交通流预测方法”(专利申请号2018113722926，公开号CN109410581A)中公开了一种基于小波神经网络的交通流预测方法。该方法通过小波基函数构建小波神经网络，通过尺度变化和伸缩变换因子虽然能够对交通流进行局部特征放缩，加速神经网络收敛，但是，该方法仍然存在的不足之处是，该方法仍然是浅层的神经网络结构，无法表达交通流复杂的非线性特性。
发明内容
本发明的目的在于针对上述现有技术的不足，提出了一种平衡指数平滑和栈式自编码器的交通流预测方法，通过平衡指数平滑解决交通流的高随机性问题，通过栈式自编码器神经网络解决交通流复杂非线性的表达问题。
实现本发明目的的思路是：利用平衡指数平滑对数据进行滤波处理，减小噪声干扰，利用栈式自编码器对经过平衡指数平滑滤波处理的数据进行预测，进一步提高预测精度。
为实现上述目的，本发明具体实现步骤包括如下：
(1)生成训练序列和测试序列：
(1a)利用高速公路传感器收集近三个月的历史交通流数据；
(1b)统计高速公路各个传感器收集三个月的缺失数据；
(1c)将缺失数据最少的传感器数据的前两个月的数据组成训练序列，后一个月数据组成测试序列；
(2)对训练序列和测试序列进行预处理：
(2a)计算训练序列和测试序列每个缺失数据的前两个未缺失数据和后两个未缺失数据的平均值；
(2b)用平均值补全训练序列和测试序列里的每个缺失值，得到完整的训练和测试交通流数据序列；
(3)利用平衡指数平滑法获取完整训练和测试交通流数据序列的平衡指数值序列：
(3a)按照下式，计算完整训练和测试交通流数据序列中每个数据的指数平滑值：
st＝αxt+(1-α)st-1
其中，st表示完整训练和测试交通流数据序列中第t个数据的指数平滑值，α表示指数平滑参数，其取值范围为[0,1]的小数，xt表示完整训练和测试交通流数据序列中第t个数据，st-1表示完整训练和测试交通流数据序列中第t-1个数据的指数平滑值；
(3b)按照下式，计算完整训练和测试交通流数据序列中每个数据的指数平衡值：
St＝αst+(1-α)St+1
其中，St表示完整训练和测试交通流数据序列中第t个数据的指数平滑值，α表示指数平滑参数，取值范围为[0,1]的小数，st表示经过指数平滑处理的完整训练和测试交通流数据序列中第t个数据，St+1表示完整训练和测试交通流数据序列的第t+1个数据的指数平衡值；
(4)利用最小最大归一化公式，计算完整训练交通流序列的平衡指数值序列中每个值的归一化值，获取完整训练和测试交通流序列的归一化值序列；
(5)构建栈式自编码器神经网络：
(5a)搭建一个四层的栈式自编码器神经网络，其结构依次为：输入层→第一个隐藏层→第二个隐藏层→输出层；
(5b)设置栈式自编码器神经网络的参数；
(6)训练栈式自编码器神经网络
将完整训练交通流序列的归一化值序列中的数据，依次输入到栈式自编码器神经网络中，训练栈式自编码器，直到栈式自编码器的损失函数收敛为止，得到训练好的栈式自编码器；
(7)对完整测试交通流数据序列的归一化值序列进行测试：
将完整的测试交通流数据序列的平衡指数值序列中的数据依次输入到训练好的栈式自编码器神经网络中，得到完整的测试交通流数据序列的预测数据序列。
本发明与现有技术相比具有以下优点：
第一，本发明通过利用平衡指数平滑法处理完整的训练和测试交通流数据序列，解决了现有技术没有考虑交通流高随机性特点，容易使神经网络陷入局部最优的问题，使得本发明能够克服神经网络陷入局部最优的问题，进一步提高交通流的预测精度。
第二，本发明通过构建栈式自编码器对平衡指数平滑法处理过的完整的训练集交通流数据序列进行训练，解决交通流的复杂非线性问题，使得本发明能够充分表达交通流信息，提高交通流的预测精度。
附图说明
图1为本发明的流程图。
具体实施方式
参照附图1，对本发明的具体步骤做进一步的描述。
步骤1，生成训练序列和测试序列。
利用高速公路传感器收集近三个月的历史交通流数据。
统计高速公路各个传感器收集三个月的缺失数据。
将缺失数据最少的传感器数据的前两个月的数据组成训练序列，后一个月数据组成测试序列。
步骤2，对训练序列和测试序列进行预处理。
计算训练序列和测试序列每个缺失数据的前两个未缺失数据和后两个未缺失数据的平均值。
用平均值补全训练序列和测试序列里的每个缺失值，得到完整的训练和测试交通流数据序列。
步骤3，利用平衡指数平滑法获取完整训练和测试交通流数据序列的平衡指数值序列。
按照下式，计算完整训练和测试交通流数据序列中每个数据的指数平滑值，
st＝αxt+(1-α)st-1
其中，st表示完整训练和测试交通流数据序列中第t个数据的指数平滑值，α表示指数平滑参数，其取值范围为[0,1]的小数，xt表示完整训练和测试交通流数据序列中第t个数据，st-1表示完整训练和测试交通流数据序列中第t-1个数据的指数平滑值。
按照下式，计算完整训练和测试交通流数据序列中每个数据的指数平衡值，
St＝αst+(1-α)St+1
其中，St表示完整训练和测试交通流数据序列中第t个数据的指数平滑值，α表示指数平滑参数，取值范围为[0,1]的小数，st表示经过指数平滑处理的完整训练和测试交通流数据序列中第t个数据，St+1表示完整训练和测试交通流数据序列的第t+1个数据的指数平衡值。
步骤4，利用最小最大归一化公式，计算完整训练交通流序列的平衡指数值序列中每个值的归一化值，获取完整训练和测试交通流序列的归一化值序列。
最小最大归一化公式如下：
其中，x't表示完整训练和测试交通流数据序列的第t个值的指数平衡值的归一化值，xt表示完整训练和测试交通流数据序列的第t个值的指数平衡值，xmin表示完整训练和测试交通流数据序列指数平衡值的最小值，xmax表示完整训练和测试交通流数据序列指数平衡值的最大值。
步骤5，构建栈式自编码器神经网络。
搭建一个四层的栈式自编码器神经网络，其结构依次为：输入层→第一个隐藏层→第二个隐藏层→输出层。
设置栈式自编码器神经网络参数如下：
将栈式自编码器的输入层设置12个神经元。
将第一个隐藏层和第二个隐藏层均设置400个神经元，输出层设置1个神经元。
所述栈式自编码器的损失函数设置如下：
其中，表示损失函数，∑表示求和操作，Yi表示完整测试数据序列中的第i个数据，表示栈式自编码器中的第i个输出数据。
步骤6，训练栈式自编码器神经网络。
将完整训练交通流序列的归一化值序列中的数据，依次输入到栈式自编码器神经网络中，训练栈式自编码器，直到栈式自编码器的损失函数收敛为止，得到训练好的栈式自编码器。
步骤7，对完整测试交通流数据序列的归一化值序列进行测试。
将完整的测试交通流数据序列的平衡指数值序列中的数据依次输入到训练好的栈式自编码器神经网络中，得到完整的测试交通流数据序列的预测数据序列。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真实验条件：
本发明的仿真实验所用的软件采用pycharm，电脑型号：Intel Core i5-75003.40GHz,内存：4.00GB，操作系统采用Windows 7。
本发明的仿真实验采用的是美国交通性能测量系统(Caltrans PerformanceMeasurement System(PeMS))中的数据，该系统中的数据以数值的方式存储在系统的数据库中。所有的交通流数据来自于分布在美国加利福尼亚州的超过15000个传感器，每个传感器采集了连续30s的数据。所收集的数据被监测站以5分钟为间隔存储。本发明的仿真实验中使用的数据为该数据库中存储的2013年一月到三月间检测器的数据。
2.仿真内容与仿真结果分析：
本发明的仿真实验是采用本发明的方法与两项现有技术的方法，分别对本发明仿真实验条件中选取的交通流数据中三月份的数据进行交通流量预测。
本发明的仿真实验中使用的第一个现有技术为Yisheng Lv,Yanjie Duan,WenwenKang等人发表的论文“Traffic Flow Prediction With Big Data:A Deep LearningApproach”(IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS,VOL.16,NO.2,APRIL 2015)中公开的一种基于栈式自编码器(SAEs)的交通流预测方法。该方法构建了一个用于交通流预测的四层的栈式自编码器，其结构依次为输入层→第一个隐藏层→第二个隐藏层→输出层，其参数设置为输入层12个神经元，第一个隐藏层和第二个隐藏层分别设置500个神经元，输出层1个神经元，利用4层的SAE神经网络对选取交通流数据的一月和二月的交通流数据进行训练，对三月份的交通流进行交通流预测。
本发明仿真实验中使用的第二个现有技术为罗向龙,焦琴琴,牛力瑶,等人的论文“基于深度学习的短时交通流预测”(计算机应用研究,2017(1):91-93,97)中一种基于DBNs的交通流预测方法。该方法构建了一个用于交通流预测的5层的DBN神经网络，其结构依次为输入层→第一个隐藏层→第二个隐藏层→第三个隐藏层→输出层，其参数设置为输入层12个神经元，第一个隐藏层、第二个隐藏层和第三个隐藏层分别设置500个神经元，输出层1个神经元。利用5层的DBN神经网络对选取交通流数据的一月和二月的交通流数据进行训练，对三月份的交通流进行交通流预测。
为了衡量本发明的仿真性能，利用下述的平均绝对百分比误差公式，分别计算三种不同方法仿真结果的平均绝对百分比误差。
其中，MAPE表示平均绝对百分比误差，m表示三月份交通流数据的总数，∑表示求和操作，表示三月份交通流数据预测值序列的第i个数据，yi表示三月份交通流数据序列的第i个数据。
将三种不同方法仿真结果的平均绝对百分比误差列表，如表1所示，其中，EXP-SAEs表示采用本发明方法的仿真结果的平均绝对百分比误差，SAEs表示采用第一个现有技术的方法的仿真结果的平均绝对百分比误差，DBNs表示采用第二个现有技术的方法的仿真结果的平均绝对百分比误差。
表1各方法仿真性能对比表
| 方法 | EXP-SAEs | SAEs | DBNs |
| MAPE％ | 13.56 | 18.32 | 15.65 |
平均绝对百分比误差的值越小，说明该方法的性能越好。从表1可以看出，本发明的方法的平均绝对百分比误差的值要比第一个现有技术和第二个现有技术的值小很多，说明本发明的方法的性能更佳。
Claims (3)
1.一种基于平衡指数平滑法和栈式自编码器的交通流预测方法，其特征在于，利用平衡指数平滑法处理完整的训练和测试交通流数据序列，构建栈式自编码器对平衡指数平滑法处理过的完整的训练集交通流数据序列进行训练，该方法的步骤包括如下：
(1)生成训练序列和测试序列：
(1a)利用高速公路传感器收集近三个月的历史交通流数据；
(1b)统计高速公路各个传感器收集三个月的缺失数据；
(1c)将缺失数据最少的传感器数据的前两个月的数据组成训练序列，后一个月数据组成测试序列；
(2)对训练序列和测试序列进行预处理：
(2a)计算训练序列和测试序列每个缺失数据的前两个未缺失数据和后两个未缺失数据的平均值；
