CN110969275A - 交通流量预测方法、装置、可读存储介质及电子设备 - Google Patents
交通流量预测方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN110969275A CN110969275A CN201811160961.3A CN201811160961A CN110969275A CN 110969275 A CN110969275 A CN 110969275A CN 201811160961 A CN201811160961 A CN 201811160961A CN 110969275 A CN110969275 A CN 110969275A
- Authority
- CN
- China
- Prior art keywords
- bayonet
- bayonets
- matrix
- traffic flow
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 230000015654 memory Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种交通流量预测方法、装置、可读存储介质及电子设备,用以提高交通流量预测的精准度。该交通流量预测方法包括:确定目标区域中各个卡口之间的位置关系;根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵;将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值。
Description
技术领域
本申请涉及智能交通技术领域,尤其涉及一种交通流量预测方法、装置、可读存储介质及电子设备。
背景技术
随着安防行业的飞速发展,交通信息的获取和管理逐步走向智能化,目前基于各种监控摄像头获得的数据非常多,而从大量的记录数据中可以挖掘出更多信息,在很大程度上为交通管理提供很有价值的参考,其中一个重要应用点就是交通流量预测。
而相关技术中的城市交通流量预测的算法中一般未考虑整个城市道路的地理位置信息,因此预测出的交通流量值不是很精准。
发明内容
有鉴于此,本申请提供一种交通流量预测方法、装置、可读存储介质及电子设备,用以提高交通流量预测的精准度。
第一方面,本申请实施例提供了一种交通流量预测方法,所述方法包括:
确定目标区域中各个卡口之间的位置关系;
根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵;
将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值。
上述方法,通过确定目标区域中各个卡口之间的位置关系,然后根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵,再将该卡口流量矩阵输入到已训练的神经网络,由该神经网络根据输入的卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值,由于在预测交通流量的过程中,考虑了目标区域中各个卡口之间的位置关系,即结合了目标区域中道路的地理位置信息来对交通流量进行预测,因此可以提高交通流量预测的精准度。
在一可能的实现方式中,所述根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵,包括:
根据各个卡口之间的位置关系生成卡口位置关系矩阵;其中,所述卡口位置关系矩阵中对应同一卡口的位置取值为第一标识,以及当两个不同卡口之间的位置关系为相邻关系,卡口位置关系矩阵中对应这两个不同卡口的位置取值为第一标识,否则,取值为第二标识;
依据各卡口在当前单位时间内的交通流量值更新所述卡口位置关系矩阵中的第一标识,并用0替代所述卡口位置关系矩阵中的第二标识。
在一可能的实现方式中,所述依据各卡口在当前单位时间内的交通流量值更新所述卡口位置关系矩阵中的第一标识,包括:
将所述卡口位置关系矩阵中的第一标识用该第一标识对应的两卡口在当前单位时间内的交通流量值的平均值来替代。
在一可能的实现方式中,所述确定目标区域中各个卡口之间的位置关系,包括:
获取目标区域中各个卡口的历史过车记录;所述过车记录包括:车牌、卡口编码和经过时间;
按照车牌对获取到的所述历史过车记录进行分类,得到各个车牌对应的过车记录集;
按照时间顺序对各个所述过车记录集中的过车记录各自进行排序,并基于排序后的各个过车记录集确定所述目标区域中连通的卡口对;其中,所述连通的卡口对具有方向性,其方向从先经过的卡口指向后经过的卡口;
基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系。
在一可能的实现方式中,所述基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系,包括:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
在一可能的实现方式中,在基于排序后的各个过车记录集确定所述目标区域中连通的卡口对时,该方法还包括:
统计所述连通的卡口对的连通次数;
所述基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系,包括:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,并且该对卡口的连通次数不小于设定阈值,则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
在一可能的实现方式中,在将所述卡口流量矩阵输入到已训练的神经网络之前,该方法还包括:
获取天气特征和/或时间特征;
所述将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值,包括:
将所述天气特征和/或时间特征,以及所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述天气特征和/或时间特征,以及输入的所述卡口流量矩阵,预测各卡口在下一个单位时间内的交通流量值。
第二方面,本申请实施例还提供了一种交通流量预测装置,包括用于执行第一方面或第一方面的任意可能的实现方式中的交通流量预测方法的模块。
第三方面,本申请实施例还提供了一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现第一方面或第一方面的任意可能的实现方式中的交通流量预测方法的步骤。
第四方面,本申请实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面或第一方面的任意可能的实现方式中的交通流量预测方法的步骤。
附图说明
图1为本申请实施例提供的一种交通流量预测方法的流程示意图;
图2为本申请实施例中卡口位置关系矩阵的示意图;
图3为本申请实施例中神经网络的结构示意图;
图4为本申请实施例中一层LSTM的结构示意图;
图5为本申请实施例中两层LSTM的结构示意图;
图6为本申请实施例中训练时的神经网络的结构示意图;
图7为申请实施例提供的交通流量预测装置的第一种结构示意图;
图8为申请实施例提供的交通流量预测装置的第二种结构示意图;
图9为申请实施例提供的交通流量预测装置的第三种结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
参见图1,本申请实施例提供了一种交通流量预测方法,该方法可以包括如下步骤:
S101、确定目标区域中各个卡口之间的位置关系;
其中,两个不同卡口之间的位置关系可以为相邻关系,或者两个不同卡口之间的位置关系可以为非相邻关系。
S102、根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵;
S103、将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值。
在一可能的实现方式中,步骤S101中确定目标区域中各个卡口之间的位置关系,可以包括:
获取目标区域中各个卡口的历史过车记录(record);所述过车记录包括:车牌、卡口编码和经过时间;
按照车牌对获取到的所述历史过车记录进行分类,得到各个车牌对应的过车记录集;
按照时间顺序对各个所述过车记录集中的过车记录各自进行排序,并基于排序后的各个过车记录集确定所述目标区域中连通的卡口对;其中,所述连通的卡口对具有方向性,其方向从先经过的卡口指向后经过的卡口;
基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系。
例如:按照时间先后顺序排序后车牌1对应的过车记录集为record1(车牌1、卡口1、时间1)、record2(车牌1、卡口2、时间2)、record3(车牌1、卡口3、时间3)……,由此可以确定卡口1与卡口2是连通的卡口对(也可以说卡口1到卡口2是连通的),该对卡口的方向从卡口1指向卡口2,可以记为卡口对1-2,以及可以确定卡口2与卡口3是连通的卡口对,该对卡口的方向从卡口2指向卡口3,可以记为卡口对2-3。
需要指出的是,上述的卡口对具有方向性,例如当确定卡口1到卡口2是连通的,并不能确定卡口2到卡口1也是连通的,比方说卡口1与卡口2之间是单行线的道路。
在一可能的实现方式中,上述基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系,可以包括:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
在另一可能的实现方式中,在基于排序后的各个过车记录集确定所述目标区域中连通的卡口对时,该方法还可以包括:
统计所述连通的卡口对的连通次数;
相应地,上述基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系,可以包括:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,并且该对卡口的连通次数不小于设定阈值(例如100次),则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
也就是说,若该对卡口为非连通的卡口对,确定该对卡口之间的位置关系为非相邻关系;若该对卡口为连通的卡口对,但该对卡口的连通次数小于设定阈值时,也确定该对卡口之间的位置关系为非相邻关系。
例如:上述根据车牌1的过车记录集可以确定卡口1与卡口2是连通的卡口对,此时可在统计的卡口对1-2的连通次数上增加一,以此类推,每确定卡口1与卡口2连通一次则统计的该卡口对1-2的连通次数增加一。
在一可能的实现方式中,步骤S102中根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵,可以包括:
根据各个卡口之间的位置关系生成卡口位置关系矩阵;其中,所述卡口位置关系矩阵中对应同一卡口的位置取值为第一标识(例如1),以及当两个不同卡口之间的位置关系为相邻关系,卡口位置关系矩阵中对应这两个不同卡口的位置取值为第一标识,否则,取值为第二标识(例如0);
依据各卡口在当前单位时间内的交通流量值更新所述卡口位置关系矩阵中的第一标识,并用0替代所述卡口位置关系矩阵中的第二标识。
例如:目标区域中有3个卡口,分别为卡口1、卡口2和卡口3,其中,卡口1与卡口2之间的位置关系为相邻关系,卡口2和卡口3之间的位置关系为相邻关系,因此根据各个卡口之间的位置关系生成卡口位置关系矩阵可以如图2所示。
在一可能的实现方式中,上述依据各卡口在当前单位时间内的交通流量值更新所述卡口位置关系矩阵中的第一标识,可以包括:
将所述卡口位置关系矩阵中的第一标识用该第一标识对应的两卡口在当前单位时间内的交通流量值的平均值来替代。
在一可能的实现方式中,在将所述卡口流量矩阵输入到已训练的神经网络之前,该方法还可以包括:
获取天气特征和/或时间特征。
具体地,获取天气特征可以包括:
获取目标区域的当前天气情况;
基于所述天气情况确定天气特征。
其中,天气例如可以分为:晴、多云、阴、阵雨、雷阵雨、小雨、中雨、大雨、暴雨、大暴雨、阵雪、小雪、中雪、大雪、暴雪、雾、沙尘暴、霾等。
基于天气情况确定天气特征例如可以是采用独热编码(one-hot)对当前天气情况进行编码,以得到天气特征。
具体地,获取时间特征可以包括:
获取当前时间信息;
基于所述当前时间信息确定时间特征。
其中,时间信息可以包括:星期几、是否为节假日。星期几和是否为节假日可以根据过车记录中的经过时间计算出。
基于当前时间信息确定时间特征例如可以是采用独热编码(one-hot)对当前时间信息进行编码,以得到时间特征。
相应地,在一可能的实现方式中,步骤S103中将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值,可以包括:
将所述卡口流量矩阵和所述天气特征输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵和所述天气特征预测各卡口在下一个单位时间内的交通流量值。
在另一可能的实现方式中,步骤S103中将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值,可以包括:
将所述卡口流量矩阵和所述时间特征输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵和所述时间特征预测各卡口在下一个单位时间内的交通流量值。
在另一可能的实现方式中,步骤S103中将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值,可以包括:
将所述卡口流量矩阵、所述天气特征和所述时间特征输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵、所述天气特征和所述时间特征,预测各卡口在下一个单位时间内的交通流量值。
在一可能的实现方式中,在将所述卡口流量矩阵输入到已训练的神经网络之前,该方法还可以包括:
对所述卡口流量矩阵进行归一化处理;
将归一化后的卡口流量矩阵输入到已训练的神经网络;
在神经网络输出预测结果后,该方法还可以包括:
对输出的预测结果进行反归一化处理,得到最终的预测结果。
其中,最终的预测结果包括目标区域中各卡口在下一个单位时间内的交通流量值。
上述神经网络可以包括:至少一层长短期记忆网络(Long Short-Term Memory,LSTM)和输出层。例如上述神经网络可以包括:第一层LSTM31、第二层LSTM33和输出层35,如图3所示。
其中,LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,本申请中LSTM可以根据输入的卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值,并可保存历史的细胞状态。在LSTM中,LSTM包括遗忘门、输入门和输出门,其通过“门”的结构来去除或者增加信息到细胞状态。
例如,可以使用一层LSTM进行交通流量预测,如图4所示,LSTM一般包括遗忘门ft、输入门it和输出门ot,其中,ft用于决定神经元记忆信息的丢弃,it用于在输入的变量中确定什么样的新信息被存放在细胞状态中,ot用于确定细胞状态的哪个部分将输出出去。一层LSTM中相关参数可以通过下面的公式进行计算:
ft=σ(Wf[ht-1,xt]+bf) (1)
it=σ(Wi[ht-1,xt]+bi) (2)
ot=σ(Wo[ht-1,xt]+bo) (5)
ht=ot*tanh(Ct) (6)
其中,ht-1表示的是t-1时刻LSTM的输出(该输出包括t-1时刻预测的交通流量值),ht表示的是t时刻LSTM的输出,xt表示的是t时刻LSTM的输入(该输入包括t时刻的卡口流量矩阵),Ct-1表示t-1时刻LSTM的细胞状态,表示t时刻细胞状态候选向量,Ct表示t时刻LSTM的细胞状态,σ表示sigmod函数,tanh表示tanh函数,Wf、Wi、WC、Wo表示叠加运算,bf、bi、bC、bo表示常量。
再例如,为了提高预测的准确度,可以使用两层LSTM进行交通流量预测,两层LSTM的结构可以如图5所示,其是两个级联的LSTM,可以应用与上述公式相似的公式计算两层LSTM中相关参数,在此不再赘述。
上述神经网络可以基于历史过车记录获取样本集(包括卡口流量矩阵集和交通流量预测值集)以进行训练。在训练过程中,为了防止过拟合,可以在LSTM后加入Dropout层进行训练,以上述包括两层LSTM的神经网络为例,在训练时使用的神经网络模型可以包括:第一层LSTM31、第一Dropout层32、第二层LSTM33、第二Dropout层34、输出层35,如图6所示。
其中,Dropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃的一种训练方法。
基于同一发明构思,参见图7,本申请实施例提供了一种交通流量预测装置,可以包括:位置关系确定模块11、矩阵生成模块12和处理模块13。
其中,位置关系确定模块11,用于确定目标区域中各个卡口之间的位置关系;
矩阵生成模块12,用于根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵;
处理模块13,用于将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值。
在一可能的实现方式中,矩阵生成模块12可以用于:
根据各个卡口之间的位置关系生成卡口位置关系矩阵;其中,所述卡口位置关系矩阵中对应同一卡口的位置取值为第一标识,以及当两个不同卡口之间的位置关系为相邻关系,卡口位置关系矩阵中对应这两个不同卡口的位置取值为第一标识,否则,取值为第二标识;
依据各卡口在当前单位时间内的交通流量值更新所述卡口位置关系矩阵中的第一标识,并用0替代所述卡口位置关系矩阵中的第二标识。
在一可能的实现方式中,矩阵生成模块12可以用于:
将所述卡口位置关系矩阵中的第一标识用该第一标识对应的两卡口在当前单位时间内的交通流量值的平均值来替代。
在一可能的实现方式中,位置关系确定模块11可以用于:
获取目标区域中各个卡口的历史过车记录;所述过车记录包括:车牌、卡口编码和经过时间;
按照车牌对获取到的所述历史过车记录进行分类,得到各个车牌对应的过车记录集;
按照时间顺序对各个所述过车记录集中的过车记录各自进行排序,并基于排序后的各个过车记录集确定所述目标区域中连通的卡口对;其中,所述连通的卡口对具有方向性,其方向从先经过的卡口指向后经过的卡口;
基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系。
在一可能的实现方式中,位置关系确定模块11可以用于:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
在另一可能的实现方式中,如图8所示,上述交通流量预测装置还可以包括:
统计模块14,用于在基于排序后的各个过车记录集确定所述目标区域中连通的卡口对时,统计所述连通的卡口对的连通次数。
相应地,上述位置关系确定模块11可以用于:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,并且该对卡口的连通次数不小于设定阈值,则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
在一可能的实现方式中,如图9所示,上述交通流量预测装置还可以包括:特征获取模块15。
特征获取模块15用于:获取天气特征和/或时间特征;
处理模块13具体用于:将所述天气特征和/或时间特征,以及所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述天气特征和/或时间特征,以及输入的所述卡口流量矩阵,预测各卡口在下一个单位时间内的交通流量值。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
基于同一发明构思,本申请实施例还提供了一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任意可能的实现方式中的交通流量预测方法的步骤。
可选地,该存储介质具体可以为存储器。
基于同一发明构思,参见图10,本申请实施例还提供了一种电子设备,包括存储器61(例如非易失性存储器)、处理器62及存储在存储器61上并可在处理器62上运行的计算机程序,处理器62执行所述程序时实现上述任意可能的实现方式中的交通流量预测方法的步骤。该电子设备例如可以为PC。
如图10所示,该电子设备一般还可以包括:内存63、网络接口64、以及内部总线65。除了这些部件外,还可以包括其他硬件,对此不再赘述。
需要指出的是,上述交通流量预测装置可以通过软件实现,其作为一个逻辑意义上的装置,是通过其所在的电子设备的处理器62将非易失性存储器中存储的计算机程序指令读取到内存63中运行形成的。
本说明书中描述的主题及功能操作的实施例可以在以下中实现:数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (13)
1.一种交通流量预测方法,其特征在于,所述方法包括:
确定目标区域中各个卡口之间的位置关系;
根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵;
将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值。
2.根据权利要求1所述的方法,其特征在于,所述根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵,包括:
根据各个卡口之间的位置关系生成卡口位置关系矩阵;其中,所述卡口位置关系矩阵中对应同一卡口的位置取值为第一标识,以及当两个不同卡口之间的位置关系为相邻关系,卡口位置关系矩阵中对应这两个不同卡口的位置取值为第一标识,否则,取值为第二标识;
依据各卡口在当前单位时间内的交通流量值更新所述卡口位置关系矩阵中的第一标识,并用0替代所述卡口位置关系矩阵中的第二标识。
3.根据权利要求2所述的方法,其特征在于,所述依据各卡口在当前单位时间内的交通流量值更新所述卡口位置关系矩阵中的第一标识,包括:
将所述卡口位置关系矩阵中的第一标识用该第一标识对应的两卡口在当前单位时间内的交通流量值的平均值来替代。
4.根据权利要求1所述的方法,其特征在于,所述确定目标区域中各个卡口之间的位置关系,包括:
获取目标区域中各个卡口的历史过车记录;所述过车记录包括:车牌、卡口编码和经过时间;
按照车牌对获取到的所述历史过车记录进行分类,得到各个车牌对应的过车记录集;
按照时间顺序对各个所述过车记录集中的过车记录各自进行排序,并基于排序后的各个过车记录集确定所述目标区域中连通的卡口对;其中,所述连通的卡口对具有方向性,其方向从先经过的卡口指向后经过的卡口;
基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系。
5.根据权利要求4所述的方法,其特征在于,所述基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系,包括:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
6.根据权利要求4所述的方法,其特征在于,在基于排序后的各个过车记录集确定所述目标区域中连通的卡口对时,该方法还包括:
统计所述连通的卡口对的连通次数;
所述基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系,包括:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,并且该对卡口的连通次数不小于设定阈值,则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
7.根据权利要求1所述的方法,其特征在于,在将所述卡口流量矩阵输入到已训练的神经网络之前,该方法还包括:
获取天气特征和/或时间特征;
所述将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值,包括:
将所述天气特征和/或时间特征,以及所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述天气特征和/或时间特征,以及输入的所述卡口流量矩阵,预测各卡口在下一个单位时间内的交通流量值。
8.一种交通流量预测装置,其特征在于,所述装置包括:
位置关系确定模块,用于确定目标区域中各个卡口之间的位置关系;
矩阵生成模块,用于根据各个卡口之间的位置关系、以及各卡口在当前单位时间内的交通流量值生成卡口流量矩阵;
处理模块,用于将所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述卡口流量矩阵预测各卡口在下一个单位时间内的交通流量值。
9.根据权利要求8所述的装置,其特征在于,所述位置关系确定模块用于:
获取目标区域中各个卡口的历史过车记录;所述过车记录包括:车牌、卡口编码和经过时间;
按照车牌对获取到的所述历史过车记录进行分类,得到各个车牌对应的过车记录集;
按照时间顺序对各个所述过车记录集中的过车记录各自进行排序,并基于排序后的各个过车记录集确定所述目标区域中连通的卡口对;其中,所述连通的卡口对具有方向性,其方向从先经过的卡口指向后经过的卡口;
基于所述目标区域中连通的卡口对确定目标区域中各个卡口之间的位置关系。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
统计模块,用于在基于排序后的各个过车记录集确定所述目标区域中连通的卡口对时,统计所述连通的卡口对的连通次数;
所述位置关系确定模块用于:
针对所述目标区域中的任意一对卡口,若该对卡口为连通的卡口对,并且该对卡口的连通次数不小于设定阈值,则确定该对卡口之间的位置关系为相邻关系,否则,确定该对卡口之间的位置关系为非相邻关系。
11.根据权利要求8所述的装置,其特征在于,所述装置还包括:特征获取模块;
所述特征获取模块用于:获取天气特征和/或时间特征;
所述处理模块具体用于:将所述天气特征和/或时间特征,以及所述卡口流量矩阵输入到已训练的神经网络,由所述神经网络根据输入的所述天气特征和/或时间特征,以及输入的所述卡口流量矩阵,预测各卡口在下一个单位时间内的交通流量值。
12.一种可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811160961.3A CN110969275B (zh) | 2018-09-30 | 2018-09-30 | 交通流量预测方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811160961.3A CN110969275B (zh) | 2018-09-30 | 2018-09-30 | 交通流量预测方法、装置、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969275A true CN110969275A (zh) | 2020-04-07 |
CN110969275B CN110969275B (zh) | 2024-01-23 |
Family
ID=70029114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811160961.3A Active CN110969275B (zh) | 2018-09-30 | 2018-09-30 | 交通流量预测方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969275B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN111612249A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于预测人流量的方法、装置、设备以及存储介质 |
CN112669606A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 利用动态时空图训练卷积神经网络的交通流预测方法 |
CN113326449A (zh) * | 2021-05-27 | 2021-08-31 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
CN115762142A (zh) * | 2022-11-02 | 2023-03-07 | 青岛以萨数据技术有限公司 | 卡口流量预测方法、装置、服务器及存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5354957A (en) * | 1992-04-16 | 1994-10-11 | Inventio Ag | Artificially intelligent traffic modeling and prediction system |
JP2007241429A (ja) * | 2006-03-06 | 2007-09-20 | Sumitomo Electric Ind Ltd | 交通流パラメータ算出システム、方法及びプログラム |
US20090043486A1 (en) * | 2007-07-27 | 2009-02-12 | Chaowei Yang | Near Real-time Traffic Routing |
CN101819717A (zh) * | 2010-03-05 | 2010-09-01 | 吉林大学 | 基于交通状态时空模型的路网性能判定方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN105243848A (zh) * | 2015-11-10 | 2016-01-13 | 上海语镜汽车信息技术有限公司 | 实时路况的预测方法和系统 |
WO2016022108A1 (en) * | 2014-08-06 | 2016-02-11 | Robinson Kurt B | Systems and methods involving features of adaptive and/or autonomous traffic control |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
CN106447119A (zh) * | 2016-10-11 | 2017-02-22 | 济南观澜数据技术有限公司 | 一种基于卷积神经网络的短期交通流量预测方法及系统 |
CN106530715A (zh) * | 2016-12-24 | 2017-03-22 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
CN106530762A (zh) * | 2016-12-26 | 2017-03-22 | 东软集团股份有限公司 | 交通信号控制方法和装置 |
CN106652440A (zh) * | 2015-10-30 | 2017-05-10 | 杭州海康威视数字技术股份有限公司 | 一种车辆的频繁活动区域的确定方法及装置 |
CN107085941A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种交通流预测方法、装置及系统 |
CN107240254A (zh) * | 2017-08-02 | 2017-10-10 | 河北冀通慧达科技有限公司 | 交通路况预测方法及终端设备 |
CN108108854A (zh) * | 2018-01-10 | 2018-06-01 | 中南大学 | 城市路网链路预测方法、系统及存储介质 |
CN108198438A (zh) * | 2018-02-08 | 2018-06-22 | 广东行远信息技术有限公司 | 一种基于上下游路口车流量的启发式缺失道路车流量推算方法 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108230698A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108346292A (zh) * | 2018-04-17 | 2018-07-31 | 吉林大学 | 基于卡口数据的城市快速路实时交通指数计算方法 |
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 |
CN108427273A (zh) * | 2018-03-13 | 2018-08-21 | 杭州电子科技大学 | 一种减少交通拥堵现象的反馈控制设计方法 |
-
2018
- 2018-09-30 CN CN201811160961.3A patent/CN110969275B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5354957A (en) * | 1992-04-16 | 1994-10-11 | Inventio Ag | Artificially intelligent traffic modeling and prediction system |
JP2007241429A (ja) * | 2006-03-06 | 2007-09-20 | Sumitomo Electric Ind Ltd | 交通流パラメータ算出システム、方法及びプログラム |
US20090043486A1 (en) * | 2007-07-27 | 2009-02-12 | Chaowei Yang | Near Real-time Traffic Routing |
CN101819717A (zh) * | 2010-03-05 | 2010-09-01 | 吉林大学 | 基于交通状态时空模型的路网性能判定方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
WO2016022108A1 (en) * | 2014-08-06 | 2016-02-11 | Robinson Kurt B | Systems and methods involving features of adaptive and/or autonomous traffic control |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN106652440A (zh) * | 2015-10-30 | 2017-05-10 | 杭州海康威视数字技术股份有限公司 | 一种车辆的频繁活动区域的确定方法及装置 |
CN105243848A (zh) * | 2015-11-10 | 2016-01-13 | 上海语镜汽车信息技术有限公司 | 实时路况的预测方法和系统 |
CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
CN106447119A (zh) * | 2016-10-11 | 2017-02-22 | 济南观澜数据技术有限公司 | 一种基于卷积神经网络的短期交通流量预测方法及系统 |
CN108230698A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN106530715A (zh) * | 2016-12-24 | 2017-03-22 | 浙江工业大学 | 基于模糊马尔可夫过程的路网交通状态预测方法 |
CN106530762A (zh) * | 2016-12-26 | 2017-03-22 | 东软集团股份有限公司 | 交通信号控制方法和装置 |
CN107085941A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种交通流预测方法、装置及系统 |
CN107240254A (zh) * | 2017-08-02 | 2017-10-10 | 河北冀通慧达科技有限公司 | 交通路况预测方法及终端设备 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108108854A (zh) * | 2018-01-10 | 2018-06-01 | 中南大学 | 城市路网链路预测方法、系统及存储介质 |
CN108198438A (zh) * | 2018-02-08 | 2018-06-22 | 广东行远信息技术有限公司 | 一种基于上下游路口车流量的启发式缺失道路车流量推算方法 |
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 |
CN108427273A (zh) * | 2018-03-13 | 2018-08-21 | 杭州电子科技大学 | 一种减少交通拥堵现象的反馈控制设计方法 |
CN108346292A (zh) * | 2018-04-17 | 2018-07-31 | 吉林大学 | 基于卡口数据的城市快速路实时交通指数计算方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN111612249A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于预测人流量的方法、装置、设备以及存储介质 |
CN112669606A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 利用动态时空图训练卷积神经网络的交通流预测方法 |
CN112669606B (zh) * | 2020-12-24 | 2022-07-12 | 西安电子科技大学 | 利用动态时空图训练卷积神经网络的交通流预测方法 |
CN113326449A (zh) * | 2021-05-27 | 2021-08-31 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
CN113326449B (zh) * | 2021-05-27 | 2023-07-25 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
CN115762142A (zh) * | 2022-11-02 | 2023-03-07 | 青岛以萨数据技术有限公司 | 卡口流量预测方法、装置、服务器及存储介质 |
CN115762142B (zh) * | 2022-11-02 | 2023-08-29 | 青岛以萨数据技术有限公司 | 卡口流量预测方法、装置、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110969275B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969275B (zh) | 交通流量预测方法、装置、可读存储介质及电子设备 | |
Wang et al. | GSNet: Learning spatial-temporal correlations from geographical and semantic aspects for traffic accident risk forecasting | |
Wang et al. | When will you arrive? estimating travel time based on deep neural networks | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN110220725B (zh) | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 | |
US20240054321A1 (en) | Traffic prediction | |
CN111081016A (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
Wang et al. | The spatio-temporal generalized additive model for criminal incidents | |
CN111192451B (zh) | 车辆到达时间的预测方法、装置、计算机设备及存储介质 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
Lu et al. | Lane-level traffic speed forecasting: A novel mixed deep learning model | |
CN112242060A (zh) | 交通流量预测方法及装置、计算机设备及可读存储介质 | |
CN113257002B (zh) | 一种高峰开始时间预测方法、装置、设备及介质 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
Xie et al. | Research of PM2. 5 prediction system based on CNNs-GRU in Wuxi urban area | |
CN114461931A (zh) | 一种基于多关系融合分析的用户轨迹预测方法和系统 | |
CN108932839B (zh) | 一种同行车辆判断方法及装置 | |
CN111860554B (zh) | 风险监控方法、装置、存储介质及电子设备 | |
CN111741267B (zh) | 一种车辆延误的确定方法、装置、设备及介质 | |
CN114757094A (zh) | 智慧路灯寿命预测方法、系统、装置及介质 | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 |
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 |