CN110414747B - 一种基于深度学习的时空长短期城市人流量预测方法 - Google Patents

一种基于深度学习的时空长短期城市人流量预测方法 Download PDF

Info

Publication number
CN110414747B
CN110414747B CN201910729037.0A CN201910729037A CN110414747B CN 110414747 B CN110414747 B CN 110414747B CN 201910729037 A CN201910729037 A CN 201910729037A CN 110414747 B CN110414747 B CN 110414747B
Authority
CN
China
Prior art keywords
term
poi
short
long
features
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
Application number
CN201910729037.0A
Other languages
English (en)
Other versions
CN110414747A (zh
Inventor
袁晓铭
韩建超
王雪
王一帆
陈子瑞
刘杰民
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.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
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 Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN201910729037.0A priority Critical patent/CN110414747B/zh
Publication of CN110414747A publication Critical patent/CN110414747A/zh
Application granted granted Critical
Publication of CN110414747B publication Critical patent/CN110414747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

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

Abstract

本发明公开了一种基于深度学习的时空长短期城市人流量预测方法，用于人流量预测。本发明在提取空间相关性时，将邻近区域相关性做局部卷积，将遥远区域相关性用图卷积提取，减少了参数和计算量的同时又兼顾了空间相关性的完整；本发明同时捕捉了短期时间依赖长期的时间依赖，使预测结果在时间维度更精确；本发明将区域语义信息分布考虑进来，将每个区域中的每种类型的感兴趣区域(POI)赋予相应的占比权重，更精确地利用了区域语义对城市人流量的影响。

Description

一种基于深度学习的时空长短期城市人流量预测方法
技术领域
本发明涉及人流量预测领域，尤其涉及到一种基于深度学习的时空长短期城市人流量预测方法。
背景技术
随着城镇化进程的推进，发达的城市道路和多样性的交通方式，为人们出行带来了极大的便利。但如果不能合理地利用交通数据，效果往往会适得其反，随之而来的是交通拥堵、资源浪费、安全隐患等问题。
比如，大城市道路的拥堵，交通事故的频发，上海外滩跨年夜的踩踏事件，这些现象给城市交通流量管控敲响了警钟。城市人流量预测的含义是，根据历史交通流量数据，预测当前时刻或下一时刻的交通流量。其意义在于，针对预测的人流量状态，对于交管部门，可以提前采取相应的措施疏通分散人流量，对于交通营运部门(如网约车公司)，可以做好预先的资源配置，满足人群的出行需求。城市人流量预测的重要性可见一斑。目前流行的人流量预测方法如下：
1、使用时空特征的卷积神经网络进行预测。现有技术中提出了一种利用深层卷积结合残差的模型负责提取区域间的空间特征，虽然在输入阶段把数据按时序划分了三个部分，但是没有明确捕捉时间依赖关系。
2、使用多视角的时空神经网络进行预测。已有现有技术考虑了时间和空间特征依赖性，使用局部卷积神经网络(CNN，convolution Neural Network)捕捉空间依赖，长短时记忆网络(LSTM，Long Short-Term Memory)捕捉时序信息，但是忽略了远距离区域间的空间依赖性和长时间的时序依赖性。
3、使用动态时空依赖模型进行预测。已有现有技术考虑了区域间人流量的动态相关性和时序上的周期漂移性，解决了长期时间依赖问题，但是忽略了远距离空间依赖性，只考虑一种或几种影响因素并不能很好的预测人流量信息，需要综合考虑各方面影响因素，包括时空特征，特别是其中的远距离空间依赖和长期时间依赖，区域语义特征和额外特征。现有技术对于综合考虑各方面影响因素的研究尚属空白。
发明内容
为了克服现有技术的不足，本发明提供了一种基于深度学习的时空长短期城市人流量预测方法，由于人们出行的选择是受区域功能的影响的，将地理区域的兴趣点(POI,Point of Interest)作为语义影响因素。一个区域的人流量是动态变化的，主要受其邻近区域人流量的影响，计算邻近区域的空间依赖。具有相关性的远距离区域间的人流量也是互相影响的，比如有高速公路，地铁之间相连的两个区域之间。本发明根据历史交通数据，计算短期时间依赖关系，考虑周期性，计算长期时间依赖关系。
为实现上述目的，本发明是根据以下技术方案实现的：
一种基于深度学习的时空长短期城市人流量预测方法，其特征在于，包括如下步骤：
步骤S1：将城市地图按经纬度划分为i×j的网格，i代表所划分地图在宽度上的网格个数，j代表所划分地图在长度上的网格个数,i和j为正整数，将目标区域r及其邻近区域视为的S×S网格，记录区域r在时刻t的人流量Xt'，其中
Figure GDA0003380109230000021
表示流入流量，
Figure GDA0003380109230000022
表示流出流量；
步骤S2，计算POI分布图P：假设POI类型共有N个，N为正整数，对每个区域计算是否含有这些POI类型，有则记为1，无则记为0，S×S个区域则形成POI分布图
Figure GDA0003380109230000023
其中每个二维的S×S矩阵代表一种类型的POI分布，共N个类型的POI分布，组成三维的POI分布图；
步骤S3：计算邻近区域空间依赖性：对步骤S1中选取的S×S网格图做局部卷积操作，提取出邻近空间特征；
步骤S4：计算遥远区域空间依赖性，将城市地图中有快速路或地铁直接相连的若干区域看做一个无向图G＝(V,E)，顶点集V代表区域集合，边集E代表两区域之间的连通性，采用图卷积提取连通的遥远区域的空间依赖；
步骤S5：早期融合特征：将步骤S2至步骤S4提取出的特征通过全连接神经网络做降维处理，将特征统一成同一维度，然后融合成一个特征；
步骤S6：计算短期时间依赖：将步骤S5得到的融合特征输入到长短时记忆网络层，每天的时序信息由一个长短时记忆网络层保存；
步骤S7：计算长期时间依赖：将步骤S5得到的融合特征输入到循环跳跃层，循环跳跃结构的基本单元由门控循环单元组成；
步骤S8，将步骤S6输出的短期时间依赖和步骤S7输出的长期时间依赖加权求和，得到长短期时间依赖的输出；
步骤S9：采用全连接神经网络对额外特征进行提取和维度变换，然后将变换维度后的额外特征与步骤S8的输出进行融合后输入到全连接神经网络层中得到预测时刻的人流量信息。
上述技术方案中，在步骤S2中，赋予POI分布图权重，引入TF-IDF作为每种类型的POI在一个区域内的重要程度的衡量标准，将计算出的TF-IDF值作为此区域相应类型POI的权重。
本发明与现有技术相比，具有如下有益效果：
本发明在提取空间相关性时，将邻近区域相关性做局部卷积，将遥远区域相关性用图卷积提取，减少了参数和计算量的同时又兼顾了空间相关性的完整；
本发明同时捕捉了短期时间依赖长期的时间依赖，使预测结果在时间维度更精确；
本发明将区域语义信息分布考虑进来，将每个区域中的每种类型POI赋予相应的占比权重，更精确地利用了区域语义对城市人流量的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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它附图。
图1为本发明的预测方法示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
本发明的整体流程图见附图1，具体实施步骤如下：
步骤S1：将城市地图按经纬度划分为i×j的网格，i代表所划分地图在宽度上的网格个数，j代表所划分地图在长度上的网格个数，i和j为正整数，将目标区域r及其邻近区域视为的S×S网格。记录区域r在时刻t的人流量Xt'，其中
Figure GDA0003380109230000041
表示流入流量，
Figure GDA0003380109230000042
表示流出流量。具体的，假设历史人流量数据的观测从时间t-d+1到t，共有2d个S×S的流量图，即
Figure GDA0003380109230000043
步骤S2：计算POI分布图P：假设POI类型共有N个，N为正整数，对每个区域计算是否含有这些POI类型，有则记为1，无则记为0，S×S个区域则形成POI分布图
Figure GDA0003380109230000051
其中每个二维的S×S矩阵代表一种类型的POI分布，共N个类型的POI分布，组成三维的POI分布图；
具体地，将POI分布视为N通道的三维矩阵
Figure GDA0003380109230000052
每个通道代表一种类型的POI分布矩阵，即N种类型的POI在S×S大小地图上的分布。采用TF-IDF标准作为每种POI在某个区域重要程度的衡量，将TF-IDF值作为相应POI的权重，就是TF-IDF矩阵与POI分布进行元素相乘，具体计算过程如下：
TF值：
Figure GDA0003380109230000053
其中，
Figure GDA0003380109230000054
是区域r中，第i类POI的数量。
IDF值：
Figure GDA0003380109230000055
其中，|R|是所有区域单元的总数，|ri|是包含第i类POI的区域单元数量。
Figure GDA0003380109230000056
将TF_IDF作为权重赋予POI分布矩阵P，被赋予权重的POI分布为：wp＝TF_IDF*P。将WP进行卷积运算提取语义特征，操作与步骤S2相同,得到向量化的语义特征ti。
计算POI分布图P：假设POI类型共有N个，对每个区域计算是否含有这些POI类型，有则记为1，无则记为0，S×S个区域则形成POI分布图
Figure GDA0003380109230000057
其中每个二维的S×S矩阵代表一种类型的POI分布，共N个类型的POI分布，组成三维的POI分布图；
步骤S3：将步骤S1中采样的d个时间的历史数据
Figure GDA0003380109230000058
作为K层局部卷积的输入，则第k层的卷积的变换如下：
Figure GDA0003380109230000059
其中
Figure GDA00033801092300000510
和
Figure GDA00033801092300000511
是第k层的可学习参数，k为正整数，*代表卷积操作，f(·)代表激活函数。将K层卷积输出的特征输入到全连接层，降维成一维向量S。
步骤S4：将具有连通性质的远距离区域构成的无向图G＝(V,E)，
Figure GDA0003380109230000061
是节点的集合，E是边的集合，两个节点(νi,νj)∈E之间的边构成了邻接矩阵
Figure GDA0003380109230000062
邻接矩阵表示两个顶点之间的连通性，图的拉普拉斯矩阵H＝IM-D-1/2AD-1/2，其中IM是单位矩阵，D是图的度矩阵，图卷积操作Y(l+1)＝σ(HkY(l)w(l))，第l层网络输入为
Figure GDA0003380109230000063
M为图中节点数量，每个节点的特征向量为D维，Hk表示k次拉普拉斯矩阵，w(l)是训练参数，σ(·)是激活函数。经过L层的计算和全连接层降维，最终得到降维的远距离区域间的依赖特征Y。
步骤S5：将步骤S2至步骤S4提取出的特征通过全连接神经网络做降维处理，将特征统一成同一维度，然后融合成一个特征，得到
Figure GDA0003380109230000064
步骤S6：将步骤S5得到的融合特征作为长短时记忆网络(LSTM)层的输入，捕捉短期时间依赖，其计算过程如下：
Figure GDA0003380109230000065
Figure GDA0003380109230000066
Figure GDA0003380109230000067
Figure GDA0003380109230000068
Figure GDA0003380109230000069
Figure GDA00033801092300000610
其中，W，U是各层的权重参数，b是偏置参数，ht-1是上一时刻的隐藏状态，⊙是对应元素相乘，经过计算得到短期时间依赖特征
Figure GDA00033801092300000611
步骤S7：将步骤S5得到的融合特征作为循环跳跃层的输入，捕捉长期时间依赖，循环跳跃层的基本计算单元为门控循环单元(GRU,Gated Recurrent Unit)，利用人流量数据的周期性的特点，将每个单元输出的隐藏状态传递给与之相邻周期的第P个间隔的单元，每一层的计算过程如下所示：
Figure GDA0003380109230000071
Figure GDA0003380109230000072
Figure GDA0003380109230000073
Figure GDA0003380109230000074
W，U是各层的权重参数，b是偏置参数，⊙是对应元素相乘，ht-p是与之相邻的前第p个时刻的隐藏状态，经过计算得到长期时间依赖，
Figure GDA0003380109230000075
步骤S8，将步骤S6输出的短期时间依赖和步骤S7输出的长期时间依赖加权求和，得到长短期时间依赖的输出；
步骤S9：采用全连接神经网络对额外特征进行提取和维度变换，然后将变换维度后的额外特征与步骤S8的输出进行融合后输入到全连接神经网络层中得到预测时刻的人流量信息。
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 (2)

1.一种基于深度学习的时空长短期城市人流量预测方法，其特征在于，包括如下步骤：
步骤S1：将城市地图按经纬度划分为i×j的网格，i代表所划分地图在宽度上的网格个数，j代表所划分地图在长度上的网格个数,i和j为正整数，将目标区域r及其邻近区域视为的S×S网格，记录区域r在时刻t的人流量Xt'，其中
Figure FDA0003380109220000011
Figure FDA0003380109220000014
表示流入流量，
Figure FDA0003380109220000012
表示流出流量；
步骤S2，计算POI分布图P：假设POI类型共有N个，N为正整数，对每个区域计算是否含有这些POI类型，有则记为1，无则记为0，S×S个区域则形成POI分布图
Figure FDA0003380109220000013
其中每个二维的S×S矩阵代表一种类型的POI分布，共N个类型的POI分布，组成三维的POI分布图；
步骤S3：计算邻近区域空间依赖性：对步骤S1中选取的S×S网格图做局部卷积操作，提取出邻近空间特征；
步骤S4：计算遥远区域空间依赖性，将城市地图中有快速路或地铁直接相连的若干区域看做一个无向图G＝(V,E)，顶点集V代表区域集合，边集E代表两区域之间的连通性，采用图卷积提取连通的遥远区域的空间依赖；
步骤S5：早期融合特征：将步骤S2至步骤S4提取出的特征通过全连接神经网络做降维处理，将特征统一成同一维度，然后融合成一个特征；
步骤S6：计算短期时间依赖：将步骤S5得到的融合特征输入到长短时记忆网络层，每天的时序信息由一个长短时记忆网络层保存；
步骤S7：计算长期时间依赖：将步骤S5得到的融合特征输入到循环跳跃层，循环跳跃结构的基本单元由门控循环单元组成；
步骤S8，将步骤S6输出的短期时间依赖和步骤S7输出的长期时间依赖加权求和，得到长短期时间依赖的输出；
步骤S9：采用全连接神经网络对额外特征进行提取和维度变换，然后将变换维度后的额外特征与步骤S8的输出进行融合后输入到全连接神经网络层中得到预测时刻的人流量信息。
2.根据权利要求1所述的一种基于深度学习的时空长短期城市人流量预测方法，其特征在于，在步骤S2中，赋予POI分布图权重，引入词频-逆文本频率TF-IDF作为每种类型的POI在一个区域内的重要程度的衡量标准，将计算出的TF-IDF值作为此区域相应类型POI的权重。
CN201910729037.0A 2019-08-08 2019-08-08 一种基于深度学习的时空长短期城市人流量预测方法 Active CN110414747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910729037.0A CN110414747B (zh) 2019-08-08 2019-08-08 一种基于深度学习的时空长短期城市人流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910729037.0A CN110414747B (zh) 2019-08-08 2019-08-08 一种基于深度学习的时空长短期城市人流量预测方法

Publications (2)

Publication Number Publication Date
CN110414747A CN110414747A (zh) 2019-11-05
CN110414747B true CN110414747B (zh) 2022-02-01

Family

ID=68366577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910729037.0A Active CN110414747B (zh) 2019-08-08 2019-08-08 一种基于深度学习的时空长短期城市人流量预测方法

Country Status (1)

Country Link
CN (1) CN110414747B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929962A (zh) * 2019-12-13 2020-03-27 中国科学院深圳先进技术研究院 一种基于深度学习的交通流量预测方法及装置
CN111144648B (zh) * 2019-12-25 2023-11-24 中国联合网络通信集团有限公司 人流量预测设备及方法
CN111223493B (zh) * 2020-01-08 2022-08-02 北京声加科技有限公司 语音信号降噪处理方法、传声器和电子设备
CN111612206B (zh) * 2020-03-30 2022-09-02 清华大学 一种基于时空图卷积神经网络的街区人流预测方法及系统
CN111833605B (zh) * 2020-07-10 2022-04-26 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN112257614B (zh) * 2020-10-26 2022-05-17 中国民航大学 一种基于图卷积网络的航站楼客流量时空分布预测方法
CN112699109A (zh) * 2020-12-29 2021-04-23 西安九索数据技术股份有限公司 城市区域人流实时监测计算方法
CN112418567B (zh) * 2021-01-22 2021-05-18 中航信移动科技有限公司 人流量预测方法、装置、计算机设备及存储介质
CN113052214B (zh) * 2021-03-14 2024-05-28 北京工业大学 基于长短期时间序列网络的换热站超短期热负荷预测方法
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
CN113538910B (zh) * 2021-07-14 2022-08-30 李丹丹 一种自适应的全链条城市区域网络信号控制优化方法
CN113962460B (zh) * 2021-10-22 2024-05-28 山东大学 基于时空对比自监督的城市细粒度流量预测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503829A (zh) * 2016-09-26 2017-03-15 同济大学 一种基于多源数据的城市公共开放空间的拥挤度预测方法
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
CN107516417A (zh) * 2017-08-21 2017-12-26 中国科学院软件研究所 一种挖掘时空关联关系的实时高速公路流量估计方法
CN107967532A (zh) * 2017-10-30 2018-04-27 厦门大学 融合区域活力的城市交通流量预测方法
CN108108808A (zh) * 2018-01-08 2018-06-01 北京邮电大学 一种基于深度信念网络的位置预测方法及装置
CN109544911A (zh) * 2018-10-30 2019-03-29 中山大学 一种基于lstm-cnn的城市路网交通状态预测方法
CN109902880A (zh) * 2019-03-13 2019-06-18 南京航空航天大学 一种基于Seq2Seq生成对抗网络的城市人流预测方法
CN109919358A (zh) * 2019-01-31 2019-06-21 中国科学院软件研究所 一种基于神经网络时空注意力机制的实时站点流量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190061771A1 (en) * 2018-10-29 2019-02-28 GM Global Technology Operations LLC Systems and methods for predicting sensor information

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503829A (zh) * 2016-09-26 2017-03-15 同济大学 一种基于多源数据的城市公共开放空间的拥挤度预测方法
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
CN107516417A (zh) * 2017-08-21 2017-12-26 中国科学院软件研究所 一种挖掘时空关联关系的实时高速公路流量估计方法
CN107967532A (zh) * 2017-10-30 2018-04-27 厦门大学 融合区域活力的城市交通流量预测方法
CN108108808A (zh) * 2018-01-08 2018-06-01 北京邮电大学 一种基于深度信念网络的位置预测方法及装置
CN109544911A (zh) * 2018-10-30 2019-03-29 中山大学 一种基于lstm-cnn的城市路网交通状态预测方法
CN109919358A (zh) * 2019-01-31 2019-06-21 中国科学院软件研究所 一种基于神经网络时空注意力机制的实时站点流量预测方法
CN109902880A (zh) * 2019-03-13 2019-06-18 南京航空航天大学 一种基于Seq2Seq生成对抗网络的城市人流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卷积循环神经网络的城市区域车流量预测模型;薛佳瑶;《信息工程大学学报》;20190415;全文 *

Also Published As

Publication number Publication date
CN110414747A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110414747B (zh) 一种基于深度学习的时空长短期城市人流量预测方法
Bao et al. A spatiotemporal deep learning approach for citywide short-term crash risk prediction with multi-source data
Tedjopurnomo et al. A survey on modern deep neural network for traffic prediction: Trends, methods and challenges
Peng et al. Spatial temporal incidence dynamic graph neural networks for traffic flow forecasting
Huang et al. A dynamical spatial-temporal graph neural network for traffic demand prediction
Wang et al. A multi-view bidirectional spatiotemporal graph network for urban traffic flow imputation
Al-Sharif et al. A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS
CN109410577B (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
CN114519932B (zh) 一种基于时空关系抽取的区域交通状况集成预测方法
Li et al. Prediction of human activity intensity using the interactions in physical and social spaces through graph convolutional networks
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN112801340A (zh) 一种基于多层级城市信息单元画像的人群密度预测方法
CN114742280B (zh) 路况预测方法及相应的模型训练方法、装置、设备及介质
Zhou et al. Spatiotemporal traffic network analysis: technology and applications
Liu et al. Landslide susceptibility mapping with the fusion of multi-feature SVM model based FCM sampling strategy: A case study from Shaanxi Province
Rahman et al. Attention based deep hybrid networks for traffic flow prediction using google maps data
He et al. Processes and events in the center: a taxi trajectory-based approach to detecting traffic congestion and analyzing its causes
Yang et al. Spatiotemporal DeepWalk gated recurrent neural network: a deep learning framework for traffic learning and forecasting
Zhai et al. Using spatial heterogeneity to strengthen the neighbourhood effects of urban growth simulation models
Ramadan et al. Traffic forecasting using temporal line graph convolutional network: Case study
Wang et al. A vehicle routing model based on large-scale radio frequency identification data
CN112836000A (zh) 基于出租车od数据的非常态居民出行模式挖掘方法
Lin et al. A novel recurrent convolutional network based on grid correlation modeling for crowd flow prediction
Fang et al. A kriging interpolation model for geographical flows
Cheng et al. Network SpaceTime AI: Concepts, Methods and Applications.

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