(2b)用平均值补全训练序列和测试序列里的每个缺失值，得到完整的训练和测试交通流数据序列；
(3)利用平衡指数平滑法获取完整训练和测试交通流数据序列的平衡指数值序列：
(3a)按照下式，计算完整训练和测试交通流数据序列中每个数据的指数平滑值：
st＝αxt+(1-α)st-1
其中，st表示完整训练和测试交通流数据序列中第t个数据的指数平滑值，α表示指数平滑参数，其取值范围为[0,1]的小数，xt表示完整训练和测试交通流数据序列中第t个数据，st-1表示完整训练和测试交通流数据序列中第t-1个数据的指数平滑值；
(3b)按照下式，计算完整训练和测试交通流数据序列中每个数据的指数平衡值：
St＝αst+(1-α)St+1
其中，St表示完整训练和测试交通流数据序列中第t个数据的指数平滑值，α表示指数平滑参数，取值范围为[0,1]的小数，st表示经过指数平滑处理的完整训练和测试交通流数据序列中第t个数据，St+1表示完整训练和测试交通流数据序列的第t+1个数据的指数平衡值；
(4)利用最小最大归一化公式，计算完整训练交通流序列的平衡指数值序列中每个值的归一化值，获取完整训练和测试交通流序列的归一化值序列；
(5)构建栈式自编码器神经网络：
(5a)搭建一个四层的栈式自编码器神经网络，其结构依次为：输入层→第一个隐藏层→第二个隐藏层→输出层；
(5b)设置栈式自编码器神经网络的参数；
(6)训练栈式自编码器神经网络：
将完整训练交通流序列的归一化值序列中的数据，依次输入到栈式自编码器神经网络中，训练栈式自编码器，直到栈式自编码器的损失函数收敛为止，得到训练好的栈式自编码器；
(7)对完整测试交通流数据序列的归一化值序列进行测试：
将完整的测试交通流数据序列的平衡指数值序列中的数据依次输入到训练好的栈式自编码器神经网络中，得到完整的测试交通流数据序列的预测数据序列。
2.根据权利要求1所述的基于平衡指数平滑法和栈式自编码器的交通流预测方法，其特征在于：步骤(4)中所述的最小最大归一化公式如下：
其中，x't表示完整训练和测试交通流数据序列的第t个值的指数平衡值的归一化值，xt表示完整训练和测试交通流数据序列的第t个值的指数平衡值，xmin表示完整训练和测试交通流数据序列指数平衡值的最小值，xmax表示完整训练和测试交通流数据序列指数平衡值的最大值。
3.根据权利要求1所述的基于平衡指数平滑法和栈式自编码器的交通流预测方法，其特征在于：步骤(5b)中所述设置栈式自编码器的参数如下：
将栈式自编码器的输入层设置12个神经元；
将第一个隐藏层和第二个隐藏层均设置400个神经元，输出层设置1个神经元；
所述栈式自编码器的损失函数设置如下：
其中，表示损失函数，∑表示求和操作，Yi表示完整测试数据序列中的第i个数据，表示栈式自编码器中的第i个输出数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910254186.6A CN109887290B (zh) | 2019-03-30 | 2019-03-30 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910254186.6A CN109887290B (zh) | 2019-03-30 | 2019-03-30 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109887290A true CN109887290A (zh) | 2019-06-14 |
| CN109887290B CN109887290B (zh) | 2021-03-23 |
Family
ID=66935462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910254186.6A Active CN109887290B (zh) | 2019-03-30 | 2019-03-30 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109887290B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046080A (zh) * | 2019-12-05 | 2020-04-21 | 武汉理工大学 | 一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法 |
| CN112330158A (zh) * | 2020-11-06 | 2021-02-05 | 北京建筑大学 | 基于自回归差分移动平均-卷积神经网络的识别交通指数时间序列的方法 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101593424A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 一种短时交通流智能组合预测方法 |
| CN103778323A (zh) * | 2014-01-03 | 2014-05-07 | 株洲南车时代电气股份有限公司 | 基于指数平滑的预测交通流数据的方法和系统 |
| US8775079B2 (en) * | 2006-07-07 | 2014-07-08 | General Motors Llc | Method for storing off-board navigation destination locations |
| 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 |
| CN104183134A (zh) * | 2014-08-27 | 2014-12-03 | 重庆大学 | 基于智能分车型的高速公路短时交通流量预测方法 |
| CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
| AU2014100572B4 (en) * | 2013-06-05 | 2016-01-28 | Alstom Transport Technologies | Systems and methods for controlling warnings at vehicle crossings |
| 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 |
| CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
| KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
| CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
| US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
| CN104900063B (zh) * | 2015-06-19 | 2017-10-27 | 中国科学院自动化研究所 | 一种短程行驶时间预测方法 |
| US20180121759A1 (en) * | 2016-10-28 | 2018-05-03 | International Business Machines Corporation | Simultaneous feature extraction and dictionary learning using deep learning architectures for characterization of images of heterogeneous tissue samples |
| CN108921343A (zh) * | 2018-06-26 | 2018-11-30 | 浙江工业大学 | 基于堆栈自编码器-支持向量回归的交通流量预测方法 |
| CN109035779A (zh) * | 2018-08-30 | 2018-12-18 | 南京邮电大学 | 基于DenseNet的高速公路交通流预测方法 |
| CN109215349A (zh) * | 2018-10-26 | 2019-01-15 | 同济大学 | 基于深度学习的长时交通流量预测方法 |
| WO2019018693A2 (en) * | 2017-07-19 | 2019-01-24 | Altius Institute For Biomedical Sciences | METHODS OF ANALYZING MICROSCOPIC IMAGES USING AUTOMATIC LEARNING |
| KR101953672B1 (ko) * | 2017-04-18 | 2019-03-04 | 한국기술교육대학교 산학협력단 | Cnn을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류시스템 |
| US20190077398A1 (en) * | 2017-09-14 | 2019-03-14 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for vehicle lane change prediction using structural recurrent neural networks |
-
2019
- 2019-03-30 CN CN201910254186.6A patent/CN109887290B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8775079B2 (en) * | 2006-07-07 | 2014-07-08 | General Motors Llc | Method for storing off-board navigation destination locations |
| CN101593424A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 一种短时交通流智能组合预测方法 |
| AU2014100572B4 (en) * | 2013-06-05 | 2016-01-28 | Alstom Transport Technologies | Systems and methods for controlling warnings at vehicle crossings |
| CN103778323A (zh) * | 2014-01-03 | 2014-05-07 | 株洲南车时代电气股份有限公司 | 基于指数平滑的预测交通流数据的方法和系统 |
| 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 |
| CN104183134A (zh) * | 2014-08-27 | 2014-12-03 | 重庆大学 | 基于智能分车型的高速公路短时交通流量预测方法 |
| CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN104900063B (zh) * | 2015-06-19 | 2017-10-27 | 中国科学院自动化研究所 | 一种短程行驶时间预测方法 |
| CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
| 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 |
| CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
| US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
| US20180121759A1 (en) * | 2016-10-28 | 2018-05-03 | International Business Machines Corporation | Simultaneous feature extraction and dictionary learning using deep learning architectures for characterization of images of heterogeneous tissue samples |
| KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
| KR101953672B1 (ko) * | 2017-04-18 | 2019-03-04 | 한국기술교육대학교 산학협력단 | Cnn을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류시스템 |
| CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
| WO2019018693A2 (en) * | 2017-07-19 | 2019-01-24 | Altius Institute For Biomedical Sciences | METHODS OF ANALYZING MICROSCOPIC IMAGES USING AUTOMATIC LEARNING |
| US20190077398A1 (en) * | 2017-09-14 | 2019-03-14 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for vehicle lane change prediction using structural recurrent neural networks |
| CN108921343A (zh) * | 2018-06-26 | 2018-11-30 | 浙江工业大学 | 基于堆栈自编码器-支持向量回归的交通流量预测方法 |
| CN109035779A (zh) * | 2018-08-30 | 2018-12-18 | 南京邮电大学 | 基于DenseNet的高速公路交通流预测方法 |
| CN109215349A (zh) * | 2018-10-26 | 2019-01-15 | 同济大学 | 基于深度学习的长时交通流量预测方法 |
Non-Patent Citations (9)
| Title |
|---|
| LI SUOPING，LIU KUNHUI: "Quadric Exponential SmootIling Model with Adapted Parameter and Its Applications", 《SYSTEMS ENGINEERING THEORY＆PRACTICE》 * |
| LV, YISHENG: "Traffic Flow Prediction With Big Data: A Deep Learning Approach", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
| SHIN,HOO-CHANG,ORTON: "Stacked Autoencoders for Unsupervised Feature Learning and Multiple Organ Detection in a Pilot Study Using 4D Patient Data", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS & MACHINE INTELLIGENCE》 * |
| 刘廷新: "指数平滑法在交通参数短期预测中的应用", 《山东交通学院学报》 * |
| 徐逸之: "基于栈式自编码的上海地铁短时流量预测", 《计算机工程与科学》 * |
| 秦鸣: "基于二次指数平滑法和优化Kalman滤波的短时交通组合预测", 《北华大学学报（自然科学版）》 * |
| 贾学力: "二次指数平滑在交通信息短期预测中的应用", 《公路交通科技》 * |
| 陈杨: "一种基于平衡指数平滑的交通流数据预测方法", 《现代计算机》 * |
| 韩惠婷: "高速公路短时交通流量组合预测", 《江苏科技信息》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046080A (zh) * | 2019-12-05 | 2020-04-21 | 武汉理工大学 | 一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法 |
| CN112330158A (zh) * | 2020-11-06 | 2021-02-05 | 北京建筑大学 | 基于自回归差分移动平均-卷积神经网络的识别交通指数时间序列的方法 |
| CN112330158B (zh) * | 2020-11-06 | 2023-10-13 | 北京建筑大学 | 基于自回归差分移动平均-卷积神经网络的识别交通指数时间序列的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109887290B (zh) | 2021-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chengqing et al. | A multi-factor driven spatiotemporal wind power prediction model based on ensemble deep graph attention reinforcement learning networks | |
| CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
| CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
| CN103226741B (zh) | 城市供水管网爆管预测方法 | |
| CN103018673B (zh) | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 | |
| CN103093643B (zh) | 一种确定公共停车场泊位数的方法 | |
| Liu et al. | A grey convolutional neural network model for traffic flow prediction under traffic accidents | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN102081846A (zh) | 基于高速公路收费数据轨迹匹配的交通状态识别方法 | |
| Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
| CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
| CN105185106B (zh) | 一种基于粒计算的道路交通流参数预测方法 | |
| Tan et al. | A new ensemble spatio-temporal PM2. 5 prediction method based on graph attention recursive networks and reinforcement learning | |
| CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
| 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 | |
| CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| CN109887290B (zh) | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 | |
| CN110210648A (zh) | 基于灰色长短期记忆网络的管制空域战略流量预测方法 | |
| CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
| CN115841250A (zh) | 一种基于集成学习的电费拖欠风险预警方法及系统 | |
| Xue et al. | Multi long-short term memory models for short term traffic flow prediction | |
| CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
| CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 | |
| CN114881204A (zh) | 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法 | |
| Ye et al. | Demand forecasting of online car‐hailing by exhaustively capturing the temporal dependency with TCN and Attention approaches |
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 |