CN111210088B - 一种基于时空因素的交通状态指数预测方法 - Google Patents

一种基于时空因素的交通状态指数预测方法 Download PDF

Info

Publication number
CN111210088B
CN111210088B CN202010049109.XA CN202010049109A CN111210088B CN 111210088 B CN111210088 B CN 111210088B CN 202010049109 A CN202010049109 A CN 202010049109A CN 111210088 B CN111210088 B CN 111210088B
Authority
CN
China
Prior art keywords
prediction
model
traffic state
time
space
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.)
Active
Application number
CN202010049109.XA
Other languages
English (en)
Other versions
CN111210088A (zh
Inventor
肖建力
吴家成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010049109.XA priority Critical patent/CN111210088B/zh
Publication of CN111210088A publication Critical patent/CN111210088A/zh
Application granted granted Critical
Publication of CN111210088B publication Critical patent/CN111210088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于时空因素的交通状态指数预测方法，具体包括以下步骤：步骤S1：获取交通状态指数的数据，生成交通状态指数云图；步骤S2：将交通状态指数云图划分为多个子区域，根据子区域的中心网格是否有指数值，分为包含目标网格的子区域和包含非目标网格的子区域；步骤S3：对包含目标网格的子区域和包含非目标网格的子区域分别通过时间序列预测模型和空间预测模型进行时空预测；步骤S4：基于包含非目标网格的子区域进行空间预测和时间预测的预测结果设置最优模型参数，构建混合模型，通过将包含目标网格的子区域输入混合模型来预测目标网格。与现有技术相比，本发明具有较高的交通状态指数的预测精度、弥补缺失的交通状态指数等优点。

Description

一种基于时空因素的交通状态指数预测方法
技术领域
本发明涉及智能交通与机器学习领域，尤其是涉及一种基于时空因素的交通状态指数预测方法。
背景技术
交通流分析可以划分为微观交通流分析、中观交通流分析与宏观交通流分析三部分。微观交通流理论分析主要研究某一点或某一断面交通特性。它是一种针对个体车辆交通运行特性进行分析与建模的理论方法，是解析、描述和预测交通流运行规律的重要手段之一。中观交通流理论分析主要研究路段的交通流特性。它通过建立可以模拟真实交通流状况的数学模型，从中观层面研究行驶的车辆，从而描述交通流的随机性与不确定性。宏观交通流理论分析主要研究路网区域的交通流特性。它不是描述具体某车辆的行驶规律或某一路段的交通流特性，而是对整个路网区域的交通流特性进行描述分析。通过在宏观尺度上研究拥堵区域的形成和消散的规律，为城市交通控制管理、挖掘现有路网的通行潜力、提高交通资源的利用率等提供更为可靠的科学依据。
近年来，道路交通状态指数的概念成为国内外交通领域研究的热点，它是一种合理反映各等级道路车辆出行相对拥堵体验的标准化指标。道路交通状态指数能精确反映交通路网状况，对交通管理具有重要意义。基于交通状态指数生成的交通状态指数云图能从宏观层面上呈现一个城市不同区域的交通特性，对于宏观交通流分析起着至关重要的作用。
目前的交通状态指数云图已经能较好的满足交通分析的需要，但仍然呈现出一些问题，交通指数的缺失就是其中之一。缺失的原因很大程度上是因为原始交通速度数据在时间和空间上本来就有缺失，或是在计算交通指数的过程中出现了错误。对缺失交通指数的预测有着重大意义，但目前涉及这部分的方法非常的少。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺少对缺失交通指数进行预测的缺陷而提供一种基于时空因素的交通状态指数预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于时空因素的交通状态指数预测方法，具体包括以下步骤：
步骤S1：获取交通状态指数的数据作为原始数据，根据所述原始数据生成交通状态指数云图；
步骤S2：将所述交通状态指数云图划分为多个子区域，根据所述子区域的中心网格是否有指数值，分为包含目标网格的子区域和包含非目标网格的子区域；
步骤S3：对所述包含目标网格的子区域和包含非目标网格的子区域分别通过时间序列预测模型和空间预测模型进行时间预测和空间预测；
步骤S4：基于所述包含非目标网格的子区域进行空间预测和时间预测的预测结果设置最优模型参数，按照所述最优模型参数构建混合模型，通过将所述包含目标网格的子区域输入所述混合模型来对目标网格进行预测。
所述交通状态指数包括交通流速度、自由流速度、道路种类和道路数。
所述子区域为正方形子区域。
优选的，所述子区域的边长的取值为3个单位长度或5个单位长度。
优选的，所述时间序列预测模型包括差分整合移动平均自回归模型、梯度增强树模型、长短时记忆网络模型或时间卷积网络模型。
优选的，所述空间预测模型包括线性回归模型、多项式回归模型、贝叶斯岭回归模型或支持向量回归模型。
所述目标网格为空白网络，所述空白网络内没有指数值。
所述子区域的中心网格含有一个时间段内多个时间点的数据值。
所述步骤S4中的设置最优模型参数的过程具体为：
步骤S401：根据时间预测结果和空间预测结果设置构建所述混合模型的相应的初始权值；
步骤S402：计算所述初始权值相应混合模型在包含非目标网格的子区域上进行时间预测和空间预测的结果的平均相对误差，根据所述平均相对误差的计算结果评判对应混合模型的预测准确性；
步骤S403：调整所述时间预测结果和空间预测结果的权值，根据不同权值下平均相对误差的变化趋势，将最小平均相对误差对应的权值作为最优模型参数。
与现有技术相比，本发明具有以下有益效果：
1.本发明根据时间预测结果和空间预测结果构建混合模型，提升了预测模型的预测精度，解决了单一时间或空间模型预测精度不高的问题。
2.本发明在不同时间段内可以调整混合模型中时间预测结果和空间预测结果的权值，选择平均相对误差最小的权值作为最优模型参数，保证了预测精度的稳定性。
3.本发明的子区域为正方形子区域，且边长的取值为3个单位长度或5个单位长度，方便进行子区域的划分和中心网格指数值的提取。
附图说明
图1为本发明的流程示意图；
图2为本发明划分包含目标网格和包含非目标网格的子区域的示意图；
图3为本发明时间序列预测模型的示意图；
图4为本发明空间预测模型的示意图；
图5为本发明实施例一中0点到6点时间段混合模型的预测结果图；
图6为本发明实施例一中6点到12点时间段混合模型的预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，一种基于时空因素的交通状态指数预测方法，具体包括以下步骤：
步骤S1：获取交通状态指数的数据作为原始数据，根据原始数据生成交通状态指数云图；
步骤S2：将交通状态指数云图划分为多个子区域，根据子区域的中心网格是否有指数值，分为包含目标网格的子区域和包含非目标网格的子区域；
步骤S3：对包含目标网格的子区域和包含非目标网格的子区域分别通过时间序列预测模型和空间预测模型进行时间预测和空间预测；
步骤S4：基于包含非目标网格的子区域进行空间预测和时间预测的预测结果设置最优模型参数，按照最优模型参数构建混合模型，通过将包含目标网格的子区域输入混合模型来对目标网格进行预测。
实施例一
步骤S1中，交通状态指数时间跨度为2012年2月1日上午0时至12时，每次更新的时间间隔为10分钟。
步骤S2中，如图2所示，所采用的交通状态指数云图的尺寸为48*48，共2304个网格，边长k的取值为3时，总共可以划分成256个3*3的子区域。256个子区域剔除异常数据后，共剩下211个符合要求的子区域。然后根据目标网格与非目标网格3:7的比例划分，共得到64个目标网格和147个非目标网格。目标网格为空白网络，空白网络内没有指数值。
步骤S3中，如图3所示，每个中心网格的一个完整的时间段共有T个时间点的数据，则需要根据之前一段时间的共T-6个时间点的数据，采用时间序列预测模型进行预测，得到最后6个时间点的预测值。
时间序列预测模型采用自回归积分滑动平均模型(ARIMA)进行时间预测。将0时至12时划分为0时至6时，6时至12时共两个时间段。在两个时间段中，中心网格最后一小时的指数值是缺失的，即5时至6时和11时至12时这两段时间的指数值是缺失的。通过差分法将时间序列平稳化，再利用ARIMA模型进行预测，获得时间预测结果。
步骤S3中，如图4所示，采用支持向量回归模型(SVR)进行空间预测。将中心网格看作回归预测目标，其周围网格看作特征，利用SVR模型进行回归预测，获得空间预测结果。利用非目标网格及其周围网格作为模型的训练集，目标网格及其周围网格作为测试集。模型采用随机森林的方式进行特征选择，采用网格搜索的方式进行参数优化。
步骤S4中的设置最优模型参数的过程具体为：
步骤S401：根据时间预测结果和空间预测结果设置构建混合模型的相应的初始权值；
步骤S402：计算初始权值相应混合模型在包含非目标网格的子区域上进行时间预测和空间预测的结果的平均相对误差，根据平均相对误差的计算结果评判对应混合模型的预测准确性；
步骤S403：调整时间预测结果和空间预测结果的权值，根据不同权值下平均相对误差的变化趋势，将最小平均相对误差对应的权值作为最优模型参数。
如图5和图6所示，本发明对于0时至6时和6时至12时共两个时间段内交通状态指数的预测结果与真实值非常接近，与真实值有相同的波动且波动幅度相同。因此本发明可以准确预测交通状态指数，根据现有数据弥补交通状态指数云图中缺失的交通状态指数。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等小变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.一种基于时空因素的交通状态指数预测方法，其特征在于，具体包括以下步骤：
步骤S1：获取交通状态指数的数据作为原始数据，根据所述原始数据生成交通状态指数云图；
步骤S2：将所述交通状态指数云图划分为多个子区域，根据所述子区域的中心网格是否有指数值，分为包含目标网格的子区域和包含非目标网格的子区域；
步骤S3：对所述包含目标网格的子区域和包含非目标网格的子区域分别通过时间序列预测模型和空间预测模型进行时间预测和空间预测；
步骤S4：基于所述包含非目标网格的子区域进行空间预测和时间预测的预测结果设置最优模型参数，按照所述最优模型参数构建混合模型，通过将所述包含目标网格的子区域输入所述混合模型来对目标网格进行预测；
所述目标网格为空白网络，所述空白网络内没有指数值；
所述步骤S4中的设置最优模型参数的过程具体为：
步骤S401：根据时间预测结果和空间预测结果设置构建所述混合模型的相应的初始权值；
步骤S402：计算所述初始权值相应混合模型在包含非目标网格的子区域上进行时间预测和空间预测的结果的平均相对误差，根据所述平均相对误差的计算结果评判对应混合模型的预测准确性；
步骤S403：调整所述时间预测结果和空间预测结果的权值，根据不同权值下平均相对误差的变化趋势，将最小平均相对误差对应的权值作为最优模型参数。
2.根据权利要求1所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述交通状态指数包括交通流速度、自由流速度、道路种类和道路数。
3.根据权利要求1所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述子区域为正方形子区域。
4.根据权利要求3所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述子区域的边长的取值为3个单位长度或5个单位长度。
5.根据权利要求1所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述时间序列预测模型包括差分整合移动平均自回归模型、梯度增强树模型、长短时记忆网络模型或时间卷积网络模型。
6.根据权利要求1所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述空间预测模型包括线性回归模型、多项式回归模型、贝叶斯岭回归模型或支持向量回归模型。
7.根据权利要求1所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述子区域的中心网格含有一个时间段内多个时间点的数据值。
CN202010049109.XA 2020-01-16 2020-01-16 一种基于时空因素的交通状态指数预测方法 Active CN111210088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010049109.XA CN111210088B (zh) 2020-01-16 2020-01-16 一种基于时空因素的交通状态指数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010049109.XA CN111210088B (zh) 2020-01-16 2020-01-16 一种基于时空因素的交通状态指数预测方法

Publications (2)

Publication Number Publication Date
CN111210088A CN111210088A (zh) 2020-05-29
CN111210088B true CN111210088B (zh) 2023-06-02

Family

ID=70787313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010049109.XA Active CN111210088B (zh) 2020-01-16 2020-01-16 一种基于时空因素的交通状态指数预测方法

Country Status (1)

Country Link
CN (1) CN111210088B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256973B (zh) * 2021-05-11 2022-03-25 青岛海信网络科技股份有限公司 一种高峰开始时间预测方法、装置、设备及介质

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537830A (zh) * 2014-12-29 2015-04-22 上海电科智能系统股份有限公司 一种出行热点路网影响评估的交通指数区域划分方法
CN104766476A (zh) * 2015-04-16 2015-07-08 上海理工大学 一种路段以及路网区域交通状态指数的计算方法
CN104978857A (zh) * 2015-05-26 2015-10-14 重庆邮电大学 一种基于混沌理论的交通状态预测方法及其装置
CN105741548A (zh) * 2016-04-19 2016-07-06 上海理工大学 一种生成交通状态云图的方法
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
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN107742420A (zh) * 2017-09-22 2018-02-27 北京交通大学 一种用于突发交通事件下道路交通流预测的方法
CN108492608A (zh) * 2018-03-12 2018-09-04 北京航空航天大学 一种基于云模型的公交车客流量的分析方法及系统
CN108564790A (zh) * 2018-06-12 2018-09-21 国交空间信息技术（北京）有限公司 一种基于交通流时空相似性的城市短时交通流预测方法
CN108647743A (zh) * 2018-06-25 2018-10-12 江苏智通交通科技有限公司 驾驶人安全画像系统
CN108831153A (zh) * 2018-08-09 2018-11-16 深圳先进技术研究院 一种利用时空分布特性的交通流预测方法及装置
CN108877226A (zh) * 2018-08-24 2018-11-23 交通运输部规划研究院 景区交通旅游预测方法及预警系统
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
CN109410575A (zh) * 2018-10-29 2019-03-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
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
CN109871876A (zh) * 2019-01-22 2019-06-11 东南大学 一种基于浮动车数据的高速公路路况识别与预测方法
CN110021165A (zh) * 2019-03-18 2019-07-16 浙江工业大学 一种基于Autoencoder-LSTM融合模型的交通流预测方法
CN110517482A (zh) * 2019-07-29 2019-11-29 杭州电子科技大学 一种基于3d卷积神经网络的短时交通流预测方法
CN110570651A (zh) * 2019-07-15 2019-12-13 浙江工业大学 一种基于深度学习的路网交通态势预测方法及系统

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537830A (zh) * 2014-12-29 2015-04-22 上海电科智能系统股份有限公司 一种出行热点路网影响评估的交通指数区域划分方法
CN104766476A (zh) * 2015-04-16 2015-07-08 上海理工大学 一种路段以及路网区域交通状态指数的计算方法
CN104978857A (zh) * 2015-05-26 2015-10-14 重庆邮电大学 一种基于混沌理论的交通状态预测方法及其装置
CN105741548A (zh) * 2016-04-19 2016-07-06 上海理工大学 一种生成交通状态云图的方法
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
CN107742420A (zh) * 2017-09-22 2018-02-27 北京交通大学 一种用于突发交通事件下道路交通流预测的方法
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN108492608A (zh) * 2018-03-12 2018-09-04 北京航空航天大学 一种基于云模型的公交车客流量的分析方法及系统
CN108564790A (zh) * 2018-06-12 2018-09-21 国交空间信息技术（北京）有限公司 一种基于交通流时空相似性的城市短时交通流预测方法
CN108647743A (zh) * 2018-06-25 2018-10-12 江苏智通交通科技有限公司 驾驶人安全画像系统
CN108831153A (zh) * 2018-08-09 2018-11-16 深圳先进技术研究院 一种利用时空分布特性的交通流预测方法及装置
CN108877226A (zh) * 2018-08-24 2018-11-23 交通运输部规划研究院 景区交通旅游预测方法及预警系统
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
CN109410575A (zh) * 2018-10-29 2019-03-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
CN109871876A (zh) * 2019-01-22 2019-06-11 东南大学 一种基于浮动车数据的高速公路路况识别与预测方法
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
CN110021165A (zh) * 2019-03-18 2019-07-16 浙江工业大学 一种基于Autoencoder-LSTM融合模型的交通流预测方法
CN110570651A (zh) * 2019-07-15 2019-12-13 浙江工业大学 一种基于深度学习的路网交通态势预测方法及系统
CN110517482A (zh) * 2019-07-29 2019-11-29 杭州电子科技大学 一种基于3d卷积神经网络的短时交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王忠浩等.基于交通指数云图的宏观交通流分析方法综述.上海理工大学学报.2017,全文. *

Also Published As

Publication number Publication date
CN111210088A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
Ayoubi et al. An autonomous IoT service placement methodology in fog computing
CN109242149A (zh) 一种基于教育数据挖掘的学生成绩早期预警方法及系统
CN105160444A (zh) 电力设备故障率确定方法及系统
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN112800115B (zh) 数据处理方法及数据处理装置
CN106980874B (zh) 一种面向配网大数据的多时态维度数据融合方法
Wei et al. An improved road network partition algorithm for parallel microscopic traffic simulation
CN104363104A (zh) 一种面向用户需求的海量多元数据态势显示系统与方法
CN108615360B (zh) 基于神经网络的交通需求逐日演变预测方法
CN114065634A (zh) 一种数据驱动的电能质量监测布点优化方法及装置
CN114202253A (zh) 充电站负荷可调潜力评估方法、系统、存储介质及服务器
Strofylas et al. Using synchronous and asynchronous parallel differential evolution for calibrating a second-order traffic flow model
CN104993966B (zh) 一种电力综合业务网流量预测方法
CN110191015B (zh) 基于cpi指标的云服务性能智能预测方法和装置
CN117952009A (zh) 一种智能产线可试验数字孪生体建模方法
CN111210088B (zh) 一种基于时空因素的交通状态指数预测方法
CN114995964A (zh) 一种组合服务重构方法、装置、设备和计算机可读介质
CN114444922A (zh) 一种群体智能控制下的混合交通效能评估方法
CN112381470B (zh) 基于智能体的交通流量分配方法、设备及存储介质
CN104217296A (zh) 一种上市公司绩效综合评价方法
Hu et al. SOUP: A fleet management system for passenger demand prediction and competitive taxi supply
Abdelgawad et al. Assessment of self-learning adaptive traffic signal control on congested urban areas: independent versus coordinated perspectives
CN117114220A (zh) 一种基于图神经网络的车辆调度算法
CN115001978B (zh) 一种基于强化学习模型的云租户虚拟网络智能映射方法
CN114676586A (zh) 一种基于多维、多时空的数字模拟与仿真的建构方法

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