CN110827544A - 一种基于图卷积循环神经网络的短时交通流控制方法 - Google Patents
一种基于图卷积循环神经网络的短时交通流控制方法 Download PDFInfo
- Publication number
- CN110827544A CN110827544A CN201911092839.1A CN201911092839A CN110827544A CN 110827544 A CN110827544 A CN 110827544A CN 201911092839 A CN201911092839 A CN 201911092839A CN 110827544 A CN110827544 A CN 110827544A
- Authority
- CN
- China
- Prior art keywords
- time
- graph convolution
- traffic flow
- space
- network
- 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.)
- Granted
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
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及短时交通流控制领域,具体涉及一种基于图卷积循环神经网络的短时交通流控制方法;该方法包括:获取数据源;构建图结构交通流量序列;根据图结构交通流量序列在时间维的多级别性构建时空图卷积循环网络的近期组件模型,时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型;融合3个模型的结果,得到短时交通流量预测模型;根据这个模型得到预测结果;统计预测数据,将统计的结果发送给交通部门,控制该路网各卡口车流量;本发明利用时空图卷积循环神经网络同时建模交通流近期、日周期和周周期依赖性,建立基于多组件数据融合的时空图卷积循环神经网络的短时流量预测模型,从而达到精准的预测结果。
Description
技术领域
本发明涉及短时交通流控制领域,具体涉及一种基于图卷积循环神经网络的短时交通流控制方法。
背景技术
随着社会经济持续快速发展,汽车数量不断增加,道路交通流量也随之增大,并由此带来了一系列的交通问题。在不改变当前路网的情况下,通过智能交通控制系统实现对路网短时交通流量的控制和诱导,是解决交通问题的有效途径之一。同时,准确的交通流预测信息不仅可以提高公众出行效率,而且还能够为交通部门制定管理方案、合理分配交通资源等提供参考依据。而短时交通流量预测旨在依据道路交通流量信息采用适当的方法去预测未来小段时间的交通流量状况,不同类别的交通数据内嵌于连续空间,并且随时间动态变化。如何从这些高度复杂、非线性的交通流数据中挖掘出隐含的时空模式,并提取出有价值的信息,是交通流时空数据挖掘的重要任务。目前,随着智能交通发展,许多学者在该类问题上进行了大量探究。早期基于统计学习的预测方法,如历史平均法、时间序列法等,计算复杂度低,操作简单,但模型受交通流的波动性影响较大,对具有较强随机性的非平稳流量数据预测效果不佳。随后发展起来的基于机器学习的预测方法,如支持向量法、聚类法等,虽然能够处理更为复杂、非线性的交通流数据,但不能同时有效地考虑交通流的时空关联性,并且预测效果很大依赖于特征工程。
近年来,将深度学习方法应用到交通流预测中成为了研究热点,例如专利申请号为CN201610183090.1的《一种基于卷积神经网络的短时交通流量预测方法》中提出了通过卷积神经网络建模交通流量数据二维特征信息来对短时交通流进行预测。通过卷积神经网络可以提取规则路网网格数据的时空特征用于短时流量预测,并且使预测模型学习到更多流量特征,提升了精确度。
但是基于欧氏距离的路网模型不能体现路口之间的空间连通关系,即使在网格上做卷积,也会由于数据建模的折衷,只能粗略地捕获空间局部性,在卷积神经网络建模过程中未考虑车辆经过卡口的时空特性,存在构建的模型精确度差的问题。
发明内容
为解决上述技术问题,本发明采用一种基于图卷积循环神经网络的短时交通流控制方法,其方法步骤包括:
S1:通过路边检测设备提取车辆信息,获取数据源;
S2:构建图结构交通流量序列;
S3:根据图结构交通流量序列结合时间维的多级别性构建时空图卷积循环网络近期组件模型,时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型;
S4:对时空图卷积循环网络近期组件模型的输出结果,时空图卷积循环网络日周期组件模型输出结果以及时空图卷积循环网络周周期组件模型输出结果进行融合,得到短时交通流量预测模型;并得到预测数据;
S5:将预测数据发送给交通部门,控制该路网各卡口的车流量。
优选的,获取的数据包括卡口编号、车牌号、过车时间、卡口GPS位置等属性;根据这些数据整理车辆轨迹数据集,并对数据源重复数据、无效数据进行清洗。
优选的,构建路网拓扑图包括:收集车俩轨迹信息利用车辆轨迹统计相邻卡口间的过车概率,构建有行车偏好信息的权重邻接矩阵A;从收集的数据源中得到卡口节点集合L和代表相邻节点的连通性的边集E;根据得到的权重邻接矩阵A,卡口节点集合L以及边集E构建路网拓扑图G=(L,E,A)。
优选的,构建时空图卷积循环网络近期组件模型,时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型;其中,时空图卷积循环网络近期组件模型的计算过程包括:获取路网的近期特性的输入序列根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的重置门的状态为:r(t)=σ(θr*G[XG(t),H(t-1)]+br);根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的更新门的状态为:z(t)=σ(θz*G[XG(t),H(t-1)]+bz);得到时空图卷积循环神经网络在t时刻隐藏层的状态:H(t)=z(t)·H(t-1)+(1-z(t))·H′(t),其中根据时空图卷积循环神经网络在t时刻隐藏层的状态H(t),得到时空图卷积循环网络近期组件模型的输出结果为:
