CN111540198B - 基于有向图卷积神经网络的城市交通态势识别方法 - Google Patents

基于有向图卷积神经网络的城市交通态势识别方法 Download PDF

Info

Publication number
CN111540198B
CN111540198B CN202010305319.0A CN202010305319A CN111540198B CN 111540198 B CN111540198 B CN 111540198B CN 202010305319 A CN202010305319 A CN 202010305319A CN 111540198 B CN111540198 B CN 111540198B
Authority
CN
China
Prior art keywords
traffic
layer
graph
nodes
road
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
CN202010305319.0A
Other languages
English (en)
Other versions
CN111540198A (zh
Inventor
刘端阳
韩笑
沈国江
杨曦
刘志
朱李楠
阮中远
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010305319.0A priority Critical patent/CN111540198B/zh
Publication of CN111540198A publication Critical patent/CN111540198A/zh
Application granted granted Critical
Publication of CN111540198B publication Critical patent/CN111540198B/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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

基于有向图卷积神经网络的城市交通态势识别方法，首先，对历史交通流信息进行交通态势分类，根据“点边”转换规则，把城市路网转换成有向图，并提取相应的子图；然后，计算有向边的权重和非直接相连节点间的权重，标准化处理子图节点个数，计算子图的交通信息矩阵及其特征矩阵；最后，设计交通有向图卷积神经网络模型，并进行训练和测试，该模型可以分类实时交通流信息，从而识别出所有路段的实时交通态势。本发明方法充分考虑了混合路网下不同层级、不同等级的有向路段之间的关联关系，设计了统一的标准化模型输入和交通态势识别模型，具有很好的普适性；而且，方法具有流程简单、计算容易和易编程实现等特点，可以适用于复杂的城市路网。

Description

基于有向图卷积神经网络的城市交通态势识别方法
技术领域
本发明涉及智能交通的城市交通态势识别方法，城市交通态势识别不仅可以方便车辆驾驶员进行路径规则，也可以用于城市交通管理，为交通管理措施的制定和实施提供依据。
背景技术
基于数据驱动的智能交通系统开始逐步融入人们的日常生活。智能交通系统每天都产生和运用大量的数据，这些数据可以更好地分析城市交通状况，并对交通管控提供非常大的帮助。根据国内2018年主要城市交通分析报告显示，中大型城市高峰时间拥堵里程比大多超过5％，即每公里道路就有50米路段是拥堵的。在这种情况下，交通态势识别可以及时发现路段的拥堵状态，预先对交通进行干预，对缓解路网通行压力、分散拥堵和消除拥堵形成诱因至关重要。总而言之，正确识别城市交通态势是进行交通诱导和交通管控的基石，也是智能交通系统中“智能化”的一个表现。
城市交通态势主要采用神经网络方法进行识别。由于城市路网极其复杂的特点，大多数原有的神经网络方法主要针对特定特征道路进行交通流分析，如高速公路、具有规整网格形式的十字路口等，这些道路都可以将空间维度降维成一维数组或者二维矩阵这类结构化形式，然后通过循环神经网络(Recurrent Neural Network：RNN)、卷积神经网络(Convolutional Neural Network：CNN)等要求结构化输入的神经网络进行训练，从而获得分析结果。除此之外，还有一些方法依据道路的拓扑结构建立静态路网结构下的神经网络模型，能够完整地捕获局部路网交通信息，但模型受限于已构建好的模型结构，当路网拓扑关系改变时，需要重新定义和重新训练模型。
目前，现有的城市交通态势识别方法存在以下主要问题：1)大多数神经网络方法采用结构化输入，这类方法没有考虑城市路网存在的大量单行线、潮汐车道、市内高架和地下隧道等各类不同结构，不能全面地掌握目标路段周围的交通路网信息；2)另外一些方法采用了静态路网建模方法，这类方法虽然能够全面地捕获路网在空间上的关联关系，但需要消耗大量计算资源，不能适用于全部路段，因为每一个路段都需要训练一个模型，都需要消耗不少软硬件资源；3)许多交通态势识别方法设计流程和计算过程都很复杂，无法应用于实际的交通环境。
发明内容
本发明要克服现有技术的上述不足之处，提供基于有向图卷积神经网络的城市交通态势识别方法，可以适用于复杂的城市路网。
本发明方法首先根据定义的交通态势等级，对历史交通流信息进行标记和分类，同时，采用“点边”转换规则，把静态的城市路网转换成有向图，并提取相应的子图；然后，计算有向边的权重和非直接相连节点间的权重，标准化处理子图的节点个数，并计算子图的交通信息矩阵及其特征矩阵；最后，设计交通有向图卷积神经网络模型，并训练和测试该模型，训练好的模型可以分类实时交通流信息，从而识别出城市路网所有路段的实时交通态势。本发明方法充分考虑了混合路网下不同层级、不同等级的有向路段之间的关联关系，根据不同的交通路网结构，设计了统一的标准化模型输入和交通态势识别模型，具有很好的普适性；而且，方法具有流程简单、计算容易和易编程实现等特点，可以适用于复杂的城市路网。
本发明是通过以下技术方案达到上述目的，即基于有向图卷积神经网络的城市交通态势识别方法，具体的实施步骤如下：
(1)获取城市路网的历史交通流信息。通过智能交通信息系统，获取城市路网的历史交通流信息。
(2)标记历史交通流信息的交通态势等级。表1和表2定义了四种交通拥堵等级，即交通态势等级，其中表1是针对路段下游路口有信号机的情况，而表2是针对路段下游路口无信号机的情况。根据表1和表2的四种分类，将历史交通流信息标记为相应的分类。
表1有信号机路口的拥堵等级定义
分类号 名称 一个信号周期中连续等两次红灯的概率
1 拥堵状态 ≥50％
2 拥堵形成状态 10％连续增长至50％
3 拥堵消散状态 自50％连续下降的过程
4 畅通状态 不属于以上任意一种情况
表2无信号机路口的拥堵等级定义
分类号 名称 路段的空间占有率
1 拥堵状态 ≥60％
2 拥堵形成状态 30％连续增长至60％
3 拥堵消散状态 自60％连续下降的过程
4 畅通状态 不属于以上任意一种情况
(3)将城市路网数据进行“点边”转换。城市路网数据包括地面道路、高架道路和隧道等，把这些路网数据映射至有向图Gd＝{V,E,A}中，其中，V∈Rn表示图的节点集合，n为图的节点个数，E表示图的边集，A∈Rn×n表示图的邻接矩阵。“点边”转换的规则是：把路段交通流转换为节点，而把路段交通流的上下流连通关系转换为有向边，双向路段有两个相反方向的交通流，而单向路段只有一个方向的交通流。比如：双向路段i与双向路段j相邻，且路段i为路段j的上游道路，则路段i中往下行路段j方向的交通流fi(i→j)是有向图的节点vi(i→j)，而路段j中与fi(i→j)同方向的交通流fj(i→j)则是有向图的节点vj(i→j)。节点vi(i→j)与节点vj(i→j)间的有向边ei→j表示交通流fi(i→j)到fj(i→j)有路口连通。
(4)依次提取所有节点对应的子图。在步骤(3)所得的有向图Gd的基础上依次提取所有节点对应的子图，子图的个数等于节点的个数。如节点x的子图为Gd-sub(x)，子图Gd-sub(x)表示从目标节点x出发，向各个交通流方向扩展最多K跳个节点的子图，其中，系数K可以人为设定，一般取值为K＝3。所以，子图Gd-sub(x)＝{V′,E′,A′}，其中，V′∈Rn′表示子图的节点集合，n′为子图的节点个数，E′表示子图的边集，A′∈Rn′×n′表示子图的邻接矩阵。
(5)依次计算所有子图的有向边的权重。有向图子图Gd-sub(x)可以分两种情况来计算该子图的有向边的权重，如有向边ei→j的权重αi→j，具体计算如下：
第一种是路口没有信号控制的情况，具体计算如下：
Figure BDA0002455575210000041
其中，
Figure BDA0002455575210000042
表示经过没有信号控制的路口时交通流fj(i→j)对交通流fi(i→j)的关联度，qi表示单位时间内路段i的交通流量，qi→j表示单位时间内路段i转至路段j的交通流量，△qi和△qi→j则分别表示五分钟内相应交通流量的变化量，Ci→j表示五分钟内不包括驶往路段j方向的路段i的交通流量变化量的最大值，δ为环境影响因子，可以根据经验值设定。
第二种是路口有信号控制的情况，具体计算如下：
Figure BDA0002455575210000043
其中，
Figure BDA0002455575210000044
表示经过信号控制的路口时交通流fj(i→j)对交通流fi(i→j)的关联度，T表示清空排队车辆所需的平均时间，Tg表示路段i到路段j所在信号相位的绿灯时间长度，t表示当前时刻路段i到路段j所在路口信号相位经过的绿灯时间，如果该相位在当前时刻为红灯，则t＝-1。
(6)依次计算所有子图的非直接相连节点间的权重。有向图子图为Gd-sub(x)，依次计算该子图的非直接相连节点间的权重，如节点i到节点k之间不存在直接相连的有向边ei→k，但存在不少于一条有效连通路径，即存在路径ei→i+1,ei+1→i+2,…,ek-1→k，则节点i到节点k的权重为αi→k，具体计算如下：
如果只存在一条有效路径，则权重αi→k为：
αi→k＝αi→i+1αi+1→i+2…αk-1→k (3)
如果存在多条有效路径时，则权重αi→k取最大的权重值，即：
Figure BDA0002455575210000051
其中，m是最大有效路径数，
Figure BDA0002455575210000052
是根据公式(3)计算的第j条有效路径的权重，j∈[1,m]。
(7)依次对所有子图的节点个数进行标准化处理。首先，根据经验设定参数N，如果子图Gd-sub(x)的节点个数n′大于参数N，则从目标节点vx(x→y)出发到其它节点的所有权重中，选择权重值最大的N个节点；如果子图Gd-sub(x)的节点个数n′小于参数N，则在子图中添加N-n′个直接与目标节点vx(x→y)相连的节点vtmp，其相应有向边ei→tmp的权重为0；如果子图Gd-sub(x)的节点个数n′等于参数N，则继续处理下一个子图；如果所有子图都处理完成，则继续下一步处理。
(8)依次计算所有子图的交通信息矩阵。有向图子图Gd-sub(x)的交通信息矩阵T与拉普拉斯矩阵相似，具体描述如下：
T＝D-Α (5)
其中，T∈RN×N，D是对角矩阵，D∈RN×N，表示子图Gd-sub(x)的出度矩阵，相应对角线的值表示节点的出度；A是子图Gd-sub(x)的邻接矩阵，A∈RN×N。
(9)依次求解所有交通信息矩阵的特征矩阵。根据图傅里叶变换，提取子图Gd-sub(x)的交通信息矩阵T的特征矩阵V，并通过Jordan分解法进行求解：
T＝VJV-1 (6)
其中，特征矩阵V∈RN×N，J表示使用Jordan分解法分解后的Jordan标准型矩阵。
(10)设计交通有向图卷积神经网络模型。交通有向图卷积神经网络模型共有六层，包括输入层，TDGCNN层、Dropout层、Flatten层、全连接层和输出层。输入层包括两部分输入，即图特征信息和图节点信息，其中，图特征信息是交通信息矩阵T经特征提取后的特征矩阵V，图节点信息是有向图子图Gd-sub(x)中每一个节点的交通流信息，包括路段静态信息和交通流量、路段速度、时间占有率和空间占有率等动态信息；TDGCNN层，即交通有向图卷积神经网络(Traffic DiGraph Convolution Neural Network)层，该层使用图卷积的方法对输入数据进行图卷积计算，从而提取路网空间关联特性；Dropout层用于提升模型的泛化能力，防止训练所得模型过拟合；Flatten层用于将结果数据由二维矩阵转换成一维向量，从而统一前后网络层的数据维度；全连接层采用全连接神经元将Flatten层的输出结果与输出层相连；输出层采用Softmax函数对结果进行分类，并作为最终的交通态势识别结果。整个预测模型的损失函数采用多分类交叉熵函数，基于此误差进行反向传播更新神经网络的权重。
TDGCNN层的图卷积过程为：
H(l)＝σ(V-1H(l-1)W(l)) (7)
其中，l表示TDGCNN层的第l层网络，l＝1,…,k，k是TDGCNN层的最大网络层数；
Figure BDA0002455575210000061
fl-1表示第l-1层节点信息的维度，其中H(0)＝X，X表示图节点信息矩阵，
Figure BDA0002455575210000062
W(l)表示第l层的权重矩阵，也是神经网络可训练参数的组成部分，
Figure BDA0002455575210000063
σ(·)表示非线性模型中的sigmoid激活函数。
输出层采用Softmax函数进行分类，具体如下：
Figure BDA0002455575210000064
其中，Pi表示第i种分类的概率，i＝1,2,…,4，分别对应表1和表2定义的四种拥堵等级分类；Zi表示第i种分类的神经网络加权输出，
Figure BDA0002455575210000071
f(l)表示输出层的输入向量，θi表示与输入向量中每一个值一一对应的第i种分类的权重向量，而
Figure BDA0002455575210000072
是θi的转置。最终选取Pi值最大的第i种分类为分类结果。
损失函数采用多分类交叉熵(Categorical Cross Entropy)，具体如下：
Figure BDA0002455575210000073
其中，L为损失函数，Sj为把样本数据标记为第j类的期望，Pj为输出数据属于Sj的概率。
(11)生成样本数据集，训练和测试神经网络模型。基于步骤(2)所得的历史交通流信息和步骤(9)所得的图特征信息，即交通信息矩阵的特征矩阵，乱序拆分并生成训练数据集和测试数据集，训练并测试步骤(10)设计的交通有向图卷积神经网络模型。
(12)获取城市路网的实时交通流信息。采集城市路网中各类检测器设备数据，并进行预处理，从而可以获得城市路网中各个路段不同流向的实时交通流信息。
(13)识别城市路网所有路段的交通态势。采用基于步骤(11)训练和测试所得的神经网络模型，可以对城市路网中各个路段不同流向的实时交通流信息进行分类，从而识别出城市路网所有路段的交通态势。
优选地，步骤(11)中，按5：1的比例乱序拆分并生成训练数据集和测试数据集。
本发明的有益效果在于：(1)本发明充分考虑了城市路网中存在的大量单行线、潮汐车道、市内高架和地下隧道等各种不同类型的道路，能够全面地掌握目标路段周围的交通路网信息。(2)本发明采用了动态路网建模方法，实时捕获并计算路网在空间上的关联关系，并节约了大量不必要的软硬件资源，具有很好的普适性。(3)本发明方法具有流程简单、计算容易和易编程实现等特点，适用于复杂的城市交通环境。
附图说明
图1是本发明方法的总体流程图。
图2是本发明方法的某路网示意图。
图3是本发明方法的“点边”转换结果图。
图4是本发明方法的子图提取结果图。
图5是本发明方法的有向图卷积神经网络结构图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的基于有向图卷积神经网络的城市交通态势识别方法，具体的实施步骤如下：
(1)获取城市路网的历史交通流信息。通过智能交通信息系统，获取城市路网的历史交通流信息。
(2)标记历史交通流信息的交通态势等级。表1和表2定义了四种交通拥堵等级，即交通态势等级，其中表1是针对路段下游路口有信号机的情况，而表2是针对路段下游路口无信号机的情况。根据表1和表2的四种分类，将历史交通流信息标记为相应的分类。
表1有信号机路口的拥堵等级定义
分类号 名称 一个信号周期中连续等两次红灯的概率
1 拥堵状态 ≥50％
2 拥堵形成状态 10％连续增长至50％
3 拥堵消散状态 自50％连续下降的过程
4 畅通状态 不属于以上任意一种情况
表2无信号机路口的拥堵等级定义
分类号 名称 路段的空间占有率
1 拥堵状态 ≥60％
2 拥堵形成状态 30％连续增长至60％
3 拥堵消散状态 自60％连续下降的过程
4 畅通状态 不属于以上任意一种情况
(3)将城市路网数据进行“点边”转换。城市路网数据包括地面道路、高架道路和隧道等，把这些路网数据映射至有向图Gd＝{V,E,A}中，其中，V∈Rn表示图的节点集合，n为图的节点个数，E表示图的边集，A∈Rn×n表示图的邻接矩阵。“点边”转换的规则是：把路段交通流转换为节点，而把路段交通流的上下流连通关系转换为有向边，双向路段有两个相反方向的交通流，而单向路段只有一个方向的交通流。比如：双向路段i与双向路段j相邻，且路段i为路段j的上游道路，则路段i中往下行路段j方向的交通流fi(i→j)是有向图的节点vi(i→j)，而路段j中与fi(i→j)同方向的交通流fj(i→j)则是有向图的节点vj(i→j)。节点vi(i→j)与节点vj(i→j)间的有向边ei→j表示交通流fi(i→j)到fj(i→j)有路口连通。
(4)依次提取所有节点对应的子图。在步骤(3)所得的有向图Gd的基础上依次提取所有节点对应的子图，子图的个数等于节点的个数。如节点x的子图为Gd-sub(x)，子图Gd-sub(x)表示从目标节点x出发，向各个交通流方向扩展最多K跳个节点的子图，其中，系数K可以人为设定，一般取值为K＝3。所以，子图Gd-sub(x)＝{V′,E′,A′}，其中，V′∈Rn′表示子图的节点集合，n′为子图的节点个数，E′表示子图的边集，A′∈Rn′×n′表示子图的邻接矩阵。
(5)依次计算所有子图的有向边的权重。有向图子图Gd-sub(x)可以分两种情况来计算该子图的有向边的权重，如有向边ei→j的权重αi→j，具体计算如下：
第一种是路口没有信号控制的情况，具体计算如下：
Figure BDA0002455575210000101
其中，
Figure BDA0002455575210000102
表示经过没有信号控制的路口时交通流fj(i→j)对交通流fi(i→j)的关联度，qi表示单位时间内路段i的交通流量，qi→j表示单位时间内路段i转至路段j的交通流量，△qi和△qi→j则分别表示五分钟内相应交通流量的变化量，Ci→j表示五分钟内不包括驶往路段j方向的路段i的交通流量变化量的最大值，δ为环境影响因子，可以根据经验值设定。
第二种是路口有信号控制的情况，具体计算如下：
Figure BDA0002455575210000103
其中，
Figure BDA0002455575210000104
表示经过信号控制的路口时交通流fj(i→j)对交通流fi(i→j)的关联度，T表示清空排队车辆所需的平均时间，Tg表示路段i到路段j所在信号相位的绿灯时间长度，t表示当前时刻路段i到路段j所在路口信号相位经过的绿灯时间，如果该相位在当前时刻为红灯，则t＝-1。
(6)依次计算所有子图的非直接相连节点间的权重。有向图子图为Gd-sub(x)，依次计算该子图的非直接相连节点间的权重，如节点i到节点k之间不存在直接相连的有向边ei→k，但存在不少于一条有效连通路径，即存在路径ei→i+1,ei+1→i+2,…,ek-1→k，则节点i到节点k的权重为αi→k，具体计算如下：
如果只存在一条有效路径，则权重αi→k为：
αi→k＝αi→i+1αi+1→i+2…αk-1→k (3)
如果存在多条有效路径时，则权重αi→k取最大的权重值，即：
Figure BDA0002455575210000105
其中，m是最大有效路径数，
Figure BDA0002455575210000111
是根据公式(3)计算的第j条有效路径的权重，j∈[1,m]。
(7)依次对所有子图的节点个数进行标准化处理。首先，根据经验设定参数N，如果子图Gd-sub(x)的节点个数n′大于参数N，则从目标节点vx(x→y)出发到其它节点的所有权重中，选择权重值最大的N个节点；如果子图Gd-sub(x)的节点个数n′小于参数N，则在子图中添加N-n′个直接与目标节点vx(x→y)相连的节点vtmp，其相应有向边ei→tmp的权重为0；如果子图Gd-sub(x)的节点个数n′等于参数N，则继续处理下一个子图；如果所有子图都处理完成，则继续下一步处理。
(8)依次计算所有子图的交通信息矩阵。有向图子图Gd-sub(x)的交通信息矩阵T与拉普拉斯矩阵相似，具体描述如下：
T＝D-Α (5)
其中，T∈RN×N，D是对角矩阵，D∈RN×N，表示子图Gd-sub(x)的出度矩阵，相应对角线的值表示节点的出度；A是子图Gd-sub(x)的邻接矩阵，A∈RN×N。
(9)依次求解所有交通信息矩阵的特征矩阵。根据图傅里叶变换，提取子图Gd-sub(x)的交通信息矩阵T的特征矩阵V，并通过Jordan分解法进行求解：
T＝VJV-1 (6)
其中，特征矩阵V∈RN×N，J表示使用Jordan分解法分解后的Jordan标准型矩阵。
(10)设计交通有向图卷积神经网络模型。交通有向图卷积神经网络模型共有六层，包括输入层，TDGCNN层、Dropout层、Flatten层、全连接层和输出层。输入层包括两部分输入，即图特征信息和图节点信息，其中，图特征信息是交通信息矩阵T经特征提取后的特征矩阵V，图节点信息是有向图子图Gd-sub(x)中每一个节点的交通流信息，包括路段静态信息和交通流量、路段速度、时间占有率和空间占有率等动态信息；TDGCNN层，即交通有向图卷积神经网络(Traffic DiGraph Convolution Neural Network)层，该层使用图卷积的方法对输入数据进行图卷积计算，从而提取路网空间关联特性；Dropout层用于提升模型的泛化能力，防止训练所得模型过拟合；Flatten层用于将结果数据由二维矩阵转换成一维向量，从而统一前后网络层的数据维度；全连接层采用全连接神经元将Flatten层的输出结果与输出层相连；输出层采用Softmax函数对结果进行分类，并作为最终的交通态势识别结果。整个预测模型的损失函数采用多分类交叉熵函数，基于此误差进行反向传播更新神经网络的权重。
TDGCNN层的图卷积过程为：
H(l)＝σ(V-1H(l-1)W(l)) (7)
其中，l表示TDGCNN层的第l层网络，l＝1,…,k，k是TDGCNN层的最大网络层数；
Figure BDA0002455575210000121
fl-1表示第l-1层节点信息的维度，其中H(0)＝X，X表示图节点信息矩阵，
Figure BDA0002455575210000122
W(l)表示第l层的权重矩阵，也是神经网络可训练参数的组成部分，
Figure BDA0002455575210000123
σ(·)表示非线性模型中的sigmoid激活函数。
输出层采用Softmax函数进行分类，具体如下：
Figure BDA0002455575210000124
其中，Pi表示第i种分类的概率，i＝1,2,…,4，分别对应表1和表2定义的四种拥堵等级分类；Zi表示第i种分类的神经网络加权输出，
Figure BDA0002455575210000125
f(l)表示输出层的输入向量，θi表示与输入向量中每一个值一一对应的第i种分类的权重向量，而
Figure BDA0002455575210000126
是θi的转置。最终选取Pi值最大的第i种分类为分类结果。
损失函数采用多分类交叉熵(Categorical Cross Entropy)，具体如下：
Figure BDA0002455575210000131
其中，L为损失函数，Sj为把样本数据标记为第j类的期望，Pj为输出数据属于Sj的概率。
(11)生成样本数据集，训练和测试神经网络模型。基于步骤(2)所得的历史交通流信息和步骤(9)所得的图特征信息，即交通信息矩阵的特征矩阵，按5：1的比例乱序拆分并生成训练数据集和测试数据集，训练并测试步骤(10)设计的交通有向图卷积神经网络模型。
(12)获取城市路网的实时交通流信息。采集城市路网中各类检测器设备数据，并进行预处理，从而可以获得城市路网中各个路段不同流向的实时交通流信息。
(13)识别城市路网所有路段的交通态势。采用基于步骤(11)训练和测试所得的神经网络模型，可以对城市路网中各个路段不同流向的实时交通流信息进行分类，从而识别出城市路网所有路段的交通态势。
如附图1，本发明方法首先获取城市路网的历史交通流信息，并根据交通态势等级的定义，对历史交通流信息进行标记和分类；然后，对城市路网数据进行“点边”转换，把城市路网转换成一个有向图，并提取所有路段对应的子图；接着，依次计算所有子图的有向边的权重和非直接相连节点间的权重，并依次标准化处理所有子图的节点个数，在此基础上，依次计算所有子图的交通信息矩阵及其特征矩阵；之后，设计交通有向图卷积神经网络模型，包括图卷积过程、输出层分类函数和损失函数等，在历史交通流信息和交通信息矩阵特征矩阵的基础上，生成样本数据集，训练并测试神经网络模型，从而确定模型的所有参数；最后，采用训练好的神经网络模型，对实时交通流信息进行交通态势等级的分类，从而识别出城市路网所有路段的交通态势。
如附图2，本发明方法的应用案例为某城市的局部路网。该路网同时具有单向路段和双向路段，图中路段的箭头方向为该路段的交通流方向，单向路段只有一个交通流方向，而双向路段则有两个相反的交通流方向，其中，G、I和K是单向路段的交通流，A和D、B和J、C和E、F和H是双向路段的交通流。该路网的所有路段交通流中，A、B、C、D、E、F、H、J和K为地面道路的交通流，G为隧道交通流，I为高架下匝道交通流。
如附图3，本发明方法的“点边”转换所得的有向图。针对附图2的局部路网，根据步骤(3)的“点边”转换规则，将路网中每一个路段交通流转换为有向图的节点，而将路段交通流的上下游连通关系转化为有向图的有向边。附图2中的所有路段交通流转换成附图3的有向图节点，而路段交通流之间的连通关系则转化为相应的有向边。例如，在附图2中，路段交通流A右转与路段交通流B连通，左转与路段交通流C连通，掉头与路段交通流D连通，直行与路段交通流G连通，采用“点边”转换规则进行转换后，分别对应着附图3的节点A、B、C、D和G，且节点A与B、C、D和G都存在着有向边。
如附图4，本发明方法的子图提取结果图。依据步骤(4)的子图提取规则，附图4是从附图3的有向图中提取的节点A的子图。在附图3中，节点A可以从四个方向向外扩展，每个方向最多扩展3跳，分别为A→B→J→D，A→B→K→H，A→C→E→D，A→D，A→G→H→F，这样提取的结果图就是附图4。
如附图5，本发明方法的交通有向图卷积神经网络模型结构图。本发明方法的神经网络模型共有六层，包括输入层，TDGCNN层、Dropout层、Flatten层、全连接层和输出层。输入层包括两部分输入，即图特征信息和图节点信息，其中图节点信息输入至TDGCNN层第1层网络，并在TDGCNN层的循环计算中传递，而图特征信息则同时输入至TDGCNN层的所有层网络。TDGCNN层每一层都对输入数据进行图卷积计算，第l层网络的输入为交通信息矩阵的特征矩阵V和上一层网络的H矩阵，通过图卷积计算后，输出当前层的H矩阵。Dropout层用于提升模型的泛化能力，防止训练所得模型过拟合；Flatten层用于将结果数据由二维矩阵转换成一维向量，从而统一前后网络层的数据维度；全连接层采用全连接神经元将Flatten层的输出结果与输出层相连；输出层采用Softmax函数对结果进行分类，并作为最终的交通态势识别结果。
实施应用案例的结果表明，本发明提出的基于有向图卷积神经网络的城市交通态势识别方法是有效的，相对于其它识别方法，本发明方法充分考虑了路网交通流的方向性，以及不同层级和不同等级路段的复杂特点，具有流程简单、计算容易和易编程实现等特点，更加符合实际的复杂城市路网。而且，本发明方法设计的交通有向图卷积神经网络模型，不仅考虑了交通流信息数据，同时也考虑了目标路段周围的路网特征信息，可以更好地捕捉路网与交通流数据之间的空间关系，再加上节点个数的标准化，使得神经网络模型能够适应不同拓扑结构的城市路网，具有很好的普适性。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (2)

1.基于有向图卷积神经网络的城市交通态势识别方法，包括如下步骤：
(1) 获取城市路网的历史交通流信息；
(2) 标记历史交通流信息的交通态势等级；表1和表2定义了四种交通拥堵等级，即交通态势等级，其中表1是针对路段下游路口有信号机的情况，而表2是针对路段下游路口无信号机的情况；根据表1和表2的四种分类，将历史交通流信息标记为相应的分类；
表1有信号机路口的拥堵等级定义
Figure DEST_PATH_IMAGE001
表2无信号机路口的拥堵等级定义
Figure 378262DEST_PATH_IMAGE002
(3) 将城市路网数据进行“点边”转换；城市路网数据包括地面道路、高架道路和隧道，把这些路网数据映射至有向图
Figure 92140DEST_PATH_IMAGE004
中，其中，
Figure 403035DEST_PATH_IMAGE006
表示图的节点集合，
Figure 329403DEST_PATH_IMAGE008
为图的节点个数，
Figure 940513DEST_PATH_IMAGE010
表示图的边集，
Figure 294134DEST_PATH_IMAGE012
表示图的邻接矩阵；“点边”转换的规则是：把路段交通流转换为节点，而把路段交通流的上下流连通关系转换为有向边，双向路段有两个相反方向的交通流，而单向路段只有一个方向的交通流；双向路段
Figure 357905DEST_PATH_IMAGE014
与双向路段
Figure 87964DEST_PATH_IMAGE016
相邻，且路段
Figure 553580DEST_PATH_IMAGE014
为路段
Figure 78102DEST_PATH_IMAGE016
的上游道路，则路段
Figure 363590DEST_PATH_IMAGE014
中往下行路段
Figure 631760DEST_PATH_IMAGE016
方向的交通流
Figure 954813DEST_PATH_IMAGE018
是有向图的节点
Figure DEST_PATH_IMAGE020
，而路段
Figure 712553DEST_PATH_IMAGE016
中与
Figure 485337DEST_PATH_IMAGE018
同方向的交通流
Figure DEST_PATH_IMAGE022
则是有向图的节点
Figure 88357DEST_PATH_IMAGE024
；节点
Figure 262986DEST_PATH_IMAGE020
与节点
Figure 129311DEST_PATH_IMAGE024
间的有向边
Figure 654970DEST_PATH_IMAGE026
表示交通流
Figure 264943DEST_PATH_IMAGE018
到
Figure 559658DEST_PATH_IMAGE022
有路口连通；
(4) 依次提取所有节点对应的子图；在步骤(3)所得的有向图
Figure DEST_PATH_IMAGE028
的基础上依次提取所有节点对应的子图，子图的个数等于节点的个数；节点
Figure 659202DEST_PATH_IMAGE030
的子图为
Figure 140998DEST_PATH_IMAGE032
，子图
Figure 823171DEST_PATH_IMAGE032
表示从目标节点
Figure 706814DEST_PATH_IMAGE030
出发，向各个交通流方向扩展最多
Figure DEST_PATH_IMAGE034
跳个节点的子图，其中，系数
Figure 711679DEST_PATH_IMAGE034
可以人为设定，一般取值为
Figure 946351DEST_PATH_IMAGE036
；所以，子图
Figure DEST_PATH_IMAGE038
，其中，
Figure 429285DEST_PATH_IMAGE040
表示子图的节点集合，
Figure 433013DEST_PATH_IMAGE042
为子图的节点个数，
Figure 343200DEST_PATH_IMAGE044
表示子图的边集，
Figure DEST_PATH_IMAGE046
表示子图的邻接矩阵；
(5) 依次计算所有子图的有向边的权重；有向图子图
Figure 330748DEST_PATH_IMAGE048
可以分两种情况来计算该子图的有向边的权重，有向边
Figure DEST_PATH_IMAGE050
的权重
Figure DEST_PATH_IMAGE052
，具体计算如下：
第一种是路口没有信号控制的情况，具体计算如下：
Figure DEST_PATH_IMAGE054
(1)
其中，
Figure DEST_PATH_IMAGE056
表示经过没有信号控制的路口时交通流
Figure DEST_PATH_IMAGE058
对交通流
Figure DEST_PATH_IMAGE060
的关联度，
Figure DEST_PATH_IMAGE062
表示单位时间内路段
Figure DEST_PATH_IMAGE064
的交通流量，
Figure DEST_PATH_IMAGE066
表示单位时间内路段
Figure 654589DEST_PATH_IMAGE064
转至路段
Figure DEST_PATH_IMAGE068
的交通流量，
Figure DEST_PATH_IMAGE070
和
Figure DEST_PATH_IMAGE072
则分别表示五分钟内相应交通流量的变化量，
Figure DEST_PATH_IMAGE074
表示五分钟内不包括驶往路段
Figure 637457DEST_PATH_IMAGE068
方向的路段
Figure 452966DEST_PATH_IMAGE064
的交通流量变化量的最大值，
Figure 662231DEST_PATH_IMAGE076
为环境影响因子，可以根据经验值设定；
第二种是路口有信号控制的情况，具体计算如下：
Figure DEST_PATH_IMAGE078
(2)
其中，
Figure 755476DEST_PATH_IMAGE080
表示经过信号控制的路口时交通流
Figure 468217DEST_PATH_IMAGE082
对交通流
Figure 454628DEST_PATH_IMAGE084
的关联度，
Figure DEST_PATH_IMAGE086
表示清空排队车辆所需的平均时间，
Figure 416768DEST_PATH_IMAGE088
表示路段
Figure 779616DEST_PATH_IMAGE090
到路段
Figure 612443DEST_PATH_IMAGE092
所在信号相位的绿灯时间长度，
Figure DEST_PATH_IMAGE094
表示当前时刻路段
Figure 35334DEST_PATH_IMAGE090
到路段
Figure 219190DEST_PATH_IMAGE092
所在路口信号相位经过的绿灯时间，该相位在当前时刻为红灯时，则
Figure 120150DEST_PATH_IMAGE096
；
(6) 依次计算所有子图的非直接相连节点间的权重；有向图子图为
Figure 541904DEST_PATH_IMAGE098
，依次计算该子图的非直接相连节点间的权重，节点
Figure 870118DEST_PATH_IMAGE090
到节点
Figure DEST_PATH_IMAGE100
之间不存在直接相连的有向边
Figure 809779DEST_PATH_IMAGE102
，但存在不少于一条有效连通路径，即存在路径
Figure DEST_PATH_IMAGE104
，则节点
Figure 45588DEST_PATH_IMAGE090
到节点
Figure 853007DEST_PATH_IMAGE100
的权重为
Figure 352122DEST_PATH_IMAGE106
，具体计算如下：
只存在一条有效路径，则权重
Figure 979412DEST_PATH_IMAGE106
为：
Figure DEST_PATH_IMAGE108
(3)
存在多条有效路径时，则权重
Figure 753333DEST_PATH_IMAGE106
取最大的权重值，即：
Figure 415259DEST_PATH_IMAGE110
(4)
其中，
Figure 85275DEST_PATH_IMAGE112
是最大有效路径数；
(7) 依次对所有子图的节点个数进行标准化处理；首先，根据经验设定参数
Figure 199861DEST_PATH_IMAGE114
，子图
Figure DEST_PATH_IMAGE116
的节点个数
Figure 777473DEST_PATH_IMAGE118
大于参数
Figure 296835DEST_PATH_IMAGE114
，则从目标节点
Figure DEST_PATH_IMAGE120
出发到其它节点的所有权重中，选择权重值最大的
Figure 668910DEST_PATH_IMAGE114
个节点；子图
Figure 536372DEST_PATH_IMAGE116
的节点个数
Figure DEST_PATH_IMAGE122
小于参数
Figure 652096DEST_PATH_IMAGE114
，则在子图中添加
Figure 288613DEST_PATH_IMAGE124
个直接与目标节点
Figure 300432DEST_PATH_IMAGE120
相连的节点
Figure 124031DEST_PATH_IMAGE126
，其相应有向边
Figure 512287DEST_PATH_IMAGE128
的权重为0；子图
Figure 737732DEST_PATH_IMAGE116
的节点个数
Figure 920452DEST_PATH_IMAGE122
等于参数
Figure 762506DEST_PATH_IMAGE114
，则继续处理下一个子图；所有子图都处理完成，则继续下一步处理；
(8) 依次计算所有子图的交通信息矩阵；有向图子图
Figure 954453DEST_PATH_IMAGE116
的交通信息矩阵
Figure DEST_PATH_IMAGE130
与拉普拉斯矩阵相似，具体描述如下：
Figure DEST_PATH_IMAGE132
(5)
其中，
Figure DEST_PATH_IMAGE134
，
Figure DEST_PATH_IMAGE136
是对角矩阵，
Figure DEST_PATH_IMAGE138
，表示子图
Figure DEST_PATH_IMAGE140
的出度矩阵，相应对角线的值表示节点的出度；
Figure 501583DEST_PATH_IMAGE142
是子图
Figure 386362DEST_PATH_IMAGE140
的邻接矩阵，
Figure 184554DEST_PATH_IMAGE144
；
(9) 依次求解所有交通信息矩阵的特征矩阵；根据图傅里叶变换，提取子图
Figure DEST_PATH_IMAGE146
的交通信息矩阵
Figure DEST_PATH_IMAGE148
的特征矩阵
Figure 242508DEST_PATH_IMAGE150
，并通过Jordan分解法进行求解：
Figure 176966DEST_PATH_IMAGE152
(6)
其中，特征矩阵
Figure 967068DEST_PATH_IMAGE154
，
Figure 252556DEST_PATH_IMAGE156
表示使用Jordan分解法分解后的Jordan标准型矩阵；
(10) 设计交通有向图卷积神经网络模型；交通有向图卷积神经网络模型共有六层，包括输入层，TDGCNN层、Dropout层、Flatten层、全连接层和输出层；输入层包括两部分输入，即图特征信息和图节点信息，其中，图特征信息是交通信息矩阵
Figure 523656DEST_PATH_IMAGE158
经特征提取后的特征矩阵
Figure DEST_PATH_IMAGE160
，图节点信息是有向图子图
Figure DEST_PATH_IMAGE162
中每一个节点的交通流信息，包括路段的静态信息和动态信息； TDGCNN层，即交通有向图卷积神经网络层，该层使用图卷积的方法对输入数据进行图卷积计算，从而提取路网空间关联特性；Dropout层用于提升模型的泛化能力，防止训练所得模型过拟合；Flatten层用于将结果数据由二维矩阵转换成一维向量，从而统一前后网络层的数据维度；全连接层采用全连接神经元将Flatten层的输出结果与输出层相连；输出层采用Softmax函数对结果进行分类，并作为最终的交通态势识别结果；整个预测模型的损失函数采用多分类交叉熵函数，基于此误差进行反向传播更新神经网络的权重；
TDGCNN层的图卷积过程为：
Figure 906095DEST_PATH_IMAGE164
(7)
其中，
Figure DEST_PATH_IMAGE166
表示TDGCNN层的第
Figure 663836DEST_PATH_IMAGE166
层网络，
Figure 171041DEST_PATH_IMAGE168
，
Figure 242902DEST_PATH_IMAGE170
是TDGCNN层的最大网络层数；
Figure 417531DEST_PATH_IMAGE172
，
Figure 549435DEST_PATH_IMAGE174
表示第
Figure DEST_PATH_IMAGE176
层节点信息的维度，其中
Figure DEST_PATH_IMAGE178
，
Figure DEST_PATH_IMAGE180
表示图节点信息矩阵，
Figure DEST_PATH_IMAGE182
；
Figure 202658DEST_PATH_IMAGE184
表示第
Figure DEST_PATH_IMAGE186
层的权重矩阵，也是神经网络可训练参数的组成部分，
Figure DEST_PATH_IMAGE188
；
Figure DEST_PATH_IMAGE190
表示非线性模型中的sigmoid激活函数；
输出层采用Softmax函数进行分类，具体如下：
Figure DEST_PATH_IMAGE192
(8)
其中，
Figure DEST_PATH_IMAGE194
表示第
Figure DEST_PATH_IMAGE196
种分类的概率，
Figure DEST_PATH_IMAGE198
，分别对应表1和表2定义的四种拥堵等级分类；
Figure DEST_PATH_IMAGE200
表示第
Figure 858636DEST_PATH_IMAGE196
种分类的神经网络加权输出，
Figure 887772DEST_PATH_IMAGE202
，
Figure 924998DEST_PATH_IMAGE204
表示输出层的输入向量，
Figure 937954DEST_PATH_IMAGE206
表示与输入向量中每一个值一一对应的第
Figure 351617DEST_PATH_IMAGE196
种分类的权重向量，而
Figure 238189DEST_PATH_IMAGE208
是
Figure DEST_PATH_IMAGE210
的转置；最终选取
Figure DEST_PATH_IMAGE212
值最大的第
Figure 39792DEST_PATH_IMAGE196
种分类为分类结果；
损失函数采用多分类交叉熵，具体如下：
Figure DEST_PATH_IMAGE214
(9)
其中，
Figure 540044DEST_PATH_IMAGE216
为损失函数，
Figure 757398DEST_PATH_IMAGE218
为把样本数据标记为第
Figure 761126DEST_PATH_IMAGE220
类的期望，
Figure DEST_PATH_IMAGE222
为输出数据属于
Figure DEST_PATH_IMAGE224
的概率；
(11) 生成样本数据集，训练和测试神经网络模型；基于步骤(2)所得的历史交通流信息和步骤(9)所得的图特征信息，即交通信息矩阵的特征矩阵，乱序拆分并生成训练数据集和测试数据集，训练并测试步骤(10)设计的交通有向图卷积神经网络模型；
(12) 获取城市路网的实时交通流信息；采集城市路网中各类检测器设备数据，并进行预处理，从而可以获得城市路网中各个路段不同流向的实时交通流信息；
(13) 识别城市路网所有路段的交通态势；采用基于步骤(11)训练和测试所得的神经网络模型，可以对城市路网中各个路段不同流向的实时交通流信息进行分类，从而识别出城市路网所有路段的交通态势。
2.如权利要求1所述的基于有向图卷积神经网络的城市交通态势识别方法，其特征在于：步骤（11）中，按5：1的比例乱序拆分并生成训练数据集和测试数据集。
CN202010305319.0A 2020-04-17 2020-04-17 基于有向图卷积神经网络的城市交通态势识别方法 Active CN111540198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010305319.0A CN111540198B (zh) 2020-04-17 2020-04-17 基于有向图卷积神经网络的城市交通态势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010305319.0A CN111540198B (zh) 2020-04-17 2020-04-17 基于有向图卷积神经网络的城市交通态势识别方法

Publications (2)

Publication Number Publication Date
CN111540198A CN111540198A (zh) 2020-08-14
CN111540198B true CN111540198B (zh) 2021-07-27

Family

ID=71979986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010305319.0A Active CN111540198B (zh) 2020-04-17 2020-04-17 基于有向图卷积神经网络的城市交通态势识别方法

Country Status (1)

Country Link
CN (1) CN111540198B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348243B (zh) * 2020-10-29 2022-10-04 浙江工业大学 三维路网下交通拥堵识别方法
CN112327337B (zh) * 2020-11-02 2024-04-19 北京嘀嘀无限科技发展有限公司 路口重建方法、装置、设备及存储介质
CN112489420B (zh) * 2020-11-17 2022-06-21 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、系统、终端以及存储介质
CN112748732B (zh) * 2020-12-01 2022-08-05 杭州电子科技大学 基于改进Kstar算法和深度学习的实时路径规划方法
CN112528811A (zh) * 2020-12-02 2021-03-19 建信金融科技有限责任公司 行为识别方法和装置
CN112541638B (zh) * 2020-12-21 2022-07-12 北京邮电大学 一种网联车车辆行程时间估计方法
CN112633481B (zh) * 2020-12-30 2023-11-28 广州大学华软软件学院 一种多跳图卷积神经网络模型系统及训练方法
CN112633602B (zh) * 2020-12-31 2023-03-03 深圳云天励飞技术股份有限公司 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN112885088B (zh) * 2021-01-25 2022-05-17 浙江工业大学 一种基于动态交通流的多匝道协调控制方法
CN113364748B (zh) * 2021-05-25 2022-04-19 浙江工业大学 一种基于交易子图网络的以太坊钓鱼节点检测方法及系统
CN113256980A (zh) * 2021-05-28 2021-08-13 佳都科技集团股份有限公司 一种路网状态的确定方法、装置、设备及存储介质
CN113361051B (zh) * 2021-06-02 2023-03-14 东北大学秦皇岛分校 一种基于可控性与重要度的路网控制方法
CN113538904A (zh) * 2021-06-22 2021-10-22 浙江工业大学 一种基于时空前序编解码预测器的交通事故识别方法
CN113570864B (zh) * 2021-09-22 2022-02-01 深圳市城市交通规划设计研究中心股份有限公司 一种电动自行车行驶路径匹配方法、设备及存储介质
CN114419878B (zh) * 2021-12-22 2023-04-07 银江技术股份有限公司 城市路网全域交通状态预测的方法、电子装置和存储介质
CN114926981B (zh) * 2022-05-07 2023-04-11 同济大学 一种路网交通拥堵主动管控方法及系统
CN115206102B (zh) * 2022-07-15 2023-07-18 百度在线网络技术（北京）有限公司 确定交通路径的方法、装置、电子设备和介质
CN116597657A (zh) * 2023-07-17 2023-08-15 四川省商投信息技术有限责任公司 基于人工智能的城市交通预测方法、设备及介质
CN118297775B (zh) * 2024-04-12 2024-09-27 中南大学 基于数字孪生技术的城市规划管控系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1707544A (zh) * 2005-05-26 2005-12-14 上海交通大学 城市路网交通流状态估计方法
CN101551940A (zh) * 2009-04-29 2009-10-07 上海电器科学研究所（集团）有限公司 城市快速道路交通状态判别与发布系统及其方法
CN101719314A (zh) * 2009-11-17 2010-06-02 姜廷顺 区域交通拥堵引发点记录分析系统及其运行方法
CN109887282A (zh) * 2019-03-05 2019-06-14 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法
CN110264709A (zh) * 2019-05-06 2019-09-20 北京交通大学 基于图卷积网络的道路的交通流量的预测方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8266389B2 (en) * 2009-04-29 2012-09-11 Advanced Micro Devices, Inc. Hierarchical memory arbitration technique for disparate sources
CN104809870A (zh) * 2015-04-10 2015-07-29 安徽四创电子股份有限公司 一种高架桥入口匝道交通拥堵等级估计方法
CN109285346B (zh) * 2018-09-07 2020-05-05 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
CN109754605B (zh) * 2019-02-27 2021-12-07 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
CN110164128B (zh) * 2019-04-23 2020-10-27 银江股份有限公司 一种城市级智能交通仿真系统
CN110276947B (zh) * 2019-06-05 2021-03-23 中国科学院深圳先进技术研究院 一种交通融合分析预测方法、系统及电子设备
CN110263280B (zh) * 2019-06-11 2021-03-23 浙江工业大学 一种基于多视图的动态链路预测深度模型及应用
CN110415516B (zh) * 2019-07-15 2021-06-22 厦门大学 基于图卷积神经网络的城市交通流预测方法及介质
CN110570651B (zh) * 2019-07-15 2020-10-30 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
CN110675623B (zh) * 2019-09-06 2020-12-01 中国科学院自动化研究所 基于混合深度学习的短时交通流量预测方法、系统、装置
CN110717627B (zh) * 2019-09-29 2022-01-25 浙江大学 一种基于对偶图框架的全量交通预测方法
CN110827546B (zh) * 2019-11-21 2021-02-26 银江股份有限公司 一种信号交叉口路段短期速度预测方法
CN110929962A (zh) * 2019-12-13 2020-03-27 中国科学院深圳先进技术研究院 一种基于深度学习的交通流量预测方法及装置
AU2020100371A4 (en) * 2020-03-12 2020-04-16 Jilin University Hierarchical multi-object tracking method based on saliency detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1707544A (zh) * 2005-05-26 2005-12-14 上海交通大学 城市路网交通流状态估计方法
CN101551940A (zh) * 2009-04-29 2009-10-07 上海电器科学研究所（集团）有限公司 城市快速道路交通状态判别与发布系统及其方法
CN101719314A (zh) * 2009-11-17 2010-06-02 姜廷顺 区域交通拥堵引发点记录分析系统及其运行方法
CN109887282A (zh) * 2019-03-05 2019-06-14 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法
CN110264709A (zh) * 2019-05-06 2019-09-20 北京交通大学 基于图卷积网络的道路的交通流量的预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dynamic analysis of traffic state and congestion propagation on bidirectional grid network;Shu-bin Li,Ba-i bai Fu,Jian-feng Zheng.;《Discrete Dynamics in Nature and Society》;20131231;全文 *
Urban traffic congestion propagation and bottleneck identification;Long J C,Gao Z Y,Ren H L,et al;《Science in China Series F:Information Sciences》;20081231;全文 *
基于故障传播有向图的交通拥堵传播研究;梁坤;《公路与汽运》;20160331;全文 *

Also Published As

Publication number Publication date
CN111540198A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111540198B (zh) 基于有向图卷积神经网络的城市交通态势识别方法
CN110164128B (zh) 一种城市级智能交通仿真系统
Kim et al. Urban traffic flow prediction system using a multifactor pattern recognition model
Xie et al. Sequential graph neural network for urban road traffic speed prediction
CN107248283B (zh) 一种考虑路段关键度的城市区域路网运行状态评价方法
CN111832814A (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN111860951A (zh) 一种基于动态超图卷积网络的轨道交通客流预测方法
Ashifuddin Mondal et al. Intelligent traffic congestion classification system using artificial neural network
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN105740643A (zh) 一种基于城市区域网格自适应的pm2.5浓度推测方法
CN113591380A (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN106023592A (zh) 一种基于gps数据的交通拥堵检测方法
Ma et al. Identifying spatiotemporal traffic patterns in large-scale urban road networks using a modified nonnegative matrix factorization algorithm
Shen et al. An attention-based digraph convolution network enabled framework for congestion recognition in three-dimensional road networks
CN116307275B (zh) 一种基于空域因果传递的自行车流量预测方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN111383273B (zh) 一种基于改进结构推理网络的高铁接触网零部件定位方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN111341109A (zh) 一种基于时空相似性的城市级信号推荐系统
CN115936069A (zh) 一种基于时空注意力网络的交通流预测方法
CN113807404B (zh) 面向多源信息融合的智慧交通网络智能化监控与应急系统
CN117610734A (zh) 基于深度学习的用户行为预测方法、系统和电子设备
Wibisono et al. Perceptron rule improvement on FIMT-DD for large traffic data stream
CN116386020A (zh) 多源数据融合的高速公路收费站出口流量预测方法及系统
CN115482666A (zh) 基于数据融合的多图卷积神经网络交通预测方法

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
GR01 Patent grant
GR01 Patent grant