CN110956341A - 停车场流量预测方法、装置、电子设备及存储介质 - Google Patents
停车场流量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110956341A CN110956341A CN201911416501.7A CN201911416501A CN110956341A CN 110956341 A CN110956341 A CN 110956341A CN 201911416501 A CN201911416501 A CN 201911416501A CN 110956341 A CN110956341 A CN 110956341A
- Authority
- CN
- China
- Prior art keywords
- parking lot
- time
- network
- vector
- parking
- 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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种停车场流量预测方法、装置、电子设备及存储介质。其中,方法包括:确定至少一个时刻的停车场特征;所述停车场特征至少包括停车场的流入流量和流出流量;基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列;将所述第一时间序列输入至第一网络进行编码,得到第一向量;所述第一网络为Seq2Seq网络中的编码器;利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,得到第二时间序列;其中,所述第二网络为所述Seq2Seq网络中的解码器;所述第二时间序列表征未来至少一个时刻所述停车场的流入流量和流出流量。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种停车场流量预测方法、装置、电子设备及存储介质。
背景技术
停车场是保障交通及周边业态的运营效率,方便居民出行的关键,因此,在智慧城市的建设过程中,停车场是必不可少的重要建设环节。对停车场的流量进行预测,能够有助于车位资源的充分及合理使用,缓解交通拥堵。
相关技术中,将应用于路网的流量预测方法转用至对停车场进行流量预测,导致对停车场进行流量预测的准确性低。
发明内容
有鉴于此,本申请实施例提供一种停车场流量预测方法、装置、电子设备及存储介质,以至少解决相关技术对停车场进行流量预测时,流量预测的准确性低的问题。
本申请实施例的技术方案是这样实现的:
本申请实施例提供了一种停车场流量预测方法,包括:
确定至少一个时刻的停车场特征;所述停车场特征至少包括停车场的流入流量和流出流量;
基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列;
将所述第一时间序列输入至第一网络进行编码,得到第一向量;所述第一网络为序列到序列(Seq2Seq,Sequence to Sequence)网络中的编码器;
利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,得到第二时间序列;其中,
所述第二网络为所述Seq2Seq网络中的解码器;所述第二时间序列表征未来至少一个时刻所述停车场的流入流量和流出流量。
其中,上述方案中,所述确定停车场的第一时间序列,包括:
确定至少一个时刻的停车场特征;
将所述至少一个时刻的停车场特征的数据类型归一化为数值类型;
将归一化后的所述至少一个时刻的停车场特征中每个时刻的停车场特征进行拼接,得到所述第一时间序列。
上述方案中,所述将所述至少一个时刻的停车场特征的数据类型归一化为数值类型时,所述方法包括:
将停车场特征进行编码,得到第一维度的数值数据;
将所述第一维度的数值数据输入至嵌入层进行处理,得到第二维度的数值数据;其中,
所述第二维度的维数小于所述第一维度的维数。
上述方案中,所述停车场特征还包括以下至少一项:
第一特征;所述第一特征表征所述停车场所在地的天气类型;
第二特征;所述第二特征表征所述停车场出入口的交通状况。
上述方案中,所述确定至少一个时刻的停车场特征时,所述方法包括:
确定所述停车场的第一流入流量、第一流出流量和第二流入流量、第二流出流量;其中,
所述第一流入流量和所述第一流出流量基于第一停车类型的车辆确定;所述第一停车类型表征临时停车;
所述第二流入流量和所述第二流出流量基于第二停车类型的车辆确定;所述第二停车类型表征租赁停车。
上述方案中,所述确定至少一个时刻的停车场特征,还包括:
确定至少一个时刻的第三特征;其中,
所述第三特征表征所述停车场周边交通枢纽的乘客流量。
上述方案中,所述利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,包括:
将所述第一向量与第二向量进行拼接,得到所述第三向量;
将所述第三向量输入至所述第二网络进行解码;其中,
所述第二向量用于表征所述停车场周边的兴趣点。
上述方案中,训练所述第一网络时,所述方法包括:
基于所述第一网络在时间序列样本中的每个时刻上对应的输入和输出,计算所述第一网络在所述时间序列样本中的每个时刻上对应的损失;
基于计算出的损失,对所述第一网络在对应的时刻上的模型参数进行更新,直到对应的损失小于设定阈值;其中,
根据所述第一网络在第一时刻上对应的输出以及在第二时刻上对应的输入,计算所述第一网络在第一时刻上对应的损失;所述第二时刻为所述时间序列样本中所述第一时刻的下一个时刻。
本申请实施例还提供了一种停车场流量预测装置,包括:
确定单元,用于确定至少一个时刻的停车场特征;所述停车场特征至少包括停车场的流入流量和流出流量;