优选的,短时交通流量预测模型为:
本发明利用图卷积计算处理复杂图结构数据的能力和循环神经网络处理时序问题的能力,将空间图卷积引入时间维的循环记忆单元建立时空图卷积循环神经网络来处理路网交通流随时间演化的特性,避免了单一网络不能同时有效考虑时间和空间的局限;并且本发明利用时空图卷积循环网络同时建模交通流近期、日周期和周周期依赖性,建立基于多组件数据融合的时空图卷积循环神经网络的短时流量预测模型,从而达到精准的预测结果。
附图说明
图1为本发明的总体流程图;
图2为本发明的学习算法流程图;
图3为本发明的时空卷积循环网络单元图。
具体实施方式
为了更好的说明本发明的内容,以下参考说明书附图并举实施例,对本发明的具体实施例作进一步的阐述。
如图1所示,本发明包括:获取数据模块,路网拓扑图构建模块,模型构建模块,预测和分析模块共四大模块。
本发明为一种基于图卷积循环神经网络的短时交通流控制方法,如图2所示,该方法的具体步骤为:
S1:通过路边检测设备提取车辆信息,获取数据源;
S2:构建图结构交通流量序列;
S3:根据图结构交通流量序列结合时间维的多级别性构建时空图卷积循环网络近期组件模型,时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型;
S4:对时空图卷积循环网络近期组件模型的输出结果,时空图卷积循环网络日周期组件模型输出结果以及时空图卷积循环网络周周期组件模型输出结果进行融合,得到短时交通流量预测模型;并得到预测数据;
S5:将预测数据发送给交通部门,控制该路网各卡口的车流量。
对于获取的数据源,包括:从卡口记录设备获取到的数据包括卡口记录中的卡口编号、车牌号、过车时间、卡口GPS位置等属性。根据卡口名称与位置、车牌和过车时间这整理各卡口在不同时间点的过车数据,并同时根据轨迹相关属性整理出车辆轨迹数据集。对数据源重复数据、无效数据进行清洗,有利于数据分析。
步骤S2中构建图结构交通流量序列包括:
S21:路网拓扑图的构建;由于车辆在经过卡口时被记录,其轨迹信息为卡口编号的有序集合其中,表示车辆编号为v,轨迹编号为k的车辆轨迹;l1,l2,l3,…,ln表示车辆v经过交通卡口的位置编号;车辆轨迹有序卡口位置编号体现了卡口间的连通关系,因而从步骤S1中获取轨迹数据,然后基于轨迹构建实际路网拓扑图G=(L,E,A)。
G表示卡口检测器构成的拓扑网络图,其中,L为节点集,即卡口集,L=n为节点个数;E为边集,代表节点间的连通性,A∈Rn×n为路网拓扑图G的权重邻接矩阵,代表了节点间的关联度。
在交通流控制问题中全面考虑预测时刻的交通数据与自身历史时刻的交通数据之间的时间相关性。例如,对某节点10:00-10:05am的车流量进行预测,那么与预测时段直接相邻的近期历史时延内的交通数据、对应的1天前及1周前10:00-10:05am的交通数据都会对该预测问题提供有用信息。因此,同时考虑交通流量数据固有近期依赖性、日周期依赖性和周周期依赖性性作为模型的特征输入,将路网交通流的历史输入数据按各模式进行整理。
S22:获取路网G各节点历史时刻和当前时刻的交通流量序列XG={XG(t)|t=1,2,...}。其中,XG(t)表示在当前时刻t观察到路网所有卡口的流量值;
其中,τs表示输入的近期时间序列长度,τd表示输入的日周期时间序列长度,τw表示输入的周周期时间序列长度,p表示日周期跨度和q表示周周期跨度。
构建时空图卷积循环神经网络。交通流量预测的核心在于如何有效捕获数据的时空维的特征及相关性。沿空间轴,图卷积计算能够直接对路网的图结构数据进行特征提取,自动挖掘交通流量数据的空间模式。沿时间轴,循环神经网络能够利用处理时序问题的优势,自动挖掘交通数据的时间模式。因而结合两者的优势,将空间维的图卷积计算引入时间维的递归网络记忆单元构建时空图卷积循环网络,直接同时捕获路网交通流数据的时空特性,有效解决交通流量预测问题。
时空图卷积循环网络近期组件模、时空图卷积循环网络的日周期组件模型型以及时空图卷积循环网络周周期组件模型的构建包括:
如图3所示,采用循环神经网络变体-门控循环神经网络GRU,并将图卷积计算引入GRU的循环记忆单元,即图卷积计算代替GRU内部单元的矩阵乘法,得到图卷积循环神经网络,通过图卷积循环神经网络同时建模交通流的多模式特性,从而构建时空图卷积循环网络近期组件模型,时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型;其中,以时空图卷积循环网络近期组件模型的为例,其计算过程包括:
步骤2:根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的重置门的状态为:r(t)=σ(θr*G[XG(t),H(t-1)]+br);
步骤3:根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的更新门的状态为:z(t)=σ(θz*G[XG(t),H(t-1)]+bz);
其中,r(t)表示t时刻重置门状态,z(t)表示t时刻更新门状态,H(t)表示t时刻隐藏层的状态,H′(t)表示候选隐藏状态;*G是图卷积计算,σ(·)是sigmoid函数,sigmoid函数表示神经元的非线性作用函数;是tanh函数,tanh函数表示双曲正切函数;θr,θz,θH′分别是对应的图卷积核参数;表示输出函数参数,其中i∈(s,d,w);“*”表示矩阵乘积,“·”表示矩阵元素对应乘积;br表示重置门的偏置,bz表示更新门的偏置,bH′表示隐藏层在t-1时刻的偏置。
重置门r的主要作用是控制前一时刻的输出H(t-1)对当前输入XG(t)的影响;更新门z的主要作用是控制当前输入XG(t)哪些信息被保留。通过更新门和重置门,模型可以选择性存储输入模型中的图结构交通流序列的内部关联信息。与GRU相似,图卷积循环神经网络记忆单元能够用于建立循环神经网络层,并通过时间反向传播进行训练,因而构建的图卷积循环神经网络能够直接同时捕获时间序列之间的时空依赖关系,较好地应用于路网交通流的时空预测问题。
图卷积计算过程包括:选取某一时间片段上的空间图x=XG(t),对x进行图卷积:
fθ*G x=fθ(L)x=fθ(UΛUT)x=Ufθ(Λ)UTx
式中fθ是图卷积核,U(傅里叶基)和Λ(对角化算子)分别为图G的拉普拉斯矩阵L的特征向量矩阵和特征值对角矩阵,x表示t时间片段上的空间图。
其中拉普拉斯矩阵定义如下:
式中A为权重邻接矩阵,In为单位阵,D是度矩阵;并且i和j分别表示权重邻接矩阵A的行和列;Λ=diag([λ0,λ1,...,λn-1])∈Rn×n,diag表示对角化,λ0,λ1,...,λn-1表示对角矩阵的元素,Rn×n表示为n行n列的矩阵。图卷积计算是利用傅里叶变换来等价替代经典卷积计算(即时域卷积等于频域相乘),因此将图信号进行卷积操作等价于先对图信号和卷积核做傅里叶变换后相乘,再做傅里叶逆变换。图信号的傅里叶变换为UTx,卷积核的傅里叶变换为UT fθ=fθ(Λ)。当图的规模较大时,直接对拉普拉斯矩阵进行特征值分解时间复杂度高,因此引入切比雪夫多项式近似展开求解:
Tk(x)=2xTk-1(x)-Tk-2(x)
其中T0(x)=1,T1(x)=x;k表示第几项多项式,用切比雪夫多项式近似求解,即对图中的每个节点利用卷积核提取以该节点为中心的周围0~K-1阶邻居信息。
步骤4中对结果进行融合包括:步骤4包括:将时空图卷积循环网络近期组件模型的输出结果时空图卷积循环网络日周期期组件模型输出结果时空图卷积循环网络周周期组件模型输出结垛进行融合,得到短时交通流量预测模型:
本发明从交通流量预测的核心问题出发,首先利用图卷积计算从路网拓扑图的角度来捕获交通流的复杂空间依赖性;接着将该图卷积计算引入到循环神经网络记忆单元,构建图卷积循环网络记忆单元去直接同时挖掘交通流量序列的时空依赖性;并且基于图卷积循环网络同时建模交通流时间维固有的近期、日周期和周周期特性,最终建立一种基于多组件图卷积循环神经网络的短时交通流预测方法。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图卷积循环神经网络的短时交通流控制方法,其特征在于,所述方法包括:
S1:通过路边检测设备提取车辆信息,获取数据源;
S2:构建图结构交通流量序列;
S3:根据图结构交通流量序列结合时间维的多级别性构建时空图卷积循环网络近期组件模型,时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型;
S4:对时空图卷积循环网络近期组件模型的输出结果,时空图卷积循环网络日周期组件模型输出结果以及时空图卷积循环网络周周期组件模型输出结果进行融合,得到短时交通流量预测模型;并得到预测数据;
S5:将预测数据发送给交通部门,控制该路网各卡口的车流量。
2.根据权利要求1所述的一种基于图卷积循环神经网络的短时交通流控制方法,其特征在于,步骤S2包括:
S21:整理车辆轨迹数据,构建路网拓扑图;
S22:根据交通流时间维的多模式特性整理路网拓扑图的节点交通流量序列,得到基于不同时间特性的图结构交通流序列数据。
3.根据权利要求2所述的一种基于图卷积循环神经网络的短时交通流控制方法,其特征在于,所述构建路网拓扑图包括:
S211:收集车俩的轨迹信息,即
S213:从收集的数据源中得到卡口节点集合L和代表相邻节点的连通性的边集E;
S214:根据得到的权重邻接矩阵A,卡口节点集合L以及边集E构建路网拓扑图G=(L,E,A);
6.根据权利要求1所述的一种基于图卷积循环神经网络的短时交通流控制方法,其特征在于,构建时空图卷积循环网络近期组件模型,时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型;其中,时空图卷积循环网络近期组件模型的计算过程包括:
步骤1:获取路网的近期特性的输入序列
步骤2:根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的重置门的状态为:r(t)=σ(θr*G[XG(t),H(t-1)]+br);
步骤3:根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的更新门的状态为:z(t)=σ(θz*G[XG(t),H(t-1)]+bz);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911092839.1A CN110827544B (zh) | 2019-11-11 | 2019-11-11 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911092839.1A CN110827544B (zh) | 2019-11-11 | 2019-11-11 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827544A true CN110827544A (zh) | 2020-02-21 |
CN110827544B CN110827544B (zh) | 2022-09-02 |
Family
ID=69553654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911092839.1A Active CN110827544B (zh) | 2019-11-11 | 2019-11-11 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827544B (zh) |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339449A (zh) * | 2020-03-24 | 2020-06-26 | 青岛大学 | 一种用户运动轨迹的预测方法、装置、设备及存储介质 |
CN111639787A (zh) * | 2020-04-28 | 2020-09-08 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
CN111710154A (zh) * | 2020-05-15 | 2020-09-25 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
CN111723285A (zh) * | 2020-05-14 | 2020-09-29 | 天津大学 | 一种基于评分的深度谱卷积协同过滤推荐方法 |
CN111786979A (zh) * | 2020-06-24 | 2020-10-16 | 杭州电子科技大学 | 一种基于多模态学习的电力攻击识别方法 |
CN111815956A (zh) * | 2020-09-11 | 2020-10-23 | 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 |
CN111862591A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、装置及存储介质 |
CN111882114A (zh) * | 2020-07-01 | 2020-11-03 | 长安大学 | 一种短时交通流量预测模型构建方法及预测方法 |
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 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112327337A (zh) * | 2020-11-02 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 路口重建方法、装置、设备及存储介质 |
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 |
CN112488185A (zh) * | 2020-11-27 | 2021-03-12 | 湖南大学 | 包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质 |
CN112652167A (zh) * | 2020-12-15 | 2021-04-13 | 东北大学 | 一种基于多图卷积神经网络的交通速度预测方法 |
CN112668711A (zh) * | 2020-11-30 | 2021-04-16 | 西安电子科技大学 | 基于深度学习的洪水流量预测方法、装置和电子设备 |
CN112688746A (zh) * | 2020-12-14 | 2021-04-20 | 中山大学 | 一种基于时空数据的频谱预测方法 |
CN112784121A (zh) * | 2021-01-28 | 2021-05-11 | 浙江工业大学 | 一种基于时空图表示学习的交通事故预测方法 |
CN112910710A (zh) * | 2021-02-08 | 2021-06-04 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
CN113095575A (zh) * | 2021-04-16 | 2021-07-09 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
CN113112792A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于语义信息的多模块交通密集度预测方法 |
CN113205684A (zh) * | 2021-04-29 | 2021-08-03 | 上海应用技术大学 | 交通流量预测方法及系统 |
CN113240904A (zh) * | 2021-05-08 | 2021-08-10 | 福州大学 | 基于特征融合的交通流预测方法 |
CN113380026A (zh) * | 2021-05-28 | 2021-09-10 | 南京理工大学 | 基于hmm的高速路交通量预测方法 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
CN113537580A (zh) * | 2021-06-28 | 2021-10-22 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113570859A (zh) * | 2021-07-23 | 2021-10-29 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
CN113823090A (zh) * | 2021-09-22 | 2021-12-21 | 南通大学 | 一种基于多时空图卷积网络的交通流预测方法 |
CN113868313A (zh) * | 2021-10-15 | 2021-12-31 | 天津大学 | 基于双向图卷积循环神经网络的不完整时空数据预测方法 |
CN113963435A (zh) * | 2021-10-07 | 2022-01-21 | 哈尔滨理工大学 | 一种基于图卷积神经网络的人体行为识别系统 |
CN114120652A (zh) * | 2021-12-21 | 2022-03-01 | 重庆邮电大学 | 一种基于动态图神经网络的交通流量预测方法 |
CN114220271A (zh) * | 2021-12-21 | 2022-03-22 | 南京理工大学 | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 |
CN114299723A (zh) * | 2022-02-15 | 2022-04-08 | 北京科技大学 | 一种交通流量预测方法 |
CN114333327A (zh) * | 2022-01-05 | 2022-04-12 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种基于多流神经网络的交通状态预测方法 |
WO2022105016A1 (zh) * | 2020-11-19 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种股票价格走势预测方法、系统、终端以及存储介质 |
CN114550444A (zh) * | 2022-01-24 | 2022-05-27 | 广东省城乡规划设计研究院有限责任公司 | 一种基于神经网络的服务区车流量预测方法和装置 |
CN115134816A (zh) * | 2021-03-18 | 2022-09-30 | 中国电信股份有限公司 | 基于时空卷积和多时间尺度的基站流量预测方法 |
CN115620510A (zh) * | 2022-08-25 | 2023-01-17 | 重庆邮电大学 | 一种基于自适应窗口注意力提取时空依赖的交通流预测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090030897A1 (en) * | 2007-07-26 | 2009-01-29 | Hamid Hatami-Hanza | Assissted Knowledge Discovery and Publication System and Method |
CN101593424A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 一种短时交通流智能组合预测方法 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
DE102015015915A1 (de) * | 2015-12-09 | 2016-06-09 | Daimler Ag | Verfahren zur architekturübergreifenden Konfiguration einer Montage von Fahrzeugen |
CN106026187A (zh) * | 2016-08-10 | 2016-10-12 | 广东工业大学 | 一种含分布式电源的配电网重构的方法及系统 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN108399745A (zh) * | 2018-03-01 | 2018-08-14 | 北京航空航天大学合肥创新研究院 | 一种基于无人机的分时段城市路网状态预测方法 |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN109285346A (zh) * | 2018-09-07 | 2019-01-29 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
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 |
CN109766642A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种自演化交通路网拓扑建模方法 |
CN109767615A (zh) * | 2018-10-19 | 2019-05-17 | 江苏智通交通科技有限公司 | 路网交通流关键流向和关键路径分析方法 |
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 |
US20190266417A1 (en) * | 2018-02-28 | 2019-08-29 | Robert Bosch Gmbh | Method for ascertaining a piece of topological information of an intersection |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110276376A (zh) * | 2019-05-14 | 2019-09-24 | 嘉兴职业技术学院 | 一种基于超元启发算法的人群信息聚类方法 |
CN110322695A (zh) * | 2019-07-23 | 2019-10-11 | 内蒙古工业大学 | 一种基于深度学习的短时交通流预测方法 |
-
2019
- 2019-11-11 CN CN201911092839.1A patent/CN110827544B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090030897A1 (en) * | 2007-07-26 | 2009-01-29 | Hamid Hatami-Hanza | Assissted Knowledge Discovery and Publication System and Method |
CN101593424A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 一种短时交通流智能组合预测方法 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
DE102015015915A1 (de) * | 2015-12-09 | 2016-06-09 | Daimler Ag | Verfahren zur architekturübergreifenden Konfiguration einer Montage von Fahrzeugen |
CN106026187A (zh) * | 2016-08-10 | 2016-10-12 | 广东工业大学 | 一种含分布式电源的配电网重构的方法及系统 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
US20190266417A1 (en) * | 2018-02-28 | 2019-08-29 | Robert Bosch Gmbh | Method for ascertaining a piece of topological information of an intersection |
CN108399745A (zh) * | 2018-03-01 | 2018-08-14 | 北京航空航天大学合肥创新研究院 | 一种基于无人机的分时段城市路网状态预测方法 |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN109285346A (zh) * | 2018-09-07 | 2019-01-29 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
CN109767615A (zh) * | 2018-10-19 | 2019-05-17 | 江苏智通交通科技有限公司 | 路网交通流关键流向和关键路径分析方法 |
CN109766642A (zh) * | 2019-01-15 | 2019-05-17 | 电子科技大学 | 一种自演化交通路网拓扑建模方法 |
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 |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110276376A (zh) * | 2019-05-14 | 2019-09-24 | 嘉兴职业技术学院 | 一种基于超元启发算法的人群信息聚类方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110322695A (zh) * | 2019-07-23 | 2019-10-11 | 内蒙古工业大学 | 一种基于深度学习的短时交通流预测方法 |
Non-Patent Citations (4)
Title |
---|
冯宁等: "面向交通流量预测的多组件时空图卷积网络", 《软件学报》 * |
邵敏华等: "基于转弯比例的检测器布设与流量推算惟一性", 《同济大学学报(自然科学版)》 * |
阮树斌等: "基于车牌识别数据的机动车出行轨迹提取算法", 《浙江大学学报(工学版)》 * |
魏丽英等: "路网交通流微观模拟建模方法研究", 《公路交通科技》 * |
Cited By (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339449A (zh) * | 2020-03-24 | 2020-06-26 | 青岛大学 | 一种用户运动轨迹的预测方法、装置、设备及存储介质 |
CN111639787B (zh) * | 2020-04-28 | 2024-03-15 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
CN111639787A (zh) * | 2020-04-28 | 2020-09-08 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
CN111862591A (zh) * | 2020-05-13 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、装置及存储介质 |
CN111723285A (zh) * | 2020-05-14 | 2020-09-29 | 天津大学 | 一种基于评分的深度谱卷积协同过滤推荐方法 |
CN111710154A (zh) * | 2020-05-15 | 2020-09-25 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
CN111786979A (zh) * | 2020-06-24 | 2020-10-16 | 杭州电子科技大学 | 一种基于多模态学习的电力攻击识别方法 |
CN111882114B (zh) * | 2020-07-01 | 2023-10-31 | 长安大学 | 一种短时交通流量预测模型构建方法及预测方法 |
CN111882114A (zh) * | 2020-07-01 | 2020-11-03 | 长安大学 | 一种短时交通流量预测模型构建方法及预测方法 |
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 |
CN111815956A (zh) * | 2020-09-11 | 2020-10-23 | 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 |
CN112216108B (zh) * | 2020-10-12 | 2021-06-29 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112327337A (zh) * | 2020-11-02 | 2021-02-05 | 北京嘀嘀无限科技发展有限公司 | 路口重建方法、装置、设备及存储介质 |
CN112327337B (zh) * | 2020-11-02 | 2024-04-19 | 北京嘀嘀无限科技发展有限公司 | 路口重建方法、装置、设备及存储介质 |
WO2022105016A1 (zh) * | 2020-11-19 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种股票价格走势预测方法、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 |
CN112396236B (zh) * | 2020-11-24 | 2021-11-19 | 复旦大学 | 一种交通流量预测方法、系统、服务器和存储介质 |
CN112488185B (zh) * | 2020-11-27 | 2024-04-26 | 湖南大学 | 包含时空特性的车辆运行参数预测方法和系统 |
CN112488185A (zh) * | 2020-11-27 | 2021-03-12 | 湖南大学 | 包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质 |
CN112668711B (zh) * | 2020-11-30 | 2023-04-18 | 西安电子科技大学 | 基于深度学习的洪水流量预测方法、装置和电子设备 |
CN112668711A (zh) * | 2020-11-30 | 2021-04-16 | 西安电子科技大学 | 基于深度学习的洪水流量预测方法、装置和电子设备 |
CN112688746B (zh) * | 2020-12-14 | 2021-11-30 | 中山大学 | 一种基于时空数据的频谱预测方法 |
CN112688746A (zh) * | 2020-12-14 | 2021-04-20 | 中山大学 | 一种基于时空数据的频谱预测方法 |
CN112652167B (zh) * | 2020-12-15 | 2022-03-25 | 东北大学 | 一种基于多图卷积神经网络的交通速度预测方法 |
CN112652167A (zh) * | 2020-12-15 | 2021-04-13 | 东北大学 | 一种基于多图卷积神经网络的交通速度预测方法 |
CN112784121A (zh) * | 2021-01-28 | 2021-05-11 | 浙江工业大学 | 一种基于时空图表示学习的交通事故预测方法 |
CN112784121B (zh) * | 2021-01-28 | 2022-06-17 | 浙江工业大学 | 一种基于时空图表示学习的交通事故预测方法 |
CN112910710A (zh) * | 2021-02-08 | 2021-06-04 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
CN112910710B (zh) * | 2021-02-08 | 2022-04-01 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
CN115134816B (zh) * | 2021-03-18 | 2024-03-08 | 中国电信股份有限公司 | 基于时空卷积和多时间尺度的基站流量预测方法 |
CN115134816A (zh) * | 2021-03-18 | 2022-09-30 | 中国电信股份有限公司 | 基于时空卷积和多时间尺度的基站流量预测方法 |
CN113112792A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于语义信息的多模块交通密集度预测方法 |
CN113095575A (zh) * | 2021-04-16 | 2021-07-09 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
CN113095575B (zh) * | 2021-04-16 | 2022-04-29 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
CN113205684A (zh) * | 2021-04-29 | 2021-08-03 | 上海应用技术大学 | 交通流量预测方法及系统 |
CN113240904A (zh) * | 2021-05-08 | 2021-08-10 | 福州大学 | 基于特征融合的交通流预测方法 |
CN113380026A (zh) * | 2021-05-28 | 2021-09-10 | 南京理工大学 | 基于hmm的高速路交通量预测方法 |
CN113380026B (zh) * | 2021-05-28 | 2022-07-22 | 南京理工大学 | 基于hmm的高速路交通量预测方法 |
CN113537580A (zh) * | 2021-06-28 | 2021-10-22 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113537580B (zh) * | 2021-06-28 | 2024-04-09 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
CN113570859A (zh) * | 2021-07-23 | 2021-10-29 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
CN113570859B (zh) * | 2021-07-23 | 2022-07-22 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
CN113823090A (zh) * | 2021-09-22 | 2021-12-21 | 南通大学 | 一种基于多时空图卷积网络的交通流预测方法 |
CN113963435A (zh) * | 2021-10-07 | 2022-01-21 | 哈尔滨理工大学 | 一种基于图卷积神经网络的人体行为识别系统 |
CN113868313A (zh) * | 2021-10-15 | 2021-12-31 | 天津大学 | 基于双向图卷积循环神经网络的不完整时空数据预测方法 |
CN113868313B (zh) * | 2021-10-15 | 2024-05-17 | 天津大学 | 基于双向图卷积循环神经网络的不完整时空数据预测方法 |
CN114220271A (zh) * | 2021-12-21 | 2022-03-22 | 南京理工大学 | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 |
CN114120652A (zh) * | 2021-12-21 | 2022-03-01 | 重庆邮电大学 | 一种基于动态图神经网络的交通流量预测方法 |
CN114333327A (zh) * | 2022-01-05 | 2022-04-12 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种基于多流神经网络的交通状态预测方法 |
CN114550444B (zh) * | 2022-01-24 | 2024-03-15 | 广东省城乡规划设计研究院科技集团股份有限公司 | 一种基于神经网络的服务区车流量预测方法和装置 |
CN114550444A (zh) * | 2022-01-24 | 2022-05-27 | 广东省城乡规划设计研究院有限责任公司 | 一种基于神经网络的服务区车流量预测方法和装置 |
CN114299723B (zh) * | 2022-02-15 | 2022-11-08 | 北京科技大学 | 一种交通流量预测方法 |
CN114299723A (zh) * | 2022-02-15 | 2022-04-08 | 北京科技大学 | 一种交通流量预测方法 |
CN115620510A (zh) * | 2022-08-25 | 2023-01-17 | 重庆邮电大学 | 一种基于自适应窗口注意力提取时空依赖的交通流预测方法 |
CN115620510B (zh) * | 2022-08-25 | 2023-12-05 | 重庆邮电大学 | 一种基于自适应窗口注意力提取时空依赖的交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110827544B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827544B (zh) | 一种基于图卷积循环神经网络的短时交通流控制方法 | |
Guo et al. | Attention based spatial-temporal graph convolutional networks for traffic flow forecasting | |
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
Guo et al. | Dynamic graph convolution network for traffic forecasting based on latent network of Laplace matrix estimation | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
Pan et al. | AutoSTG: Neural Architecture Search for Predictions of Spatio-Temporal Graph✱ | |
CN112071065A (zh) | 一种基于全局扩散卷积残差网络的交通流预测方法 | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
Cheng et al. | Multi-task and multi-view learning based on particle swarm optimization for short-term traffic forecasting | |
Zuo et al. | Graph convolutional networks for traffic forecasting with missing values | |
Zheng et al. | Hybrid deep learning models for traffic prediction in large-scale road networks | |
CN115578852A (zh) | 一种基于dstgcn的交通预测方法 | |
James | Citywide estimation of travel time distributions with Bayesian deep graph learning | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN112862177A (zh) | 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质 | |
CN115730519A (zh) | 一种基于时空势能场的城市人群流动预测系统及其方法 | |
US20240046785A1 (en) | System and method for predicting road traffic speed | |
Wang et al. | TransGAT: A dynamic graph attention residual networks for traffic flow forecasting | |
Ke et al. | AutoSTG+: An automatic framework to discover the optimal network for spatio-temporal graph prediction | |
Feng et al. | Multi-step ahead traffic speed prediction based on gated temporal graph convolution network | |
Ming et al. | Multi-graph convolutional recurrent network for fine-grained lane-level traffic flow imputation | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
Zhu et al. | Research on spatio-temporal network prediction model of parallel–series traffic flow based on Transformer and GCAT |
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 |