CN111524358A - 一种区域辐射性交通流量预测方法 - Google Patents

一种区域辐射性交通流量预测方法 Download PDF

Info

Publication number
CN111524358A
CN111524358A CN202010439643.1A CN202010439643A CN111524358A CN 111524358 A CN111524358 A CN 111524358A CN 202010439643 A CN202010439643 A CN 202010439643A CN 111524358 A CN111524358 A CN 111524358A
Authority
CN
China
Prior art keywords
flow
prediction
traffic
regional
traffic flow
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
Application number
CN202010439643.1A
Other languages
English (en)
Other versions
CN111524358B (zh
Inventor
康雁
李晋源
钱彦军
李�浩
胡杨
卜荣景
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN202010439643.1A priority Critical patent/CN111524358B/zh
Publication of CN111524358A publication Critical patent/CN111524358A/zh
Application granted granted Critical
Publication of CN111524358B publication Critical patent/CN111524358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种区域辐射性交通流量预测方法，其特征在于，包括以下步骤：S1：收集日常生活中居民移动的轨迹数据信息，将轨迹数据转换成以子区域为最小单元的交通进出入流量图；S2：获取城市不同区域交通流特点，以及城市不同区域之间流量的空间相关性；S3：构建区域辐射性交通流量预测模型，采用特有的全卷积网络以中心区域为起始，通过叠加特征提取—预测子模块来实现逐步的扩展预测；S4：通过将预测流量图与实际流量图的误差来反向调节全卷积神经网络，拟合出接近于真实情况的区域辐射性交通流量预测模型。本发明解决了基于中心区域流量向周边区域不断扩展预测的问题，缩短了预测的时间周期，实现了交通流量的实时性预测。

Description

一种区域辐射性交通流量预测方法
技术领域
本发明涉及交通流量预测领域，尤其是一种区域辐射性交通流量预测方法。
背景技术
随着经济的发展，私家汽车占有量不断加重，加强道路基础设施建设、增加道路交通容量的方法已经无法满足日益增长的交通需求。交通拥堵、交通安全隐患和交通信息缺乏给出行者的出行带来不便的同时，也给城市发展带来阻力。而对区域交通流量的实时掌握和准确预测成为运用智能交通技术(ITS)解决交通问题的重要基础。
关于流量预测的方法多数基于时间序列，这一类方法要求流量必须与时间有很大的关系，并且时间序列要很大程度成季节性等。时间序列预测方法是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，以此来预测下一段时间可能会发生的情况；其中，自回归综合移动平均和卡尔曼滤波被广泛应用于交通预测问题，例如提出了基于ARIMA模型；该模型的交通状态预测能够很好地跟踪交通状态变化趋势，但交通拥挤的依赖性和不确定性却未被充分考虑。对交通拥挤预测特性和贝叶斯网络模型特性分析的基础上,建立贝叶斯网络模型对城市道路网络的整体交通拥挤概率进行预测，能够有效处理较多变量之间存在的依赖关系。然而，互联互通区域、不同区域的交通流量流动的这种特征没有被很好的提取，以及预测模型自身存在的缺陷使得实际交通情况可控性弱。
全球城市化的快速发展使得城市向周边地区扩张成为了趋势，尤其是在大都市地区。这种扩张趋势将在城市管理和交通控制中产生新的情况和问题。在数据采集方面，由于日常生活和经济活动的影响，中心地区的交通数据信息易于获取和覆盖。在数据收集方面，日常生活和经济活动的影响有助于中心地区覆盖更多的轨迹信息。相反，由于覆盖范围有限和数据收集的成本正在增加，远离中心的区域的数据难以获取。这种两级分化现象给智能交通管理带来了新的挑战，并由此提出了新的研究任务，即区域辐射性交通流量预测任务。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种区域辐射性交通流量预测方法，解决了基于中心区域流量向周边区域不断扩展预测的问题，缩短了预测的时间周期。
本发明采用的技术方案如下：
本发明一种区域辐射性交通流量预测方法，包括以下步骤：
S1：收集日常生活中居民移动的轨迹数据信息，将轨迹数据转换成以子区域为最小单元的交通进出入流量图；
S2：获取城市不同区域交通流特点，以及城市不同区域之间流量的空间相关性；
S3：构建区域辐射性交通流量预测模型，采用特有的全卷积网络以中心区域为起始，通过叠加特征提取—预测子模块来实现逐步的扩展预测；
S4：通过将预测流量图与实际流量图的误差来反向调节全卷积神经网络，拟合出接近于真实情况的区域辐射性交通流量预测模型。
作为优选，所述S1具体包括：
S11：收集居民出行轨迹数据，并进行清洗，居民出行轨迹数据集至少包含GPS轨迹点的经度和纬度，以及轨迹点的信息和相应的时间；
S12：GPS轨迹数据集对应预测交通流量的区域，按照经纬度划分为多个地理栅格。
作为优选，所述S12具体包括：
令P表示为时间区间tth的轨迹集合；对于第i行和第j列的网格(i,j)，在指定时间区间t的进入流和外出流的分别计算如下：
Figure BDA0002503649600000021
Figure BDA0002503649600000022
其中，Tr:g1->g2->....->g|Tr|是P中的一条轨迹，gk是空间坐标：gk∈(i,j)表示点gk在网格(i,j)中在时间区域tth中；
所有I×J个区域的进入流和外出可以表示成一个张量Xt∈R2×I×J，其中
Figure BDA0002503649600000023
Figure BDA0002503649600000024
在一个I×J的网格地图中，每个网格有两种交通流量，任何时间的交通流量可以表示成一个张量Xt∈R2×I×J。
作为优选，所述S2具体包括：
S21：将城市划分为M*N个区域，利用出流量和入流量来增加流量图像通道，将流量图原有的单通道扩充到2个通道；
S22：分析城市中心地带子区域和周边子区域，在固定时间内中心区域向周边区域的辐射情况。
作为优选，所述S3具体包括：
S31：采用(-1，1)对流量数据集进行归一化；
S32：构建特征提取—扩展预测子模块：当流量特征图输入，首先采用可变形卷积对输入的流量图做卷积，进行非规则化采样；然后对卷积结果进行上采样达到从中心流量图向外成倍扩展，在原来m*n尺度基础上得到大小为2m*2n的流量图；在后一层设置实例正则化对预测结果整体进行一次调整；
S33：反复叠加特征提取—扩展预测子模块三次，子模块的可变形卷积核设置为8维，尺寸为2*2，步长设置为1；区域辐射性交通流量预测模型最后一层采用维度为2，尺寸为2*2的普通卷积对流量预测图进行输出双通道流量图的细节信息。
作为优选，所述S32中的卷积操作如下：
Figure BDA0002503649600000031
其中，po为输出特征图y(po)的任意一个像素位置，pn为R中位置的枚举，可变形采样点是常规采样经过偏移Δpn得到的，R为采样区域。
作为优选，所述S32中实例正则化的方法：对于x∈RN×C×H×W，实例正则化对每个样本的H和W维度上的数据求均值和标准差，保留N和C维度，只求均值和标准差，其中，均值和标准差的计算公式为：
Figure BDA0002503649600000032
C表示通道数，H、W分别表示特征图的高度、宽度，N代表样本数，n∈N h∈H c∈C w∈W。
作为优选，所述S4中，预测流量图与实际流量图的误差，即真实结果与预测结果之间的距离，用MSE作为损失函数来衡量，
Figure BDA0002503649600000033
其中，zi是真实流量值，
Figure BDA0002503649600000034
是预测流量值，M是城市区域网格数量。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、提出了一种区域辐射性交通流量预测方法，将时空交通动力学转化为二维时空矩阵描述交通流时空关系的图像，模拟各区域流量之间的空间相关性，根据中心区域丰富的流量信息实现外延扩展预测。
2、本发明构建卷积网络模型实现区域辐射性交通流量预测任务，通过反复堆叠特征提取—扩展预测子模块逐步向外预测，采用可变形卷积突破规则化采样，捕获远近不同区域之间的联系，采用实时流量预测，规避时间因素影响，最终实现流量的精确预测。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1为本发明一种区域辐射性交通流量预测方法流程图。
图2为实施例中城市区域交通网络图。
图3为实施例中北京相邻时段不同区域交通流入趋势图。
图4为区域交通流量外延性预测示意图。
图5为区域辐射性交通流量预测模型。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
如图1所示，本发明一种区域辐射性交通流量预测方法，包括如下步骤：
S1：数据收集处理；用于收集日常生活中居民移动的轨迹数据信息，并依据特定方法将轨迹数据转换为区域为最小单元的交通进出入流量图；
S11：清洗居民出行轨迹数据，居民出行轨迹数据集需要包含GPS轨迹点的经度和纬度和轨迹点的信息与相应时间；
S12：GPS轨迹点数据集对预测交通流量的区域按照经纬度划分为多个地理栅格，令P表示为时间区间tth的轨迹集合；
对于第i行和第j列的网格(i,j)，在指定时间区间t的进入流和外出流的分别计算如下：
Figure BDA0002503649600000041
Figure BDA0002503649600000042
其中Tr:g1->g2->....->g|Tr|是P中的一条轨迹，gk是空间坐标：gk∈(i,j)表示点gk在网格(i,j)中在时间区域tth中；所有I×J个区域的进入流和外出流可以表示成一个张量Xt∈R2×I×J，其中
Figure BDA0002503649600000051
在一个I×J的网格地图中，每个网格有两种交通流量，任何时间的交通流量可以表示成一个张量Xt∈R2×I×J；
S2：区域流量相关性分析；通过以北京出租车数据集为例，获取以城市不同区域交通流特点以及城市不同区域之间流量的空间相关性；
所述S2区域流量相关性分析步骤包括：
S21：城市网格区域划分；将北京城市划分为32*32个区域，利用出流量和入流量来增加流量图像通道，将流量图原有的单通道扩充到2个通道；
S22：不同区域之间流量特征分析；如图2所示，选择城市中心地带五个子区域A、B、C、D、E和周边四个子区域F、G、H、I作为研究对象，可以看出城市中心区域交通发达，交通流量相关数据量大，远离中心区域的交通流量小；
图3是北京相邻时段不同区域交通流入趋势图，横坐标包含50个时间间隔，每个时间间隔具有三十分钟，纵坐标是流量流入的值；同时选取50个时间段内的各区域交通进入流的研究其变化趋势，可以发现在相同时间段内城市中心区域与边缘区域呈现相同的变化趋势；
S3：构建区域辐射性交通流量预测模型；采用特有的全卷积网络以中心区域为开始，通过叠加特征提取——预测子模块来实现逐步扩展预测；在子模块中利用可变形卷积突破规则化的采样方式解决因地铁等特殊交通工具导致的相距较远区域直接之间也存在流量相关性，并在每一轮预测后的结果进行实例正则化达到信息增强的目的。
如图4和图5所示，所述S3构建区域辐射性交通流量预测模型步骤包括：
S31：对流量数据集进行归一化，采用(-1，1)归一化；根据数据的均值方差，经过处理的流量数据符合标准正态分布，即均值为-1，标准差为1；
S32：构建特征提取—扩展预测子模块，当流量特征图输入，首先采用可变形卷积对输入的流量图做卷积进行非规则化采样，卷积操作如下：
Figure BDA0002503649600000052
其中，po为输出特征图y(po)的任意一个像素位置，pn为R中位置的枚举，可变形采样点是常规采样经过偏移Δpn得到的，R为采样区域；
然后对卷积结果进行上采样达到从中心流量图向外成倍扩展，在原来m*n尺度基础上得到大小为2m*2n的流量图；
在后一层设置实例正则化对预测结果整体进行一次调整，避免因其他时段的流量值形成干扰，加强单张流量图输入训练网络的性能；
对于x∈RN×C×H×W，实例正则化对每个样本的H和W维度上的数据求均值和标准差，保留N和C维度，只求均值和标准差，计算公式为：
Figure BDA0002503649600000061
Figure BDA0002503649600000062
C表示通道数，H、W分别表示特征图的高度、宽度，N代表样本数，n∈N h∈H c∈C w∈W。
S33：区域辐射性交通流量预测模型反复叠加特征提取—扩展预测子模块三次，子模块的可变形卷积核设置为8维，尺寸为2*2，步长设置为1；
区域辐射性交通流量预测模型最后一层采用维度为2，尺寸为2*2的普通卷积对流量预测图进行输出，双通道流量图的细节信息；
MSE作为损失函数来衡量真实结果与预测结果之间的距离；
Figure BDA0002503649600000063
zi是真实流量值，
Figure BDA0002503649600000064
是预测流量值，M是城市区域网格数量。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (8)

1.一种区域辐射性交通流量预测方法，其特征在于，包括以下步骤：
S1：收集日常生活中居民移动的轨迹数据信息，将轨迹数据转换成以子区域为最小单元的交通进出入流量图；
S2：获取城市不同区域交通流特点，以及城市不同区域之间流量的空间相关性；
S3：构建区域辐射性交通流量预测模型，采用特有的全卷积网络以中心区域为起始，通过叠加特征提取—预测子模块来实现逐步的扩展预测；
S4：通过将预测流量图与实际流量图的误差来反向调节全卷积神经网络，拟合出接近于真实情况的区域辐射性交通流量预测模型。
2.根据权利要求1所述的区域辐射性交通流量预测方法，其特征在于，所述S1具体包括：
S11：收集居民出行轨迹数据，并进行清洗，居民出行轨迹数据集至少包含GPS轨迹点的经度和纬度，以及轨迹点的信息和相应的时间；
S12：GPS轨迹数据集对应预测交通流量的区域，按照经纬度划分为多个地理栅格。
3.根据权利要求2所述的区域辐射性交通流量预测方法，其特征在于，所述S12具体包括：令P表示为时间区间tth的轨迹集合；对于第i行和第j列的网格(i,j)，在指定时间区间t的进入流和外出流的分别计算如下：
Figure FDA0002503649590000011
Figure FDA0002503649590000012
其中，Tr:g1->g2->....->gTr是P中的一条轨迹，gk是空间坐标：gk∈(i,j)表示点gk在网格(i,j)中在时间区域tth中；
所有I×J个区域的进入流和外出可以表示成一个张量Xt∈R2×I×J，其中
Figure FDA0002503649590000013
Figure FDA0002503649590000014
在一个I×J的网格地图中，每个网格有两种交通流量，任何时间的交通流量可以表示成一个张量Xt∈R2×I×J。
4.根据权利要求1所述的区域辐射性交通流量预测方法，其特征在于，所述S2具体包括：
S21：将城市划分为M*N个区域，利用出流量和入流量来增加流量图像通道，将流量图原有的单通道扩充到2个通道；
S22：分析城市中心地带子区域和周边子区域，在固定时间内中心区域向周边区域的辐射情况。
5.根据权利要求1所述的区域辐射性交通流量预测方法，其特征在于，所述S3具体包括：
S31：采用(-1，1)对流量数据集进行归一化；
S32：构建特征提取—扩展预测子模块：当流量特征图输入，首先采用可变形卷积对输入的流量图做卷积，进行非规则化采样；然后对卷积结果进行上采样达到从中心流量图向外成倍扩展，在原来m*n尺度基础上得到大小为2m*2n的流量图；在后一层设置实例正则化对预测结果整体进行一次调整；
S33：反复叠加特征提取—扩展预测子模块三次，子模块的可变形卷积核设置为8维，尺寸为2*2，步长设置为1；区域辐射性交通流量预测模型最后一层采用维度为2，尺寸为2*2的普通卷积对流量预测图进行输出双通道流量图的细节信息。
6.根据权利要求5所述的区域辐射性交通流量预测方法，其特征在于，所述S32中的卷积操作如下：
Figure FDA0002503649590000021
其中，po为输出特征图y(po)的任意一个像素位置，pn为R中位置的枚举，可变形采样点是常规采样经过偏移Δpn得到的，R为采样区域。
7.根据权利要求5所述的区域辐射性交通流量预测方法，其特征在于，所述S32中实例正则化的方法：对于x∈RN×C×H×W，对每个样本的H和W维度上的数据求均值和标准差，保留N和C维度，只求均值和标准差，计算公式为：
Figure FDA0002503649590000022
其中，C表示通道数，H、W分别表示特征图的高度、宽度，N代表样本数，n∈N h∈H c∈Cw∈W。
8.根据权利要求1所述的区域辐射性交通流量预测方法，其特征在于，所述S4中，预测流量图与实际流量图的误差，即真实结果与预测结果之间的距离，用MSE作为损失函数来衡量，
Figure FDA0002503649590000023
其中，zi是真实流量值，
Figure FDA0002503649590000024
是预测流量值，M是城市区域网格数量。
CN202010439643.1A 2020-05-22 2020-05-22 一种区域辐射性交通流量预测方法 Active CN111524358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010439643.1A CN111524358B (zh) 2020-05-22 2020-05-22 一种区域辐射性交通流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010439643.1A CN111524358B (zh) 2020-05-22 2020-05-22 一种区域辐射性交通流量预测方法

Publications (2)

Publication Number Publication Date
CN111524358A true CN111524358A (zh) 2020-08-11
CN111524358B CN111524358B (zh) 2022-04-15

Family

ID=71912678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010439643.1A Active CN111524358B (zh) 2020-05-22 2020-05-22 一种区域辐射性交通流量预测方法

Country Status (1)

Country Link
CN (1) CN111524358B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495490A (zh) * 2021-12-31 2022-05-13 联通智网科技股份有限公司 交通情况预测方法、设备终端及存储介质
CN116153089A (zh) * 2023-04-24 2023-05-23 云南大学 基于时空卷积与动态图的交通流量预测系统及方法
CN118587893A (zh) * 2024-07-31 2024-09-03 四川警察学院 基于动态自适应卷积神经网络的城市交通流预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198672A (zh) * 2013-03-27 2013-07-10 大连海事大学 一种城市路网交通流量检测器的布设方法
KR20150072470A (ko) * 2013-12-19 2015-06-30 건국대학교 산학협력단 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템
CN109448361A (zh) * 2018-09-18 2019-03-08 云南大学 居民交通出行流量预测系统及其预测方法
CN109993970A (zh) * 2019-03-15 2019-07-09 西南交通大学 一种城市区域交通事故风险预测方法
CN110148296A (zh) * 2019-04-16 2019-08-20 南京航空航天大学 一种基于深度迁移学习的跨城市交通流量联合预测方法
US20200042799A1 (en) * 2018-07-31 2020-02-06 Didi Research America, Llc System and method for point-to-point traffic prediction
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
CN111027626A (zh) * 2019-12-11 2020-04-17 西安电子科技大学 基于可变形卷积网络的流场识别方法
CN111127879A (zh) * 2019-12-09 2020-05-08 湖南大学 基于生成式对抗网络的城市交通流量预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198672A (zh) * 2013-03-27 2013-07-10 大连海事大学 一种城市路网交通流量检测器的布设方法
KR20150072470A (ko) * 2013-12-19 2015-06-30 건국대학교 산학협력단 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템
US20200042799A1 (en) * 2018-07-31 2020-02-06 Didi Research America, Llc System and method for point-to-point traffic prediction
CN109448361A (zh) * 2018-09-18 2019-03-08 云南大学 居民交通出行流量预测系统及其预测方法
CN109993970A (zh) * 2019-03-15 2019-07-09 西南交通大学 一种城市区域交通事故风险预测方法
CN110148296A (zh) * 2019-04-16 2019-08-20 南京航空航天大学 一种基于深度迁移学习的跨城市交通流量联合预测方法
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
CN111127879A (zh) * 2019-12-09 2020-05-08 湖南大学 基于生成式对抗网络的城市交通流量预测方法
CN111027626A (zh) * 2019-12-11 2020-04-17 西安电子科技大学 基于可变形卷积网络的流场识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495490A (zh) * 2021-12-31 2022-05-13 联通智网科技股份有限公司 交通情况预测方法、设备终端及存储介质
CN116153089A (zh) * 2023-04-24 2023-05-23 云南大学 基于时空卷积与动态图的交通流量预测系统及方法
CN118587893A (zh) * 2024-07-31 2024-09-03 四川警察学院 基于动态自适应卷积神经网络的城市交通流预测方法

Also Published As

Publication number Publication date
CN111524358B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
Cheng et al. Short-term traffic forecasting: An adaptive ST-KNN model that considers spatial heterogeneity
US11270579B2 (en) Transportation network speed foreeasting method using deep capsule networks with nested LSTM models
CN111524358B (zh) 一种区域辐射性交通流量预测方法
CN107610464B (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
Kim et al. Urban traffic flow prediction system using a multifactor pattern recognition model
Yan et al. Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its
Wang et al. Efficient multiple model particle filtering for joint traffic state estimation and incident detection
CN111653088A (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
Lam et al. Short-term hourly traffic forecasts using Hong Kong annual traffic census
CN110766942A (zh) 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
CN110299011A (zh) 一种基于收费数据的高速公路任意断面的交通流预测方法
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
CN102610092A (zh) 基于rbf神经网络城市道路速度预测方法
Chen et al. A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
Comert et al. Grey models for short-term queue length predictions for adaptive traffic signal control
Chen et al. Dynamic travel time prediction using pattern recognition
Zhi-Peng et al. An improved adaptive exponential smoothing model for short-term travel time forecasting of urban arterial street
CN112863182A (zh) 基于迁移学习的跨模态数据预测方法
Wu et al. Multiple-clustering ARMAX-based predictor and its application to freeway traffic flow prediction
CN109712402B (zh) 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
Moghimi et al. Short-term prediction of signal cycle on an arterial with actuated-uncoordinated control using sparse time series models
Chen et al. Using automatic passenger counter data in bus arrival time prediction
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法

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
CB03 Change of inventor or designer information

Inventor after: Kang Yan

Inventor after: Li Jinyuan

Inventor after: Li Xinyan

Inventor after: Wang Fei

Inventor after: Hu Yang

Inventor after: Bu Rongjing

Inventor before: Kang Yan

Inventor before: Li Jinyuan

Inventor before: Qian Yanjun

Inventor before: Li Hao

Inventor before: Hu Yang

Inventor before: Bu Rongjing

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
OL01 Intention to license declared
OL01 Intention to license declared