CN110210664A - 多个个体车辆使用行为短时预测的深度学习方法 - Google Patents
多个个体车辆使用行为短时预测的深度学习方法 Download PDFInfo
- Publication number
- CN110210664A CN110210664A CN201910457968.XA CN201910457968A CN110210664A CN 110210664 A CN110210664 A CN 110210664A CN 201910457968 A CN201910457968 A CN 201910457968A CN 110210664 A CN110210664 A CN 110210664A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- driver
- deep learning
- vehicle
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
Abstract
一种考虑时间依赖性以及驾驶员属性异质性的用车行为预测的深度学习方法,通过对私家车司机提供的个人属性信息以及GPS轨迹数据的收集和整理,获得驾驶员短时的用车时间的来对汽车的使用行为进行预测。通过数据处理获得驾驶员是否用车以及用车的时间的来表示驾驶员的用车行为,并将此数据转化为二通道图片数据结构放入本发明的用于多个体的驾驶行为预测的深度学习方法中。本发明的深度学习方法可以从以时间序列堆叠的一堆二通道图片中考虑驾驶员用车行为的对于临近时间以及远期时间的时间依赖性,同时此发明不仅仅可以同时训练多个个体,还可以考虑到多个个体因为个人属性的不同而产生的用车行为模式的差异性。
Description
技术领域
本发明涉及人车辆使用行为短时预测的深度学习方法领域,特别是涉及多个个体车辆使用行为短时预测的深度学习方法,具体涉及一种考虑个人用车时间依赖性及个人属性异质性的多个个人车辆使用行为短时预测的深度学习方法。
背景技术
随着移动即服务等定制化出行方式、共享移动和自动驾驶汽车的兴起,城市交通正发生着颠覆性的巨大变化。这些新型方式的出现对于解决车位紧张、减少道路拥堵和资源浪费等问题起着重要的作用。对于这些新兴的智能交通方式,预测个人汽车使用模式的能力对于个性化旅行者信息,目标需求管理和动态系统操作至关重要。只有了解人们日常对于汽车使用行为模式才能为定制化出行服务提供有力的支持。
早年,在交通规划中人们需要预测个人出行行为,一些研究者首先转向了个人态度的估量,后来这种方法被陈述性偏好和陈述性选择方法所替代,但是这些预测方法都缺乏理论基础,除此之外,这也使得这些方法的预测有效性无法评估,后来有研究者从社会心理学的角度来预测人们私家车用车的模式,再后来也有学者利用交互式访谈程序的方法,用于预测不同类型旅行的汽车使用,但是这些方法需要投入大量的人力调查获取数据。随着科技的发展,很多人开始利用手机数据、智能卡数据以及GPS数据等来获取个人的行踪,并将其用于交通的预测。然而,预测个人用车行为的问题仍然具有挑战性,因为出行行为涉及多个维度(最显著的是时间和空间维度),表现出个体出行行为的时间依赖性,并且在个体之间存在差异。此外外部因素(诸如空气质量,天气状况和节假日的政策)也对个人汽车使用行为和旅行时间产生一定的影响,针对以上这些问题本发明利用私家车GPS轨迹数据,提出了该深度学习方法,用预测多个个体未来的私家车使用行为。深度学习的方法在很多领域都有所应用,有人申请专利《用于城市道路短时交通流量预测的方法和系统-CN201811133463.X》,其通过深度残差网络对具有临近时间特征、周期时间特征以及趋势性时间特征的区域关联路口的交通流量数据进行了短时预测,但是该方法所用图片数据展现的是某个区域平面空间里面车辆交通流量,可以用于宏观的交通短时预测,而对于微观的个人用车行为的预测却不行。本申请通过改进该方法将个人数据处理为图片结构,每一张图片数据纵轴代表着不同的人,横轴为以15分钟为间隔的时间轴,该以显示出不同的个人出行在某个时间段的用车行为,并将所有图片再以某个时间段(比如8小时)为间隔的时间序列的形式堆叠起来,再通过深度残差网络对个人用车行为进行预测,该发明不仅仅能够考虑到个人用车的时间依赖性,同时也能考虑多个个体因为个人属性的不同而产生的用车行为模式的差异性,该方法显示了预测某种出行行为的潜力,丰富了传统的预测方法,为交通行为建模提供了新的思路。
发明内容
为了解决以上问题,本发明提供多个个体车辆使用行为短时预测的深度学习方法,可以从以时间序列堆叠的一堆二通道图片中考虑驾驶员用车行为的对于临近时间以及远期时间的时间依赖性,同时此发明不仅仅可以同时训练多个个体,还可以考虑到多个个体因为个人属性的不同而产生的用车行为模式的差异性,此外该发明还能考虑外部因素,诸如假期政策,天气状况的影响。运用该发明人们不仅仅可以满足对于多个个体驾驶行为的预测,还能很有效地提升其预测的精确率,为达此目的,本发明提供多个个体车辆使用行为短时预测的深度学习方法,包括以下步骤:
步骤一,获取驾驶者的个人出行的历史数据以及出行时刻天气,假期的历史数据,所述个人出行历史数据为驾驶者在以前的出行中车辆的使用时间;
步骤二,将个人出行历史数据规整后处理为二通道的图片数据结构的矩阵形式,每一个二通道图片对应一个时间戳,以时间序列的形式将其堆叠起来以hdf5数据文件存储;
步骤三,每个天气数据对应一个时间戳,将其以时间序列形式排列起来存入hdf5文件中,其中天气的情况W用哑变量表示;
步骤四,每个假期数据也对应一个时间戳,将其以时间序列形式排列起来存入hdf5文件中,假期的情况H用哑变量表示;
步骤五,搭建深度学习框架结构;
步骤六,将个人出行历史数据的二通道的图片数据分别提取出三种时间特性;
步骤七,将所有数据输入进本文提出的深度学习算法当中,获得驾驶员短时的车辆使用情况的预测信息。
进一步的,所述步骤2)中的图片数据其存储的特征包括:
将驾驶员用车时长和是否用车的图片数据按照[a,2,b,d]的张量形式存储到hdf5文件中,这里的a表示时间序列的长度,2表示图片的通道数,b和d表示图片矩阵数据的长和宽。这里每一张二通道图片矩阵的纵轴为不同驾驶员的ID序列,横轴为15分钟为间隔的时间序列,每一张二通道图片展示了某个时间段内驾驶员用车的情况,之后再利用某个时间段(比如8个小时的时间段)为间隔的时间序列将这些图片数据堆叠起来处理为hdf5文件。
进一步的,所述步骤6),其数据结构特征为:
在输入算法模型的时候驾驶员出行的数据是以三种时间特性,即临近时间特性,每日时间特性,每周时间特性输入的:临近时间特性张量被定义为Xc∈R2×I×J,Xc是在第k时间段里所有I个司机在时间间隔为[(t,t-Δt),...,(t,t-jΔt),...,(t,t-JΔt),j=1,2,3,..,J]的历史张量,其中t为起始时间点,Δt为时间间隔,而每日时间特性张量则定义为Xc-1∈R2×i×j,这与Xc不同,其时间间隔为[(td,td-JΔt),...(td,tdt-jΔt),j=1,2,3,..,J]的历史张量,其中td=t-(24小时),每周时间特性的张量定义为Xc-7∈R2×i×j,其时间间隔为[(tw,tw-JΔt),...(tw,tw-jΔt),j=1,2,3,..,J],其中tw=t-(24×7小时),因此在输入图片数据之前,会再次对其进行处理,分别提取出图片数据的每种时间特性。
进一步的,所述步骤7)中的深度学习算法包括以下步骤:
步骤1:将包含三种时间特性的驾驶员出行数据分别输入到模型的前三个深度卷积神经网络当中去,这前三个深度卷积神经网络为卷积神经网络和残差单元序列的网络结构;
步骤2:将外部因素以输入到预测外部因素的神经网络中,该神经网络上堆叠了两个全连接层,第一层可以被视为每个子因子的嵌入层,然后是激活层。得到时间间隔(t,t+Δt)的预测的外部数据向量XE;
步骤3:将前三个深度卷积神经网络计算得到的结果融合得到XR;
步骤4:将用于预测外部因素神经网络和前三个深度卷积神经网络得到的结果融合。
本发明一种多个个体车辆使用行为短时预测的深度学习方法,与现有技术相比优点如下,
之前有关交通方面的预测研究中普遍利用的传统的统计模型比如时间序列模型ARIMA或者机器学习算法比如贝叶斯网络,支持向量机和人工神经网络等方法,在预测时最多只能考虑到时间依赖性,而对于个体的个人属性却无法进行考虑,因为具有不同个人属性,诸如不同职业年龄的人的用车模式会有一定的差异。另外,以前人们的模型也无法同时训练多个个个体的用车行为,这些单个的个人预测也不能适应大规模的定制化出行的需求,当能够同时对多个人的交通行为进行预测的时候才能提高预测的效率。最后,以前人们所用的模型也没有能考虑到天气和假期之类的外部因素的影响。本发明就克服了前人模型的缺陷,不仅仅可以同时训练多个个体并考虑到个体的时间依赖性而且能够考虑到多个个体因为个人属性的不同而产生的用车行为模式的差异性,此外该模型还能考虑外部因素,诸如假期,天气的影响。
本发明利用私家车GPS数据和天气数据,将个人出行的行为数据转化为二通道图片形式并以时间序列形式堆叠起来,同时将外部天气数据规整为时间序列的数据并将放入深度学习算法当中去,预测考虑时间依赖性以及个人属性的异质性的多个个体的私家车使用行为,运用该方法人们不仅仅可以满足对于多个个体驾驶行为的预测,还能很有效地提升其预测的精确率。
附图说明
图1为本发明的流程图;
图2为示例图,个人出行数据的图片数据结构图;
图3为示例图,出行数据张量的时间特性之间关系图;
图4为示例图,深度学习框架结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供多个个体车辆使用行为短时预测的深度学习方法,可以从以时间序列堆叠的一堆二通道图片中考虑驾驶员用车行为的对于临近时间以及远期时间的时间依赖性,同时此发明不仅仅可以同时训练多个个体,还可以考虑到多个个体因为个人属性的不同而产生的用车行为模式的差异性,此外该发明还能考虑外部因素,诸如假期,天气的影响。运用该发明人们不仅仅可以满足对于多个个体驾驶行为的预测,还能很有效地提升其预测的精确率。
图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
本发明提供一种能够考虑个人用车的时间依赖性以及个人属性的多人用车行为短时预测的深度学习方法,通过以下步骤实现:
1)获取驾驶者的个人出行的GPS历史数据以及出行时刻天气,假期的历史数据,所述个人出行历史数据为驾驶者在以前的出行中车辆的使用时间;
2)将数据规整后处理为二通道的图片数据结构的矩阵形式,如图3所示,将驾驶员用车时长和是否用车的图片数据按照图3的形式整理,这里每一张二通道图片矩阵的纵轴为不同驾驶员的ID序列,横轴为15分钟为间隔的时间序列,每一张二通道图片展示了某个时间段内驾驶员用车的情况。之后再利用某个时间段(比如8个小时的时间段)为间隔的时间序列将这些图片数据堆叠起来储存为hdf5数据文件;
3)每个天气数据也对应一个时间戳,将其以时间序列形式排列起来存入hdf5文件中,天气的情况W用哑变量表示;
4)每个假期数据也对应一个时间戳,将其以时间序列形式排列起来存入hdf5文件中,假期的情况H用哑变量表示;
5)搭建模型结构框架,图2展示了该深度学习方法的架构,它由四个主要组件建模组成,这些组件分别为用于计算临近时间特性的深度卷积神经网络,每日的时间的深度卷积神经网络,每周的时间的深度卷积神经网络,用车情况以及外部影响因素的神经网络。将每个时间片段中间隔的2通道流动矩阵分别输入到前三个深度卷积神经网络中,以分别模拟三个时间特性:临近时间特性,每日时间特性和每周时间特性。前三个组件使用卷积神经网络,然后是残余单元序列,三个组件使用相同的网络结构。在外部组件中,我们通过从外部数据集中提取一些特征,例如天气状况和节假日事件,将它们输入到一个双层完全连接的神经网络中。基于参数矩阵将前三个组件的输出融合为XR,其为不同区域中的不同组件的结果分配不同的权重。进一步与外部组件XE的输出集成。最后,通过Tanh函数将聚合映射到[-1,1]之间。
6)将个人出行历史数据的二通道的图片数据分别提取出三种时间特性,即临近时间特性,每日时间特性,每周时间特性输入的:临近时间特性张量被定义为Xc∈R2×I×J,Xc是在第k时间段里所有I个司机在时间间隔为[(t,t-Δt),...,(t,t-jΔt),...,(t,t-JΔt),j=1,2,3,..,J
的历史张量,其中t为起始时间点,Δt为时间间隔,而每日时间特性张量则定义为Xc-1∈R2×i×j,这与Xc不同,其时间间隔为[(td,td-JΔt),...(td,tdt-jΔt),j=1,2,3,..,J]的历史张量,其中td=t-(24小时),与他们类似,每周时间特性的张量定义为Xc-7∈R2×i×j,其时间间隔为[(tw,tw-JΔt),...(tw,tw-jΔt),j=1,2,3,...J],其中tw=t-(24×7小时)。这三种时间特性关系如图4所示。
7)该该深度学习算法是由2017年由张俊波提出,原本是用于宏观的城市交通流的预测。这里我通过改进输入数据的结构,将其用在了驾驶员用车行为预测上。
该模型的实现步骤如下:
Step1:输入驾驶员用车数据,分别提取出图片结构的矩阵数据的每种时间特性将其分别输入到深度学习模型中的前三个深度卷积神经网络中去,深度学习模型中的前三个深度卷积神经网络中的卷积层利用了CNN的模型以及残差学习的方式对具有二通道图片数据形式的个人用车行为数据,进行卷积计算。图中的具有临近时间特性的数据张量采用最近时间间隔的二通道数据矩阵来模拟临近时间的依赖性。我们将它们卷积,如下所示:
其中*表示卷积;f是激活函数;是第一层中的可学习参数;表示第0层的临近时间的数据张量。
Step2:输入外部数据,深度学习模型中的外部组件将利用全连接层对其进行预测计算。
Step3:将深度学习对于驾驶员用车数据计算的输出的结果和外部数据通过深度模型计算出来的结果进行融合。
首先是按下列公式融合前三个深度卷积神经网络:
其中为Hadamard积;Wc,Wc-1和Wc-7都是可以学习的参数,它们可以根据临近时间特性,每日时间特性以及每周时间特性的影响程度来分别进行调整;Xc为最终输出的具有临近时间特性的数据张量,Xc-1为最终输出的具有每日时间特性的数据张量,Xc-7为最终输出的具有每周时间特性的数据张量。
Step4:将前三个深度卷积神经网络的输出与预测外部因素的神经网络的输出相对应。最后,第t个时间间隔的预测值,被定义为
其中tanh为双曲正切函数,确保输出值介于-1和1之间,XR为前三个深度卷积神经网络的输出,XE为外部的神经网络预测的外部因素数据张量。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.多个个体车辆使用行为短时预测的深度学习方法,包括以下步骤,其特征在于:
步骤一,获取驾驶者的个人出行的历史数据以及出行时刻天气,假期的历史数据,所述个人出行历史数据为驾驶者在以前的出行中车辆的使用时间;
步骤二,将个人出行历史数据规整后处理为二通道的图片数据结构的矩阵形式,每一个二通道图片对应一个时间戳,以时间序列的形式将其堆叠起来以hdf5数据文件存储;
步骤三,每个天气数据对应一个时间戳,将其以时间序列形式排列起来存入hdf5文件中,其中天气的情况W用哑变量表示;
步骤四,每个假期数据也对应一个时间戳,将其以时间序列形式排列起来存入hdf5文件中,假期的情况H用哑变量表示;
步骤五,搭建深度学习框架结构;
步骤六,将个人出行历史数据的二通道的图片数据分别提取出三种时间特性;
步骤七,将所有数据输入进本文提出的深度学习算法当中,获得驾驶员短时的车辆使用情况的预测信息。
2.根据权利要求1所述的多个个体车辆使用行为短时预测的深度学习方法,其特征在于:所述步骤2)中的图片数据其存储的特征包括:
将驾驶员用车时长和是否用车的图片数据按照[a,2,b,d]的张量形式存储到hdf5文件中,这里的a表示时间序列的长度,2表示图片的通道数,b和d表示图片矩阵数据的长和宽,这里每一张二通道图片矩阵的纵轴为不同驾驶员的ID序列,横轴为15分钟为间隔的时间序列,每一张二通道图片展示了某个时间段内驾驶员用车的情况,之后再利用某个时间段为间隔的时间序列将这些图片数据堆叠起来处理为hdf5文件。
3.根据权利要求1所述的多个个体车辆使用行为短时预测的深度学习方法,其特征在于:所述步骤6),其数据结构特征为:
在输入算法模型的时候驾驶员出行的数据是以三种时间特性,即临近时间特性,每日时间特性,每周时间特性输入的:临近时间特性张量被定义为Xc∈R2×I×J,Xc是在第k时间段里所有I个司机在时间间隔为[(t,t-Δt),...,(t,t-jΔt),...,(t,t-JΔt),j=1,2,3,..,J]的历史张量,其中t为起始时间点,Δt为时间间隔,而每日时间特性张量则定义为Xc-1∈R2×i×j,这与Xc不同,其时间间隔为[(td,td-JΔt),...(td,tdt-jΔt),j=1,2,3,..,J]的历史张量,其中td=t-(24小时),每周时间特性的张量定义为Xc-7∈R2×i×j,其时间间隔为[(tw,tw-JΔt),...(tw,tw-jΔt),j=1,2,3,..,J],其中tw=t-(24×7小时),因此在输入图片数据之前,会再次对其进行处理,分别提取出图片数据的每种时间特性。
4.根据权利要求1所述的多个个体车辆使用行为短时预测的深度学习方法,其特征在于:所述步骤7)中的深度学习算法包括以下步骤:
步骤1:将包含三种时间特性的驾驶员出行数据分别输入到模型的前三个深度卷积神经网络当中去,这前三个深度卷积神经网络为卷积神经网络和残差单元序列的网络结构;
步骤2:将外部因素以输入到用于预测外部因素神经网络中,该网络上堆叠了两个全连接层,第一层可以被视为每个子因子的嵌入层,然后是激活层。得到时间间隔(t,t+Δt)的预测的外部数据向量XE;
步骤3:将前三个深度卷积神经网络计算得到的结果融合得到XR;
步骤4:将用于预测外部因素的神经网络和前三个深度卷积神经网络计算得到的结果融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457968.XA CN110210664B (zh) | 2019-05-29 | 2019-05-29 | 多个个体车辆使用行为短时预测的深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457968.XA CN110210664B (zh) | 2019-05-29 | 2019-05-29 | 多个个体车辆使用行为短时预测的深度学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210664A true CN110210664A (zh) | 2019-09-06 |
CN110210664B CN110210664B (zh) | 2020-07-24 |
Family
ID=67789313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910457968.XA Active CN110210664B (zh) | 2019-05-29 | 2019-05-29 | 多个个体车辆使用行为短时预测的深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210664B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827540A (zh) * | 2019-11-04 | 2020-02-21 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN111782844A (zh) * | 2020-07-01 | 2020-10-16 | 中科三清科技有限公司 | 空气质量状况的图像显示方法、装置、设备及存储介质 |
CN112652162A (zh) * | 2019-10-11 | 2021-04-13 | Aptiv技术有限公司 | 确定对象在预定时间点的属性的方法和系统 |
CN113537602A (zh) * | 2021-07-20 | 2021-10-22 | 中国第一汽车股份有限公司 | 车辆行为预测方法、装置、设备及介质 |
CN115050183A (zh) * | 2022-06-09 | 2022-09-13 | 上海人工智能创新中心 | 一种生成模拟交通流的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399749A (zh) * | 2018-03-14 | 2018-08-14 | 西南交通大学 | 一种短时交通出行需求预测方法 |
CN108417038A (zh) * | 2018-05-09 | 2018-08-17 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
KR20180121241A (ko) * | 2017-04-28 | 2018-11-07 | 주식회사 엘비씨소프트 | 빅데이터를 활용한 대중교통 통행시간 예측시스템 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
CN109215344A (zh) * | 2018-09-27 | 2019-01-15 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
-
2019
- 2019-05-29 CN CN201910457968.XA patent/CN110210664B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180121241A (ko) * | 2017-04-28 | 2018-11-07 | 주식회사 엘비씨소프트 | 빅데이터를 활용한 대중교통 통행시간 예측시스템 |
CN108399749A (zh) * | 2018-03-14 | 2018-08-14 | 西南交通大学 | 一种短时交通出行需求预测方法 |
CN108417038A (zh) * | 2018-05-09 | 2018-08-17 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
CN109215344A (zh) * | 2018-09-27 | 2019-01-15 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652162A (zh) * | 2019-10-11 | 2021-04-13 | Aptiv技术有限公司 | 确定对象在预定时间点的属性的方法和系统 |
CN112652162B (zh) * | 2019-10-11 | 2022-12-20 | Aptiv技术有限公司 | 确定对象在预定时间点的属性的方法和系统 |
US11676488B2 (en) | 2019-10-11 | 2023-06-13 | Aptiv Technologies Limited | Method and system for determining an attribute of an object at a pre-determined time point |
CN110827540A (zh) * | 2019-11-04 | 2020-02-21 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN110827540B (zh) * | 2019-11-04 | 2021-03-12 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN111782844A (zh) * | 2020-07-01 | 2020-10-16 | 中科三清科技有限公司 | 空气质量状况的图像显示方法、装置、设备及存储介质 |
CN113537602A (zh) * | 2021-07-20 | 2021-10-22 | 中国第一汽车股份有限公司 | 车辆行为预测方法、装置、设备及介质 |
CN113537602B (zh) * | 2021-07-20 | 2022-12-02 | 中国第一汽车股份有限公司 | 车辆行为预测方法、装置、设备及介质 |
CN115050183A (zh) * | 2022-06-09 | 2022-09-13 | 上海人工智能创新中心 | 一种生成模拟交通流的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110210664B (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210664A (zh) | 多个个体车辆使用行为短时预测的深度学习方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN107103758B (zh) | 一种基于深度学习的城市区域交通流量预测方法 | |
CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
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 | |
Ma et al. | Short-term traffic flow forecasting by selecting appropriate predictions based on pattern matching | |
CN109190795A (zh) | 一种区域间出行需求预测方法及装置 | |
CN112071062B (zh) | 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 | |
CN111340543B (zh) | 一种基于注意力机制的细粒度打车需求预测方法 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
CN110281949B (zh) | 一种自动驾驶统一分层决策方法 | |
CN111242292A (zh) | 基于深度时空网络的od数据预测方法及系统 | |
CN114897444A (zh) | 一种城市分区域内服务设施需求识别方法及系统 | |
CN112559585A (zh) | 交通时空序列单步预测方法、系统及存储介质 | |
CN112488185A (zh) | 包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质 | |
CN108846766A (zh) | 基于深度学习的车险自助理赔成功率预测方法 | |
CN117094781A (zh) | 一种智能车险定价和理赔处理方法及系统 | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN113312442B (zh) | 一种智慧城市电子地图生成方法和系统 | |
CN108199895A (zh) | 一种智能卡口优化布置方法及装置 | |
CN114139773A (zh) | 一种基于时空图卷积网络的公共交通流量预测方法 | |
CN108898284B (zh) | 一种车联网管理控制策略评估方法及系统 | |
CN112215337B (zh) | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |