CN110942637A - 基于空域图卷积神经网络的scats系统道路交通流预测方法 - Google Patents
基于空域图卷积神经网络的scats系统道路交通流预测方法 Download PDFInfo
- Publication number
- CN110942637A CN110942637A CN201911298731.8A CN201911298731A CN110942637A CN 110942637 A CN110942637 A CN 110942637A CN 201911298731 A CN201911298731 A CN 201911298731A CN 110942637 A CN110942637 A CN 110942637A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- lane
- node
- neighborhood
- traffic
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/065—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法,首先将车道作为节点,根据交通邻接矩阵得到具有相互连接的节点,将有连接节点的相关性从高到低进行排序,然后找到每个目标节点的邻域节点,将目标节点及其邻域节点的交通流状态数据构建高阶邻域交通状态矩阵作为CNN的输入,最后得到被预测车道的交通流状态预测结果。本发明充分挖掘了交通流状态时间和空间的相关性,既提高了准确性也增强了随机结果的抗干扰性。
Description
技术领域
本发明属于智能交通预测领域,涉及一种SCATS系统道路交通流预测方法。
背景技术
如今生活水平的提高和汽车制造工艺的进步导致汽车的拥有量显著提高,在汽车给我们的生活带来便利的时候也带来了不少问题,其中与生活息息相关的就是城市道路拥堵问题。缓解拥堵问题首先要合理分配城市道路资源,道路交通流状态预测能够在很大程度上帮助城市空间的合理分配。
目前广泛运用的预测模型有:历史平均模型、时间序列模型、自回归滑动平均模型、非参数回归模型等。而这些模型在时间和空间上的关联性都不足以充分挖掘时空特征,不能准确预测交通流状态。
发明内容
为了克服已有技术无法准确预测交通流状态的不足,本发明提供了一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法,可以将被预测道路与其邻域道路结合预测未来时刻的交通流状态,预测结果抗随机干扰能力较强。该方法利用被预测道路与其邻域道路的历史交通流状态预测被预测道路的未来交通流状态,即分别实现对流量的预测
本发明解决其技术问题所采用的技术方案是:
一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法,包括以下步骤:
(1)构建目标节点的邻域:根据车道邻接矩阵得到与被预测车道有连接的车道,通过对每条车道的相关性进行排序,选取被预测车道含有阈值K个节点的邻域;
(2)基于CNN构建道路交通流状态预测模型:将每条被预测车道及其邻域车道的交通流状态构成时间序列上的高阶邻域交通状态向量,由交通状态向量得到时间序列上的高阶邻域交通状态矩阵,并将其作为CNN模型的输入,实现交通流状态预测。
进一步,所述步骤(1)的过程如下:
步骤1.1:构建交通道路网络
将网络记作G=(V,E),其中V是节点集合,E是边的集合,G为无向图。边图L(G)=(VL,EL)是表示G的边邻接结构的图,L(G)中的节点VL是G中有序的边,即VL={(i'→j');(i',j')∈E}∪{(j'→i');(i',j')∈E},故|VL|=2|E|。将车道定义为节点,车道间的连接关系定义为边,构建了一个无向的道路交通网络边图L(G)=(VL,EL),道路交通网络边图L(G)=(VL,EL)的邻接矩阵定义为找出相互有连接关系的车道并构造交通道路网络,设第i条车道和第j条车道有直接物理连接,则邻接矩阵中Aij为1,否则为0,表达式为:
步骤1.2:计算与中心节点车道有连接的车道的相关性
根据步骤1.1找到的有直接连接的节点,利用皮尔逊相关系数公式计算出相互连接的车道的相关性:
其中,pij表示第i条车道与第j条车道的相关系数,T为交通流状态的采样时段数,xil和xjl分别为第i条车道和第j条车道在第l时刻的交通流状态数据(0<l≤T,l∈N*),和为采样时段内这两条车道交通流状态数据的平均值;
步骤1.3:根据节点相关性构建节点的高阶邻域
第i个节点的一阶邻域节点为第节点,第i11个节点的一阶邻域为第节点,第i21个节点的一阶邻域为第节点,以此类推,第i(N-1)1个节点的一阶邻域为且均已按相关性从大到小排列,其中,下标的第一位N表示第i个节点的N阶邻域,pN表示在N阶邻域中的排序。设定邻域节点个数阈值为K;
若p1+p2+p3+…+pn≥K(1≤n≤N,n∈N*),则选取到第i个节点的n阶邻域;
综上,第i条车道的邻域节点序列记为{i1,i2,…,iK}。
再进一步,所述步骤(2)中,基于CNN构建道路交通拥堵的传播预测模型的过程如下:
步骤2.1:对输入CNN的矩阵做预处理
将矩阵中数据进行归一化,采用的归一化方法是最大最小归一化,计算公式为:
其中,Xit表示第i条车道在t时刻的交通流状态数据,Xi.min、Xi.max分别表示每条车道交通流量数据的最小值与最大值;
将第i条车道及其邻域车道的交通流状态数据作为CNN的输入向量,记作n为交通网络中的车道总数,K为邻域节点个数阈值,其中 代表第条车道共计Γ个时刻的交通流状态数据,Γ为输入CNN的时刻数,表示第条车道在t时刻的交通流状态数据;
步骤2.2:选取适当的激活函数,对输入进行池化操作
激活函数能将非线性特性引入卷积神经网络,选择ReLU作为激活函数,线性整流函数(ReLU)用于隐层神经元的输出,公式如下:
卷积神经网络中卷积的计算公式为:
池化层对卷积得到的结果进行池化,池化层可以减少参数个数,采用的是最大池化,最大池化可以提取出最明显的特征,池化操作采用的是2×2的池化窗口,故每次提取出4个值中的最大值,卷积层和池化层的输入是一维向量,第一层卷积层和池化层的输入是交通流状态数据,池化窗口大小为p×q,则池化层的操作为:
其中,c1为卷积核的个数。由于卷积层和池化层的计算,输入参数的数目大大减小,全连接层将上一层的输出展开成一维数据,并连接到每个神经元上,得到最终输出。
本发明的技术构思为:该方法首先将车道作为节点,根据交通邻接矩阵得到具有相互连接的节点,将有连接节点的相关性从高到低进行排序,然后找到每个目标节点的邻域节点,将目标节点及其邻域节点的交通流状态数据构建高阶邻域交通状态矩阵作为CNN的输入,最后得到被预测车道的交通流状态预测结果。充分挖掘了交通流状态时间和空间的相关性,既提高了准确性也增强了随机结果的抗干扰性。本发明的预测流程图如图1所示。
本发明的有益效果主要表现在:本发明利用每个目标节点及与其相关性较高的邻域节点的历史流量,实现对目标节点的未来交通流状态的预测。把邻域节点的影响考虑到道路网络交通流状态的预测中,提高了交通流状态的预测精度和抗随机干扰的能力。
交通流状态预测对缓解城市交通流状态起关键作用,本发明实现的是短时交通流预测。
附图说明
图1是空域图卷积交通流状态预测模型结构图。
图2是邻域节点选择过程。
图3是K=1时空域图卷积神经网络的流量预测结果。
图4是K=2时空域图卷积神经网络的流量预测结果。
图5是K=4时空域图卷积神经网络的流量预测结果。
图6是K=6时空域图卷积神经网络的流量预测结果。
图7是K=8时空域图卷积神经网络的流量预测结果。
图8是K=9时空域图卷积神经网络的流量预测结果。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图8,一种基于空域图卷积神经网络的道路交通流预测方法,包括以下步骤:
(1)将被预测车道作为一个目标节点,构建该目标节点的高阶邻域的步骤:根据邻接矩阵得到与中心节点有连接的所有节点列表,基于皮尔逊系数计算目标节点与连接节点相关性,对目标节点与其连接节点的相关性进行排序,选取中心节点的高阶邻域,过程如下:
步骤1.1:构建交通道路网络的步骤
将网络记作G=(V,E),其中V是节点集合,E是边的集合,G为无向图,边图L(G)=(VL,EL)是表示G的边邻接结构的图,L(G)中的节点VL是G中有序的边,即VL={(i'→j');(i',j')∈E}∪{(j'→i');(i',j')∈E},故|VL|=2|E|,将车道定义为节点,车道间的连接关系定义为边,构建了一个无向的道路交通网络边图L(G)=(VL,EL),道路交通网络边图L(G)=(VL,EL)的邻接矩阵定义为找出相互有连接关系的车道并构造交通道路网络,设第i条车道和第j条车道有直接物理连接,则邻接矩阵中Aij为1,否则为0,表达式为:
步骤1.2:计算与中心节点车道有连接的车道的相关性
根据步骤1找到的有直接连接的节点,利用皮尔逊相关系数公式计算出相互连接的车道的相关性:
其中,pij表示第i条车道与第j条车道的相关系数,T为交通流状态的采样时段数,xil和xjl分别为第i条车道和第j条车道在第l时刻的交通流状态数据(0<l≤T,l∈N*),和为采样时段内这两条车道交通流状态数据的平均值;
步骤1.3:根据节点相关性构建节点的高阶邻域
第i个节点的一阶邻域节点为第节点,第i11个节点的一阶邻域为第节点,第i21个节点的一阶邻域为第节点,以此类推,第i(N-1)1个节点的一阶邻域为且均已按相关性从大到小排列,其中,下标的第一位N表示第i个节点的N阶邻域,pN表示在N阶邻域中的排序。设定邻域节点个数阈值为K;
若p1+p2+p3+…+pn≥K(1≤n≤N,n∈N*),则选取到第i个节点的n阶邻域;
综上,第i条车道的邻域节点序列记为{i1,i2,…,iK};
(2)基于CNN构建道路交通流状态预测模型:将每条被预测车道及其邻域车道的交通流状态构成时间序列上的高阶邻域交通状态向量,由交通状态向量得到时间序列上的高阶邻域交通状态矩阵,并将其作为CNN模型的输入,实现交通流状态预测;
基于CNN构建道路交通拥堵的传播预测模型的过程如下:
步骤2.1:对输入CNN的矩阵做预处理
将矩阵中数据进行归一化,采用的归一化方法是最大最小归一化,计算公式为:
其中,Xit表示第i条车道在t时刻的交通流状态数据,Xi.min、Xi.max分别表示每条车道交通流量数据的最小值与最大值;
将第i条车道及其邻域车道的交通流状态数据作为CNN的输入向量,记作n为交通网络中的车道总数,K为邻域节点个数阈值,其中 代表第条车道共计Γ个时刻的交通流状态数据,Γ为输入CNN的时刻数,表示第条车道在t时刻的交通流状态数据;
步骤2.2:选取适当的激活函数,对输入进行池化操作
激活函数能将非线性特性引入卷积神经网络,选择ReLU作为激活函数,线性整流函数(ReLU)用于隐层神经元的输出,公式如下:
卷积神经网络中卷积的计算公式为:
池化层对卷积得到的结果进行池化,池化层可以减少参数个数。本发明采用的是最大池化,最大池化可以提取出最明显的特征,池化操作采用的是2×2的池化窗口,故每次提取出4个值中的最大值。卷积层和池化层的输入是一维向量,第一层卷积层和池化层的输入是交通流状态数据,池化窗口大小为p×q,则池化层的操作为:
其中,c1为卷积核的个数。由于卷积层和池化层的计算,输入参数的数目大大减小,全连接层将上一层的输出展开成一维数据,并连接到每个神经元上,得到最终输出。
实施例2:实际实验中的数据
(1)选取实验数据
本实验数据集来源为杭州江干区线圈检测系统,实验选取74条车道的流量数据,数据采样周期为15分钟,数据采集时间范围为2017年6月1日到6月30日,采样间隔T为15min。
每个车道作为一个节点,输入历史流量预测未来流量。将2880个交通状态矩阵的前70%作为训练集数据,进行模型参数训练,剩下30%的交通状态矩阵作为测试数据集,进行算法验证。
(2)参数确定
本发明的实验结果是基于Tensorflow环境下实现的,整个实验模型的框架基于Keras搭建。激活函数选择ReLU函数,层数设置为1层,池化层选择最大最小池化,模型训练迭代次数选择50,卷积核大小为5*5,每次迭代训练批次大小为16,采用Adam优化器优化模型参数。
(3)实验结果
本发明实验实现了道路短时拥堵传播的目的,通过训练集进行模型训练,测试集进行模型预测性能的检验。
本实验选取均方根误差(RMSE)、平均绝对误差(MAE)作为交通流状态预测精度的指标,其计算公式为:
K表示邻域中节点数,根据K=1、2、4、6、8、9,的情况,比较所有试验道路交通流状态预测结果统计如下表:
表1为结合邻域的交通流量预测表现对比
表1
表2为不结合邻域的交通流量各模型预测表现
模型 | RMSE | MAE |
GRU | 10.830234 | 6.181411 |
LSTM | 10.5196905 | 6.099629 |
CNN | 12.095906 | 6.869479 |
表2。
Claims (3)
1.一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法,其特征在于,所述方法包括以下步骤:
(1)构建目标节点的邻域:根据车道邻接矩阵得到与被预测车道有连接的车道,通过对每条车道的相关性进行排序,选取被预测车道含有阈值K个节点的邻域;
(2)基于CNN构建道路交通流状态预测模型:将每条被预测车道及其邻域车道的交通流状态构成时间序列上的高阶邻域交通状态向量,由交通状态向量得到时间序列上的高阶邻域交通状态矩阵,并将其作为CNN模型的输入,实现交通流状态预测。
2.如权利要求1所述的一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法,其特征在于,所述步骤(1)的过程如下:
步骤1.1:构建交通道路网络
将网络记作G=(V,E),其中V是节点集合,E是边的集合,G为无向图,边图L(G)=(VL,EL)是表示G的边邻接结构的图,L(G)中的节点VL是G中有序的边,即VL={(i'→j');(i',j')∈E}∪{(j'→i');(i',j')∈E},故|VL|=2|E|,将车道定义为节点,车道间的连接关系定义为边,构建了一个无向的道路交通网络边图L(G)=(VL,EL),道路交通网络边图L(G)=(VL,EL)的邻接矩阵定义为找出相互有连接关系的车道并构造交通道路网络,设第i条车道和第j条车道有直接物理连接,则邻接矩阵中Aij为1,否则为0,表达式为:
步骤1.2:计算与中心节点车道有连接的车道的相关性
根据步骤1.1找到的有直接连接的节点,利用皮尔逊相关系数公式计算出相互连接的车道的相关性:
其中,pij表示第i条车道与第j条车道的相关系数,T为交通流状态的采样时段数,xil和xjl分别为第i条车道和第j条车道在第l时刻的交通流状态数据(0<l≤T,l∈N*),和为采样时段内这两条车道交通流状态数据的平均值;
步骤1.3:根据节点相关性构建节点的高阶邻域
第i个节点的一阶邻域节点为第节点,第i11个节点的一阶邻域为第节点,第i21个节点的一阶邻域为第节点,以此类推,第i(N-1)1个节点的一阶邻域为且均已按相关性从大到小排列,其中,下标的第一位N表示第i个节点的N阶邻域,pN表示在N阶邻域中的排序,设定邻域节点个数阈值为K;
若p1+p2+p3+…+pn≥K(1≤n≤N,n∈N*),则选取到第i个节点的n阶邻域;
综上,第i条车道的邻域节点序列记为{i1,i2,…,iK}。
3.如权利要求1或2所述的一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法,其特征在于,所述步骤(2)中,基于CNN构建道路交通拥堵的传播预测模型的过程如下:
步骤2.1:对输入CNN的矩阵做预处理
将矩阵中数据进行归一化,采用的归一化方法是最大最小归一化,计算公式为:
其中,Xit表示第i条车道在t时刻的交通流状态数据,Xi.min、Xi.max分别表示每条车道交通流量数据的最小值与最大值;
将第i条车道及其邻域车道的交通流状态数据作为CNN的输入向量,记作n为交通网络中的车道总数,K为邻域节点个数阈值,其中 代表第条车道共计Γ个时刻的交通流状态数据,Γ为输入CNN的时刻数,表示第条车道在t时刻的交通流状态数据;
步骤2.2:选取适当的激活函数,对输入进行池化操作
激活函数能将非线性特性引入卷积神经网络,选择ReLU作为激活函数,线性整流函数(ReLU)用于隐层神经元的输出,公式如下:
卷积神经网络中卷积的计算公式为:
池化层对卷积得到的结果进行池化,池化层可以减少参数个数,采用的是最大池化,最大池化可以提取出最明显的特征,池化操作采用的是2×2的池化窗口,故每次提取出4个值中的最大值,卷积层和池化层的输入是一维向量,第一层卷积层和池化层的输入是交通流状态数据,池化窗口大小为p×q,则池化层的操作为:
其中,c1为卷积核的个数,由于卷积层和池化层的计算,输入参数的数目大大减小,全连接层将上一层的输出展开成一维数据,并连接到每个神经元上,得到最终输出;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298731.8A CN110942637B (zh) | 2019-12-17 | 2019-12-17 | 基于空域图卷积神经网络的scats系统道路交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298731.8A CN110942637B (zh) | 2019-12-17 | 2019-12-17 | 基于空域图卷积神经网络的scats系统道路交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942637A true CN110942637A (zh) | 2020-03-31 |
CN110942637B CN110942637B (zh) | 2021-04-06 |
Family
ID=69911833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911298731.8A Active CN110942637B (zh) | 2019-12-17 | 2019-12-17 | 基于空域图卷积神经网络的scats系统道路交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942637B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292562A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航空流量预测方法 |
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN111812507A (zh) * | 2020-05-27 | 2020-10-23 | 浙江工业大学 | 一种基于图卷积的电机故障诊断方法 |
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 |
CN112330952A (zh) * | 2020-09-14 | 2021-02-05 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112364975A (zh) * | 2020-10-14 | 2021-02-12 | 山东大学 | 基于图神经网络的终端运行状态预测方法及系统 |
CN112927510A (zh) * | 2021-02-08 | 2021-06-08 | 湖南大学 | 一种交通流量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150043592A1 (en) * | 2013-08-08 | 2015-02-12 | Samsung Electronics Co., Ltd | Terminal apparatus and method of controlling terminal apparatus |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN108734958A (zh) * | 2018-04-25 | 2018-11-02 | 江苏大学 | 一种交通速度预测方法 |
-
2019
- 2019-12-17 CN CN201911298731.8A patent/CN110942637B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150043592A1 (en) * | 2013-08-08 | 2015-02-12 | Samsung Electronics Co., Ltd | Terminal apparatus and method of controlling terminal apparatus |
CN107103754A (zh) * | 2017-05-10 | 2017-08-29 | 华南师范大学 | 一种道路交通状况预测方法及系统 |
CN108734958A (zh) * | 2018-04-25 | 2018-11-02 | 江苏大学 | 一种交通速度预测方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
DONGWEI XU ET AL: "《Road traffic state prediction based on a graph embedding recurrent neural network under the SCATS》", 《CHAOS》 * |
晏臻等: "基于CNN+LSTM的短时交通流量预测方法", 《计算机工程与设计》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN111657935B (zh) * | 2020-05-11 | 2021-10-01 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN111292562A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航空流量预测方法 |
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 |
CN111812507A (zh) * | 2020-05-27 | 2020-10-23 | 浙江工业大学 | 一种基于图卷积的电机故障诊断方法 |
CN111812507B (zh) * | 2020-05-27 | 2023-05-02 | 浙江工业大学 | 一种基于图卷积的电机故障诊断方法 |
CN112330952A (zh) * | 2020-09-14 | 2021-02-05 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112330952B (zh) * | 2020-09-14 | 2021-10-29 | 浙江工业大学 | 一种基于生成式对抗网络的交通流预测方法 |
CN112364975A (zh) * | 2020-10-14 | 2021-02-12 | 山东大学 | 基于图神经网络的终端运行状态预测方法及系统 |
CN112364975B (zh) * | 2020-10-14 | 2023-06-02 | 山东大学 | 基于图神经网络的终端运行状态预测方法及系统 |
CN112927510A (zh) * | 2021-02-08 | 2021-06-08 | 湖南大学 | 一种交通流量预测方法 |
CN112927510B (zh) * | 2021-02-08 | 2021-12-17 | 湖南大学 | 一种交通流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110942637B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942637B (zh) | 基于空域图卷积神经网络的scats系统道路交通流预测方法 | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
CN112418547B (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN112071065A (zh) | 一种基于全局扩散卷积残差网络的交通流预测方法 | |
Agarwal et al. | Runoff modelling through back propagation artificial neural network with variable rainfall-runoff data | |
CN111612281B (zh) | 一种地铁站人流量峰值的预测方法、装置和计算机设备 | |
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
CN111754025A (zh) | 基于cnn+gru的公交短时客流预测方法 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
Lu et al. | A hybrid model based on convolutional neural network and long short-term memory for short-term load forecasting | |
Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
CN112561187A (zh) | 一种基于cnn-lstm的网约车目标订单预测方法 | |
CN107292462A (zh) | 一种短期负荷预测方法、装置及系统 | |
CN115564114A (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN116011684A (zh) | 一种基于时空图卷积网络的交通流量预测方法 | |
Bai et al. | A deep neural network based on classification of traffic volume for short-term forecasting | |
CN111341109A (zh) | 一种基于时空相似性的城市级信号推荐系统 | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |