CN111127888A - 一种基于多源数据融合的城市交通流预测方法 - Google Patents
一种基于多源数据融合的城市交通流预测方法 Download PDFInfo
- Publication number
- CN111127888A CN111127888A CN201911334484.2A CN201911334484A CN111127888A CN 111127888 A CN111127888 A CN 111127888A CN 201911334484 A CN201911334484 A CN 201911334484A CN 111127888 A CN111127888 A CN 111127888A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- data
- layer
- 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.)
- Pending
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据融合的城市交通流预测方法,包括下述步骤:(1)面向结构化与非结构化交通数据的融合算法;首先,设计含有三层网络拓扑结构的小波神经网络WNN对多源检测器的交通量参数进行处理;假定交通检测器以5min为一个周期进行统计,所采集交通流量序列为xi(i=1,2,3,…,k),并作为小波神经网络的输入交通参数;本发明结合多种传感器进行多方位检测,获取全面和完整的交通信息,将结构化与非结构化数据进行综合分析并进行数据融合,提高交通流数据的准确性和可靠性;再结合基于深度信念网络的交通流预测算法,实现对交通流量的预测,从而提高交通流预测精度,缓解交通拥堵。
Description
技术领域
本发明涉及交通预测技术领域,具体涉及一种基于多源数据融合的城市交通流预测方法。
背景技术
随着城市化的不断推进,城市问题也越来越多,而准确地进行交通流预测对于解决交通拥堵、城市公共安全等问题具有重要的意义。
短时交通流预测作为智能交通系统的重要组成部分,也是智能交通系统发展的核心技术之一。主要应用于短时交通流预测的理论方法有:基于统计的线性理论模型、非线性理论模型和人工智能模型。基于统计的线性理论模型有历史平均方法、时间序列方法和卡尔曼滤波方法等,线性模型结构简单、计算方便,但对于交通流数据具有很强的随机性和不确定性的非线性特征而言,预测精度较低,并且线性模型的抗干扰能力差。随后,为了满足数据的非线性特征,人们又提出了基于小波的理论模型、混沌理论模型、非参数回归模型等非线性预测模型。基于人工智能化模型的出现,使得对于具有非线性特征的数据的处理进入了一个新的发展阶段,这种模型可以在自学习的过程中,以自适应调节模型参数的方法获取数据的本质特征来达到更优的预测效果。由于交通数据的多样化,城市交通的复杂性,而现有的交通流预测方法大多都只运用到了一、两种数据特征来对交通流数据进行分析处理,处理的数据比较单一,预测精度有待于进一步提高。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于多源数据融合的城市交通流预测方法,该方法通过将结构化和非结构化的交通数据进行融合,得出路的车流量、车流速度、排队长度以及事故状态等信息,提高交通流数据的准确性和可靠性,再结合基于深度信念网络的交通流预测算法,从而提高交通流预测精度,缓解交通拥堵。
本发明的目的通过下述技术方案实现:
一种基于多源数据融合的城市交通流预测方法,包括下述步骤:
(1)面向结构化与非结构化交通数据的融合算法;
首先,设计含有三层网络拓扑结构的小波神经网络WNN对多源检测器的交通量参数进行处理,所述三层网络拓扑结构即输入层、隐含层、输出层;假定交通检测器以5min为一个周期进行统计,所采集交通流量序列为xi(i=1,2,3,…,k),并作为小波神经网络的输入交通参数,则隐含层输出计算如公式(1)所示:
其中,s(j)为隐含层第j个节点的输出流量值;sj为小波基函数;λij为输入层到隐含层的权值;bj、aj分别为小波基函数sj的平移因子和伸缩因子;
通过Morlet小波作为WNN的基函数,对所采集的交通流量序列进行处理,如公式(2)所示:
网络输出层计算交通量测量值如公式(3)所示:
其中,y(k)为输出层第k个节点的预测流量输出值;λjk为隐含层到输出层的权值;s(j)为隐含层第j个节点的输出流量值;m、l分别为输出层和隐含层节点的个数;
以多源数据值中的加权误差平方和最小为原则,充分利用不同数据源经WNN输出结果的不同交通流特性,依据数据测量值与实测流量值分别进行实时方差计算,并根据上一时段融合值与实测值实时更新下一时段各单源交通数据估计值的最小二乘动态融合权重,使精度较高的交通量所占比重大,而精度较低的交通量占比重小;基于最小二乘动态加权融合的算法既考虑了不同数据来源的不同交通特征信息,又考虑了随机因素的影响,增强了融合的精度与抗干扰能力;
(2)基于深度信念网络的交通流预测算法;
S1,路网相关性分析;
将一个区域内的路网抽象化为一个网状图G,该网状图中有N个结点,E是整个网络中所有路段的集合;对于任意一个路段的某一个连续的时间序列内所有的交通流量统计为一个二维数组,然后计算该路网中任意两个路段之间的相关系数;
S2,构造路网数据压缩矩阵;
对路网交通流数据矩阵进行分解,根据相关系数的绝对值大小对路段进行分组,设定一个阈值α,以某一个路段开始,求出与其相关系数大于α的所有路段,将其归为一组;然后从每一组中选择一个路段作为代表,并且选出这些路段所对应的交通流数据,然后将路段编号与对应的交通流数据形成压缩矩阵;
S3,基于谱分析的交通流分解;
傅里叶变换后的频谱能量分布在不同的频段,利用傅里叶变换的这一特征将交通流信号分离,分为趋势项与残差分量;将原始交通流数据通过谱分析处理,去除趋势项信息,作为模型的输出,以此得到预测值;
S4,支持向量回归;
支持向量机(Support Vector Machine,SVM)模型具有自学习自调整的特点,能够解决非线性问题,可以很好的函数拟合;交通流数据是一种典型的、复杂的、随机的非平稳时间序列,支持向量回归(Support Vector Regression,SVR)是具有隐藏单元的非线性前馈网络,具有良好的处理非线性时间序列的特性,能够利用非线性映射关系把数据映射到某个高维空间,在高维空间线性回归;
S5,DBN模型;
DBN模型是一个含有三个隐含层的网络模型;通过三个RBM模型自底向上叠加形成一个DBN模型,高层的RBM的隐层的输入为低层的RBM的隐层的输出,整个模型是一个逐层特征提取的过程,每一层训练后的输出都是输入特征的非线性变换。
优选地,所述交通量参数主要有:车流量、车速、交通流密度、车道占有率、排队长度、车头间距和车头时距。
优选地,所述多源检测器类型可分为:环形线圈检测器、微波检测器和视频检测器。
优选地,所述S5具体步骤如下:
①根据实际的交通流数据,构造路网数据矩阵;
②用相关性分析方法对路网数据进行压缩处理,得到压缩矩阵,并且可以得到路网矩阵与压缩矩阵的关系矩阵;
③根据得到的压缩矩阵,利用DBN-SVR预测模型进行分步预测;
④分步预测得到所有路段的预测值,构建预测压缩矩阵;
⑤最后利用关系矩阵和预测压缩矩阵求出路网交通流的预测值。
本发明与现有技术相比具有以下的有益效果:
(1)本发明结合多种传感器进行多方位检测,获取全面和完整的交通信息,将结构化与非结构化数据进行综合分析并进行数据融合,得出道路的车流量、车流速度、排队长度以及事故状态等信息,提高交通流数据的准确性和可靠性;
(2)本发明提出的基于深度信念网络的交通流预测在智能化交通管理与动态控制之中起到重要作用,通过构建短时多个路段的交通流网络,根据网络交通流不同路段空间上的相关性以及上、下游各方向的交通流时间序列与交通流状态的关联性,实时准确地预测网络短时间交通流。
附图说明
图1为本发明基于小波神经网络的短时交通流多源数据融合的算法框架图;
图2为本发明交通流量拥塞预测技术线路示意图;
图3为本发明三个RBM模型叠加形成的DBN模型结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1~3所示,一种基于多源数据融合的城市交通流预测方法,包括下述步骤:
(1)面向结构化与非结构化交通数据的融合算法。
常用的交通流参数主要有:车流量、车速、交通流密度、车道占有率、排队长度、车头间距和车头时距等。这些参数有些可以直接测量,有些需要根据其它参数间接计算得到。用于自动采集交通流数据的车辆检测器传感器类型可分为:环形线圈检测器、微波检测器和视频检测器(安装不破损路面、不影响公路交通、拥有更为丰富的交通信息)。多源数据融合的精度优于单一数据源,能为交通管理者的判断决策与交通出行者的路径选择提供更准确、全面的交通信息。本发明提出基于小波神经网络(WNN)的短时交通流多源数据融合的算法框架如图1所示。
多源数据融合算法主要包括以下部分:1)多种交通数据的获取;2)数据的预处理和交通流参数提取;3)时空匹配特征分析;4)输出多源数据融合结果。
具体来说,首先设计含有三层网络拓扑结构的小波神经网络WNN对多源检测器的交通量参数进行处理,所述三层网络拓扑结构即输入层、隐含层、输出层;假定交通检测器以5min为一个周期进行统计,所采集交通流量序列为xi(i=1,2,3,…,k),并作为小波神经网络的输入交通参数,则隐含层输出计算如公式(1)所示:
其中,s(j)为隐含层第j个节点的输出流量值;sj为小波基函数;λij为输入层到隐含层的权值;bj、aj分别为小波基函数sj的平移因子和伸缩因子;
通过Morlet小波作为WNN的基函数,对所采集的交通流量序列进行处理,如公式(2)所示:
网络输出层计算交通量测量值如公式(3)所示:
其中,y(k)为输出层第k个节点的预测流量输出值;λjk为隐含层到输出层的权值;s(j)为隐含层第j个节点的输出流量值;m、l分别为输出层和隐含层节点的个数。
以多源数据值中的加权误差平方和最小为原则,充分利用不同数据源经WNN输出结果的不同交通流特性,依据数据测量值与实测流量值分别进行实时方差计算,并根据上一时段融合值与实测值实时更新下一时段各单源交通数据估计值的最小二乘动态融合权重,使精度较高的交通量所占比重大,而精度较低的交通量占比重小;基于最小二乘动态加权融合的算法既考虑了不同数据来源的不同交通特征信息,又考虑了随机因素的影响,增强了融合的精度与抗干扰能力。
(2)基于深度信念网络的交通流预测算法。
首先,对历史交通流数据的时空特性进行分析,根据交通流的时间特性将数据分为工作日和假期两类,根据交通流在空间上的相关性,通过设定不同的相关系数阈值对路段进行分组;其次,应用谱分解的方法将交通流数据分为趋势项和随机波动项;再次,对路网交通流矩阵进行CX分解,应用路段之间的相关性构造路网压缩矩阵;然后,采用深度学习中的深度信念网络模型结合支持向量回归建立DBN-SVR短时交通流预测模型,实现短时交通流量的准确预测;交通流量拥塞预测技术线路如图2所示,具体步骤如下:
S1,路网相关性分析;
将一个区域内的路网抽象化为一个网状图G,该网状图中有N个结点,E是整个网络中所有路段的集合;对于任意一个路段的某一个连续的时间序列内所有的交通流量统计为一个二维数组,然后计算该路网中任意两个路段之间的相关系数。
S2,构造路网数据压缩矩阵;
对路网交通流数据矩阵进行分解,根据相关系数的绝对值大小对路段进行分组,设定一个阈值α,以某一个路段开始,求出与其相关系数大于α的所有路段,将其归为一组;然后从每一组中选择一个路段作为代表,并且选出这些路段所对应的交通流数据,然后将路段编号与对应的交通流数据形成压缩矩阵。
S3,基于谱分析的交通流分解;
傅里叶变换后的频谱能量分布在不同的频段,利用傅里叶变换的这一特征将交通流信号分离,分为趋势项与残差分量;将原始交通流数据通过谱分析处理,去除趋势项信息,作为模型的输出,以此得到预测值。
S4,支持向量回归;
支持向量机(Support Vector Machine,SVM)模型具有自学习自调整的特点,能够解决非线性问题,可以很好的函数拟合;交通流数据是一种典型的、复杂的、随机的非平稳时间序列,支持向量回归(Support Vector Regression,SVR)是具有隐藏单元的非线性前馈网络,具有良好的处理非线性时间序列的特性,能够利用非线性映射关系把数据映射到某个高维空间,在高维空间线性回归。
S5,DBN模型;
DBN模型是一个含有三个隐含层的网络模型,模型结构如图3所示;通过三个RBM模型自底向上叠加形成一个DBN模型,高层的RBM的隐层的输入为低层的RBM的隐层的输出,整个模型是一个逐层特征提取的过程,每一层训练后的输出都是输入特征的非线性变换。具体步骤如下:
①根据实际的交通流数据,构造路网数据矩阵;
②用相关性分析方法对路网数据进行压缩处理,得到压缩矩阵,并且可以得到路网矩阵与压缩矩阵的关系矩阵;
③根据得到的压缩矩阵,利用DBN-SVR预测模型进行分步预测;
④分步预测得到所有路段的预测值,构建预测压缩矩阵;
⑤最后利用关系矩阵和预测压缩矩阵求出路网交通流的预测值。
本发明提出的多源数据融合算法,研究各个平台的数据交换格式,满足各种软件系统和异构数据源之间互联互通和数据共享的要求,实现异构数据的无缝交换和数据的融合,获取全面和完整的交通信息,作为交通流预测算法的基础;提出基于深度信念网络的交通流预测算法,通过构建短时多个路段的交通流网络,根据网络交通流不同路段空间上的相关性以及上、下游各方向的交通流时间序列与交通流状态的关联性,实时准确的预测交通网络短时间交通流。
相对于现有技术提取交通流的时序特征与周期性特征,同时与天气特征、时间特征融合,从而提高交通流预测的准确性,本发明与其不同之处在于,通过获取二维的结构化数据和文档、图像、视频等非结构化数据,运用基于小波神经网络(WNN)的短时交通流多源数据融合的算法,将结构化和非结构化的多源数据进行融合,并运用基于深度信念网络的交通流预测算法来准确地预测短时交通流。
在城市交通大数据中,存在二维的结构化数据和文档、图像、视频等非结构化数据。在城市路口交通流预测过程中,本发明结合多种传感器进行多方位检测,获取全面和完整的交通信息,将结构化与非结构化数据进行综合分析并进行数据融合,得出道路的车流量、车流速度、排队长度以及事故状态等信息,提高交通流数据的准确性和可靠性;
交通数据采集技术的不断发展,实时获取交通网络中的交通数据成为可能,对大量的交通信息进行数据分析为交通状态预测提供了保障。本发明提出的基于深度信念网络的交通流预测在智能化交通管理与动态控制之中起到重要作用,通过构建短时多个路段的交通流网络,根据网络交通流不同路段空间上的相关性以及上、下游各方向的交通流时间序列与交通流状态的关联性,实时准确地预测网络短时间交通流。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种基于多源数据融合的城市交通流预测方法,其特征在于,包括下述步骤:
(1)面向结构化与非结构化交通数据的融合算法;
首先,设计含有三层网络拓扑结构的小波神经网络WNN对多源检测器的交通量参数进行处理,所述三层网络拓扑结构即输入层、隐含层、输出层;假定交通检测器以5min为一个周期进行统计,所采集交通流量序列为xi(i=1,2,3,…,k),并作为小波神经网络的输入交通参数,则隐含层输出计算如公式(1)所示:
其中,s(j)为隐含层第j个节点的输出流量值;sj为小波基函数;λij为输入层到隐含层的权值;bj、aj分别为小波基函数sj的平移因子和伸缩因子;
通过Morlet小波作为WNN的基函数,对所采集的交通流量序列进行处理,如公式(2)所示:
网络输出层计算交通量测量值如公式(3)所示:
其中,y(k)为输出层第k个节点的预测流量输出值;λjk为隐含层到输出层的权值;s(j)为隐含层第j个节点的输出流量值;m、l分别为输出层和隐含层节点的个数;
以多源数据值中的加权误差平方和最小为原则,充分利用不同数据源经WNN输出结果的不同交通流特性,依据数据测量值与实测流量值分别进行实时方差计算,并根据上一时段融合值与实测值实时更新下一时段各单源交通数据估计值的最小二乘动态融合权重,使精度较高的交通量所占比重大,而精度较低的交通量占比重小;基于最小二乘动态加权融合的算法既考虑了不同数据来源的不同交通特征信息,又考虑了随机因素的影响,增强了融合的精度与抗干扰能力;
(2)基于深度信念网络的交通流预测算法;
S1,路网相关性分析;
将一个区域内的路网抽象化为一个网状图G,该网状图中有N个结点,E是整个网络中所有路段的集合;对于任意一个路段的某一个连续的时间序列内所有的交通流量统计为一个二维数组,然后计算该路网中任意两个路段之间的相关系数;
S2,构造路网数据压缩矩阵;
对路网交通流数据矩阵进行分解,根据相关系数的绝对值大小对路段进行分组,设定一个阈值α,以某一个路段开始,求出与其相关系数大于α的所有路段,将其归为一组;然后从每一组中选择一个路段作为代表,并且选出这些路段所对应的交通流数据,然后将路段编号与对应的交通流数据形成压缩矩阵;
S3,基于谱分析的交通流分解;
傅里叶变换后的频谱能量分布在不同的频段,利用傅里叶变换的这一特征将交通流信号分离,分为趋势项与残差分量;将原始交通流数据通过谱分析处理,去除趋势项信息,作为模型的输出,以此得到预测值;
S4,支持向量回归;
支持向量机(Support Vector Machine,SVM)模型具有自学习自调整的特点,能够解决非线性问题,可以很好的函数拟合;交通流数据是一种典型的、复杂的、随机的非平稳时间序列,支持向量回归(Support Vector Regression,SVR)是具有隐藏单元的非线性前馈网络,具有良好的处理非线性时间序列的特性,能够利用非线性映射关系把数据映射到某个高维空间,在高维空间线性回归;
S5,DBN模型;
DBN模型是一个含有三个隐含层的网络模型;通过三个RBM模型自底向上叠加形成一个DBN模型,高层的RBM的隐层的输入为低层的RBM的隐层的输出,整个模型是一个逐层特征提取的过程,每一层训练后的输出都是输入特征的非线性变换。
2.根据权利要求1所述的基于多源数据融合的城市交通流预测方法,其特征在于,所述交通量参数主要有:车流量、车速、交通流密度、车道占有率、排队长度、车头间距和车头时距。
3.根据权利要求1所述的基于多源数据融合的城市交通流预测方法,其特征在于,所述多源检测器类型可分为:环形线圈检测器、微波检测器和视频检测器。
4.根据权利要求1所述的基于多源数据融合的城市交通流预测方法,其特征在于,所述S5具体步骤如下:
①根据实际的交通流数据,构造路网数据矩阵;
②用相关性分析方法对路网数据进行压缩处理,得到压缩矩阵,并且可以得到路网矩阵与压缩矩阵的关系矩阵;
③根据得到的压缩矩阵,利用DBN-SVR预测模型进行分步预测;
④分步预测得到所有路段的预测值,构建预测压缩矩阵;
⑤最后利用关系矩阵和预测压缩矩阵求出路网交通流的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911334484.2A CN111127888A (zh) | 2019-12-23 | 2019-12-23 | 一种基于多源数据融合的城市交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911334484.2A CN111127888A (zh) | 2019-12-23 | 2019-12-23 | 一种基于多源数据融合的城市交通流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111127888A true CN111127888A (zh) | 2020-05-08 |
Family
ID=70501652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911334484.2A Pending CN111127888A (zh) | 2019-12-23 | 2019-12-23 | 一种基于多源数据融合的城市交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127888A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112216101A (zh) * | 2020-09-08 | 2021-01-12 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN112489421A (zh) * | 2020-11-18 | 2021-03-12 | 南京速安交通科技有限公司 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
CN112560974A (zh) * | 2020-12-22 | 2021-03-26 | 清华大学 | 一种信息融合、车辆信息获取方法及装置 |
CN112669594A (zh) * | 2020-12-11 | 2021-04-16 | 国汽(北京)智能网联汽车研究院有限公司 | 交通路况预测的方法、装置、设备及存储介质 |
CN112820120A (zh) * | 2020-12-30 | 2021-05-18 | 杭州趣链科技有限公司 | 一种基于联盟链的多方交通流时空交叉验证方法 |
CN113643531A (zh) * | 2021-07-20 | 2021-11-12 | 东北大学 | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 |
CN113781767A (zh) * | 2021-08-05 | 2021-12-10 | 浙江省机电设计研究院有限公司 | 一种基于多源感知的交通数据融合方法及系统 |
CN113947904A (zh) * | 2021-10-19 | 2022-01-18 | 北京中交国通智能交通系统技术有限公司 | 基于s-g滤波和深信度网络的多尺度短时交通流预测方法 |
CN114239948A (zh) * | 2021-12-10 | 2022-03-25 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
CN114363262A (zh) * | 2022-01-05 | 2022-04-15 | 西安交通大学 | 一种空天地一体化网络下的混沌动态拥塞预测系统及方法 |
CN114565020A (zh) * | 2022-01-25 | 2022-05-31 | 北京航空航天大学 | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 |
CN115620522A (zh) * | 2022-10-21 | 2023-01-17 | 东南大学 | 基于实时交通数据的城市道路网动态通行能力计算方法 |
CN116484053A (zh) * | 2023-06-21 | 2023-07-25 | 恒辉信达技术有限公司 | 智能数据分析平台 |
CN116935654A (zh) * | 2023-09-15 | 2023-10-24 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及系统 |
CN117133131A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市地铁集团有限公司 | 基于arm技术体系的智能通行控制系统 |
CN117275243A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
CN117437786A (zh) * | 2023-12-21 | 2024-01-23 | 速度科技股份有限公司 | 一种基于人工智能的实时交通路网短时交通流预测方法 |
CN117612386A (zh) * | 2023-11-27 | 2024-02-27 | 中路科云(北京)技术有限公司 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105611A (zh) * | 2013-01-16 | 2013-05-15 | 广东工业大学 | 一种分布式多传感器智能信息融合方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
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 |
CN107103397A (zh) * | 2017-06-26 | 2017-08-29 | 广东工业大学 | 一种基于蝙蝠算法的交通流预测方法、装置及系统 |
CN109086926A (zh) * | 2018-07-25 | 2018-12-25 | 南京理工大学 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
-
2019
- 2019-12-23 CN CN201911334484.2A patent/CN111127888A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105611A (zh) * | 2013-01-16 | 2013-05-15 | 广东工业大学 | 一种分布式多传感器智能信息融合方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
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 |
CN107103397A (zh) * | 2017-06-26 | 2017-08-29 | 广东工业大学 | 一种基于蝙蝠算法的交通流预测方法、装置及系统 |
CN109086926A (zh) * | 2018-07-25 | 2018-12-25 | 南京理工大学 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
Non-Patent Citations (2)
Title |
---|
焦琴琴: "基于深度学习的路网短时交通流预测", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
陆百川,等: "基于多源交通数据融合的短时交通流预测", 《重庆交通大学学报(自然科学版)》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112216101A (zh) * | 2020-09-08 | 2021-01-12 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN112216101B (zh) * | 2020-09-08 | 2021-08-24 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN112489421A (zh) * | 2020-11-18 | 2021-03-12 | 南京速安交通科技有限公司 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
CN112669594A (zh) * | 2020-12-11 | 2021-04-16 | 国汽(北京)智能网联汽车研究院有限公司 | 交通路况预测的方法、装置、设备及存储介质 |
CN112560974A (zh) * | 2020-12-22 | 2021-03-26 | 清华大学 | 一种信息融合、车辆信息获取方法及装置 |
CN112820120A (zh) * | 2020-12-30 | 2021-05-18 | 杭州趣链科技有限公司 | 一种基于联盟链的多方交通流时空交叉验证方法 |
CN112820120B (zh) * | 2020-12-30 | 2022-03-01 | 杭州趣链科技有限公司 | 一种基于联盟链的多方交通流时空交叉验证方法 |
CN113643531A (zh) * | 2021-07-20 | 2021-11-12 | 东北大学 | 一种基于细小时区划分统计的交叉口车道饱和流率计算方法 |
CN113781767A (zh) * | 2021-08-05 | 2021-12-10 | 浙江省机电设计研究院有限公司 | 一种基于多源感知的交通数据融合方法及系统 |
CN113947904A (zh) * | 2021-10-19 | 2022-01-18 | 北京中交国通智能交通系统技术有限公司 | 基于s-g滤波和深信度网络的多尺度短时交通流预测方法 |
CN114239948B (zh) * | 2021-12-10 | 2023-07-21 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
CN114239948A (zh) * | 2021-12-10 | 2022-03-25 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
CN114363262A (zh) * | 2022-01-05 | 2022-04-15 | 西安交通大学 | 一种空天地一体化网络下的混沌动态拥塞预测系统及方法 |
CN114363262B (zh) * | 2022-01-05 | 2023-08-22 | 西安交通大学 | 一种空天地一体化网络下的混沌动态拥塞预测系统及方法 |
CN114565020A (zh) * | 2022-01-25 | 2022-05-31 | 北京航空航天大学 | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 |
CN115620522A (zh) * | 2022-10-21 | 2023-01-17 | 东南大学 | 基于实时交通数据的城市道路网动态通行能力计算方法 |
CN115620522B (zh) * | 2022-10-21 | 2023-08-25 | 东南大学 | 基于实时交通数据的城市道路网动态通行能力计算方法 |
CN116484053A (zh) * | 2023-06-21 | 2023-07-25 | 恒辉信达技术有限公司 | 智能数据分析平台 |
CN116484053B (zh) * | 2023-06-21 | 2023-09-12 | 恒辉信达技术有限公司 | 智能数据分析平台 |
CN116935654A (zh) * | 2023-09-15 | 2023-10-24 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及系统 |
CN116935654B (zh) * | 2023-09-15 | 2023-12-01 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及系统 |
CN117133131A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市地铁集团有限公司 | 基于arm技术体系的智能通行控制系统 |
CN117133131B (zh) * | 2023-10-26 | 2024-02-20 | 深圳市地铁集团有限公司 | 基于arm技术体系的智能通行控制系统 |
CN117275243A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
CN117275243B (zh) * | 2023-11-22 | 2024-02-02 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
CN117612386A (zh) * | 2023-11-27 | 2024-02-27 | 中路科云(北京)技术有限公司 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
CN117437786A (zh) * | 2023-12-21 | 2024-01-23 | 速度科技股份有限公司 | 一种基于人工智能的实时交通路网短时交通流预测方法 |
CN117437786B (zh) * | 2023-12-21 | 2024-02-27 | 速度科技股份有限公司 | 一种基于人工智能的实时交通路网短时交通流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127888A (zh) | 一种基于多源数据融合的城市交通流预测方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN111860951B (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN109299401B (zh) | 基于混合深度学习模型LSTM-ResNet的城域时空流预测方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN106650913A (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
CN113450561B (zh) | 一种基于时空图卷积-生成对抗网络的交通速度预测方法 | |
CN110909909A (zh) | 基于深度学习和多层时空特征图的短时交通流预测方法 | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
CN113362598A (zh) | 一种高速公路服务区车流量预测方法 | |
CN113762338B (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN114596700B (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN115392554A (zh) | 基于深度图神经网络和环境融合的轨道客流预测方法 | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN115081717A (zh) | 融合注意力机制和图神经网络的轨道交通客流预测方法 | |
CN115565369A (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
CN113033110A (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
CN111341109A (zh) | 一种基于时空相似性的城市级信号推荐系统 | |
CN115496257A (zh) | 基于时空融合的短时车速预测 | |
CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
Li et al. | A two-stream graph convolutional neural network for dynamic traffic flow forecasting | |
Feng et al. | Predicting vacant parking space availability zone-wisely: a densely connected ConvLSTM method | |
CN109887290A (zh) | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |