CN109993341A - 一种基于径向基函数神经网络的客流量预测方法 - Google Patents

一种基于径向基函数神经网络的客流量预测方法 Download PDF

Info

Publication number
CN109993341A
CN109993341A CN201811146723.7A CN201811146723A CN109993341A CN 109993341 A CN109993341 A CN 109993341A CN 201811146723 A CN201811146723 A CN 201811146723A CN 109993341 A CN109993341 A CN 109993341A
Authority
CN
China
Prior art keywords
neural network
data
festivals
holidays
basis function
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
Application number
CN201811146723.7A
Other languages
English (en)
Inventor
平麒麟
赵怀柏
还斌
王逸凡
陈云
王雪雪
周剑峰
赵益
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.)
Shanghai Seari Intelligent System Co Ltd
Original Assignee
Shanghai Seari Intelligent System Co Ltd
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 Shanghai Seari Intelligent System Co Ltd filed Critical Shanghai Seari Intelligent System Co Ltd
Priority to CN201811146723.7A priority Critical patent/CN109993341A/zh
Publication of CN109993341A publication Critical patent/CN109993341A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于径向基函数神经网络的客流量预测方法，其特征在于，包括以下步骤：对历史客流量数据进行预处理；对预处理后的数据进行节假日判别，区分平日数据与节假日数据；将平日数据以“星期”和“时段”属性进行分组和排列输入到初始的径向基函数神经网络中进行训练并验证，得到训练完成的神经网络参数；综合平日数据和节假日数据计算节假日波动系数；将预测时段对应的数据输入到预测算法中得到预测值，结合节假日波动系数，最后计算出不同时间粒度的预测客流量。这种全新的客流量预测方法能够有效地提升预测效率与预测精度，并为管理部门在应对突发性大客流的情况上提供良好的技术支持。

Description

一种基于径向基函数神经网络的客流量预测方法
技术领域
本发明涉及一种基于径向基函数(Radical Basis Function，RBF)神经网络的客流量预测方法，属于智能交通监控和交通预测领域。
背景技术
随着近年来人工智能的快速发展，客流量预测也进入了一个全新的领域，得到了更多的技术支持。
在众多的人工智能算法中，神经网络凭借其特有的结构和强大的自学习能力等优点成为了受关注度最高的算法之一。径向基函数神经网络的核心是径向基函数，它不仅克服了传统BP(Back Propagation)神经网络收敛速度较慢且容易陷入局部极小值的缺点，同时具有结构简单、训练简洁、学习速度快和求解方便等优势，十分适用于实时性需求较高的客流量预测领域。
以往的预测方法通常只能实现对平日客流量的预测，而节假日或一些大型活动时产生的突发性客流却很难被预测到，而管理部门最关注的往往就是这些时段的客流量。本发明引入的节假日波动系数即针对一年中几个特定的节假日或特殊活动等分别进行波动系数计算，最终与径向基函数神经网络的客流量预测结果进行融合，得到节假日的客流量预测，方便管理部门提前进行工作的安排和准备
发明内容
本发明目的是：利用径向基函数神经网络进行基础模型的构建，结合节假日波动系数的计算，实现“分钟”级等不同时间粒度的客流量预测，进一步提高管理部门在节假日或大型活动期间的工作效率。以下仅从“小时”和“日”两种典型的时间粒度上对本发明进行具体说明。
为了达到上述目的，本发明的技术方案是提供了一种基于径向基函数神经网络的客流量预测方法，其特征在于，包括以下步骤：
步骤1、对历史小时客流量进行预处理，剔除异常值并进行数据修补；
步骤2、对预处理后的数据进行节假日判别，将非节假日的客流量数据录入平日数据库中，将节假日的客流量数据录入节假日数据库中；
步骤3、将平日数据库中一定数量的数据输入到径向基函数神经网络中进行训练并验证，得到训练完成的神经网络参数，对径向基函数神经网络的训练包括以下步骤：
步骤3.1、配置径向基函数神经网络的初始参数；
步骤3.2、将平日数据库中的数据作为训练数据输入径向基函数神经网络进行训练，得到神经网络训练参数；
步骤3.3、采用平日数据库中与步骤3.2相同的数据形式且未用于步骤3.2的数据作为测试数据对已训练的径向基函数神经网络进行验证，如果达到训练目标则视为训练完成并输出径向基函数神经网络训练参数，如果未达到目标则返回步骤3.2重新训练；
步骤4、调用平日数据库和节假日数据库计算各个节假日及其影响范围的波动系数，所述波动系数为节假日数据库中上一年相同日期的客流数据除以平日数据库中今年相同日期对应“星期”属性的日均客流量；
步骤5、平日及节假日客流量预测：将实时获得的与预测时段对应的小时客流量数据输入已训练的径向基函数神经网络得到预测时段的小时预测量，若预测时段为非节假日，则将预测量作为最终小时预测量输出，若预测时段为节假日，则将预测量与步骤4得到的波动系数相结合，得到最终小时预测量。
优选地，在所述步骤5中，将相同日期的最终小时预测量累加得到每一日的日预测量。
优选地，在所述步骤3.2中，将平日数据库中的数据以“星期”和“时段”属性分组并按照时间序列排列后，再作为训练数据输入径向基函数神经网络进行训练，得到神经网络训练参数。
本发明的另一个技术方案是提供了一种上述的基于径向基函数神经网络的客流量预测方法的应用，其特征在于，用于目标区域内平日和节假日的客流量预测，或用于目标区域内车流量的预测。
本发明基于径向基函数神经网络对客流量进行预测，并在此基础上引入节假日波动系数的概念，实现了一种全新的基于径向基函数神经网络的客流量预测方法。通过本发明可以实现在“小时”和“日”两种时间粒度上对未来的客流量进行预测。同时，结合节假日波动系数的概念，创新地实现了对未来可能出现的大客流情况进行预测和预警。本发明可以被应用于旅游园区、城市区域、公共交通、大型活动、商业区等平日和节假日的客流量预测，也可以被应用于区域内车流量的预测。
附图说明
图1为一种基于径向基函数神经网络的客流量预测方法示意图；
图2为径向基函数神经网络拓扑结构。
具体实施方式
为使本发明更显易懂，下面结合附图对本发明的实施例作详细说明：本实施例在本发明技术方案下进行实施，给出了本发明的实施过程和实施效果。本发明的保护范围不限于下述的实施例。
结合图1，本发明提供的一种基于径向基函数神经网络的客流量预测方法，包括以下步骤：
步骤S-1：历史数据预处理
首先需要对采集到的历史小时客流量进行数据质量判别，如果不在阈值(设定值)范围内则剔除并进行修补。修补方法采用当前时刻前n(设定值)个相同时刻的有效数据的算术平均值，如果无有效数据则直接输出默认客流量(设定值)。
步骤S-2：历史数据分类
将经过预处理后的历史小时客流量数据根据日期进行分类。将非节假日的数据存入平日数据库中，将节假日的数据存入节假日数据库中。
步骤S-3：径向基函数神经网络训练和验证
本发明中的预测算法主体采用径向基函数神经网络。径向基函数神经网络是一种性能优良的前馈型神经网络，可以任意精度逼近任意的非线性函数，且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快，适合进行实时客流量的预测。
步骤S-3-1：配置径向基函数神经网络初始参数
对径向基函数神经网络的初始参数进行配置，包括训练数据量、验证数据量、输入维度、输出维度、训练目标和径向基函数扩展速度。
步骤S-3-2：径向基函数神经网络训练
结合图2，径向基函数神经网络具有三层结构。第一层为输入层，由信号源节点组成；第二层为隐含层，包含了径向基函数神经网络的激活函数(高斯函数)；第三层为输出层，对输入模式做出响应。
步骤S-3-2-1：构建训练数据
从平日数据库中构建训练数据输入径向基函数神经网络。一般认为在无重大事件的影响下，不同周具有相同星期类型的客流量变化不大。因此，训练数据采用同一“星期”和“时段”属性且按照时间序列排列的形式。
例如：预测时段为星期一10:00:00，则训练数据采用此时段前n(设定值)周星期一10:00:00的数据。
训练数据分为输入数据和输出数据。参数分别采用步骤S-3-1中设定的训练数据量、输入维度和输出维度。
例如：训练数据量为1000，输入维度为5，输出维度为1，则输入数据为1000*5的矩阵，输出数据为1000*1的矩阵。
步骤S-3-2-2：计算输入层与隐含层节点之间的权值W1
采用以下公式：
W1＝p′
式中，p′表示转置后的训练输入数据矩阵，。
步骤S-3-2-3：计算隐含层节点的阈值B1：
B1＝ones(q，1)*sqrt(-log(0.5))/s
式中，q表示训练数据量，s表示径向基函数扩展速度，ones表示生成一个全1的矩阵。
步骤S-3-2-4：隐含层输出A1：
A1＝exp(-(dist(W1，p).*(B1*ones(1，q))).^2)
式中，dist(W1，p)表示矩阵W1与矩阵p之间的欧式距离。
步骤S-3-2-5：计算隐含层与输出层节点之间的权值以及输出层节点的阈值
通过以下求解方程式的形式求出隐含层与输出层节点之间的权值W2以及输出层节点的阈值B2：
t＝A1·*W2+B2
式中，t表示转置后的训练输出数据。
步骤S-3-2-6：记录神经网络训练参数
将计算得到的输入层与隐含层节点之间的权值W1、隐含层节点的阈值B1、隐含层与输出层节点之间的权值W2以及输出层节点的阈值B2进行记录。
步骤S-3-3：径向基函数神经网络验证
步骤S-3-3-1：构建测试数据
从平日数据库中构建测试数据输入训练完成的径向基函数神经网络，测试数据不能包含训练数据。测试数据的形式与训练数据相同。
步骤S-3-3-2：隐含层输出A1
A1＝exp(-(dist(W1，u).*(B1*ones(1，q)))·^2)
式中，u表示转置后的测试输入数据矩阵。
步骤S-3-3-3：输出层输出A2：
A2＝W2*A1+B2
步骤S-3-3-4：计算训练误差MRE
MRE＝mean(abs(A2-v)./v)
式中，mean表示求算术平均值，v表示转置后的测试输出数据矩阵。
步骤S-3-3-5：判断是否达到训练目标
将步骤S-3-3-4中的训练误差与步骤S-3-1中的训练目标进行对比，如果训练误差小于训练目标，则视为径向基函数神经网络训练完成；否则视为未完成，并返回步骤S-3-1重新训练。
步骤S-4：节假日波动系数计算
节假日主要分为3天假期和7天假期。其中，3天假期的影响范围取节前4天，节中3天和节后3天，共10天；7天假期的影响范围取节前5天，节中7天和节后3天，共15天。
步骤S-4-1：计算各“星期”属性的日均客流量
在平日数据库中，将数据按照“星期”属性分组，并求出各自的算术平均值。
步骤S-4-2：计算节假日波动系数
针对节假日及其影响范围内的日期，将节假日数据库中上一年相同日期的客流数据除以今年相同日期对应“星期”属性的日均客流量，就得到了节假日波动系数。
例如：今年10月1日是星期一，上一年10月1日的实际日客流量为20000人，步骤S-4-1中计算得到星期一的日均客流量为8000人，则今年10月1日的波动系数为20000/8000＝2.5。
步骤S-5：平日及节假日客流量预测
步骤S-5-1：小时客流量预测
步骤S-5-1-1：构建输入数据
从平日数据库中构建输入数据输入到训练完成的径向基函数神经网络中。按照步骤S-3-1中设定的输入维度，在平日数据库中查找与预测时段具有相同“星期”和“时段”属性且最近的数据组作为预测的输入数据。
例如：预测时段为2018年10月1日星期一10:00:00，则在平日数据库中查找2018年10月1日前m(与骤S-3-1中设定的输入维度相同)周星期一10:00:00的数据作为输入数据。
步骤S-5-1-2：隐含层输出A1
A1＝exp(-(dist(W1，h).*(B1*ones(1，1))).^2)
式中，h表示转置后的输入数据矩阵。
步骤S-5-1-3：预测值输出F
F＝W2*A1+B2
步骤S-5-2：节假日判别
判断预测日是否为节假日及其影响范围内的日期。如果不是，则直接输出步骤S-5-1-3的预测结果F作为最终的节假日预测结果RESULT；如果是，则将预测结果F与对应日期的波动系数相乘，得到最终的节假日预测结果RESULT，采用以下公式：
步骤S-5-3：日客流量预测
将步骤S-5-2中计算得到的小时客流预测结果RESULT按“日期”进行分组并累加求和，得到日客流量预测结果。

Claims (4)

1.一种基于径向基函数神经网络的客流量预测方法，其特征在于，包括以下步骤：
步骤1、对历史小时客流量进行预处理，剔除异常值并进行数据修补；
步骤2、对预处理后的数据进行节假日判别，将非节假日的客流量数据录入平日数据库中，将节假日的客流量数据录入节假日数据库中；
步骤3、将平日数据库中一定数量的数据输入到径向基函数神经网络中进行训练并验证，得到训练完成的神经网络参数，对径向基函数神经网络的训练包括以下步骤：
步骤3.1、配置径向基函数神经网络的初始参数；
步骤3.2、将平日数据库中的数据作为训练数据输入径向基函数神经网络进行训练，得到神经网络训练参数；
步骤3.3、采用平日数据库中与步骤3.2相同的数据形式且未用于步骤3.2的数据作为测试数据对已训练的径向基函数神经网络进行验证，如果达到训练目标则视为训练完成并输出径向基函数神经网络训练参数，如果未达到目标则返回步骤3.2重新训练；
步骤4、调用平日数据库和节假日数据库计算各个节假日及其影响范围的波动系数，所述波动系数为节假日数据库中上一年相同日期的客流数据除以平日数据库中今年相同日期对应“星期”属性的日均客流量；
步骤5、平日及节假日客流量预测：将实时获得的与预测时段对应的小时客流量数据输入已训练的径向基函数神经网络得到预测时段的小时预测量，若预测时段为非节假日，则将预测量作为最终小时预测量输出，若预测时段为节假日，则将预测量与步骤4得到的波动系数相结合，得到最终小时预测量。
2.如权利要求1所述的一种基于径向基函数神经网络的客流量预测方法，其特征在于，在所述步骤5中，将相同日期的最终小时预测量累加得到每一日的日预测量。
3.如权利要求1所述的一种基于径向基函数神经网络的客流量预测方法，其特征在于，在所述步骤3.2中，将平日数据库中的数据以“星期”和“时段”属性分组并按照时间序列排列后，再作为训练数据输入径向基函数神经网络进行训练，得到神经网络训练参数。
4.一种如权利要求1所述的基于径向基函数神经网络的客流量预测方法的应用，其特征在于，用于目标区域内平日和节假日的客流量预测，或用于目标区域内车流量的预测。
CN201811146723.7A 2018-09-29 2018-09-29 一种基于径向基函数神经网络的客流量预测方法 Pending CN109993341A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811146723.7A CN109993341A (zh) 2018-09-29 2018-09-29 一种基于径向基函数神经网络的客流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811146723.7A CN109993341A (zh) 2018-09-29 2018-09-29 一种基于径向基函数神经网络的客流量预测方法

Publications (1)

Publication Number Publication Date
CN109993341A true CN109993341A (zh) 2019-07-09

Family

ID=67128282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811146723.7A Pending CN109993341A (zh) 2018-09-29 2018-09-29 一种基于径向基函数神经网络的客流量预测方法

Country Status (1)

Country Link
CN (1) CN109993341A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619419A (zh) * 2019-07-30 2019-12-27 北京交通大学 城市轨道交通的客流预测方法
CN110619422A (zh) * 2019-11-04 2019-12-27 广东工业大学 一种智能车站客流状况预测方法和系统
CN111091196A (zh) * 2019-11-15 2020-05-01 佳都新太科技股份有限公司 客流数据确定方法、装置、计算机设备和存储介质
CN115249120A (zh) * 2022-06-16 2022-10-28 北京轨道交通路网管理有限公司 设备开机计划的确定方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5354957A (en) * 1992-04-16 1994-10-11 Inventio Ag Artificially intelligent traffic modeling and prediction system
CN104850653A (zh) * 2015-06-03 2015-08-19 江苏马上游科技股份有限公司 一种基于流式数据挖掘的游客流量短时及趋势预测系统
CN106960250A (zh) * 2017-03-03 2017-07-18 陕西师范大学 一种动态预测旅游景点客流的方法
CN107180278A (zh) * 2017-05-27 2017-09-19 重庆大学 一种轨道交通实时客流预测方法
CN107516140A (zh) * 2017-06-29 2017-12-26 中兴软创科技股份有限公司 交通节点节假日客流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5354957A (en) * 1992-04-16 1994-10-11 Inventio Ag Artificially intelligent traffic modeling and prediction system
CN104850653A (zh) * 2015-06-03 2015-08-19 江苏马上游科技股份有限公司 一种基于流式数据挖掘的游客流量短时及趋势预测系统
CN106960250A (zh) * 2017-03-03 2017-07-18 陕西师范大学 一种动态预测旅游景点客流的方法
CN107180278A (zh) * 2017-05-27 2017-09-19 重庆大学 一种轨道交通实时客流预测方法
CN107516140A (zh) * 2017-06-29 2017-12-26 中兴软创科技股份有限公司 交通节点节假日客流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯倩: "旅游景点智能客流预测方法研究——以西安博物院为例", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
夏青: "节假日铁路客流波动规律分析及其在客流预测中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619419A (zh) * 2019-07-30 2019-12-27 北京交通大学 城市轨道交通的客流预测方法
CN110619422A (zh) * 2019-11-04 2019-12-27 广东工业大学 一种智能车站客流状况预测方法和系统
CN111091196A (zh) * 2019-11-15 2020-05-01 佳都新太科技股份有限公司 客流数据确定方法、装置、计算机设备和存储介质
CN115249120A (zh) * 2022-06-16 2022-10-28 北京轨道交通路网管理有限公司 设备开机计划的确定方法、装置及电子设备
CN115249120B (zh) * 2022-06-16 2024-03-22 北京轨道交通路网管理有限公司 设备开机计划的确定方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Li et al. Day-ahead traffic flow forecasting based on a deep belief network optimized by the multi-objective particle swarm algorithm
CN109993341A (zh) 一种基于径向基函数神经网络的客流量预测方法
CN103871246B (zh) 基于路网空间关系约束Lasso的短时交通流预测方法
Kim et al. Urban traffic flow prediction system using a multifactor pattern recognition model
Siripanpornchana et al. Travel-time prediction with deep learning
CN105118294B (zh) 一种基于状态模式的短时交通流预测方法
Arif et al. Deep learning with non-parametric regression model for traffic flow prediction
Yu et al. A special event-based K-nearest neighbor model for short-term traffic state prediction
CN102346964A (zh) 道路交通网络区域拥堵实时预测与智能管理系统
Cheng et al. Short-term traffic forecasting by mining the non-stationarity of spatiotemporal patterns
CN112489426A (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
Xu et al. Short-term traffic volume prediction using classification and regression trees
Wang et al. Real-time freeway network traffic surveillance: Large-scale field-testing results in southern Italy
Duan et al. FDSA-STG: Fully dynamic self-attention spatio-temporal graph networks for intelligent traffic flow prediction
CN108537691A (zh) 一种区域游览智能管理系统及方法
CN107123265A (zh) 一种基于并行计算的高速公路交通状态估计方法
Li et al. Short-term passenger flow prediction of a passageway in a subway station using time space correlations between multi sites
Huang et al. Short-term traffic prediction by two-level data driven model in 5G-enabled edge computing networks
Hosseini et al. Traffic flow prediction using MI algorithm and considering noisy and data loss conditions: An application to Minnesota traffic flow prediction
García-Ródenas et al. A bilevel approach to enhance prefixed traffic signal optimization
CN115204477A (zh) 一种上下文感知图递归网络的自行车流量预测方法
Zheng et al. Lane-level heterogeneous traffic flow prediction: A spatiotemporal attention-based encoder–decoder model
Pan et al. Traffic speed prediction based on time classification in combination with spatial graph convolutional network
Lee et al. Estimation of link speed using pattern classification of GPS probe car data
CN114463978B (zh) 一种基于轨道交通信息处理终端的数据监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190709