CN110264709B - 基于图卷积网络的道路的交通流量的预测方法 - Google Patents
基于图卷积网络的道路的交通流量的预测方法 Download PDFInfo
- Publication number
- CN110264709B CN110264709B CN201910370506.4A CN201910370506A CN110264709B CN 110264709 B CN110264709 B CN 110264709B CN 201910370506 A CN201910370506 A CN 201910370506A CN 110264709 B CN110264709 B CN 110264709B
- Authority
- CN
- China
- Prior art keywords
- road
- traffic flow
- data
- network
- roads
- 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
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
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于图卷积网络的道路的交通流量的预测方法。该方法包括:采集过去一段时间内的车辆GPS数据;将车辆GPS数据与实际路网信息数据进行整合,得到道路交通流量特征矩阵,利用线图转换将实际路网上的道路与道路交点进行转换,生成道路邻接矩阵;基于道路邻接矩阵和道路交通流量特征矩阵,通过利用GCN网络和LSTM网络综合道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值。本发明通过综合利用GCN提取的道路的交通流量数据的空间特征和LSTM提取的道路的交通流量数据的时间特征,并结合时间周期特征及天气特征,来对道路的交通流量数据进行预测,预测效果比只利用时间特征或者空间特征来进行预测的效果更好。
Description
技术领域
本发明涉及交通运输技术领域,尤其涉及一种基于图卷积网络的道路的交通流量的预测方法。
背景技术
交通运输是国民经济的命脉,交通科技面临重大战略需求,我们要实现交通信息共享和各种交通方式的有效衔接,提升交通运营管理的技术水平。随着机动车保有量的不断增加,道路系统承受着越来越大的压力,智能交通系统的地位越来越被凸显。智能交通系统使人、汽车(或移动目标)、道路和环境和谐相处,所以智能交通系统被认为是解决道路交通阻塞、减少环境污染和降低交通事故发生等交通问题的有效方法之一。其中交通流预测是智能交通系统实现的基础和关键所在,科学的管理方法必须有数据的支持,只有在历史交通数据上进行高精度的交通流量预测,才能向出行者提供更为有效的道路交通信息,为动态交通规划提供数据支撑,从而达到缓解道路交通拥堵和方便人们出行的目的。
传统的交通流量预测研究工作大多是只基于单一地点的交通流量数据序列来进行预测,然而这类方法只能对所选取的特定位置的交通流量进行预测,只利用了所在位置的时间信息,并未利用该选取位置的空间信息,这样预测的结果很容易由于信息缺失造成预测准确性的偏移。
针对交通流量预测问题,Kumar等人提出了一种基于季节的SARIMA(Autoregressive Integrated Moving Average Model,自回归移动平均模型),该模型相比传统的ARIMA(Integrated Moving Average Model,移动平均模型)考虑了不同季节对车流量的影响,使用输入数据预测短期流量,克服了ARIMA模型在交通流量预测中的适用性问题。该算法的主要缺点是ARIMA及其变体模型对数据量及数据平稳性要求较高,并仅基于时间特征进行线性回归分析,预测误差大。
Tian等人发现大多数的时间序列预测模型的输入长度是静态的,不能准确地确定最佳的时间滞后,因此使用LSTM(Long Short-Term Memory,长短时记忆神经网)络预测交通流量序列,克服了最佳时间滞后的确定问题。该算法的主要缺点是只利用了预测位置的时间信息,预测误差较大。
Yu等人使用CNN(Convolutional Neural Network,卷积神经网络)提取空间特征,建立时空循环卷积网络进而实现流量预测。该算法的主要缺点是虽然引入CNN提取了空间特征,但CNN是将地图进行均匀分割,统计各个分割小块中的车流量,这种数据划分方法不符合道路交通流量数据的真实特征。
发明内容
本发明的实施例提供了一种基于图卷积网络的道路的交通流量的预测方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种基于图卷积网络的道路的交通流量的预测方法,包括:
采集过去一段时间内的车辆GPS数据;
将所述车辆GPS数据与实际路网信息数据进行整合,得到道路交通流量特征矩阵,利用线图转换将实际路网上的道路与道路交点进行转换,生成道路邻接矩阵;
基于所述道路邻接矩阵和道路交通流量特征矩阵,通过GCN网络提取道路的交通流量数据的空间特征,通过LSTM网络提取道路的交通流量数据的时间特征,综合所述道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值。
优选地,所述的车辆GPS数据包括车辆的ID编号、时间点信息、地理位置信息和定位是否有效信息。
优选地,所述的将所述车辆GPS数据与实际路网信息数据进行整合,得到道路交通流量特征矩阵,包括:将车辆GPS数据按照时间进行切片,对每个切片内的车辆GPS数据与实际路网信息数据整合,根据车辆经纬度将车辆映射到实际道路上,对每个时间切片内同一道路上的同一车辆ID进行去重,再对每个时间切片内同一道路上的车辆数量进行统计,将该统计结果作为在该时间切片内该道路上的交通流量值,生成由各个道路上的交通流量值构成的道路交通流量特征矩阵,该道路交通流量特征矩阵中的节点上的数据为在不同时间片内各条道路上的交通流量值。
优选地,所述的利用线图转换将实际路网上的道路与道路交点进行转换,生成道路邻接矩阵,包括:
利用线图转换将路网上的道路与道路交点进行转换,生成道路邻接拓扑图,所述道路邻接拓扑图中的节点为路网中的道路,所述道路邻接拓扑图中的连边则代表着道路之间的连接关系,对所述道路邻接拓扑图中道路进行编号,创建横纵坐标都为道路编号的一个二维矩阵,在所述二维矩阵中,设横坐标为i,纵坐标为j,若编号为i,j的两条道路相连,则所述二维矩阵中(i,j)元素对应的数值为1;若编号为i,j的两条道路不相连,则所述二维矩阵中(i,j)元素对应的数值为0,将标注了各个元素对应的数值后的所述二维矩阵作为所述道路邻接拓扑图对应的道路邻接矩阵。
优选地,所述的基于所述道路邻接矩阵和道路交通流量特征矩阵,通过GCN网络提取道路的交通流量数据的空间特征,通过LSTM网络提取道路的交通流量数据的时间特征,综合所述道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值,包括:
将整形处理后得到的道路交通流量特征矩阵与道路邻接矩阵输入到GCN网络中,所述GCN网络将道路交通流量特征矩阵与道路邻接矩阵在道路邻接拓扑图上实现卷积操作,以提取道路邻接拓扑图中的道路的交通流量数据的空间特征信息,将所述GCN网络提取的空间特征信息输入到LSTM网络中,该LSTM网络提取所要预测道路的交通流量数据的时间特征;
提取所要预测道路上交通流量数据的时间周期特征和天气特征,所述时间周期特征通过对道路上交通流量的时间序列数据分解提取得到的,所述天气特征是由当天各个小时的温度得到的;
将所要预测道路上交通流量数据的空间特征、时间特征、时间周期特征和天气特征进行线性整合,得到所要预测道路的下一时间段的交通流量数据的最终预测结果。
优选地,所述的方法还包括:
将所要预测道路的交通流量数据的最终预测结果与真实结果进行比较,利用均方误差对比较结果进行衡量,将均方误差的衡量结果作为评价指标,对所述GCN网络和所述GCN网络的参数信息进行调整,以提高道路的交通流量数据的预测效果。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例通过综合利用GCN提取的道路的交通流量数据的空间特征和LSTM提取的道路的交通流量数据的时间特征,并结合时间周期特征及天气特征,来对道路的交通流量数据进行预测,预测效果比只利用时间特征或者空间特征来进行预测的效果更好,可以较好地实现对道路的交通流量数据的预测,从而有助于相应车辆的掉配、导航路径的推荐和分析人群移动模式等。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于GCN的交通流量预测方法的实现原理示意图;
图2为本发明实施例提供的一种基于GCN的交通流量预测方法的具体处理流程图;
图3为本发明实施例提供的一种通过对车辆GPS数据进行数据整形处理得到道路交通流量特征矩阵的处理过程示意图;
图4为本发明实施例提供的一种线图line-graph结构示意图;
图5为本发明实施例提供的一种数据整形方式示意图;
图6为本发明实施例提供的一种通过特征提取对未来一段时间内的道路的交通流量进行预测过程示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例针对道路上交通流量的预测,提出了一种基于GCN(GraphConvolutional Network,图卷积网络)的道路的交通流量预测方法。该方法能够将道路上的车辆GPS(Global Positioning System,全球定位系统)数据整合并利用线图的思维进行转换,通过使用GCN合理地提取道路流量值的空间特征,利用LSTM提取时间特征,结合长周期特征信息与天气等其他特征信息,一同来对道路上的下一时间段的交通流量进行预测。
本发明实施例提供的一种基于GCN的交通流量预测方法的实现原理示意图如图1所示,具体处理流程如图2所示,包括如下的处理步骤:
步骤S210、采集过去一段时间内的车辆GPS数据。
从车辆采集器上采集过去一段时间内的车辆GPS数据,将上述车辆GPS数据作为原始数据来对道路上的交通流量进行预测,该车辆GPS数据中的每一条数据都具有相应车辆的ID编号、时间点信息、地理位置信息(经纬度信息)、定位是否有效等信息。
步骤S220、将车辆GPS数据与实际路网信息数据进行整合,得到道路交通流量特征矩阵,利用线图转换将实际路网上的道路与道路交点进行转换,生成道路邻接矩阵。
图3为本发明实施例提供的一种通过对车辆GPS数据进行数据整形处理得到道路交通流量特征矩阵的处理过程示意图,具体处理过程如下:
对上述车辆GPS数据进行数据整形处理,选取其中的有效数据,作为下一步要被处理的车辆信息数据集。首先将车辆GPS数据按照时间进行切片,对每个切片内的车辆GPS数据与实际路网信息数据整合,根据车辆经纬度将车辆映射到实际道路上。对每个时间切片内同一道路上的同一车辆ID进行去重,再对每个时间切片内同一道路上的车辆数量进行统计,将该统计结果作为在该时间切片内该道路上的交通流量值。然后,生成由各个道路上的交通流量值构成的道路交通流量特征矩阵。此时,道路交通流量特征矩阵中的节点上的数据即为在不同时间片内各条道路上的交通流量值。
图5为本发明实施例提供的一种利用线图转换将实际路网上的道路与道路交点进行转换生成道路邻接矩阵的示意图,具体处理过程如下:
在对数据整形时,本发明利用图4所示的线图(line-graph)的原理将路网中的道路与交叉节点进行转换,上述线图(line-graph)的原理是将原路网的拓扑图中边作为线图中顶点,线图中连边表示原拓扑图中边的连接情况。利用线图转换将路网上的道路与道路交点进行转换,生成得到新的拓扑图,我们称其为道路邻接拓扑图。该道路邻接拓扑图中的节点为路网中的道路,而道路邻接拓扑图中的连边则代表着道路之间的连接关系。对道路邻接拓扑图中道路进行编号,创建横纵坐标都为道路编号的一个二维矩阵,在所述二维矩阵中,设横坐标为i,纵坐标为j,若编号为i,j的两条道路相连,则所述二维矩阵中(i,j)元素对应的数值为1;若编号为i,j的两条道路不相连,则所述二维矩阵中(i,j)元素对应的数值为0,将标注了各个元素对应的数值后的所述二维矩阵作为所述道路邻接拓扑图对应的道路邻接矩阵,将该道路邻接矩阵作为分析道路的空间特征。同时经过线图转换后,原有的道路交通流量特征矩阵转变为道路邻接拓扑图对应的道路邻接矩阵。
步骤S230、基于所述道路邻接矩阵和道路邻接矩阵,通过GCN网络提取道路的交通流量数据的空间特征,通过LSTM网络提取道路的交通流量数据的时间特征,综合所述道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值。
该步骤对道路上交通流量数据的时空特征进行提取,结合长周期特征信息与天气等其他特征信息,对道路交通流量进行预测。本发明实施例提供的一种通过特征提取对未来一段时间内的道路的交通流量进行预测过程示意图如图5所示,包括如下的处理过程:
首先将整形处理后得到的道路交通流量特征矩阵与道路邻接矩阵输入到GCN网络中,GCN网络将道路交通流量特征矩阵与道路邻接矩阵在道路邻接拓扑图上实现卷积操作,以提取道路邻接拓扑图中的道路的交通流量数据的空间特征信息。然后,将GCN网络提取的空间特征信息输入到LSTM网络中,LSTM网络提取所要预测道路的交通流量数据的时间特征,对道路上下一时刻的交通流量进行预测。
同时我们提取所要预测道路上交通流量数据的其他特征进行预测,该其它特征包含时间周期特征及天气特征。其中时间周期特征是通过对道路上交通流量的时间序列数据分解提取得到的,而天气特征是由当天各个小时的温度得到的。我们把利用道路上交通流量数据的其他特征的预测结果与道路上交通流量数据的时空特征的预测结果进行线性整合,从而得到所要预测道路的下一时间段的交通流量数据的最终预测结果。
将所要预测道路的交通流量数据的最终预测结果与真实结果进行比较,利用RMSE(均方误差)对比较结果进行衡量。将均方误差的衡量结果作为评价指标,对所述GCN网络和所述GCN网络的参数信息进行调整,以提高道路的交通流量数据的预测效果。
综上所述,本发明实施例通过综合利用GCN提取的道路的交通流量数据的空间特征和LSTM提取的道路的交通流量数据的时间特征,并结合时间周期特征及天气特征,来对道路的交通流量数据进行预测,预测效果比只利用时间特征或者空间特征来进行预测的效果更好,可以较好地实现对道路的交通流量数据的预测,从而有助于相应车辆的掉配、导航路径的推荐和分析人群移动模式等。
本发明实施例中的车辆GPS数据相对以往用于交通流量预测的路网探头数据更容易获取,GCN相较于CNN来说提取道路上流量的空间特征信息更切合实际。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于图卷积网络的道路的交通流量的预测方法,其特征在于,包括:
采集过去一段时间内的车辆GPS数据;
将所述车辆GPS数据与实际路网信息数据进行整合,得到道路交通流量特征矩阵,利用线图转换将实际路网上的道路与道路交点进行转换,生成道路邻接矩阵;所述的车辆GPS数据包括车辆的ID编号、时间点信息、地理位置信息和定位是否有效信息;
所述的将所述车辆GPS数据与实际路网信息数据进行整合,得到道路交通流量特征矩阵具体包括:将车辆GPS数据按照时间进行切片,对每个切片内的车辆GPS数据与实际路网信息数据整合,根据车辆经纬度将车辆映射到实际道路上,对每个时间切片内同一道路上的同一车辆ID进行去重,再对每个时间切片内同一道路上的车辆数量进行统计,将该统计结果作为在该时间切片内该道路上的交通流量值,生成由各个道路上的交通流量值构成的道路交通流量特征矩阵,该道路交通流量特征矩阵中的节点上的数据为在不同时间片内各条道路上的交通流量值;
基于所述道路邻接矩阵和道路交通流量特征矩阵,通过GCN网络提取道路的交通流量数据的空间特征,通过LSTM网络提取道路的交通流量数据的时间特征,综合所述道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值;具体包括:
将整形处理后得到的道路交通流量特征矩阵与道路邻接矩阵输入到GCN网络中,所述GCN网络将道路交通流量特征矩阵与道路邻接矩阵在道路邻接拓扑图上实现卷积操作,以提取道路邻接拓扑图中的道路的交通流量数据的空间特征信息,将所述GCN网络提取的空间特征信息输入到LSTM网络中,该LSTM网络提取所要预测道路的交通流量数据的时间特征;
提取所要预测道路上交通流量数据的时间周期特征和天气特征,所述时间周期特征通过对道路上交通流量的时间序列数据分解提取得到的,所述天气特征是由当天各个小时的气温数据得到的;
将所要预测道路上交通流量数据的空间特征、时间特征、时间周期特征和天气特征进行线性整合,得到所要预测道路的下一时间段的交通流量数据的最终预测结果。
2.根据权利要求1所述的方法,其特征在于,所述的利用线图转换将实际路网上的道路与道路交点进行转换,生成道路邻接矩阵,包括:
利用线图转换将路网上的道路与道路交点进行转换,生成道路邻接拓扑图,所述道路邻接拓扑图中的节点为路网中的道路,所述道路邻接拓扑图中的连边则代表着道路之间的连接关系,对所述道路邻接拓扑图中道路进行编号,创建横纵坐标都为道路编号的一个二维矩阵,在所述二维矩阵中,设横坐标为i,纵坐标为j,若编号为i,j的两条道路相连,则所述二维矩阵中(i,j)元素对应的数值为1;若编号为i,j的两条道路不相连,则所述二维矩阵中(i,j)元素对应的数值为0,将标注了各个元素对应的数值后的所述二维矩阵作为所述道路邻接拓扑图对应的道路邻接矩阵。
3.根据权利要求1所述的方法,其特征在于,所述的方法还包括:
将所要预测道路的交通流量数据的最终预测结果与真实结果进行比较,利用均方误差对比较结果进行衡量,将均方误差的衡量结果作为评价指标,对所述GCN网络和所述GCN网络的参数信息进行调整,以提高道路的交通流量数据的预测效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910370506.4A CN110264709B (zh) | 2019-05-06 | 2019-05-06 | 基于图卷积网络的道路的交通流量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910370506.4A CN110264709B (zh) | 2019-05-06 | 2019-05-06 | 基于图卷积网络的道路的交通流量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264709A CN110264709A (zh) | 2019-09-20 |
CN110264709B true CN110264709B (zh) | 2021-02-12 |
Family
ID=67914264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910370506.4A Active CN110264709B (zh) | 2019-05-06 | 2019-05-06 | 基于图卷积网络的道路的交通流量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264709B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827544B (zh) * | 2019-11-11 | 2022-09-02 | 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 |
CN110866649B (zh) * | 2019-11-19 | 2022-09-20 | 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 |
CN110992685B (zh) * | 2019-11-20 | 2021-05-14 | 安徽百诚慧通科技有限公司 | 一种基于高速公路交通流突变的交通安全预警方法 |
CN110827546B (zh) * | 2019-11-21 | 2021-02-26 | 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 |
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 |
CN110956808B (zh) * | 2019-12-23 | 2020-11-24 | 北京交通大学 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
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 |
CN110995520B (zh) * | 2020-02-28 | 2020-06-30 | 清华大学 | 网络流量预测方法、装置、计算机设备及可读存储介质 |
CN110991775B (zh) * | 2020-03-02 | 2020-06-26 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
CN111489013A (zh) * | 2020-03-11 | 2020-08-04 | 北京交通大学 | 一种基于时空多图卷积网络的交通站点流量预测方法 |
CN111583628B (zh) * | 2020-03-27 | 2021-05-11 | 北京交通大学 | 基于数据质量控制的道路网重型货车交通流量预测方法 |
CN111523706B (zh) * | 2020-04-06 | 2022-07-08 | 武汉理工大学 | 一种基于深度学习组合模型的断面车道级短时交通流预测方法 |
CN113541986B (zh) * | 2020-04-15 | 2023-04-18 | 中国移动通信集团浙江有限公司 | 5g切片的故障预测方法、装置及计算设备 |
CN111540198B (zh) * | 2020-04-17 | 2021-07-27 | 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 |
CN111710154B (zh) * | 2020-05-15 | 2022-11-18 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
CN111862592B (zh) * | 2020-05-27 | 2021-12-17 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN111815956B (zh) * | 2020-09-11 | 2021-02-09 | 浙江高速信息工程技术有限公司 | 一种高速公路交通流量预测方法 |
CN114448840A (zh) * | 2020-10-20 | 2022-05-06 | 南京中兴软件有限责任公司 | 流量信号转换方法、装置、电子设备及存储介质 |
CN112489420B (zh) * | 2020-11-17 | 2022-06-21 | 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 |
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 |
CN112350899B (zh) * | 2021-01-07 | 2021-04-06 | 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 |
CN112819213B (zh) * | 2021-01-22 | 2022-06-14 | 华南理工大学 | 基于深度学习网络的高速公路货运量预测方法及系统 |
CN112766597B (zh) * | 2021-01-29 | 2023-06-27 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
CN114973640B (zh) * | 2021-02-24 | 2024-06-14 | 阿里巴巴集团控股有限公司 | 交通流量的预测方法、装置及系统 |
CN113112791A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
CN113112819B (zh) * | 2021-03-26 | 2022-10-25 | 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 |
CN113380025B (zh) * | 2021-05-28 | 2022-08-30 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
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 |
CN113256985B (zh) * | 2021-06-28 | 2021-09-17 | 智道网联科技(北京)有限公司 | 一种交通拥堵预测方法、装置和电子设备 |
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 |
CN113496314B (zh) * | 2021-09-07 | 2021-12-03 | 南京感动科技有限公司 | 一种神经网络模型预测道路交通流量的方法 |
CN114155193B (zh) * | 2021-10-27 | 2022-07-26 | 北京医准智能科技有限公司 | 一种基于特征强化的血管分割方法及装置 |
CN114511154B (zh) * | 2022-02-22 | 2024-06-14 | 南通大学 | 一种基于时空复杂图卷积网络的交通流预测方法 |
CN114944053B (zh) * | 2022-03-16 | 2023-05-23 | 浙江工业大学 | 一种基于时空超图神经网络的交通流预测方法 |
CN114360254B (zh) * | 2022-03-17 | 2022-06-21 | 湖南工商大学 | 一种基于时空的交通流量预测方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控系统时空数据预测方法 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
CN109409497A (zh) * | 2017-08-15 | 2019-03-01 | 高德信息技术有限公司 | 一种路况预测方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10855550B2 (en) * | 2016-11-16 | 2020-12-01 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN107180530B (zh) * | 2017-05-22 | 2019-09-06 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN108510741B (zh) * | 2018-05-24 | 2020-10-30 | 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 |
CN109299401B (zh) * | 2018-07-12 | 2022-02-08 | 中国海洋大学 | 基于混合深度学习模型LSTM-ResNet的城域时空流预测方法 |
CN109215349B (zh) * | 2018-10-26 | 2020-12-29 | 同济大学 | 基于深度学习的长时交通流量预测方法 |
CN109410575B (zh) * | 2018-10-29 | 2020-05-01 | 北京航空航天大学 | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 |
-
2019
- 2019-05-06 CN CN201910370506.4A patent/CN110264709B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
CN109409497A (zh) * | 2017-08-15 | 2019-03-01 | 高德信息技术有限公司 | 一种路况预测方法及装置 |
CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控系统时空数据预测方法 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110264709A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
US11443617B2 (en) | Method for defining intersections using machine learning | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN110310474A (zh) | 一种基于时空残差网络的车流量预测方法及装置 | |
Zhang et al. | Recommending pick-up points for taxi-drivers based on spatio-temporal clustering | |
CN109033170B (zh) | 停车场的数据修补方法、装置、设备及存储介质 | |
WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
US11335189B2 (en) | Method for defining road networks | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN109840272B (zh) | 一种共享电动汽车站点用户需求预测方法 | |
Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
Miller et al. | Scaling GPS trajectories to match point traffic counts: A convex programming approach and Utah case study | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN110659774A (zh) | 大数据方法驱动的停车需求预测方法 | |
CN113888867A (zh) | 一种基于lstm位置预测的车位推荐方法及系统 | |
CN109064750A (zh) | 城市路网交通估计方法及系统 | |
CN108764518B (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
CN108596381B (zh) | 基于od数据的城市停车需求预测方法 | |
EP3922947A2 (en) | Traffic analytics system for defining road networks | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
CN114996380A (zh) | 路网交叉点提取方法、装置、设备及存储介质 | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
Elleuch et al. | Collection and exploration of GPS based vehicle traces database |
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 |