生成单元,用于基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列;
输入单元,用于将所述第一时间序列输入至第一网络进行编码,得到第一向量;所述第一网络为Seq2Seq网络中的编码器;
预测单元,用于利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,得到第二时间序列;其中,
所述第二网络为所述Seq2Seq网络中的解码器;所述第二时间序列表征未来至少一个时刻所述停车场的流入流量和流出流量。
本申请实施例还提供了一种电子设备,包括:
处理器和用于存储能够在所述处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行上述任一方法对应的步骤。
本申请实施例还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一方法的步骤。
在本申请的各种实施例中,对停车场的流入流量和流出流量分别进行预测,并且考虑到流入流量和流出流量之间的相关性,采用了改进的Seq2Seq网络来实现流量预测,以通过Seq2Seq网络来充分地学习停车场的流量规律,从而输出更为准确的流量预测结果。
附图说明
图1为本申请实施例提供的停车场流量预测方法的实现流程示意图;
图2为本申请实施例提供的停车场流量预测方法中生成第一时间序列的实现流程示意图;
图3为本申请实施例提供的嵌入层的网络结构示意图;
图4为本申请实施例提供的停车场流量预测方法中编码器的训练流程示意图;
图5为本申请实施例提供的编码器的部分结构示意图;
图6为本申请实施例提供的停车场流量预测方法中向量拼接的实现流程示意图;
图7为本申请实施例提供的解码器的部分结构示意图;
图8为本申请实施例提供的停车场流量预测网络的结构示意图;
图9为本申请实施例提供的停车场流量预测装置的结构示意图;
图10为本申请实施例提供的电子设备的硬件组成结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
需要说明的是,本申请实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
另外,在本申请实例中,“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
相关技术中,将应用于路网的流量预测方法转用至对停车场进行流量预测,这些流量预测方法大多是针对城市道路或卡口的流量进行预测,在城市道路或卡口的场景下,车辆的流入流量和流出流量近似相等,因此这些流量预测方法不会对流入流量和流出流量加以区分。然而,在停车场的场景下,流入流量不会立即转化为流出流量,因此,必须要对二者加以区分。此外,由于停车场的容量有限,在停车场车辆饱和的情况下,一个时刻的流出流量会在一定程度上影响该时刻的流入流量,且又由于不同车辆的停车时长不同,因此流入流量和流出流量之间的影响也不是简单的线性关系。考虑到上述因素,显然,直接将应用于路网的流量预测方法转用至对停车场进行流量预测,必然导致预测的准确性低。
基于此,在本申请的各种实施例中,对停车场的流入流量和流出流量分别进行预测,并且考虑到流入流量和流出流量之间的相关性,采用了改进的Seq2Seq网络来实现流量预测,以通过Seq2Seq网络来充分地学习停车场的流量规律,从而输出更为准确的流量预测结果。
下面结合附图及具体实施例对本申请作进一步详细的说明。
图1示出了本申请实施例提供的停车场流量预测方法的实现流程,参照图1:
步骤101:确定至少一个时刻的停车场特征。
其中,所述停车场特征至少包括停车场的流入流量和流出流量。
基于停车场的历史运营情况,确定至少一个时刻的停车场特征,其中,历史运营情况可以涉及停车场自身的运营数据,例如停车场的流入流量和流出流量,还可以涉及停车场的环境数据,例如停车场周边交通枢纽的班次信息和停车场出入口的交通状况、停车场所在地的天气类型,等等。以上历史运营情况均与时间相关,可以理解为,对应于不同的时刻,每一类历史运营情况对应的数据不同。
对于城市道路或卡口来说,同一车辆的驶入和驶出的时间差可以忽略不计,然而,对于停车场来说,车辆入场后会在停车场内停留一段时间,少则几分钟多则几天甚至几个月,因此,车辆在驶入停车场后不是立即驶出停车场的。这里,对停车场的流量进行流入流量和流出流量的区分,以分别对流入流量和流出流量进行预测,以使得预测结果更加符合停车场的运营特性,更加具有信息参考价值。
在一实施例中,所述确定至少一个时刻的停车场特征时,所述方法包括:
确定所述停车场的第一流入流量、第一流出流量和第二流入流量、第二流出流量;其中,
所述第一流入流量和所述第一流出流量基于第一停车类型的车辆确定;所述第一停车类型表征临时停车;
所述第二流入流量和所述第二流出流量基于第二停车类型的车辆确定;所述第二停车类型表征租赁停车。
在实际应用中,由于停放在停车场中的车辆类型存在租赁停车和临时停车两类,二者的停车行为模式有明显差异。例如,租赁停车的车辆(比如月租车辆,会员车辆)每天大多在固定的时间段内进出停车场,而临时停车的车辆进出停车场的时间是随机的,因此,这两类车辆对停车场流量的影响也是不同的。这里,对停车场的流入流量和流出流量进行进一步的细分,将流入流量细分为基于临时停车的车辆统计出的第一流入流量和基于租赁停车的车辆统计出的第二流入流量,将基于临时停车的车辆统计出的第一流出流量和基于租赁停车的车辆统计出的第二流出流量,这样,当临时停车的车辆驶入停车场时,会被计入对应时刻的第一流入流量,该车辆驶出停车场时,会被计入对应时刻的第一流出流量;当租赁停车的车辆驶入停车场时,会被计入对应时刻的第二流入流量,该车辆驶出停车场时,会被计入对应时刻的第二流出流量。
基于停车类型对停车场的流入流量和流出流量进行进一步的细分,有助于更好地区分临时停车与租赁停车对停车场流量的影响,从而得到更为准确的预测结果。
在一实施例中,考虑到停车场流量与停车场周边交通枢纽的班次强相关,例如,在高铁到站前的一段时间内,停车场的流入流量明显增加,在高铁到站后的一段时间内,停车场的流出流量明显增加,因此,将停车场周边交通枢纽的班次信息作为一类停车场特征,用于对停车场流量进行预测。这里,所述确定至少一个时刻的停车场特征,还包括:
确定至少一个时刻的第三特征。
其中,所述第三特征表征所述停车场周边交通枢纽的乘客流量。
在实际应用中,可以以停车场为圆心,设定距离为半径,确定停车场周边的交通枢纽,例如,确定位于以停车场为圆心,500米半径的圆周内的交通枢纽为停车场周边的交通枢纽。其中,交通枢纽包括但不限于公交车站、地铁站、高铁站、码头等。
这里,第三特征实际用于表达停车场周边交通枢纽的班次信息,为了便于进行特征表达以更好地进行流量预测,这里,将停车场周边交通枢纽的班次信息通过停车场周边交通枢纽的乘客流量表达,具体地,可以表征为停车场周边交通枢纽所有入站班次和出站班次对应的乘客人数总和。第三特征与时间相关,可以表征某一时刻停车场周边交通枢纽的乘客流量,也可以表征为两个时刻之间对应的时间区间内停车场周边交通枢纽的乘客流量。
在一实施例中,所述确定至少一个时刻的停车场特征,还包括以下至少一项:
确定至少一个时刻的第一特征;
确定至少一个时刻的第二特征。
这里,停车场特征还包括以下至少一项:
第一特征;所述第一特征表征所述停车场所在地的天气类型;
第二特征;所述第二特征表征所述停车场出入口的交通状况。
其中,停车场所在地的天气类型包括但不限于多云、沙尘、晴、阴、雨、小雨、中雨、暴雨、大雨、雾、雪、小雪,等等,不同的天气类型会对停车场的流量产生不同的影响。例如,当天气类型为沙尘或雾时,因为道路状况不好,能见度低,停车场的流入流量和流出流量均会大大减少。因此,这里将停车场所在地的天气类型作为一类停车场特征,能够有助于更为准确地对停车场流量进行预测。
停车场出入口的交通状况也会对停车场的流量带来影响,相比于停车场出入口交通畅通的情况,当停车场出入口的交通拥堵时,停车场的流入流量和流出流量均会低很多。因此,这里将停车场出入口的交通状况作为一类停车场特征,能够有助于更为准确地对停车场流量进行预测。
步骤102:基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列。
这里,将不同时刻对应的各类停车场特征按照时间顺序拼接,构成第一时间序列。
在上文提及的各类停车场特征中,停车场的流入流量和流出流量,包括临时停车的流入流量和租赁停车的流入流量临时停车的流出流量和租赁停车的流出流量,停车场周边交通枢纽的乘客流量,这几类停车场特征均为数值类型的数据,而对于停车场所在地的天气类型和停车场出入口的交通状况,均为类别类型的数据,为了更好地基于停车场特征对停车场流量进行预测,在生成第一时间序列之前,首先对确定出的停车场特征进行归一化处理。在一实施例中,如图2所示,所述基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列,包括:
步骤201:将所述至少一个时刻的停车场特征的数据类型归一化为数值类型。
这里,针对类别类型的数据,将对应的数据类型转换为数值类型。
在一实施例中,如图2所示,所述将所述至少一个时刻的停车场特征的数据类型归一化为数值类型时,所述方法包括:
步骤2011:将停车场特征进行编码,得到第一维度的数值数据。
其中,对于停车场出入口的交通状况,可以对不同的交通状况类别进行编码,例如将交通状况为畅通记为0,将交通状况为拥堵记为1。
对于停车场所在地的天气类型,由于涉及到的类别多达十来种,因此可以通过独热编码来实现数据类型的转换。这里,独热编码,即one-hot编码,又称为一位有效编码,主要是采用N位状态寄存器来对N个类别进行编码,每个类别都有独立的寄存器位,并且在任意时候只有一位有效。
步骤2012:将所述第一维度的数值数据输入至嵌入层(embedding)进行处理,得到第二维度的数值数据。
其中,所述第二维度的维数小于所述第一维度的维数。
这里,在将类别类型数据的停车场特征进行编码后,通过嵌入层的网络结构来对编码后的停车场特征进行降维处理,从而完成特征的压缩和提取。
在实际应用中,将高维度的特征嵌入到一个低维空间,可以通过一个矩阵变换来完成映射,因此,嵌入层的处理过程可以表示为Y=XW
其中,X为变换前的数据,Y为变换后的数据,W为变换矩阵。在进行矩阵变换的过程中,变换矩阵可以随机初始化并训练。图3为嵌入层的变换原理示意图。
步骤202:将归一化后的所述至少一个时刻的停车场特征中每个时刻的停车场特征进行拼接,得到所述第一时间序列。
这里,经过变换,得到的停车场特征均为数值类型的数据,这里,将同一时刻的停车场特征进行拼接,形成第一时间序列,拼接公式如下:
其中,concat()表示拼接函数,Xt表示编码器t时刻的输入,表示t时刻的第二流入流量,表示t时刻的第一流入流量,表示t时刻的第二流出流量,表示t时刻的第一流出流量,表示t时刻停车场周边交通枢纽的乘客流量,表示t时刻停车场所在地的天气类型,表示t时刻停车场出入口的交通状况。
由此,拼接得到的第一时间序列为多源时间序列,这里,多源指的是多类停车场特征。
步骤103:将所述第一时间序列输入至第一网络进行编码,得到第一向量。
其中,所述第一网络为Seq2Seq网络中的编码器。这里,Seq2Seq网络为“编码-解码”结构的网络,由编码器和解码器构成,将一个序列输入Seq2Seq网络,会经由Seq2Seq网络输出另一个序列。在Seq2Seq网络中,编码器负责将输入的序列压缩成指定长度的向量,这个向量可以看成是输入序列的语义向量,以上过程相当于编码;解码器负责根据上述语义向量生成指定的序列,以上过程相当于解码。本申请实施例对停车场进行流量预测,预测过程基于Seq2Seq网络实现,因此,使用由至少一个时刻的多类停车场特征组成第一时间序列,输入至Seq2Seq网络,以预测出未来至少一个时刻停车场的流入流量和流出流量。
进一步地,在一实施例中,考虑到临时停车和租赁停车对停车场流量的影响不同,在训练第一网络时,加入临近流量约束,对Seq2Seq网络的编码器进行调整,如图4所示,训练所述第一网络时,所述方法包括:
步骤401:基于所述第一网络在时间序列样本中的每个时刻上对应的输入和输出,计算所述第一网络在所述时间序列样本中的每个时刻上对应的损失。
其中,根据所述第一网络在第一时刻上对应的输出以及在第二时刻上对应的输入,计算所述第一网络在第一时刻上对应的损失;所述第二时刻为所述时间序列样本中所述时间序列样本中所述第一时刻的下一个时刻。
在相关技术中,以长短期记忆网络(LSTM,Long Short-Term Memory)为例,在进行训练时,一般只计算时间序列的最后一个时刻的输入对应的输出与预测值的损失,再通过反向传播对LSTM的模型参数进行更新。在本实施例中,在第一网络的训练过程中加入了临近流量约束,即,基于时间序列样本中下一时刻的输入来对第一网络对应于当前时刻的输出计算损失。
步骤402:基于计算出的损失,对所述第一网络在对应的时刻上的模型参数进行更新,直到对应的损失小于设定阈值。
这里,对第一网络对应于时间序列样本中每个时刻的输出均计算一个损失值,并根据损失值对对应时刻上第一网络的模型参数进行更新,直至第一网络在对应时刻上的输出对应的损失值小于设定阈值。基于此,对第一网络的训练能够更快地达到收敛,且训练出的第一网络的计算精度更高。
图5示出了编码器的部分结构示意图,该编码器基于LSTM实现。参照图5,其中,x1,x2,x3,...,xn为时间序列样本中时刻1至时刻n的输入,h1,h2,h3,...,hn为LSTM网络对应于时间序列样本中不同时刻的展开图,h0为LSTM的初始状态输入,o1,o2,o3,...,on为LSTM网络对应于时间序列样本中不同时刻的输出,z2,z3,z4,...,zn+1为时间序列样本中时刻2到时刻(n+1)的输入,l1,l2,l3,...,ln为LSTM对应于时间序列样本中不同时刻的损失,
li=(oi-zi+1)2
在编码器输入编码结果C,即上文所述的第一向量后,将第一向量与第二向量进行拼接后再输入到解码器中,编码器的损失的一部分来自编码器在每个时刻上对应的损失之和,另一部分来自解码器,且来自于解码器的损失通过C反向传播到编码器,则最终,编码器对应的损失LE为:
其中,lc为由解码器反向传播得到的编码器的损失,β为li和lc之间的一个系数,值域为[0,1]。
步骤104:利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,得到第二时间序列。
其中,所述第二网络为所述Seq2Seq网络中的解码器;所述第二时间序列表征未来至少一个时刻所述停车场的流入流量和流出流量。
在一个实施例中,如图6所示,所述利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,包括:
步骤601:将所述第一向量与第二向量进行拼接,得到所述第三向量。
步骤602:将所述第三向量输入至所述第二网络进行解码。
其中,第一向量基于与时间相关的停车场特征生成,所述第二向量用于表征所述停车场周边的兴趣点(POI,Point of Interest)。实际应用中,POI的类别包括但不限于丽人、交通设施、休闲娱乐、公司企业、医疗、房地产、政府机构、教育培训、文化传媒、旅游景点、汽车服务、生活服务、美食、购物、运动健身、酒店和金融,等等。由于POI一旦建立,在很长一段时间内都不会产生变化,因此POI与时间不相关。这里,通过全连接的方式,将第一向量与第二向量进行拼接,之后再输入Seq2Seq网络的解码器进行处理。由于停车场周边的POI会对停车场的流量带来一定的影响,例如,在科技园区或金融园区内的停车场具有明显的潮汐效应,商圈内的停车场流量在节假日会有明显增加,因此,这里将停车场周边的POI作为一类停车场特征,能够有助于更为准确地对停车场流量进行预测。
需要说明的是,这里,所述利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码中,第三向量可以为第一向量本身,在该情况下,输入至第二网络进行解码的向量不携带停车场周边的POI信息。
这里,解码器根据编码器输出的向量,对停车场在未来至少一个时刻的流入流量和流出流量进行预测,并以时间序列的形式输出预测结果。图7示出了解码器的部分结构示意图,该解码器基于LSTM实现。参照图7,其中,C为编码器的输出,即上文所述的第一向量,将第一向量与第二向量进行拼接之后,形成解码器的输入。h′1,h′2,h′3,...,h′m为LSTM网络不同时刻的展开图,分别为预测出的未来m个时刻停车场的流入流量和流出流量。
其中,解码器在训练时,解码器的输入使用真实的流入流量yi-1,1和流出流量yi-1,2。解码器损失LD记为
图8示出了本申请实施例提供的停车场流量预测的系统结构框图,其中,编码器部分和和解码器部分已分别在图5和图7中示出,在图8的输入部分,可以很清楚地看出,停车场的流入流量和流出流量,包括第一流入流量和第二流入流量,第一流出流量和第二流出流量,停车场周边交通枢纽的乘客流量,这几类停车场特征均为数值类型的数据,可以直接拼接至第一时间序列中,而对于停车场所在地的天气类型和停车场出入口的交通状况,均为类别类型的数据,需要对这些特征进行编码和经过嵌入层的降维,再拼接至第一时间序列中,而POI由于没有时间属性,会与编码器输出的向量C进行全连接后输入至解码器中。
需要说明的是,在实际应用中,Seq2Seq网络的编码器和解码器均可以基于LSTM的网络结构来实现,也可以基于循环神经网络(RNN,Recurrent Neural Network)、门控循环单元(GRU,Gated Recurrent Unit)或卷积循环神经网络(CRNN,Convolutional RecurrentNeural Network)等网络结构来实现。
在本申请实施例中,Seq2Seq网络输出预测结果后,可以基于Seq2Seq网络输出的预测结果生成关于未来多个时刻的停车场流入流量及流出流量的预测曲线,相比于相关技术中预测单个时刻的流量,能够直观地将预测出的流量趋势进行体现,提高了信息的可参考性。此外,基于预测出的停车场的流入流量和流出流量,进一步地,可以预测出与流入流量及流出流量相关的其他参数,例如停车场收入、车位饱和度、停车方便指数等,并在此基础上输出停车场收入预测曲线、车位饱和度预测曲线、停车方便指数预测曲线等等,以为市民的出行提供便利,为停车场的管理者提供参考信息,以降低停车场的运营难度。
为实现本申请实施例的停车场流量预测方法,本申请实施例还提供一种停车场流量预测装置,如图9所示,停车场流量预测装置包括:
确定单元91,用于确定至少一个时刻的停车场特征;所述停车场特征至少包括停车场的流入流量和流出流量;
生成单元92,用于基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列;
输入单元93,用于将所述第一时间序列输入至第一网络进行编码,得到第一向量;所述第一网络为Seq2Seq网络中的编码器;
预测单元94,用于利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,得到第二时间序列;其中,
所述第二网络为所述Seq2Seq网络中的解码器;所述第二时间序列表征未来至少一个时刻所述停车场的流入流量和流出流量。
其中,在一实施例中,所述生成单元92,用于:
将所述至少一个时刻的停车场特征的数据类型归一化为数值类型;
将归一化后的所述至少一个时刻的停车场特征中每个时刻的停车场特征进行拼接,得到所述第一时间序列。
在一实施例中,所述生成单元92将所述至少一个时刻的停车场特征的数据类型归一化为数值类型时,用于:
将停车场特征进行编码,得到第一维度的数值数据;
将所述第一维度的数值数据输入至嵌入层进行处理,得到第二维度的数值数据;其中,
所述第二维度的维数小于所述第一维度的维数。
在一实施例中,所述停车场特征还包括以下至少一项:
第一特征;所述第一特征表征所述停车场所在地的天气类型;
第二特征;所述第二特征表征所述停车场出入口的交通状况。
在一实施例中,所述确定单元91确定至少一个时刻的停车场特征时,用于:
确定所述停车场的第一流入流量、第一流出流量和第二流入流量、第二流出流量;其中,
所述第一流入流量和所述第一流出流量基于第一停车类型的车辆确定;所述第一停车类型表征临时停车;
所述第二流入流量和所述第二流出流量基于第二停车类型的车辆确定;所述第二停车类型表征租赁停车。
在一实施例中,所述确定单元91还用于:
确定至少一个时刻的第三特征;其中,
所述第三特征表征所述停车场周边交通枢纽的乘客流量。
在一实施例中,所述预测单元94,用于:
将所述第一向量与第二向量进行拼接,得到所述第三向量;
将所述第三向量输入至所述第二网络进行解码;其中,
所述第二向量用于表征所述停车场周边的兴趣点。
在一实施例中,训练所述第一网络时,所述装置还包括:
计算单元,用于基于所述第一网络在时间序列样本中的每个时刻上对应的输入和输出,计算所述第一网络在所述时间序列样本中的每个时刻上对应的损失;
更新单元,用于基于计算出的损失,对所述第一网络在对应的时刻上的模型参数进行更新,直至对应的损失小于设定阈值;其中,
根据所述第一网络在第一时刻上对应的输出以及在第二时刻上对应的输入,计算所述第一网络在第一时刻上对应的损失;所述第二时刻为所述时间序列样本中所述第一时刻的下一个时刻。
实际应用时,确定单元91、生成单元92、输入单元93、预测单元94、计算单元和更新单元可由停车场流量预测装置中的处理器来实现,当然,处理器需要运行存储器中存储的程序来实现上述各程序模块的功能。
需要说明的是,上述图9实施例提供的停车场流量预测装置仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将停车场流量预测装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的停车场流量预测装置与停车场流量预测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
基于上述程序模块的硬件实现,且为了实现本申请实施例的方法,本申请实施例还提供了一种电子设备。图10为本申请实施例电子设备的硬件组成结构示意图,如图10所示,电子设备包括:
通信接口1,能够与其它设备进行信息交互;
处理器2,与所述通信接口1连接,以实现与其它设备进行信息交互,用于运行计算机程序时,执行上述一个或多个技术方案提供的方法。而所述计算机程序存储在存储器3上。
当然,实际应用时,电子设备中的各个组件通过总线系统4耦合在一起。可理解,总线系统4用于实现这些组件之间的连接通信。总线系统4除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图10中将各种总线都标为总线系统4。
本申请实施例中的存储器用于存储各种类型的数据以支持电子设备中的操作。这些数据的示例包括:用于在电子设备上操作的任何计算机程序。
可以理解,存储器可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM,Random AccessMemory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM,Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM,SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、DSP,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。处理器可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器,处理器读取存储器中的程序,结合其硬件完成前述方法的步骤。
处理器执行所述程序时实现本申请实施例的各个方法中的相应流程,为了简洁,在此不再赘述。
在示例性实施例中,本申请实施例还提供了一种存储介质,即计算机存储介质,具体为计算机可读存储介质,例如包括存储计算机程序的存储器,上述计算机程序可由处理器执行,以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置、终端和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种停车场流量预测方法,其特征在于,包括:
确定至少一个时刻的停车场特征;所述停车场特征至少包括停车场的流入流量和流出流量;
基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列;
将所述第一时间序列输入至第一网络进行编码,得到第一向量;所述第一网络为序列到序列Seq2Seq网络中的编码器;
利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,得到第二时间序列;其中,
所述第二网络为所述Seq2Seq网络中的解码器;所述第二时间序列表征未来至少一个时刻所述停车场的流入流量和流出流量。
2.根据权利要求1所述的方法,其特征在于,所述基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列,包括:
将所述至少一个时刻的停车场特征的数据类型归一化为数值类型;
将归一化后的所述至少一个时刻的停车场特征中每个时刻的停车场特征进行拼接,得到所述第一时间序列。
3.根据权利要求2所述的方法,其特征在于,所述将所述至少一个时刻的停车场特征的数据类型归一化为数值类型时,所述方法包括:
将停车场特征进行编码,得到第一维度的数值数据;
将所述第一维度的数值数据输入至嵌入层进行处理,得到第二维度的数值数据;其中,
所述第二维度的维数小于所述第一维度的维数。
4.根据权利要求3所述的方法,其特征在于,所述停车场特征还包括以下至少一项:
第一特征;所述第一特征表征所述停车场所在地的天气类型;
第二特征;所述第二特征表征所述停车场出入口的交通状况。
5.根据权利要求1所述的方法,其特征在于,所述确定至少一个时刻的停车场特征时,所述方法包括:
确定所述停车场的第一流入流量、第一流出流量和第二流入流量、第二流出流量;其中,
所述第一流入流量和所述第一流出流量基于第一停车类型的车辆确定;所述第一停车类型表征临时停车;
所述第二流入流量和所述第二流出流量基于第二停车类型的车辆确定;所述第二停车类型表征租赁停车。
6.根据权利要求1或2所述的方法,其特征在于,所述确定至少一个时刻的停车场特征,还包括:
确定至少一个时刻的第三特征;其中,
所述第三特征表征所述停车场周边交通枢纽的乘客流量。
7.根据权利要求1所述的方法,其特征在于,所述利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,包括:
将所述第一向量与第二向量进行拼接,得到所述第三向量;
将所述第三向量输入至所述第二网络进行解码;其中,
所述第二向量用于表征所述停车场周边的兴趣点。
8.根据权利要求1所述的方法,其特征在于,训练所述第一网络时,所述方法包括:
基于所述第一网络在时间序列样本中的每个时刻上对应的输入和输出,计算所述第一网络在所述时间序列样本中的每个时刻上对应的损失;
基于计算出的损失,对所述第一网络在对应的时刻上的模型参数进行更新,直至对应的损失小于设定阈值;其中,
根据所述第一网络在第一时刻上对应的输出以及在第二时刻上对应的输入,计算所述第一网络在第一时刻上对应的损失;所述第二时刻为所述时间序列样本中所述第一时刻的下一个时刻。
9.一种停车场流量预测装置,其特征在于,包括:
确定单元,用于确定至少一个时刻的停车场特征;所述停车场特征至少包括停车场的流入流量和流出流量;
生成单元,用于基于所述至少一个时刻的停车场特征,生成所述停车场的第一时间序列;
输入单元,用于将所述第一时间序列输入至第一网络进行编码,得到第一向量;所述第一网络为Seq2Seq网络中的编码器;
预测单元,用于利用所述第一向量获得第三向量,将所述第三向量输入至第二网络进行解码,得到第二时间序列;其中,
所述第二网络为所述Seq2Seq网络中的解码器;所述第二时间序列表征未来至少一个时刻所述停车场的流入流量和流出流量。
10.一种电子设备,其特征在于,包括:
处理器和用于存储能够在所述处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行权利要求1至8任一项所述方法对应的步骤。
11.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911416501.7A CN110956341B (zh) | 2019-12-31 | 2019-12-31 | 停车场流量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911416501.7A CN110956341B (zh) | 2019-12-31 | 2019-12-31 | 停车场流量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956341A true CN110956341A (zh) | 2020-04-03 |
CN110956341B CN110956341B (zh) | 2023-06-27 |
Family
ID=69985450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911416501.7A Active CN110956341B (zh) | 2019-12-31 | 2019-12-31 | 停车场流量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956341B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115372A (zh) * | 2020-11-18 | 2020-12-22 | 中电科新型智慧城市研究院有限公司 | 一种停车场的推荐方法及装置 |
CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
CN112967518A (zh) * | 2021-02-01 | 2021-06-15 | 浙江工业大学 | 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 |
CN113112178A (zh) * | 2021-04-30 | 2021-07-13 | 平安普惠企业管理有限公司 | 基于机器学习的数据处理方法、装置、设备及存储介质 |
CN113822458A (zh) * | 2020-11-18 | 2021-12-21 | 京东城市(北京)数字科技有限公司 | 预测方法、训练方法、装置、电子设备和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133619A (zh) * | 2018-02-06 | 2018-06-08 | 百度在线网络技术(北京)有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
CN108734972A (zh) * | 2018-07-16 | 2018-11-02 | 上海世脉信息科技有限公司 | 一种大数据环境下停车场占有率的预测方法 |
CN110276439A (zh) * | 2019-05-08 | 2019-09-24 | 平安科技(深圳)有限公司 | 基于注意力机制的时间序列预测方法、装置及存储介质 |
CN110517481A (zh) * | 2019-07-26 | 2019-11-29 | 厦门卫星定位应用股份有限公司 | 车流量预测方法、介质、设备及装置 |
CN110555990A (zh) * | 2019-08-29 | 2019-12-10 | 桂林电子科技大学 | 一种基于lstm神经网络的有效停车时空资源预测方法 |
US20190391574A1 (en) * | 2018-06-25 | 2019-12-26 | Nec Laboratories America, Inc. | Early anomaly prediction on multi-variate time series data |
CN110619427A (zh) * | 2019-08-26 | 2019-12-27 | 北京建筑大学 | 基于序列到序列学习模型的交通指数预测方法和装置 |
-
2019
- 2019-12-31 CN CN201911416501.7A patent/CN110956341B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133619A (zh) * | 2018-02-06 | 2018-06-08 | 百度在线网络技术(北京)有限公司 | 停车场停车预测的方法、装置、存储介质及终端设备 |
US20190391574A1 (en) * | 2018-06-25 | 2019-12-26 | Nec Laboratories America, Inc. | Early anomaly prediction on multi-variate time series data |
CN108734972A (zh) * | 2018-07-16 | 2018-11-02 | 上海世脉信息科技有限公司 | 一种大数据环境下停车场占有率的预测方法 |
CN110276439A (zh) * | 2019-05-08 | 2019-09-24 | 平安科技(深圳)有限公司 | 基于注意力机制的时间序列预测方法、装置及存储介质 |
CN110517481A (zh) * | 2019-07-26 | 2019-11-29 | 厦门卫星定位应用股份有限公司 | 车流量预测方法、介质、设备及装置 |
CN110619427A (zh) * | 2019-08-26 | 2019-12-27 | 北京建筑大学 | 基于序列到序列学习模型的交通指数预测方法和装置 |
CN110555990A (zh) * | 2019-08-29 | 2019-12-10 | 桂林电子科技大学 | 一种基于lstm神经网络的有效停车时空资源预测方法 |
Non-Patent Citations (3)
Title |
---|
LOAN N.N.DO等: "An effective spatial-temporal attention based neural network for traffic flow prediction", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》 * |
四兵锋;钟鸣;高自友;: "城市混合交通条件下路段阻抗函数的研究", 交通运输系统工程与信息 * |
王月等: "基于长短期记忆网络的客流预测模型研究", 《电信快报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
CN112215409B (zh) * | 2020-09-24 | 2024-01-30 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
CN112115372A (zh) * | 2020-11-18 | 2020-12-22 | 中电科新型智慧城市研究院有限公司 | 一种停车场的推荐方法及装置 |
CN113822458A (zh) * | 2020-11-18 | 2021-12-21 | 京东城市(北京)数字科技有限公司 | 预测方法、训练方法、装置、电子设备和可读存储介质 |
CN112967518A (zh) * | 2021-02-01 | 2021-06-15 | 浙江工业大学 | 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 |
CN112967518B (zh) * | 2021-02-01 | 2022-06-21 | 浙江工业大学 | 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 |
CN113112178A (zh) * | 2021-04-30 | 2021-07-13 | 平安普惠企业管理有限公司 | 基于机器学习的数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110956341B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956341A (zh) | 停车场流量预测方法、装置、电子设备及存储介质 | |
CN109543886B (zh) | 目的地的预测方法、装置、终端和存储介质 | |
CN110597086B (zh) | 仿真场景生成方法、无人驾驶系统测试方法以及装置 | |
CN112700072A (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN109115237B (zh) | 一种乘车位置推荐方法及服务器 | |
CN114973677A (zh) | 用于确定预计到达时间的方法和设备 | |
CN110675621A (zh) | 预测交通信息的系统和方法 | |
CN109764881B (zh) | 无人驾驶汽车测试方法、装置、电子设备及介质 | |
US20090079586A1 (en) | Use of Pattern Matching to Predict Actual Traffic Conditions of a Roadway Segment | |
Bohan et al. | Traffic flow prediction based on BRNN | |
CN111862605B (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
CN112735129B (zh) | 货车停车调度的方法及装置 | |
CN116089875A (zh) | 融合多源时空数据的交通流量预测方法、装置及存储介质 | |
CN116453343A (zh) | 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统 | |
CN113962460B (zh) | 基于时空对比自监督的城市细粒度流量预测方法及系统 | |
CN116562487B (zh) | 顾及路口时空关联与历史出行语义的移动目的地预测方法 | |
CN114724414B (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 | |
Ye et al. | Short-term traffic flow prediction at isolated intersections based on parallel multi-task learning | |
CN116753973A (zh) | 一种路径预测方法、系统、设备及介质 | |
CN115204755A (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
Lee et al. | Evaluation of the rain effects on gap acceptance behavior at roundabouts by a logit model | |
Jiang et al. | A deep learning-assisted mathematical model for decongestion time prediction at railroad grade crossings | |
CN114872718A (zh) | 车辆轨迹预测方法、装置、计算机设备和存储介质 | |
Liu | Bi-level optimization algorithm for dynamic reversible lane control based on short-term traffic flow prediction | |
CN106530689B (zh) | 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法 |
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 |