CN110674987A - 一种交通流量预测系统、方法及模型训练方法 - Google Patents
一种交通流量预测系统、方法及模型训练方法 Download PDFInfo
- Publication number
- CN110674987A CN110674987A CN201910899860.6A CN201910899860A CN110674987A CN 110674987 A CN110674987 A CN 110674987A CN 201910899860 A CN201910899860 A CN 201910899860A CN 110674987 A CN110674987 A CN 110674987A
- Authority
- CN
- China
- Prior art keywords
- traffic
- time
- traffic flow
- space
- flow prediction
- 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
- 238000012549 training Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000000547 structure data Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 230000026676 system process Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通流量预测系统、方法及模型训练方法,其中,交通流量预测系统包括:第一时空卷积网络、第二时空卷积网络、输出层;第一时空卷积网络用于根据图结构数据生成第一时空特征向量;第二时空卷积网络用于根据图结构数据和第一时空特征向量生成第二时空特征向量;输出层用于根据第二时空特征向量生成预测值。在本发明中,交通流量预测系统是对图结构数据进行处理,图结构数据在保证交通数据时间属性的前提下,赋予了交通数据空间属性,并且通过叠加两个时空卷积网络来获取时空依赖关系,因此,本发明提供的交通流量预测系统真正实现了通过将交通数据的空间特征与时间特征相结合来对交通流量进行预测。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种交通流量预测系统、方法及模型训练方法。
背景技术
在现代城市发展过程中的一大问题就是交通拥堵,想要彻底解决城市发展中的这一顽疾,实时、高效的短时交通流预测是实现智能交通系统中先进的交通控制和诱导的关键技术,它能够实现城市路网运载能力被最大限度地合理利用,在过去的几十年间,国内外学者对短时交通流预测的研究不断向前发展,衍生出许多预测方法。现有的交通预测方法主要分为两大类:一类是基于时间依赖性关系;另一类是基于时间和空间依赖关系。对于考虑时间依赖性关系模型中,主要包括ARIMA、卡尔曼滤波模型、支持向量机、k近邻模型、贝叶斯模型以及局部神经网络模型。然而这类模型仅仅考虑到交通状况动态变化,忽略交通状况的空间依赖性关系。因此交通状况变化受道路网络的限制,无法准确预测交通数据。为了更好的利用空间特征,一些研究引入卷积神经网络来进行空间建模。但是卷积神经网络常用于欧几里得数据,如图像数据、规格网络等。这些模型在具有复杂拓扑结构的城市道路网络数据中无法使用,本质上这些模型不能刻画道路网络的空间依赖性关系。
发明内容
因此,本发明要解决的技术问题在于克服现有技术缺乏一种能够真正实现将拓扑结构较为复杂的空间特征与时间特征相结合的方法的缺陷,从而提供一种交通流量预测系统、方法及模型训练方法。
本发明第一方面提供一种交通流量预测系统,包括:第一时空卷积网络、第二时空卷积网络、输出层;第一时空卷积网络用于根据图结构数据生成第一时空特征向量;第二时空卷积网络用于根据图结构数据和第一时空特征向量生成第二时空特征向量;输出层用于根据第二时空特征向量生成预测值。
可选地,第一时空卷积网络包括:第一门控卷积层、第一图卷积层、第二门控卷积层;图结构数据包括多个表征交通网络中监测点的顶点、表征各监测点间的连通性的边,以及邻接矩阵,每个顶点包括预设时间段内的时间序列;第一门控卷积层用于根据顶点生成第一时间特征向量;第一图卷积层用于根据第一时间特征向量和邻接矩阵生成第一空间特征向量;第二门控卷积层用于根据第一空间特征向量生成第一时空特征向量。
可选地,第二时空卷积网络包括:第三门控卷积层、第二图卷积层、第四门控卷积层;第三门控卷积层用于根据第一时空特征向量生成第二时间特征向量;第二图卷积层用于根据第二时间特征向量和邻接矩阵生成第二空间特征向量;第四门控卷积层用于根据第二空间特征向量生成第二时空特征向量。
可选地,第一门控卷积层包括一维卷积核和门控线性单元;门控线性单元连接于一维卷积核之后,作为第一门控卷积层的激活函数。
可选地,第一门控卷积层通过如下公式生成第一时间特征向量:其中,P,Q分别是门控线性单元的输入门,表示哈达玛积,σ(Q)表示S型函数,Γ表示卷积核,Y表示顶点的时间卷积的输入,M表示时间卷积的输入的序列长度,Kt表示预设窗口长度, C0表示图信号的通道数,Γ*τY表示泛化至3D变量上的时间卷积。
可选地,第一图卷积层通过如下公式生成第一空间特征向量:其中,Θ表示卷积核,K表示卷积核的大小,x表示图信号,表示κ阶切比雪夫多项式对缩放后的拉普拉斯矩阵,其中,L表示拉普拉斯矩阵,In表示单位矩阵,λmax表示拉普拉斯矩阵的最大特征值。
可选地,输出层包括时间卷积层和全连接层;时间卷积层用于将第二时空卷积网络输出的第二时空特征向量映射到单步预测,生成单步预测结果;全连接层用于根据单步预测结果、权重、偏置项生成预测值。
本发明第二方面提供一种交通流量预测模型训练方法,包括:获取预设时间段内的交通流历史数据,对交通流历史数据进行预处理构建训练图结构交通数据;将训练图结构交通数据输入神经网络系统,对神经网络系统进行训练,得到交通流量预测模型,神经网络系统为如本发明第一方面或第一方面任意实施例提供的交通流量预测系统。
本发明第三方面提供一种交通流量预测模型训练装置,包括:训练数据获取模块,用于获取预设时间段内的交通流历史数据,对交通流历史数据进行预处理构建训练图结构交通数据;交通流量预测模型训练模块,用于将训练图结构交通数据输入神经网络系统,对神经网络系统进行训练,得到交通流量预测模型,神经网络系统为如本发明第一方面或第一方面任意实施例提供的交通流量预测系统。
本发明第四方面提供一种交通流量预测方法,包括:获取预设时间段内的交通流历史数据,对交通流历史数据进行预处理构建待测图结构交通数据;将待测图结构交通数据输入交通流量预测模型,生成预测结果,交通预测模型通过如本发明第二方面提供的交通流量预测模型训练方法训练获得。
可选地,将待测图结构交通数据输入交通流量预测模型,生成预测结果的步骤,包括:使用第一时空卷积网络对待测图结构交通数据进行处理,生成第一时空特征向量;使用第二时空卷积网络对待测图结构交通数据和第一时空特征向量进行处理,生成第二时空特征向量;使用输出层对第二时空特征向量进行处理,生成预测结果。
本发明第五方面提供一种交通流量预测装置,包括:预测数据获取模块,用于获取预设时间段内的交通流历史数据,对交通流历史数据进行预处理构建待测图结构交通数据;交通流量预测模块,用于将待测图结构交通数据输入交通流量预测模型,生成预测结果,交通预测模型通过如本发明第二方面提供的交通流量预测模型训练方法训练获得。
本发明第六方面提供一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,从而实现如本发明第一方面提供的交通流量预测系统,或,执行如本发明第二方面提供的交通流量预测模型训练方法,或,执行如本发明第四方面提供的交通流量预测方法。
本发明第七方面提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机实现如本发明第一方面提供的交通流量预测系统,或,执行如本发明第二方面提供的交通流量预测模型训练方法,或,执行如本发明第四方面提供的交通流量预测方法。
本发明技术方案,具有如下优点:
1.本发明提供的交通流量预测系统,通过第一时空卷积网络获得图结构数据的第一时空特征向量,通过第二时空卷积网络获得图结构数据的第第二时空特征向量,最后通过输出层将时空特征向量进行整合,输出预测结果,在本发明中,交通流量预测系统是对图结构数据进行处理,图结构数据在保证交通数据时间属性的前提下,赋予了交通数据空间属性,并且通过叠加两个时空卷积网络来获取时空依赖关系,因此,本发明提供的交通流量预测系统真正实现了通过将交通数据的空间特征与时间特征相结合来对交通流量进行预测。
2.本发明提供的交通流量预测系统,图结构数据包括多个表征交通网络中监测点的顶点,每个顶点包括预设时间段内的时间序列,门控卷积层通过在时间轴上部署整块的卷积结构来捕获交通流的动态时间特征,可以让并行而且可控的训练过程通过多层卷积结构形成层次表示。
3.本发明提供的交通流量预测系统,图卷积层通过门控卷积层的输出和图结构数据的领接矩阵提取图结构数据的空间特征向量,图卷积被直接应用在了图结构数据上,使得获取的空间特征向量更有意义。
4.本发明提供的交通流量预测模型训练方法,对交通流量预测模型进行训练时,采用的训练数据为图结构数据,图结构数据在保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且所选用的神经网络系统为本发明第一方面提供的交通流量预测系统,包括第一时空卷积网络、第二时空卷积网络、输出层,通过两个时空卷积网络的堆叠能够更好的捕获交通数据的时空依赖性,因此通过本方法训练出的交通流量预测模型精确度更高。
5.本发明提供的交通流量预测模型训练装置,通过该交通流量预测模型训练装置对交通流量预测模型进行训练时,采用的训练数据为图结构数据,图结构数据在保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且所选用的神经网络系统为本发明第一方面提供的交通流量预测系统,包括第一时空卷积网络、第二时空卷积网络、输出层,通过两个时空卷积网络的堆叠能够更好的捕获交通数据的时空依赖性,因此通过本装置训练出的交通流量预测模型精确度更高。
6.本发明提供的交通流量预测方法,对交通数据进行预测时,采用的预测数据为图结构数据,图结构数据保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且本发明提供的交通流量预测方法采用的神经网络系统为本发明第一方提供的交通流量预测系统,包括第一时空卷积网络、第二时空卷积网络、输出层,通过两个时空卷积网络的堆叠能够更好的捕获交通数据的时空依赖性,因此通过本发明提供的交通流量预测方法预测出的交通流量更为准确。
7.本发明提供的交通流量预测装置,对交通数据进行预测时,采用的预测数据为图结构数据,图结构数据保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且本发明提供的交通流量预测装置采用的神经网络系统为本发明第一方提供的交通流量预测系统,包括第一时空卷积网络、第二时空卷积网络、输出层,通过两个时空卷积网络的堆叠能够更好的捕获交通数据的时空依赖性,因此通过本发明提供的交通流量预测装置预测出的交通流量更为准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例的交通流量预测系统的一个具体示例的结构示意图;
图2为本发明实施例的交通流量预测系统的另一个具体示例的结构示意图;
图3为本发明实施例的图结构数据的一个具体示例的结构示意图;
图4为本发明实施例的交通流量预测系统的另一个具体示例的结构示意图;
图5为本发明实施例的交通流量预测系统的另一个具体示例的结构示意图;
图6为本发明实施例的交通流量预测系统的另一个具体示例的结构示意图;
图7为本发明实施例的交通流量预测模型训练方法的一个具体示例的流程示意图;
图8为本发明实施例的交通流量预测模型训练装置的一个具体示例的结构示意图;
图9为本发明实施例的交通流量预测方法的一个具体示例的流程示意图;
图10为本发明实施例的交通流量预测方法的另一个具体示例的流程示意图;
图11为本发明实施例的交通流量预测装置的一个具体示例的结构示意图;
图12为本发明实施例的计算机设备的一个具体示例的结构框图。
具体实施方式
下面将结合附图对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
现有的交通预测方法主要分为两大类:一类是基于时间依赖性关系;另一类是基于时间和空间依赖关系。对于考虑时间依赖性关系模型中,主要包括ARIMA、卡尔曼滤波模型、支持向量机、k近邻模型、贝叶斯模型以及局部神经网络模型。然而这类模型仅仅考虑到交通状况动态变化,忽略了交通状况的空间依赖性关系。因此交通状况变化受道路网络的限制,无法准确预测交通数据。为了更好的利用空间特征,一些研究引入卷积神经网络来进行空间建模。但是卷积神经网络常用于欧几里得数据,如图像数据、规格网络等。这些模型在具有复杂拓扑结构的城市道路网络数据中无法使用,本质上这些模型不能刻画道路网络的空间依赖性关系。
本发明实施例提供一种交通流量预测系统,如图1所示,包括:第一时空卷积网络10、第二时空卷积网络20、输出层30;
第一时空卷积网络10用于根据图结构数据生成第一时空特征向量;
第二时空卷积网络20用于根据图结构数据和第一时空特征向量生成第二时空特征向量;
输出层30用于根据第二时空特征向量生成预测值,在一具体实施例中,该预测值是指某一路口的车流量。
本发明实施例提供的交通流量预测系统,通过第一时空卷积网络10 获得图结构数据的第一时空特征向量,通过第二时空卷积网络20获得图结构数据的第第二时空特征向量,最后通过输出层30将时空特征向量进行整合,输出预测结果,在本发明中,交通流量预测系统是对图结构数据进行处理,图结构数据在保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且通过叠加两个时空卷积网络来获取时空依赖关系,因此,本发明提供的交通流量预测系统真正实现了通过将交通数据的空间特征与时间特征相结合来对交通流量进行预测。
在本发明实施例中,图结构数据可以表示为Gt=(Vt,ε,W),其中,Vt表示顶点的有限集,表征交通网络中的多个监测点、ε为表征各监测点间的连通性的边,W为邻接矩阵,每个顶点包括预设时间段内的时间序列,在一具体实施例中,将该时间序列长度表示为M。如图3所示,vt∈Rn是n个路段在时间戳t观察到的一个向量,每个元素记录了一条路段的历史观测数据。在一个图上定义一个交通网络,不仅给交通数据赋予了空间属性,并专注于结构化的交通时间序列。观测到的样本vt间不是相互独立的,而是在图中两两相互连接的。因此,数据点vt间可以被视为定义在权重为wij,如图3所示的无向图(或有向图)上的一个信号。
在一可选实施例中,如图2所示,第一时空卷积网络10包括:第一门控卷积层11、第一图卷积层12、第二门控卷积层13。
第一门控卷积层11用于根据顶点生成第一时间特征向量,即,将监测点在预设时间段内的时间序列输入第一门控卷积层11,通过第一门控卷积层11提取该时间序列的时间特征向量。
第一图卷积层12用于根据第一时间特征向量和邻接矩阵生成第一空间特征向量,在一具体实施例中,由于邻接矩阵矩阵表示监测点之间的相邻关系,包含了交通数据的空间属性,因此在本发明实施例中通过邻接矩阵来获取空间特征向量。
第二门控卷积层13用于根据第一空间特征向量生成第一时空特征向量。
在一具体实施例中,第一时空卷积网络10采用了瓶颈层(bottleneck) 策略,形成了“三明治”结构,第一门控卷积层11和第二门控卷积层13 通道数都为64,设置在上下两层,第一图卷积层12通道数为16,设置在第一门控卷积层11和第二门控卷积层13之间,第一图卷积层12通道数的减小促使了参数的减少,也因此减少了训练的时间开销。并且,第一门控卷积层11、第一图卷积层12、第二门控卷积层13之间采用了残差连接,缓解了由于增加卷积网络的深度而带来的梯度消失的问题。
在一可选实施例中,如图4所示,第二时空卷积网络20包括:第三门控卷积层21、第二图卷积层22、第四门控卷积层23;第三门控卷积层 21用于根据第一时空特征向量生成第二时间特征向量;第二图卷积层22 用于根据第二时间特征向量和邻接矩阵生成第二空间特征向量;第四门控卷积层23用于根据第二空间特征向量生成第二时空特征向量。
在一具体实施例中,第三门控卷积层21、第二图卷积层22、第四门控卷积层23之间的连接方式与第一时空卷积网络10中第一门控卷积层11、第一图卷积层12、第二门控卷积层13之间的连接方式相同,都采用了残差连接和bottleneck策略。
在一可选实施例中,如图5所示,第一门控卷积层11包括一维卷积核 111和门控线性单元112,卷积核111的宽度为Kt。门控线性单元112连接于一维卷积核111之后,作为第一门控卷积层11的激活函数。
本发明实施例提供的交通流量预测系统,门控卷积层通过在时间轴上部署整块的卷积结构来捕获交通流的动态时间特征,可以让并行而且可控的训练过程通过多层卷积结构形成层次表示。
在一可选实施例中,第一门控卷积层11通过如下公式生成第一时间特征向量:
其中,P,Q分别是门控线性单元的输入门,表示哈达玛积,σ(Q)表示S型函数,Γ表示卷积核,Y表示顶点的时间卷积的输入, M表示时间卷积的输入的序列长度,C0表示图信号的通道数,Γ*τY表示每个顶点Y都使用同样的卷积核Γ时,泛化至3D变量上的时间卷积。在一具体实施例中,图信号的通道数C0不是固定值,例如,当同时使用车流量和速度两个变量计算第一时间特征向量时,图信号的输入通道数为2,输出通道数为1,但是在本实施例中,仅通过车流量对交通流量进行预测,因此此时的C0值为1。在一具体实施例中,将时间序列的长度记为M,并且有Ci个通道,于是第一门控卷积层11的输入记作第一门控卷积层11对输入的顶点的预设时间段内的时间序列进行计算时,是对序列中每个元素的Kt个邻居进行操作,因此第一门控卷积层11对输入的序列进行操作会使序列长度缩短Kt-1,因此卷积核Γ将第一门控卷积层11的输入Y映射到一个单一的输出其中,P、Q是通道数的一半。
在一具体实施例中,第二门控卷积层13、第三门控卷积层21、第四门控卷积层23的计算公式与第一门控卷积层11计算第一时间特征向量时采用的计算公式是相同的,不同点在于输入值不同,第二门控卷积层13的输入Y为第一图卷积层12输出的第一空间特征向量,第三门控卷积层21的输入Y为第二门控卷积层13输出的第一时空特征向量,第四门控卷积层23 的输入Y为第二图卷积层22输出的第二空间特征向量。
在一可选实施例中,第一图卷积层12通过如下公式生成第一空间特征向量:
其中,Θ表示卷积核,K表示卷积核的大小,x表示图信号,即第一图卷积层12的输入,在本实施例中,第一图卷积层12的输入为第一门控卷积层11输出的第一时间特征向量,表示κ阶切比雪夫多项式对缩放后的拉普拉斯矩阵,其中,L表示拉普拉斯矩阵,In表示单位矩阵,λmax表示拉普拉斯矩阵的最大特征值。
在一具体实施例中,第二图卷积层22计算第二空间特征向量时所采用的计算公式与第一图卷积层12计算第一空间特征向量所采用的公式相同,不同点在于第二图卷积层22的输入为第三门控卷积层21输出的第二时间特征向量。
在一具体实施例中,为基于谱图卷积的定义引入的图卷积操作符号,图卷积操作为一个核Θ和图信号x的乘法:
其中,图的傅里叶基U∈Rn×n是归一化的拉普拉斯矩阵L的特征向量组成的矩阵,Λ∈Rn×n是L的特征值组成的矩阵,卷积核Θ(Λ)是一个对角矩阵,图信号x通过Θ和图傅里叶变换UTx过滤。L=In-D-1/2WD-1/2= UΛUT,其中,In是单位阵,Dii=∑jWij。
在图卷积中公式中可以看出核Θ的计算的时间复杂度由于傅里叶基的乘法可以达到O(n2),因此为了对图卷积公式进行简化,采用了切比雪夫多项式趋近,将图卷积公式写为:
通过递归的使用趋近后的切比雪夫多项式计算K阶图卷积操作,图卷积操作的复杂度可以降低至O(K|ε|)。
在一具体实施例中,第二图卷积层22的图卷积操作与第一图卷积层 12的图卷积操作公式相同。
本发明实施例提供的交通流量预测系统,图卷积层通过门控卷积层的输出和图结构数据的领接矩阵提取图结构数据的空间特征向量,图卷积被直接应用在了图结构数据上,使得获取的空间特征向量更有意义。
在一可选实施例中,第二门控卷积层13通过如下公式生成第一时空特征向量:
在一具体实施例中,第四门控卷积层23生成第二时空特征向量时,所采用的公式与第二门控卷积层13生成第一时空特征向量所采用的公式是相同的。
在一可选实施例中,如图6所示,输出层30包括时间卷积层31和全连接层32;
时间卷积层31用于将第二时空卷积网络20输出的第二时空特征向量映射到单步预测,生成单步预测结果Z;
其中,Z为单步预测结果,w为全连接层的权重,b为偏置项,在一具体实施例中,全连接层的权重w是经过训练优化得到的。
实施例2
本发明实施例提供一种交通流量预测模型训练方法,如图7所示,包括:
步骤S110:获取预设时间段内的交通流历史数据,对交通流历史数据进行预处理构建训练图结构交通数据,详细描述见上述实施例1中对图结构数据的描述。
步骤S120:将训练图结构交通数据输入神经网络系统,对神经网络系统进行训练,得到交通流量预测模型,神经网络系统为上述实施例1中提供的交通流量预测系统,详细描述见上述实施例1中对交通流量预测系统的描述。
本发明实施例提供的交通流量预测模型训练方法,对交通流量预测模型进行训练时,采用的训练数据为图结构数据,图结构数据在保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且所选用的神经网络系统为本发明第一方面提供的交通流量预测系统,包括第一时空卷积网络、第二时空卷积网络、输出层,通过两个时空卷积网络的堆叠能够更好的捕获交通数据的时空依赖性,因此通过本方法训练出的交通流量预测模型精确度更高。
在一可选实施例中,在上述步骤S120之后,交通流量预测模型训练方法还包括:
步骤S131:确定交通预测模型的损失函数;
步骤S132:通过计算损失函数的最小值对交通预测模型进行优化。
在一具体实施例中,交通预测模型的损失函数为:
其中,Wθ为模型中所有的训练参数;vt+1为交通流量实际值,v(·) 表示模型的预测。
实施例3
本发明实施例提供一种交通流量预测模型训练装置,如图8所示,包括:
训练数据获取模块110,用于获取预设时间段内的交通流历史数据,对交通流历史数据进行预处理构建训练图结构交通数据,详细描述见上述实施例1中对图结构数据的描述。
交通流量预测模型训练模块120,用于将训练图结构交通数据输入神经网络系统,对神经网络系统进行训练,得到交通流量预测模型,神经网络系统为上述实施例1中提供的交通流量预测系统,详细描述见上述实施例1 中对交通流量预测系统的描述。
本发明实施例提供的交通流量预测模型训练装置,通过该交通流量预测模型训练装置对交通流量预测模型进行训练时,采用的训练数据为图结构数据,图结构数据在保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且所选用的神经网络系统为本发明第一方面提供的交通流量预测系统,包括第一时空卷积网络、第二时空卷积网络、输出层,通过两个时空卷积网络的堆叠能够更好的捕获交通数据的时空依赖性,因此通过本装置训练出的交通流量预测模型精确度更高。
实施例4
本发明实施例提供一种交通流量预测方法,如图9所示,包括:
步骤S210:获取预设时间段内的交通流历史数据,对交通流历史数据进行预处理构建待测图结构交通数据,详细描述见上述实施例1中对图结构数据的描述。
步骤S220:将待测图结构交通数据输入交通流量预测模型,生成预测结果,交通预测模型通过上述实施例2中提供的交通流量预测模型训练方法训练获得,详细描述见上述实施例2中对交通流量预测模型训练方法的描述。
本发明实施例提供的交通流量预测方法,对交通数据进行预测时,采用的预测数据为图结构数据,图结构数据保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且本发明提供的交通流量预测方法采用的神经网络系统为本发明第一方提供的交通流量预测系统,包括第一时空卷积网络、第二时空卷积网络、输出层,通过两个时空卷积网络的堆叠能够更好的捕获交通数据的时空依赖性,因此通过本发明提供的交通流量预测方法预测出的交通流量更为准确。
在一可选实施例中,如图10所示,步骤S220具体包括:
步骤S221:使用第一时空卷积网络10对待测图结构交通数据进行处理,生成第一时空特征向量,详细描述见上述实施例1中对第一时空卷积网络 10的描述。
步骤S222:使用第二时空卷积网络20对待测图结构交通数据和第一时空特征向量进行处理,生成第二时空特征向量,详细描述见上述实施例1 中对第二时空卷积网络20的描述。
步骤S223:使用输出层30对第二时空特征向量进行处理,生成预测结果,详细描述见上述实施例1中对输出层30的描述。
在实际应用中,将基于本发明实施例的交通流量预测系统实现的交通流量预测方法的结果与现有的交通预测模型进行比较,得出以下结论:
根据交通流的时间相关性,使用过去12期的五分钟数据作为自变量,预测未来12期的交通流量。为了研究短期和长期的预测效果,在测试集上,取未来3、6、12期的预测值与真实值进行比较,得到不同模型的预测评估结果.
在本发明实施例中,使用RMSE(均方根误差)、MAE(平均绝对误差)、MAPE(平均绝对百分比误差)作为评价指标,来看预测值靠近观测值的程度,从而对模型的表现进行评价,其中,指标值越小,说明该预测结果越好。用yt表示观测值,表示t时刻的预测值,表示观测结果的均值。其中各指标的定义如下:
对于传统的历史平均法(HA)、支持向量回归模型(SVR)、差分整合移动平均自回归模型(ARIMA)、长短期记忆网络模型(LSTM),对上述12期的交通流量的预测结果如表1所示。
表1
由表1可以看到,与朴素的历史平均方法相比,其余三种模型均取得了不同程度上的提升,其中SVR和ARIMA在短期预测的效果较好,LSTM模型在6期和12期的误差最小,长期预测效果比较好。
进一步地,将本发明实施例的交通流量预测模型(STGCN)与上述各种预测方法相比较,基于上述12期的交通流量的预测结果如表2所示。
表2
HA | SVR | ARIMA | LSTM | STGCN | ||
15min | RMSE | 15.2744 | 12.3241 | 13.1086 | 14.3031 | 12.0973 |
MAE | 9.6294 | 7.7337 | 8.2853 | 8.4236 | 7.4454 | |
MAPE | 23.15% | 19.56% | 26.25% | 21.89% | 19.05% | |
30min | RMSE | 18.0122 | 14.5592 | 15.4754 | 14.5451 | 14.3041 |
MAE | 11.3787 | 9.0394 | 9.7590 | 8.5311 | 8.6305 | |
MAPE | 26.80% | 23.13% | 29.76% | 22.10% | 22.09% | |
60min | RMSE | 23.2210 | 19.3513 | 20.7974 | 16.6331 | 19.3326 |
MAE | 14.8823 | 12.0395 | 13.3221 | 10.0674 | 11.5190 | |
MAPE | 34.10% | 29.44% | 37.96% | 25.15% | 28.90% |
由表2可以看到,加入交通网络结构的STGCN模型在短期预测和长期预测的结果都有不同程度的提升。
实施例5
本发明实施例提供一种交通流量预测装置,如图11所示,包括:
预测数据获取模块210,用于获取预设时间段内的交通流历史数据,对交通流历史数据进行预处理构建待测图结构交通数据,详细描述见上述实施例1中对图结构数据的描述。
交通流量预测模块220,用于将待测图结构交通数据输入交通流量预测模型,生成预测结果,交通预测模型通过上述实施例2中提供的交通流量预测模型训练方法训练获得,详细描述见上述实施例2中对交通流量预测模型训练方法的描述。
本发明实施例提供的交通流量预测装置,对交通数据进行预测时,采用的预测数据为图结构数据,图结构数据保证交通数据时间属性的前提下,更赋予了交通数据空间属性,并且本发明提供的交通流量预测装置采用的神经网络系统为本发明第一方提供的交通流量预测系统,包括第一时空卷积网络、第二时空卷积网络、输出层,通过两个时空卷积网络的堆叠能够更好的捕获交通数据的时空依赖性,因此通过本发明提供的交通流量预测装置预测出的交通流量更为准确。
实施例6
本发明实施例提供一种计算机设备,如图12所示,该计算机设备主要包括一个或多个处理器31以及存储器32,图12中以一个处理器31为例。
该计算机设备还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor, DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据交通流量预测系统,或,交通流量预测模型训练装置,或,交通流量预测装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器 32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至交通流量预测系统、交通流量预测模型训练装置、交通流量预测装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息),以及产生与交通流量预测系统、交通流量预测模型训练装置、交通流量预测装置有关的键信号输入。输出装置34可包括显示屏等显示设备,用以输出计算结果。
实施例7
本发明第四方面提供一种计算机可读存储介质,该计算机可读存储介质存储计算机指令,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的交通流量预测模型训练方法,或,交通流量预测方法,或实现上述任意实施例中的交通流量预测系统。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (15)
1.一种交通流量预测系统,其特征在于,包括:第一时空卷积网络、第二时空卷积网络、输出层;
所述第一时空卷积网络用于根据图结构数据生成第一时空特征向量;
所述第二时空卷积网络用于根据所述图结构数据和所述第一时空特征向量生成第二时空特征向量;
所述输出层用于根据所述第二时空特征向量生成预测值。
2.根据权利要求1所述的交通流量预测系统,其特征在于,所述第一时空卷积网络包括:第一门控卷积层、第一图卷积层、第二门控卷积层;
所述图结构数据包括多个表征交通网络中监测点的顶点、表征各所述监测点间的连通性的边,以及邻接矩阵,每个所述顶点包括预设时间段内的时间序列;
所述第一门控卷积层用于根据所述顶点生成第一时间特征向量;
所述第一图卷积层用于根据所述第一时间特征向量和所述邻接矩阵生成第一空间特征向量;
所述第二门控卷积层用于根据所述第一空间特征向量生成所述第一时空特征向量。
3.根据权利要求2所述的交通流量预测系统,其特征在于,所述第二时空卷积网络包括:第三门控卷积层、第二图卷积层、第四门控卷积层;
所述第三门控卷积层用于根据所述第一时空特征向量生成第二时间特征向量;
所述第二图卷积层用于根据所述第二时间特征向量和所述邻接矩阵生成第二空间特征向量;
所述第四门控卷积层用于根据所述第二空间特征向量生成所述第二时空特征向量。
4.根据权利要求2所述的交通流量预测系统,其特征在于,
所述第一门控卷积层包括一维卷积核和门控线性单元;
所述门控线性单元连接于所述一维卷积核之后,作为所述第一门控卷积层的激活函数。
8.根据权利要求1所述的交通流量预测系统,其特征在于,所述输出层包括时间卷积层和全连接层;
所述时间卷积层用于将所述第二时空卷积网络输出的所述第二时空特征向量映射到单步预测,生成单步预测结果;
所述全连接层用于根据所述单步预测结果、权重、偏置项生成所述预测值。
9.一种交通流量预测模型训练方法,其特征在于,包括:
获取预设时间段内的交通流历史数据,对所述交通流历史数据进行预处理构建训练图结构交通数据;
将所述训练图结构交通数据输入神经网络系统,对所述神经网络系统进行训练,得到所述交通流量预测模型,所述神经网络系统为如权利要求1-8任一项所述的交通流量预测系统。
10.一种交通流量预测模型训练装置,其特征在于,包括:
训练数据获取模块,用于获取预设时间段内的交通流历史数据,对所述交通流历史数据进行预处理构建训练图结构交通数据;
交通流量预测模型训练模块,用于将所述训练图结构交通数据输入神经网络系统,对所述神经网络系统进行训练,得到所述交通流量预测模型,所述神经网络系统为如权利要求1-8任一项所述的交通流量预测系统。
11.一种交通流量预测方法,其特征在于,包括:
获取预设时间段内的交通流历史数据,对所述交通流历史数据进行预处理构建待测图结构交通数据;
将所述待测图结构交通数据输入交通流量预测模型,生成预测结果,所述交通预测模型通过如权利要求9所述的交通流量预测模型训练方法训练获得。
12.根据权利要求11所述的交通流量预测方法,其特征在于,所述将所述待测图结构交通数据输入交通流量预测模型,生成预测结果的步骤,包括:
使用第一时空卷积网络对所述待测图结构交通数据进行处理,生成第一时空特征向量;
使用第二时空卷积网络对所述待测图结构交通数据和所述第一时空特征向量进行处理,生成第二时空特征向量;
使用输出层对所述第二时空特征向量进行处理,生成预测结果。
13.一种交通流量预测装置,其特征在于,包括:
预测数据获取模块,用于获取预设时间段内的交通流历史数据,对所述交通流历史数据进行预处理构建待测图结构交通数据;
交通流量预测模块,用于将所述待测图结构交通数据输入交通流量预测模型,生成预测结果,所述交通预测模型通过如权利要求9所述的交通流量预测模型训练方法训练获得。
14.一种计算机设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,从而实现如权利要求1-8中任一项所述的交通流量预测系统,或,执行如权利要求9所述的交通流量预测模型训练方法,或,执行如权利要求10或11所述的交通流量预测方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机实现如权利要求1-8中任一项所述的交通流量预测系统,或,执行如权利要求9所述的交通流量预测模型训练方法,或,执行如权利要求10或11所述的交通流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910899860.6A CN110674987A (zh) | 2019-09-23 | 2019-09-23 | 一种交通流量预测系统、方法及模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910899860.6A CN110674987A (zh) | 2019-09-23 | 2019-09-23 | 一种交通流量预测系统、方法及模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674987A true CN110674987A (zh) | 2020-01-10 |
Family
ID=69077325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910899860.6A Pending CN110674987A (zh) | 2019-09-23 | 2019-09-23 | 一种交通流量预测系统、方法及模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674987A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991775A (zh) * | 2020-03-02 | 2020-04-10 | 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 |
CN111612126A (zh) * | 2020-04-18 | 2020-09-01 | 华为技术有限公司 | 强化学习的方法和装置 |
CN111833605A (zh) * | 2020-07-10 | 2020-10-27 | 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 |
CN112053560A (zh) * | 2020-08-27 | 2020-12-08 | 武汉理工大学 | 基于神经网络的短时交通流量预测方法、系统和存储介质 |
CN112257918A (zh) * | 2020-10-19 | 2021-01-22 | 中国科学院自动化研究所 | 基于内嵌注意力机制的循环神经网络的交通流量预测方法 |
CN112382081A (zh) * | 2020-09-30 | 2021-02-19 | 浙江高速信息工程技术有限公司 | 一种基于多任务的交通流量预测方法 |
CN112396236A (zh) * | 2020-11-24 | 2021-02-23 | 复旦大学 | 一种交通流量预测方法、系统、服务器和存储介质 |
CN112489420A (zh) * | 2020-11-17 | 2021-03-12 | 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 |
CN112529296A (zh) * | 2020-12-11 | 2021-03-19 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
CN112668797A (zh) * | 2020-12-31 | 2021-04-16 | 中山大学 | 一种长短期交通预测方法 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN113420414A (zh) * | 2021-05-27 | 2021-09-21 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
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 |
CN113792929A (zh) * | 2021-04-26 | 2021-12-14 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN113821985A (zh) * | 2021-11-22 | 2021-12-21 | 中移(上海)信息通信科技有限公司 | 一种交通状态预测方法、装置及电子设备 |
CN114338416A (zh) * | 2020-09-29 | 2022-04-12 | 中国移动通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN114360254A (zh) * | 2022-03-17 | 2022-04-15 | 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 |
CN114463972A (zh) * | 2022-01-26 | 2022-05-10 | 成都和乐信软件有限公司 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
CN114566047A (zh) * | 2022-03-02 | 2022-05-31 | 中远海运科技股份有限公司 | 一种基于短时路况预测算法的预警方法及系统 |
US20220172028A1 (en) * | 2020-12-02 | 2022-06-02 | Samsung Electronics Co., Ltd. | Method and apparatus with neural network operation and keyword spotting |
EP4016412A1 (en) * | 2020-12-18 | 2022-06-22 | Imec VZW | Traffic prediction |
CN114724386A (zh) * | 2022-03-31 | 2022-07-08 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN115223402A (zh) * | 2022-06-29 | 2022-10-21 | 北京航空航天大学 | 一种基于时空图卷积网络的空域扇区复杂度预测方法 |
CN115376317A (zh) * | 2022-08-22 | 2022-11-22 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
CN115422694A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路段缺失流量推算方法、电子设备及存储介质 |
CN116596151A (zh) * | 2023-05-25 | 2023-08-15 | 湖北工业大学 | 基于时空图注意力的交通流量预测方法及计算设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN109961180A (zh) * | 2019-03-15 | 2019-07-02 | 浙江工业大学 | 一种基于时空相关性的短时交通流量预测方法 |
US20190287404A1 (en) * | 2018-03-13 | 2019-09-19 | Nec Laboratories America, Inc. | Traffic prediction with reparameterized pushforward policy for autonomous vehicles |
-
2019
- 2019-09-23 CN CN201910899860.6A patent/CN110674987A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190287404A1 (en) * | 2018-03-13 | 2019-09-19 | Nec Laboratories America, Inc. | Traffic prediction with reparameterized pushforward policy for autonomous vehicles |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN109961180A (zh) * | 2019-03-15 | 2019-07-02 | 浙江工业大学 | 一种基于时空相关性的短时交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
BING YU 等: "Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting", 《ARXIV:1709.04875V4 [CS.LG]》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991775A (zh) * | 2020-03-02 | 2020-04-10 | 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 |
CN111612126A (zh) * | 2020-04-18 | 2020-09-01 | 华为技术有限公司 | 强化学习的方法和装置 |
CN111833605A (zh) * | 2020-07-10 | 2020-10-27 | 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 |
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 |
CN112053560A (zh) * | 2020-08-27 | 2020-12-08 | 武汉理工大学 | 基于神经网络的短时交通流量预测方法、系统和存储介质 |
CN112053560B (zh) * | 2020-08-27 | 2022-02-22 | 武汉理工大学 | 基于神经网络的短时交通流量预测方法、系统和存储介质 |
CN114338416B (zh) * | 2020-09-29 | 2023-04-07 | 中国移动通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN114338416A (zh) * | 2020-09-29 | 2022-04-12 | 中国移动通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN112382081A (zh) * | 2020-09-30 | 2021-02-19 | 浙江高速信息工程技术有限公司 | 一种基于多任务的交通流量预测方法 |
CN112257918A (zh) * | 2020-10-19 | 2021-01-22 | 中国科学院自动化研究所 | 基于内嵌注意力机制的循环神经网络的交通流量预测方法 |
CN112489420A (zh) * | 2020-11-17 | 2021-03-12 | 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 |
CN112396236A (zh) * | 2020-11-24 | 2021-02-23 | 复旦大学 | 一种交通流量预测方法、系统、服务器和存储介质 |
US20220172028A1 (en) * | 2020-12-02 | 2022-06-02 | Samsung Electronics Co., Ltd. | Method and apparatus with neural network operation and keyword spotting |
CN112529296B (zh) * | 2020-12-11 | 2023-01-31 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
CN112529296A (zh) * | 2020-12-11 | 2021-03-19 | 联通(浙江)产业互联网有限公司 | 水质预测方法、装置及服务器 |
WO2022129421A1 (en) * | 2020-12-18 | 2022-06-23 | Imec Vzw | Traffic prediction |
EP4016412A1 (en) * | 2020-12-18 | 2022-06-22 | Imec VZW | Traffic prediction |
CN112668797A (zh) * | 2020-12-31 | 2021-04-16 | 中山大学 | 一种长短期交通预测方法 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN113792929B (zh) * | 2021-04-26 | 2023-09-22 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN113792929A (zh) * | 2021-04-26 | 2021-12-14 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN113420414A (zh) * | 2021-05-27 | 2021-09-21 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
CN113420414B (zh) * | 2021-05-27 | 2022-08-30 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
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 |
CN113821985B (zh) * | 2021-11-22 | 2022-02-22 | 中移(上海)信息通信科技有限公司 | 一种交通状态预测方法、装置及电子设备 |
WO2023088131A1 (zh) * | 2021-11-22 | 2023-05-25 | 中移(上海)信息通信科技有限公司 | 一种交通状态预测方法、装置、设备、介质及程序 |
CN113821985A (zh) * | 2021-11-22 | 2021-12-21 | 中移(上海)信息通信科技有限公司 | 一种交通状态预测方法、装置及电子设备 |
CN114463972B (zh) * | 2022-01-26 | 2024-02-27 | 成都和乐信软件有限公司 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
CN114463972A (zh) * | 2022-01-26 | 2022-05-10 | 成都和乐信软件有限公司 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
CN114566047A (zh) * | 2022-03-02 | 2022-05-31 | 中远海运科技股份有限公司 | 一种基于短时路况预测算法的预警方法及系统 |
CN114360254A (zh) * | 2022-03-17 | 2022-04-15 | 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 |
CN114724386B (zh) * | 2022-03-31 | 2023-10-27 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN114724386A (zh) * | 2022-03-31 | 2022-07-08 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN115223402B (zh) * | 2022-06-29 | 2023-05-26 | 北京航空航天大学 | 一种基于时空图卷积网络的空域扇区复杂度预测方法 |
CN115223402A (zh) * | 2022-06-29 | 2022-10-21 | 北京航空航天大学 | 一种基于时空图卷积网络的空域扇区复杂度预测方法 |
CN115376317B (zh) * | 2022-08-22 | 2023-08-11 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
CN115376317A (zh) * | 2022-08-22 | 2022-11-22 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
CN115422694A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路段缺失流量推算方法、电子设备及存储介质 |
CN116596151A (zh) * | 2023-05-25 | 2023-08-15 | 湖北工业大学 | 基于时空图注意力的交通流量预测方法及计算设备 |
CN116596151B (zh) * | 2023-05-25 | 2024-03-15 | 湖北工业大学 | 基于时空图注意力的交通流量预测方法及计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674987A (zh) | 一种交通流量预测系统、方法及模型训练方法 | |
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
US10534999B2 (en) | Apparatus for classifying data using boost pooling neural network, and neural network training method therefor | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
Dimitriou et al. | A deep learning framework for simulation and defect prediction applied in microelectronics | |
CN113780270B (zh) | 目标检测方法和装置 | |
CN109522831B (zh) | 一种基于微卷积神经网络的车辆实时检测方法 | |
US20230131518A1 (en) | Model Generation Method and Apparatus, Object Detection Method and Apparatus, Device, and Storage Medium | |
CN113902769A (zh) | 一种基于深度学习语义分割的地震断层识别方法 | |
CN113808396A (zh) | 基于交通流量数据融合的交通速度预测方法和系统 | |
CN114639021A (zh) | 一种目标检测模型的训练方法及目标划分方法 | |
US11875523B2 (en) | Adaptive stereo matching optimization method and apparatus, device and storage medium | |
CN113887704A (zh) | 交通信息预测方法、装置、设备及存储介质 | |
JP7188856B2 (ja) | 動的な画像解像度評価 | |
Luo et al. | RBD-Net: robust breakage detection algorithm for industrial leather | |
CN113920479A (zh) | 一种目标检测网络构建和目标检测方法、装置及电子设备 | |
CN113012107A (zh) | 电网缺陷检测方法及系统 | |
CN116826734A (zh) | 一种基于多输入模型的光伏发电功率预测方法及装置 | |
Chen et al. | A novel prediction approach for exploring PM2. 5 spatiotemporal propagation based on convolutional recursive neural networks | |
CN111611919A (zh) | 一种基于结构化学习的道路场景布局分析方法 | |
CN113514053B (zh) | 生成样本图像对的方法、装置和更新高精地图的方法 | |
Prasetyo et al. | Age Estimation from Face Image using Discrete Cosine Transform Feature and Artificial Neural Network | |
CN114118508A (zh) | 一种基于时空卷积网络的od市场航空客流量预测方法 | |
Jiang et al. | Traffic flow forecasting using a spatial-temporal attention graph convolutional network predictor | |
Chattopadhyay et al. | Mixture of Experts based Model Integration for Traffic State Prediction |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200110 |
|
WD01 | Invention patent application deemed withdrawn after publication |