CN110287995B - 全天高架交通拥堵情况分级的多特征学习网络模型方法 - Google Patents
全天高架交通拥堵情况分级的多特征学习网络模型方法 Download PDFInfo
- Publication number
- CN110287995B CN110287995B CN201910445174.1A CN201910445174A CN110287995B CN 110287995 B CN110287995 B CN 110287995B CN 201910445174 A CN201910445174 A CN 201910445174A CN 110287995 B CN110287995 B CN 110287995B
- Authority
- CN
- China
- Prior art keywords
- congestion
- matrix
- time
- space
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 107
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000012067 mathematical method Methods 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种全天高架交通拥堵情况分级的多特征学习网络模型方法。在本发明中，先将全天的交通车速数据根据数据的时间属性和空间属性重新组织成为速度时空矩阵，同时保留交通数据的时空特征；再根据速度时空矩阵以及道路拥堵速度分级定义，构造拥堵时空矩阵；然后根据拥堵时空矩阵，针对道路的各个路段构建拥堵时长占比向量；最后基于速度时空矩阵，拥堵时空矩阵和拥堵时长占比向量，用三个不同的神经网络分支对数据提取特征，并进行分类。与现有技术相比，本发明针对完整的全天数据，多特征学习网络模型能够较好提取不同类型的数据特征，针对全天交通数据，进行较为有效的数据分类，能够高效率自动化的全天交通拥堵情况分级的问题。
Description
技术领域
本发明涉及智能智能交通高架道路拥堵情况分级。
背景技术
当前智能交通中，在交通参数预测等方向上，深度学习的方法已经逐步取代传统的方法。早期研究者通常使用基于统计的方法和一些简单机器学习方法进行交通参数预测，常见的方法包括自回归滑动平均模型(ARIMA)，支持向量机(SVN)，人工神经网络(ANN)等。而目前在道路拥堵分级上，我们通常基于实时数据进行分级。通常有两类算法：启发式算法和简单的聚类算法，例如鱼群算法，k均值聚类算法等。基于启发式算法的拥堵分类算法通常对解进行初始化，之后根据一定的规则对解空间进行搜索，搜索规则通常模拟了一些自然界的规律，例如蚁群算法是模拟蚂蚁寻找食物的机制，粒子群算法是模拟鸟群寻找食物活动机制，模拟退火算法是模拟固体退火的过程，在有限次数的搜索迭代中找到最优解或者近似最优解。启发式算法在搜索解空间的过程较慢，迭代过程复杂，收敛慢，耗时长。常用于短时交通拥堵分级的机器学习算法将样本进行打标，并引用梯度下降的方法进行机器学习模型训练是的模型的损失函数值最小或者近似最小，然后将样本输入模型，经过模型的前向推导，计算出模型的输出分级。基于机器学习的方法通常需要一定训练时间，并且需要实时数据作为其支持。
而对于全天的拥堵情况分级目前相关研究较少。通常，全天拥堵情况的分级需要得到全天的交通数据，相关人员根据一定的专业知识，对全天的交通数据人工的进行分级，这种非自动化的全天拥堵情况分级方式工作量较大，效率较低，耗时较长，人力成本较高，对相关从业人员有一定的专业知识要求，并且由于分级工作有一定的主观因素存在，人工分级的准确性不高。
发明内容
针对如何进行高效率自动化的全天交通拥堵情况分级的问题，本发明提出了一种全天高架交通拥堵情况分级的多特征学习网络模型方法。
先将全天的交通车速数据根据数据的时间属性和空间属性重新组织成为速度时空矩阵，同时保留交通数据的时空特征；再根据速度时空矩阵以及道路拥堵速度分级定义，构造拥堵时空矩阵；然后根据拥堵时空矩阵，针对道路的各个路段构建拥堵时长占比向量；最后基于速度时空矩阵，拥堵时空矩阵和拥堵时长占比向量，用三个不同的神经网络分支对数据提取特征，并进行分类。
本发明的技术方案：
一种全天高架交通拥堵情况分级的多特征学习网络模型方法，包括：
(5)由原始数据构建速度时空矩阵；
对原始数据(线圈数据)按照时间维度和空间维度进行聚合,构建速度时空矩阵。
(6)根据步骤(1)速度时空矩阵构建拥堵时空矩阵；
对步骤(1)速度时空矩阵的数值，根据拥堵级别定义，对速度时空矩阵各个元素数据进行映射，得到拥堵时空矩阵。
(7)根据步骤(2)拥堵时空矩阵构建拥堵占比向量
由于步骤(2)拥堵时空矩阵是一个二值矩阵，对矩阵的每一行进行统计，计算拥堵元素占比值，获得拥堵占比向量。
(8)利用分支神经网络提取数据特征
将步骤(1)速度时空矩阵和步骤(2)拥堵时空矩阵作为两个不同的分支卷积神经网络输入，进行特征提取；同时将步骤(3)拥堵占比向量输入进多层全连接层神经网络提取其中的特征。
融合各分支网络所提取到的特征，融合学习，输入到softmax分类器进行分类，输出全天道路交通拥堵情况进行分级情况，如拥堵、轻度、畅通不同的分级情况，效率、准确性都很高。
与现有技术相比，本发明的有益效果在于：本发明提出的全天高架交通拥堵情况分级的多特征学习网络模型方法，能够高效率自动化的全天交通拥堵情况分级的问题，针对完整的全天数据，多特征学习网络模型能够较好提取不同类型的数据特征，针对全天交通数据，进行较为有效的数据分类。
附图说明
图1为本发明实施例提供的全天高架交通拥堵情况分级的多特征学习网络模型方法的流程图；
图2为本发明实施例提供的速度时空矩阵的构建示意图；
图3为本发明实施例提供的速度时空矩阵的热图；
图4为本发明实施例提供的拥堵时空矩阵的二值图；
图5为本发明实施例提供的多特征学习网络模型结构图；
图6为本发明实施例提供的交通拥堵事件示意图。
具体实施方式
下面将结合具体实施例及其附图对本申请提供的技术方案作进一步说明。结合下面说明，本申请的优点和特征将更加清楚。
随着城市交通的不断发展，智能交通已经成为城市交通的研究重点。智能交通涵盖了和交通相关的方方面面，包括但不限于交通参数预测，拥堵预测，拥堵分级。其中拥堵分级在智能交通中是一个非常重要的技术。然而，现有的交通拥堵分级的方法几乎都是基于实时数据的实时拥堵情况分级，而这些方法所依赖的实时数据的可靠性通常较低，并且实时拥堵分级情况并不能在城市交通规划中提供很好的数据支撑。针对以上问题，本发明基于卷积神经网络框架，提出了一种多特征学习网络以实现高架道路的全天的交通拥堵情况分级。
如图1所示，一种本发明实施例提供的全天高架交通拥堵情况分级的多特征学习网络模型方法，包括：
(1)基于原始数据构建速度时空矩阵；
(2)基于速度时空矩阵构建拥堵时空矩阵；
(3)基于拥堵时空矩阵构建拥堵占比向量；
(4)使用多特征学习网络模型来学习数据特征，由softmax分类器进行数据分类。
各个步骤详述如下：
(1)基于原始数据构建速度时空矩阵
速度数据是由道路埋设的检测器如感应线圈按照一定的时间间隔进行数据的采集获取。根据检测器的设定的时间间隔，以及检测器的位置顺序，可以将数据转换成为一个速度的时空矩阵。其构建的过程如图2所示：将同一个检测器在一天之内不同时间采集的数据作为矩阵的一行数据；同样的，将一条道路上埋设的各个检测器在同一时空采集到的速度数据作为矩阵的一列。速度时空矩阵的定义如公式(1)：
其中，n表示数据聚合过后的时间间隔数，m表示该道路埋设的检测器的个数。vij表示在第j个时间间隔，该道路的第i号检测器记录的速度数据的聚合后的数值。
(2)基于速度时空矩阵构建拥堵时空矩阵
首先，拥堵时空矩阵和速度时空矩阵一样，将时间和空间信息融入在一个矩阵之中：拥堵时空矩阵的横轴表示时间，拥堵时空矩阵的纵轴表示在道路上铺设的检测器的位置。但是，在具体的矩阵元素的数值上，拥堵时空矩阵和速度时空矩阵有着截然不同的定义：对于速度时空矩阵来说，公式(1)矩阵中的任意矩阵元素vij表示一天中在路段的第i号检测器，在第j个时间间隔的采样速度；然而，对于拥堵时空矩阵来说，矩阵中的每一个元素的值不是0就是1，其中0表示不拥堵，1表示拥堵，因此，对于拥堵时空矩阵的元素cij，它表示一天中在路段的第i号检测器，在第j个时间间隔的交通是否拥堵。这样，我们可以得出如下的结论：拥堵时空矩阵是一个二值化的矩阵，矩阵中的每个元素的值不是0就是1，其纵坐标表示检测器在道路中的位置，其横坐标表示时间。公式(2)就展示出了拥堵时空矩阵的数学表达。其中n表示时间间隔的总数，m表示道路上所铺设的检测器的个数。
根据以上对拥堵时空矩阵的描述，当得到一个速度时空矩阵和拥堵状况最大车速的定义时，就能很快地得到拥堵时空矩阵的构建方法。假定vc表示拥堵状况最大车速，即当某一路段的车速v>vc时，该交通情况属于畅通状态，当路段的车速v<vc时，则该交通情况属于拥堵状态。拥堵时空矩阵可以由公式(3)和公式(4)中的数学方法进行构建。其中，f(v)是一个函数，当它作用于一个矩阵时，将针对矩阵的每个元素进行运算，V表示速度时空矩阵，C表示拥堵时空矩阵。
C＝f(y) (3)
(3)基于拥堵时空矩阵构建拥堵占比向量
一天的拥堵情况等级通常和道路拥堵状态的时间占比有着非常紧密的联系，在大多数场景下，一条完整的道路的各个路段的拥堵状态的时间占比越高，道路的拥堵级别越严重。但是拥堵级别本身和道路的各个路段的拥堵状态时间占比的定量的关系无法通过现有是交通学模型或者一些明确是数学模型来表示，因此，希望通过神经网络模型来拟合道路拥堵级别和拥堵状态时间占比之间无法进行定量描述的关系。本发明将一条完整的道路的各个路段(每个路段对应一个检测器)的拥堵状态时间占比连续的拼接起来构建成一个向量，本发明将这个向量称为拥堵占比向量。拥堵占比向量R的构造方式如公式(5)和公式(6)所示。
R＝(r1，r2，...，rm) (5)
公式中C表示拥堵时空矩阵；而m为拥堵时空矩阵的行数，即一条完整道路中铺设的检测器的个数，亦即这条道路的路段数目；n表示拥堵时空矩阵的C列数，即时间间隔数，R表示拥堵占比向量，它是由r1,r2…rm，m个元素构成；count(C,0,i)表示对拥堵时空矩阵C的第i行值为0的元素数量进行统计。
(4)使用多特征学习网络模型来学习数据特征，由softmax分类器进行数据分类
对全天高架交通拥堵情况进行自动分级的方法如图1所示，其中的核心模块多特征学习网络模型具体结构如图5所示，通过该网络模型的不同分支对不同的数据进行特征学习和提取。具体的，对于速度时空矩阵数据，拥堵时空矩阵数据，和拥堵状态时长占比向量三组不同的数据，分别采用卷积神经网络，卷积神经网络，多层全连接层网络进行特征学习，在不同的阶段进行不同的层次的特征融合，最后通过softmax分类器进行分类。多特征学习网络模型参数由表1所示。
表1多特征学习网络模型参数表
下面进一步提供模型实施实例进行说明：
在高架交通拥堵情况分级的模型实施案例中，使用的数据来自于上海延安高架北线的2011年全年数据。图6显示了某天的速度时空矩阵转换成的热图，单次交通拥堵事件表现为三角形，梯形或者倒三角形，倒梯形的深色区域。梯形和三角形的倾斜的左侧边的颜色变化能够很清楚的展示出拥堵的产生的过程，它们的右侧边的颜色变化也能够很明了的展示出拥堵的一个疏散的过程。连续的拥堵事件通常由多次发生路段向邻近，时间较连续的拥堵事件合并而成，在热图上通常展现为由多个三角形，梯形，倒三角形，倒梯形以不同的位置部分重叠或相连接的形状的深色区域。因此，可通过统计一整天整条道路出现的交通拥堵事件的次数来衡量当天的道路拥堵级别，如图6所示，被圈中的区域代表了多个交通拥堵事件。针对延安高架，我们将全天交通拥堵情况分为3级，通畅，轻度拥堵，严重拥堵，针对通畅级别，每天发生的拥堵事件次数小于或等于4次；针对轻度拥堵级别，每天发生的拥堵事件次数大于等于5次，小于等于8次；而对于严重拥堵级别，每天发生的拥堵事件次数大于等于9次。
基于延安高架数据，随机抽取40天完整的数据作为测试集数据，剩余321天的数据作为测试集，按照前文所述的方法构建模型并进行交通拥堵情况分级，实验结果如表2所示，和相关方法进行对比，本发明提出的模型在交通拥堵情况分级上获得了较高的准确率。
表2交通拥堵情况分级准确率
| 模型 | 准确率 |
| 多特征学习网络模型 | 85％ |
| LeNet-5 | 80％ |
| ANN | 77.5％ |
| KNN | 77.5％ |
上述描述仅是对本申请较佳实施例的描述，并非是对本申请范围的任何限定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更或修饰均应当视为等同的有效实施例，均属于本申请技术方案保护的范围。
Claims (6)
1.一种全天高架交通拥堵情况分级的多特征学习网络模型方法，其特征在于，包括：
(1)由原始数据构建速度时空矩阵：
对原始数据按照时间维度和空间维度进行聚合,构建速度时空矩阵；
(2)根据步骤(1)所述速度时空矩阵构建拥堵时空矩阵：
对步骤(1)所述速度时空矩阵的数值，根据拥堵级别定义，对速度时空矩阵各个元素数据进行映射，得到拥堵时空矩阵；
(3)根据步骤(2)所述拥堵时空矩阵构建拥堵占比向量：
步骤(2)所述拥堵时空矩阵是一个二值矩阵，对该二值矩阵的每一行进行统计，计算拥堵元素占比值，获得拥堵占比向量；
(4)利用分支神经网络提取数据特征：
将步骤(1)所述速度时空矩阵和步骤(2)所述拥堵时空矩阵作为两个不同的分支卷积神经网络输入，进行特征提取；同时将步骤(3)所述拥堵占比向量输入进多层全连接层神经网络提取其中的特征；
融合各分支网络所提取到的特征，融合学习，输入到softmax分类器进行分类，输出全天道路交通拥堵情况进行分级情况。
2.根据权利要求1所述的全天高架交通拥堵情况分级的多特征学习网络模型方法，其特征在于：步骤(1)所述原始数据为速度数据，由道路埋设的检测器按照一定的时间间隔进行采集获取。
3.根据权利要求2所述的全天高架交通拥堵情况分级的多特征学习网络模型方法，其特征在于，步骤(1)所述对原始数据按照时间维度和空间维度进行聚合,构建速度时空矩阵包括：
根据检测器的设定的时间间隔，以及检测器的位置顺序，将数据转换成为一个速度的时空矩阵；将同一个检测器在一天之内不同时间采集的数据作为矩阵的一行数据，将一条道路上埋设的各个检测器在同一时空采集到的速度数据作为矩阵的一列数据构建速度时空矩阵；
所述速度时空矩阵的定义如公式(1)所示：
其中，n表示数据聚合过后的时间间隔数，m表示该道路埋设的检测器的个数；vij表示在第j个时间间隔，该道路的第i号检测器记录的速度数据的聚合后的数值。
4.根据权利要求3所述的全天高架交通拥堵情况分级的多特征学习网络模型方法，其特征在于：步骤(2)所述拥堵时空矩阵，是将时间和空间信息融入在一个矩阵之中的二值化的矩阵，其横轴表示时间，其纵轴表示在道路上铺设的检测器的位置，其定义如公式(2)所示：
其中，n表示时间间隔的总数，m表示道路上所铺设的检测器的个数；
拥堵时空矩阵中的每一个元素的值不是0就是1，其中0表示不拥堵，1表示拥堵，元素cij表示一天中在路段的第i号检测器，在第j个时间间隔的交通是否拥堵。
5.根据权利要求4所述的全天高架交通拥堵情况分级的多特征学习网络模型方法，其特征在于，步骤(2)所述对步骤(1)所述速度时空矩阵的数值，根据拥堵级别定义，对速度时空矩阵各个元素数据进行映射，得到拥堵时空矩阵包括：
假定vc表示拥堵状况最大车速，即当某一路段的车速v>vc时，交通情况属于畅通状态，当路段的车速v<vc时，则交通情况属于拥堵状态；
拥堵时空矩阵由公式(3)和公式(4)中的数学方法进行构建；
C＝f(V)#(3)
其中，f(v)是一个函数，当它作用于一个矩阵时，将针对矩阵的每个元素进行运算，V表示速度时空矩阵，C表示拥堵时空矩阵。
6.根据权利要求5所述的全天高架交通拥堵情况分级的多特征学习网络模型方法，其特征在于，步骤(3)所述对该二值矩阵的每一行进行统计，计算拥堵元素占比值，获得拥堵占比向量包括：
每个路段对应一个检测器，将一条完整的道路的各个路段的拥堵状态时间占比连续的拼接起来构建成一个向量，称为拥堵占比向量；拥堵占比向量R的构造方式如公式(5)和公式(6)所示：
R＝(r1,r2,...,rm)#(5)
其中，C表示拥堵时空矩阵；而m为拥堵时空矩阵的行数，即一条完整道路中铺设的检测器的个数，亦即这条道路的路段数目；n表示拥堵时空矩阵的C列数，即时间间隔数，R表示拥堵占比向量，它是由r1,r2…rm，m个元素构成；count(C,0,i)表示对拥堵时空矩阵C的第i行值为0的元素数量进行统计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910445174.1A CN110287995B (zh) | 2019-05-27 | 2019-05-27 | 全天高架交通拥堵情况分级的多特征学习网络模型方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910445174.1A CN110287995B (zh) | 2019-05-27 | 2019-05-27 | 全天高架交通拥堵情况分级的多特征学习网络模型方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110287995A CN110287995A (zh) | 2019-09-27 |
| CN110287995B true CN110287995B (zh) | 2022-12-20 |
Family
ID=68002734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910445174.1A Active CN110287995B (zh) | 2019-05-27 | 2019-05-27 | 全天高架交通拥堵情况分级的多特征学习网络模型方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287995B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889427B (zh) * | 2019-10-15 | 2023-07-07 | 同济大学 | 一种拥堵交通流溯源分析方法 |
| CN111291924B (zh) * | 2020-01-17 | 2023-06-06 | 同济大学 | 面向长时交通速度预测的几何代数深度神经网络模型方法 |
| CN113051811B (zh) * | 2021-03-16 | 2022-08-05 | 重庆邮电大学 | 一种基于gru网络的多模式短期交通拥堵预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108335483A (zh) * | 2017-12-25 | 2018-07-27 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7689348B2 (en) * | 2006-04-18 | 2010-03-30 | International Business Machines Corporation | Intelligent redirection of vehicular traffic due to congestion and real-time performance metrics |
| JP2013232160A (ja) * | 2012-05-01 | 2013-11-14 | Sumitomo Electric Ind Ltd | 交通情報取得装置及びコンピュータプログラム |
| WO2014197911A1 (en) * | 2013-06-07 | 2014-12-11 | Yandex Europe Ag | Methods and systems for representing a degree of traffic congestion using a limited number of symbols |
| CN105321347A (zh) * | 2015-09-18 | 2016-02-10 | 西安电子科技大学 | 一种分层次的路网交通拥堵评价方法 |
| CN106205126B (zh) * | 2016-08-12 | 2019-01-15 | 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 |
| CN107134141B (zh) * | 2017-06-30 | 2018-12-28 | 北京航空航天大学 | 考虑空间结构特征的大规模路网时空交通状态表达与分析方法 |
| CN107480807A (zh) * | 2017-07-06 | 2017-12-15 | 中山大学 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
| CN109754126A (zh) * | 2019-01-30 | 2019-05-14 | 银江股份有限公司 | 基于时空相关性和卷积神经网络的短时交通流预测方法 |
-
2019
- 2019-05-27 CN CN201910445174.1A patent/CN110287995B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108335483A (zh) * | 2017-12-25 | 2018-07-27 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于拓扑概率分析与ACI 算法的小区开放对交通影响研究;夏杰;《佳木斯大学学报( 自然科学版)》;20170131;第154-158页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110287995A (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
| CN109657883B (zh) | 一种基于多源数据驱动的银行网点选址推荐方法 | |
| CN111768618B (zh) | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 | |
| CN108109382B (zh) | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
| CN110287995B (zh) | 全天高架交通拥堵情况分级的多特征学习网络模型方法 | |
| CN111243299B (zh) | 一种基于3dqn_pser算法的单交叉口信号控制方法 | |
| CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
| CN102956023B (zh) | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 | |
| CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
| CN108648445B (zh) | 基于交通大数据的动态交通态势预测方法 | |
| CN109710595B (zh) | 基于有限信息的输电走廊鸟害热点图的构建方法 | |
| CN110164129A (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
| CN111814528B (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
| CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
| CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
| CN114694382A (zh) | 一种基于车联网环境的动态单向交通控制系统 | |
| CN110111561A (zh) | 一种基于som-pam聚类算法的路网动态划分方法 | |
| CN116756695B (zh) | 一种融合地理特征和流特征的城市功能协同优化方法 | |
| CN113516850B (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 | |
| CN115796017A (zh) | 一种基于模糊理论的可解释交通认知方法 | |
| CN115273645A (zh) | 一种室内面要素自动聚类的地图制图方法 | |
| 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 | |
| CN109241070A (zh) | 一种基于大数据的气象数据不一致性的时间维度统一方法 | |
| CN117235556B (zh) | 一种面向交通管理者的多模式交通复合网络构建方法 |
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 |