CN110310474A - 一种基于时空残差网络的车流量预测方法及装置 - Google Patents
一种基于时空残差网络的车流量预测方法及装置 Download PDFInfo
- Publication number
- CN110310474A CN110310474A CN201810457554.2A CN201810457554A CN110310474A CN 110310474 A CN110310474 A CN 110310474A CN 201810457554 A CN201810457554 A CN 201810457554A CN 110310474 A CN110310474 A CN 110310474A
- Authority
- CN
- China
- Prior art keywords
- data
- space
- residual error
- error network
- wagon flow
- 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
Links
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空残差网络的车流量预测方法及装置,该方法获取待测城市的地理经纬度,将所述城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格,其中每一个方格代表一个区域;将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据;对所述收集的数据进行归一化预处理;根据预处理的数据对时空残差网络进行训练,形成已训练车流预测模型;调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。使用本发明进行车流量预测,通过基于时空残差网络车流预测模型,利用区域间的相互影响,可以对数据进行更深入的挖掘分析,在很大程度上也进一步提高了车流预测的准确性。
Description
技术领域
本发明涉及深度学习和智能车系统交叉的技术领域,特别涉及一种基于时空残差网络的车流量预测方法及装置。
背景技术
随着社会的发展和生活水平的提高,城市车辆日益拥堵,车事故和空气污染也进一步加剧。为了更加准确的预测车拥堵状况,为车辆出行提供更加合理的车路线规划,很有必要进行大规模的车网络拥堵预测。
在车网络中,道路的车拥堵状况是相互影响的,一个区域的车拥堵状态与相邻的区域的拥堵状态密不可分,所以预测各区域车动态变化情况需要从全局网络考虑;而且,对单一路段进行车拥堵预测具有短视性,局部车预测仅仅借助历史数据或基于周边有限路段车的状态进行预测,但一旦路段扩张到大规模车网络预测时,运算量会大大增加,预测效率和精度都无法得到保障,不能够满足车信息服务的实时性和准确性。
本发明的申请人在经过对现有技术的文献进行大量检索后发现,现存的车预测方法存在效率低和精度低的问题。因此,如何解决现有方法不能跨区域和长久记忆历史车流数据,从而无法根据相邻区域间的输入、输出车流量更加准确的预测车流量这一问题,便成为了本领域技术人员的一个重要研究方向。
发明内容
本发明根据上述技术背景,提供了一种基于时空残差网络的车流量预测方法及装置,目的是通过基于时空残差网络车流预测模型,利用区域间的相互影响,获得更好的预测结果。
第一方面,本发明提供了一种基于时空残差网络的车流量预测方法,包括以下步骤:
获取待测城市的地理经纬度,将所述城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格,其中每一个方格代表一个区域;
将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据;
对所述收集的数据进行归一化预处理;
根据预处理的数据对时空残差网络进行训练,形成已训练车流预测模型;
调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。
优选地,将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据的具体步骤为:将利用GPS统计的每个时间段内车辆在一个区域及其相邻区域的输入、输出轨迹进行记录,并记录每个时间段内的特殊事件、天气;将所述每个时间段内的若干个相关数据分别进行输入、输出汇总和聚合。
优选地,对所述收集的数据进行归一化预处理的具体步骤为:将聚合后的输入、输出数据进行归一化处理,具体通过以下公式实现:
其中x*为归一化预处理后的数据,xm为样本数据最小值,xM为样本数据最大值,x为待归一化预处理的历史车流数据;所述样本数据具体是指:用于训练和测试的所有数据。
优选地,根据预处理的数据对时空残差网络进行训练,形成已训练车流预测模型的具体步骤为:对时空残差网络预测模型的各个参数进行合理设定,所述参数包括:输入层数,中间层,权重因子,层的输入和输出向量维数,每个隐层的结点数和输出节点数;根据预处理过的数据,对已设置合理参数的时空残差网络模型进行训练,形成已训练车流预测模型。
优选地,根据预处理过的数据,对已设置合理参数的时空残差网络模型进行训练,形成已训练车流预测模型的具体步骤为:将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集;根据训练数据集,在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练,得到对应的对下一指定时间间隔的车流数据的归一化预测值;将所述下一指定时间间隔的车流数据的归一化预测值进行反归一化处理,得到对指定时间间隔的车流数据预测值。
优选地,调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差的具体步骤为:根据已训练车流预测模型预测指定时间间隔的车流,并评估预测误差。
第二方面,本发明提供了一种基于时空残差网络的车流量预测装置,包括:
区域映射变换模块:用于获取一个城市的地理经纬度,将所述城市根据获取的地理经纬度按照一定的比例映射为一个I*J的网格,其中每一个方格代表一个区域;
数据采集模块:用于将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据;
数据处理模块:用于对所述收集的数据进行归一化预处理;
训练模型模块:用于根据预处理过的数据,对已设置合理参数的时空残差网络模型进行训练,形成已训练车流预测模型;
评估预测误差模块:用于调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。
优选地,上述基于时空残差网络的车流量预测装置,还包括:时空残差网络预测模型参数设定模块:用于对时空残差网络预测模型的各个参数进行合理设定。
优选地,训练模型模块,包括:
划分模块:用于将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集;
训练模块:用于根据训练数据集,在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练,得到对应的对下一指定时间间隔的车流数据的归一化预测值;
处理模块:用于将所述下一指定时间间隔的车流数据的归一化预测值进行反归一化处理,得到对指定时间间隔的车流数据预测值。
本发明提供的上述技术方案的有益效果至少包括:
与现有技术相比,本发明提供了一种基于时空残差网络的车流量预测方法及装置,通过时空残差网络模型对车流数据进行训练学习,可以对车流量数据进行更加深层次的学习;与传统的车流数据预测模型相比,可以对数据进行更加深入的分析,并有效提取数据的潜在分层特征,提高特征提取的效率。因此使用本发明的预测模型进行车流量预测,可以对数据进行更深入的挖掘分析,在很大程度上也进一步提高了车流预测的准确性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和具体实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的基于时空残差网络的车量预测方法的流程图;
图2为本发明实施例提供的计算待测城市各个区域输入、输出的车流量图;
图3为本发明实施例提供的时空残差网络预测模型的结构框图;
图4为本发明实施例提供的基于时空残差网络的车量预测装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例:
参照图1-2所示,本发明实施例提供的基于时空残差网络的车流量预测方法,包括以下步骤:
1)区域映射变换:获取待测城市的地理经纬度,将待测城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格,其中每一个方格代表一个区域。
2)数据采集和处理:将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据;对收集的数据进行归一化预处理。
S21、对车流数据的采集:将利用GPS统计的每个时间段内车辆在一个区域及其相邻区域的输入、输出轨迹进行记录,并记录每个时间段内的特殊事件、天气;将每个时间段内的若干个相关数据分别进行输入、输出汇总和聚合。
具体为:
对于一个区域位于i行j列的网格(i,j),在时间t时刻的输入输出车流量数据集可以分别表示为:
其中P表示在时间间隔tth收集的车辆行驶轨迹,Tr:g1→g2→........→g|Tr|是P内的一个运动轨迹,gk是地理空间坐标;gk∈(i,j)表示点gk在网格(i,j)内。
在时间间隔tth,在I×J个区域内,所有输入、输出的车流量可以被表示成一个张量Xt∈R2×I×J,其中例如,若一个区域在一定的时间间隔内输入的车辆是3,输出的是1则会表示成f(3,1)。
S22、对车流数据的预处理:对聚合后的数据进行归一化预处理。
具体对数据进行归一化预处理通过以下公式实现:
其中x*为归一化预处理后的数据,xm为样本数据最小值,xM为样本数据最大值,x为待归一化预处理的历史车流数据。
3)训练模型并对车流量进行预测:根据预处理的数据对时空残差网络进行训练,形成已训练车流预测模型;调用预测模型预测一个区域特定时刻的车流量并评估预测误差。
S31、合理设定时空残差网络预测模型的各个参数。
具体为:
设输入的历史观察数据集为:X={X0,X1,.......,Xn-1};外部因素提取的数据特征为:E={E0,E1........En-1};三个时间片段的时间间隔分别为相邻时刻lc、较远时间间隔的相同时间点lp、更远时间间隔lq。较远时间间隔的周期p、更远时间间隔的周期q。
参照图3所示时空残差网络的预测模型,首先我们按时间把数据分成三个时间片段,将三个时间片段内的数据分别作为一个研究属性先输入到卷积神经网络随后是残差单元序列的相同的网络模型框架中,这种模型结构能够使相邻区域和较远区域具有空间独立性。对不同的属性和区域的输出设置不同的属性;
本预测模型由两个卷积层conv1、conv2和L个残差单元ResUnit组成,conv1和所有的残差单元是64个卷积核大小为3*3的特征映射层,conv2是用的2个卷积核大小为3*3的特征映射层,批量大小是32。
S32、根据预处理过的数据,对已设置合理参数的时空残差网络模型进行训练,形成已训练车流预测模型。
S32.1、将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集。
S32.2、根据训练数据集,在已设定合理参数的时空残差网络车流预测模型上进行训练,并计算时空残差网络预测模型在测试数据集的误差,具体过程为:
输入的历史观察数据集X,将输入的数据集划分为三个时间片段,分别输入到各自的网络结构进行训练,将训练后的结果进行聚合;将外部因素输入到有两个全连阶层的网络结构,进行特征提取,提取的特征为E;再将外部因素的结果与三个时间属性的结果进行聚合计算得到预测车流数据结果。
假设相邻时刻片段的数据碎片为将数据碎片以时间间隔为轴进行连接形成一个张量首先将通过一个卷积神经网络后得到:
其中*表示卷积运算,f是一个激励函数,例如整流器f(z)=max(0,z);Wc (1),是第一层的学习参数。
定义残差单元的特征映射为:
X(l+1)=X(l)+F(X(l)),l=1,2,3,............,L (2)
其中X(l),和X(l+1)分别是第l层残差单元的输入和输出。
将经过conv1输出的数据再经过L层残差单元,每层残差单元为:
其中F是一个残差函数,θ(l)为第l个残差单元包含的所有学习参数。最后再经一个卷积神经网络conv2得到相邻时刻的输出
利用相同的方法,我们可以计算出lp、lq的相同时间点的输出,分别对车流数据的周期性和趋势性进行预测。假设周期为p的时间间隔为lp,所以周期的亲密相关序列为通过公式(1)的卷积操作和公式(3)的L个残差单元操作,得到较远时刻的周期输出是也可以得到更远时刻的趋势输出为趋势的输入数据集(1≤t≤n-1),其中lq是趋势数据集的间隔,q是趋势数据集的周期。p和q是两种不同的类型的周期,在具体实施时p是一天,q是一周。
将三个属性的输出进行聚合,不同的属性具有不同的权重,聚合后的输出为:
其中ο是Hadamard卷积,Wc、Wp、Wq分别是调节邻近时间间隔、较远时间间隔、更远时间间隔三个属性的权值的学习参数。
对于外部因素的因素的影响,手动从外部因素数据提取一些特征,例如天气状况、特殊事件等因素。将外部因素数据经过两个全连接网络层得到输出XExt,将外部因素影响的输出和三个时间属性的输出进行聚合,采用Tanh激活函数得到在第t个时间间隔的预测车流量值:
其中tanh是一个双曲正切函数,能够确保输出的值在[-1,1]之间。
经过训练过的时空残差网络模型,能够利用三个时间属性和外不因素影响的历史车流数据对Xt进行车流数据的预测,得到预测值训练过程中的目标函数为预测值和真实值得均方根误差:
其中θ是残差网络的所有学习参数,Xt是实际的车流量,是预测的车流量。
S32.3、将步骤S32.2得到的下一指定时间间隔的车流数据的归一化预测值进行反归一化处理,得到对指定时间间隔的车流数据预测值。
S33、根据已训练车流预测模型预测指定时间间隔的车流,并评估预测误差;均方根误差(RMSE)为:
其中是预测的值,x是区域内的实际车流量。
基于同一发明构思,本发明实施例还提供了基于时空残差网络的车流量预测装置,由于该装置所解决问题的原理与前述基于时空残差网络的车流量预测方法相似,因此该装置的实施可以参见前述方法的实施,重复之处不再赘述。
本发明实施例还提供了一种基于时空残差网络的车流量预测装置,参照图4所示,包括:
区域映射变换模块41:用于获取一个城市的地理经纬度,将该城市根据获取的地理经纬度按照一定的比例映射为一个I*J的网格,其中每一个方格代表一个区域;
数据采集模块42:用于将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据;
数据处理模块43:用于对所述收集的数据进行归一化预处理;
训练模型模块45:用于根据预处理过的数据,对已设置合理参数的时空残差网络模型进行训练,形成已训练车流预测模型;
评估预测误差模块46:用于调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。
在一个实施例中,上述基于时空残差网络的车流量预测装置,参照图4所示,还包括:
时空残差网络预测模型参数设定模块44:用于对时空残差网络预测模型的各个参数进行合理设定。
在一个实施例中,上述训练模型模块45,参照图4所示,包括:
划分模块451:用于将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集;
训练模块452:用于根据训练数据集,在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练,得到对应的对下一指定时间间隔的车流数据的归一化预测值;
处理模块453:用于将下一指定时间间隔的车流数据的归一化预测值进行反归一化处理,得到对指定时间间隔的车流数据预测值。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于时空残差网络的车流量预测方法,其特征在于:包括以下步骤:
获取待测城市的地理经纬度,将所述城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格,其中每一个方格代表一个区域;
将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据;
对所述收集的数据进行归一化预处理;
根据预处理的数据对时空残差网络进行训练,形成已训练车流预测模型;
调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。
2.根据权利要求1所述的基于时空残差网络的车流量预测方法,其特征在于:将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据的具体步骤为:
将利用GPS统计的每个时间段内车辆在一个区域及其相邻区域的输入、输出轨迹进行记录,并记录每个时间段内的特殊事件、天气;将所述每个时间段内的若干个相关数据分别进行输入、输出汇总和聚合。
3.根据权利要求2所述的基于时空残差网络的车流量预测方法,其特征在于:对所述收集的数据进行归一化预处理的具体步骤为:
将聚合后的输入、输出数据进行归一化处理,具体通过以下公式实现:
其中x*为归一化预处理后的数据,xm为样本数据最小值,xM为样本数据最大值,x为待归一化预处理的历史车流数据;所述样本数据具体是指:用于训练和测试的所有数据。
4.根据权利要求1所述的基于时空残差网络的车流量预测方法,其特征在于:根据预处理的数据对时空残差网络进行训练,形成已训练车流预测模型的具体步骤为:
对时空残差网络预测模型的各个参数进行合理设定,所述参数包括:输入层数,中间层,权重因子,层的输入和输出向量维数,每个隐层的结点数和输出节点数;
根据预处理过的数据,对已设置合理参数的时空残差网络模型进行训练,形成已训练车流预测模型。
5.根据权利要求4所述的基于时空残差网络的车流量预测方法,其特征在于:根据预处理过的数据,对已设置合理参数的时空残差网络模型进行训练,形成已训练车流预测模型的具体步骤为:
将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集;
根据训练数据集,在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练,得到对应的对下一指定时间间隔的车流数据的归一化预测值;
将所述下一指定时间间隔的车流数据的归一化预测值进行反归一化处理,得到对指定时间间隔的车流数据预测值。
6.根据权利要求4所述的基于时空残差网络的车流量预测方法,其特征在于:调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差的具体步骤为:根据已训练车流预测模型预测指定时间间隔的车流,并评估预测误差。
7.一种基于时空残差网络的车流量预测装置,其特征在于,包括:
区域映射变换模块:用于获取一个城市的地理经纬度,将所述城市根据获取的地理经纬度按照一定的比例映射为一个I*J的网格,其中每一个方格代表一个区域;
数据采集模块:用于将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计,并对获取的天气状况进行相应记录,得到收集的数据;
数据处理模块:用于对所述收集的数据进行归一化预处理;
训练模型模块:用于根据预处理过的数据,对已设置合理参数的时空残差网络模型进行训练,形成已训练车流预测模型;
评估预测误差模块:用于调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。
8.根据权利要求7所述的基于时空残差网络的车流量预测装置,其特征在于,还包括:时空残差网络预测模型参数设定模块:用于对时空残差网络预测模型的各个参数进行合理设定。
9.根据权利要求7或8所述的基于时空残差网络的车流量预测装置,其特征在于,训练模型模块包括:
划分模块:用于将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集;
训练模块:用于根据训练数据集,在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练,得到对应的对下一指定时间间隔的车流数据的归一化预测值;
处理模块:用于将所述下一指定时间间隔的车流数据的归一化预测值进行反归一化处理,得到对指定时间间隔的车流数据预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457554.2A CN110310474A (zh) | 2018-05-14 | 2018-05-14 | 一种基于时空残差网络的车流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457554.2A CN110310474A (zh) | 2018-05-14 | 2018-05-14 | 一种基于时空残差网络的车流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110310474A true CN110310474A (zh) | 2019-10-08 |
Family
ID=68073924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810457554.2A Pending CN110310474A (zh) | 2018-05-14 | 2018-05-14 | 一种基于时空残差网络的车流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310474A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130890A (zh) * | 2019-12-26 | 2020-05-08 | 深圳市高德信通信股份有限公司 | 一种网络流量动态预测系统 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111260121A (zh) * | 2020-01-12 | 2020-06-09 | 桂林电子科技大学 | 一种基于深度瓶颈残差网络的城市范围的人流量预测方法 |
CN111540196A (zh) * | 2020-03-25 | 2020-08-14 | 武汉纵横智慧城市股份有限公司 | 基于高点视频的车流量预警方法、设备、存储介质及装置 |
CN111832876A (zh) * | 2020-03-30 | 2020-10-27 | 北京骑胜科技有限公司 | 车辆调度方法、可读存储介质和电子设备 |
CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
CN112466117A (zh) * | 2020-11-24 | 2021-03-09 | 南通大学 | 基于深度时空残差网络的路网短时交通流预测方法 |
CN112766240A (zh) * | 2021-03-18 | 2021-05-07 | 福州大学 | 基于时空关系的残差多图卷积人群分布预测方法及系统 |
CN112907971A (zh) * | 2021-02-04 | 2021-06-04 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
CN113095535A (zh) * | 2020-01-08 | 2021-07-09 | 普天信息技术有限公司 | 基于深度时空残差网络的流量预测方法及装置 |
CN113205685A (zh) * | 2021-04-30 | 2021-08-03 | 南通大学 | 基于全局-局部残差组合模型的短时交通流预测方法 |
CN113327417A (zh) * | 2021-05-28 | 2021-08-31 | 南通大学 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 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 |
CN113610059A (zh) * | 2021-09-13 | 2021-11-05 | 北京百度网讯科技有限公司 | 基于区域评估的车辆控制方法、装置和智能交管系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103021191A (zh) * | 2012-11-22 | 2013-04-03 | 浙江理工大学 | 智能交通控制装置及控制方法 |
CN103198672A (zh) * | 2013-03-27 | 2013-07-10 | 大连海事大学 | 一种城市路网交通流量检测器的布设方法 |
CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
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 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
US20180096594A1 (en) * | 2011-11-22 | 2018-04-05 | Fastec International, Llc | Systems and methods involving features of adaptive and/or autonomous traffic control |
-
2018
- 2018-05-14 CN CN201810457554.2A patent/CN110310474A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180096594A1 (en) * | 2011-11-22 | 2018-04-05 | Fastec International, Llc | Systems and methods involving features of adaptive and/or autonomous traffic control |
CN103021191A (zh) * | 2012-11-22 | 2013-04-03 | 浙江理工大学 | 智能交通控制装置及控制方法 |
CN103198672A (zh) * | 2013-03-27 | 2013-07-10 | 大连海事大学 | 一种城市路网交通流量检测器的布设方法 |
CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
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 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130890A (zh) * | 2019-12-26 | 2020-05-08 | 深圳市高德信通信股份有限公司 | 一种网络流量动态预测系统 |
CN113095535A (zh) * | 2020-01-08 | 2021-07-09 | 普天信息技术有限公司 | 基于深度时空残差网络的流量预测方法及装置 |
CN111260121A (zh) * | 2020-01-12 | 2020-06-09 | 桂林电子科技大学 | 一种基于深度瓶颈残差网络的城市范围的人流量预测方法 |
CN111260121B (zh) * | 2020-01-12 | 2022-04-29 | 桂林电子科技大学 | 一种基于深度瓶颈残差网络的城市范围的人流量预测方法 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111197991B (zh) * | 2020-01-15 | 2022-09-23 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111540196A (zh) * | 2020-03-25 | 2020-08-14 | 武汉纵横智慧城市股份有限公司 | 基于高点视频的车流量预警方法、设备、存储介质及装置 |
CN111832876B (zh) * | 2020-03-30 | 2024-05-14 | 北京骑胜科技有限公司 | 车辆调度方法、可读存储介质和电子设备 |
CN111832876A (zh) * | 2020-03-30 | 2020-10-27 | 北京骑胜科技有限公司 | 车辆调度方法、可读存储介质和电子设备 |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 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 |
CN112418521B (zh) * | 2020-11-23 | 2023-02-24 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
CN112466117A (zh) * | 2020-11-24 | 2021-03-09 | 南通大学 | 基于深度时空残差网络的路网短时交通流预测方法 |
CN112907971B (zh) * | 2021-02-04 | 2022-06-10 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
CN112907971A (zh) * | 2021-02-04 | 2021-06-04 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
CN112766240B (zh) * | 2021-03-18 | 2022-08-12 | 福州大学 | 基于时空关系的残差多图卷积人群分布预测方法及系统 |
CN112766240A (zh) * | 2021-03-18 | 2021-05-07 | 福州大学 | 基于时空关系的残差多图卷积人群分布预测方法及系统 |
CN113205685A (zh) * | 2021-04-30 | 2021-08-03 | 南通大学 | 基于全局-局部残差组合模型的短时交通流预测方法 |
CN113327417A (zh) * | 2021-05-28 | 2021-08-31 | 南通大学 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
CN113327417B (zh) * | 2021-05-28 | 2022-06-10 | 南通大学 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
CN113610059A (zh) * | 2021-09-13 | 2021-11-05 | 北京百度网讯科技有限公司 | 基于区域评估的车辆控制方法、装置和智能交管系统 |
CN113610059B (zh) * | 2021-09-13 | 2023-12-05 | 北京百度网讯科技有限公司 | 基于区域评估的车辆控制方法、装置和智能交管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310474A (zh) | 一种基于时空残差网络的车流量预测方法及装置 | |
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN104330089B (zh) | 一种利用历史gps数据进行地图匹配的方法 | |
CN104217002B (zh) | 一种基于高质量数据获取的路况信息填补方法 | |
CN111696355A (zh) | 动态图卷积交通速度预测方法 | |
CN109871876A (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
CN109615860A (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN104850677A (zh) | 基于地理信息系统的深度学习元胞自动机仿真分析方法 | |
CN110826244A (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 | |
CN113327417B (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
Mirzahossein et al. | How realistic is static traffic assignment? Analyzing automatic number-plate recognition data and image processing of real-time traffic maps for investigation | |
CN105355038A (zh) | 一种利用pma建模预测短期交通流量的方法 | |
CN111524358B (zh) | 一种区域辐射性交通流量预测方法 | |
Peng et al. | A frequency-aware spatio-temporal network for traffic flow prediction | |
CN111127879B (zh) | 基于生成式对抗网络的城市交通流量预测方法 | |
CN115482666B (zh) | 基于数据融合的多图卷积神经网络交通预测方法 | |
CN115936242B (zh) | 空气质量与交通状况的溯源关系数据获取方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |