CN111540199A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111540199A CN111540199A CN202010315312.7A CN202010315312A CN111540199A CN 111540199 A CN111540199 A CN 111540199A CN 202010315312 A CN202010315312 A CN 202010315312A CN 111540199 A CN111540199 A CN 111540199A
- Authority
- CN
- China
- Prior art keywords
- speed
- gate
- vehicle
- road
- toll station
- 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 33
- 230000007246 mechanism Effects 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000011144 upstream manufacturing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 29
- 239000013598 vector Substances 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- QNYVPIIHDIDFPU-UHFFFAOYSA-N Conferon Natural products CC1=CCC2C(CCC(=O)C2(C)C)C1COc3ccc4C=CC(=O)Oc4c3 QNYVPIIHDIDFPU-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- JECGPMYZUFFYJW-UHFFFAOYSA-N conferone Natural products CC1=CCC2C(C)(C)C(=O)CCC2(C)C1COc3cccc4C=CC(=O)Oc34 JECGPMYZUFFYJW-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- MVZXTUSAYBWAAM-UHFFFAOYSA-N iron;sulfuric acid Chemical compound [Fe].OS(O)(=O)=O MVZXTUSAYBWAAM-UHFFFAOYSA-N 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了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,其通过融合高速公路的多模态数据,包括有龙门架卡口道路速度数据、收费站出入流量数据、路段车道信息等,对目标卡口路段的未来时间段交通流进行短时预测。本发明方法综合考虑交通流模型中的时间和空间特征,把多种因素通过编码方式进行融合,综合图注意力机制和空洞卷积等方法进行速度预测的模型构建,应用某高速公路路段实测数据构建模型并进行验证,预测结果和实测结果对比表面本研究提出的车速预测方法具有较好的效果。
Description
技术领域
本发明属于交通信息技术领域,具体涉及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。
背景技术
借助于交通大数据融合技术对海量的数据进行专业化处理,可实现对路网的精细化评价,还原出真实运行状态,通过深度加工挖掘出更多潜在价值,实现数据的价值增值并为决策提供支持;通过历史交通信息、实时监测交通信息并对未来交通信息进行有效地预测,辅以合理的诱导措施,有望缓解现阶段路网通行效率低的问题。
目前高速公路道路通行能力通常停留在定性评价及人的主观判定,应用层面上缺乏有效数据和技术进行深层次分析;多年来行业内一直致力于提升道路智慧化运行管理能力,但交通大数据采集分析方面仍然存在着数据格式多样、有效信息提取难等问题。与独立传感器系统数据相比,基于高速交通多源数据并辅以人工智能算法和大数据技术,可显著增强系统评估和预测能力,提高整个系统的可靠性、鲁棒性和可信度,并可扩展整个系统的时间、空间覆盖率,增加系统的实时性和信息利用率等。
目前对交通流量预测上已经一定的研究:文献《Yu,Bing,Haoteng Yin,andZhanxing Zhu.“Spatio-Temporal Graph Convolutional Networks:A Deep LearningFramework for Traffic Forecasting.”Proceedings of the Twenty-SeventhInternational Joint Conference on Artificial Intelligence(2018):n.pag.Crossref.Web》提出了STGCN模型对交通流量进行预测,模型包括两个时空图卷积块(ST-Conv Block)和一个输出全连接层(Output layer),其中作为核心的ST-Conv Block又由两个时间门控卷积(GLU)和一个空间卷积(GCN)组成;该模型仅利用卷积层来设计网络结构,利用瓶颈策略(bottleneck strategy)来实现通过压缩通道进行的规模缩放和特征压缩,减少了训练过程的参数,但模型中的GCN模块对复杂拓扑结构的特征捕捉能力有限,同时GLU只是在CNN的基础上在卷积层加入门控机制实现长期记忆的捕捉。
文献《Zhao,Ling et al.“T-GCN:ATemporal Graph Convolutional Network forTraffic Prediction.”IEEE Transactions on Intelligent Transportation Systems(2019):1–11.Crossref.Web》提出了T-GCN模型用于对交通速度进行预测,该模型结合图卷积网络(GCN)和门循环神经网络(GRU)来分别捕捉城市路网交通的空间和时间依赖特性,本质上是使用GCN学习复杂的拓扑结构,以及使用GRU学习交通数据的动态变化;但该模型具有一定局限性:GCN对于复杂拓扑结构特征的捕捉能力有限,GRU在对长序列训练过程存在梯度消失的风险,且GRU因为是迭代训练容易发生误差积累。
文献《Park,Cheonbok&Lee,Chunggi&Bahng,Hyojin&won,Taeyun&Kim,Kihwan&Jin,Seungmin&Ko,Sungahn&Choo,Jaegul.(2019).STGRAT:A Spatio-TemporalGraphAttentionNetwork forTraffic Forecasting》提出了STGRAT模型对交通速度进行预测,模型通过观察速度变化、结点间距离和流通关系,使用时空注意力机制来捕捉交通中的时空依赖,同时采用空间哨兵向量(spatial sentinel vector)来避免不必要注意力值的计算,从而提高预测准确率;但该模型在由交通网络构成的同构图中的预测表现良好,但现实场景中的交通网络更应该是包含多种结点和边权信息的异构图,过多的现实理想化假设使该模型预测的能力具有局限性。
发明内容
鉴于上述,本发明提出了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,应用于高速交通系统以探索评估高速公路大数据在实时交通状态和未来路网状态,致力于将现阶段的定性分析提升到定量分析,实现路网的分时段、分路段细粒度评估实现管理的精细化、标准化并提升路网运行的整体掌控能力、服务能力和公众出行体验。
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,包括如下步骤:
(1)对于高速公路上的每一卡口,结合门架点位和车辆通过时间计算出每一卡口的道路速度;
(2)统计判断高速公路上的每一收费站的进出流量;
(3)根据步骤(1)和(2)获取大量的样本,每一样本即对应一个卡口且每一样本的特征量包括当前卡口的道路速度、上一卡口的道路速度、当前卡口处的有效车道数以及当前卡口上游最近收费站的进出流量;
(4)构建高速公路的路网有向图,卡口与收费站作为图中的结点,各结点之间通过边相互连接,进而对结点特征量做标准化处理,对结点之间在高速公路上的实际距离做归一化处理后作为图中对应边的权重;
(5)建立一个基于图注意力机制的时间卷积神经网络,利用样本对该神经网络进行训练,得到用于高速交通道路车速的预测模型;
(6)对于待预测卡口,获取其特征信息并输入至预测模型中,从而输出得到待测卡口未来时段的道路速度。
进一步地,所述步骤(1)的具体实现方式如下:
1.1对于高速公路上的任一车辆,利用卡口处的摄像头记录该车辆经过每一卡口的时间{t1,t2,…,tn};
1.2根据以下公式计算车辆在相邻卡口之间路段上的平均速度;
其中:vi为车辆在第i号卡口与第i-1号卡口之间路段上的平均速度,pi和pi-1分别为高速公路上第i号卡口和第i-1号卡口的里程值,ti和ti-1分别为车辆经过第i号卡口和第i-1号卡口的时间,i为自然数且2≤i≤n,n为高速公路上的卡口数量;
1.3以5分钟为一个步长,将当前步长时间段内通过第i号卡口的所有车辆按平均速度vii从低到高进行排序,取其中85分位的车辆的平均速度vi作为第i号卡口的道路速度。
进一步地,在所述步骤(1)的具体实现过程中需对车辆进行识别以及数据异常处理,所采用的策略为:首先进行车牌修正,即根据中国车牌标准《GA36-2007》,将车牌识别出的O和I分别修改为0和1,并以车牌对车辆进行模糊匹配;当车辆在某一路段上的平均速度超过正常速度上下限范围,则判定异常并去除该平均速度;当车辆在某一路段上的平均速度缺失,则根据车辆在其他路段上平均速度的均值对其补齐。
进一步地,所述步骤(2)的具体实现方式如下:
2.1对于高速公路上的任一收费站s且其位于卡口a和卡口b之间,以5分钟为一个步长,确定当前步长时间段内高速公路上所有车辆的集合U={c1,c2,…,cm};
2.2对于集合U中的任一车辆cj,通过以下公式计算其进入收费站s的判别指标finj和离开收费站s的判别指标foutj;
其中:ms、ma和mb分别为收费站s、卡口a和卡口b处的里程碑桩号,tsj、taj和tbj分别为车辆cj经过收费站s、卡口a和卡口b的时间,d=1表示车辆cj的行驶方向为从卡口a至卡口b,反之d=2,ζ为时间阈值(一般设定为30min);
进一步地,所述步骤(5)中的时间卷积神经网络由输入层、全连接层、空洞卷积层、图注意力网络以及线性输出层依次连接组成。
进一步地,所述全连接层使用了一个1×1大小的卷积核对输入层做全连接操作并使用激活函数LeakyReLU进行非线性处理。
进一步地,所述空洞卷积层包含两条分支:一条分支通过一维空洞卷积gate抓取全连接层输出中的上游结点特征并经激活函数sigmoid后输出矩阵D1,另一条分支通过二维空洞卷积filter抓取全连接层输出中的自身结点特征并经激活函数tanh后输出矩阵D2,进而使矩阵D1×D2的结果作为空洞卷积层的输出。
进一步地,所述图注意力网络基于路网有向图中的结点仅与上游结点有关,故规定了结点之间边的连通指向关系,以结点之间在高速公路上的实际距离赋予边的初始权重,利用注意力机制对图中邻接结点特征加权求和获得累和距离为1的注意力权值,即根据输入特征进行至少一次self-attention操作对所有结点训练一个权重矩阵即输入与输出的关系,从而实现输出。
进一步地,所述步骤(5)中对时间卷积神经网络进行训练的具体过程为:首先初始化时间卷积神经网络中的各项参数、学习率、优化算法以及最大迭代次数;然后将样本特征量包括当前卡口处的有效车道数、当前卡口上游最近收费站的进出流量以及上一卡口的道路速度在时间维度、结点数量维度以及样本批量维度组成四维矩阵输入至神经网络中进行训练,并计算神经网络的输出结果与样本特征量中当前卡口道路速度之间的误差函数L,进而通过优化算法对整个神经网络中的参数不断进行更新,直至误差函数L收敛或达到最大迭代次数,从而完成训练得到预测模型。
本发明的创新优点包括以下几方面:
1.本发明预测模型的图结构中存在不同性质的点和边,因此是一种基于异构图的交通网络,相比传统结点较为单一的模型,更能反映现实交通情况中复杂的情况。
2.本发明对异构图不同的边权关系和结点关系通过增加维度、归一化处理,转换成了同构图,使之与模型契合。
3.本发明预测模型是一种结合了TCN(时间卷积网络)和GAT(图注意力网络)双重注意力机制的模型,TCN关注时序上特征的重要程度,GAT关注空间上特征的重要程度,同时结合空洞卷积,更有效地提取局部特征。
4.较传统的方法利用单一的历史速度数据不同的是,本发明使用多种模态下的数据,如收费站进出口信息、高速车道数量信息、卡口道路速度信息、卡口和收费站信息等内容,是一种多模态融合下的速度预测方法。
5.本发明预测模型是一种端到端的模型,结果表明可显著提高预测准确度。
附图说明
图1为高速公路上卡口与收费站的分布示意图。
图2(a)为高速公路拓扑示意图。
图2(b)为图2(a)对应的路网有向图。
图3为本发明基于图注意力机制的时间卷积神经网络模型结构示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明基于多模态融合和图注意力机制的高速交通流预测方法,包括如下步骤:
(1)特征数据收集及预处理。
1.1车辆速度与道路速度的计算
对于一辆行驶在高速路上的机动车,高速道路上的摄像头应在连续的卡口拍摄到这辆车,得到了不同时间点上离散的车辆位置数据(p0,p1,p2,···,pt),从而可以根据位置和时间得到相邻记录上的平均速度(v0,v1,v2,···,vt-1),其中而受现实情况中设备、天气情况等不可控因素影响,车牌的识别并不总是正确的,从而可能造成数据不连续、信息过少等情况,本发明使用以下策略来提高车辆车牌的匹配率:
①车牌修正:根据我国车牌标准《GA36-2007》,预处理时将后五位识别出的O和I分别修改为0和1。
②模糊匹配:仅使用车牌后5位匹配。
④去异常:考虑时间和位置上的合理性,若(p0,p1,···,px,···,pt)中px<p0且vx大于阈值,则为异常记录,去除。
道路的速度由车辆的速度决定,本实施例以5分钟为一个步长,将这个时间段内通过卡口的所有车辆速度由高到低进行排序,以85分位点作为该道路的速度。不使用平均值是因为:若一辆车在中途进入服务区休息,则在该卡口计算的车速必定变小;若一辆车在同一卡口被连续拍到两次,则limΔt→0,则在该卡口计算的车速必定变大,采用85分位点方法可以降低异常车辆群对整体的影响。
1.2收费站流量统计
如图1所示,对于一辆行驶在高速道路上的机动车,如果发生了进出收费站的行为,在进入收费站时应当在收费站前的卡口a、收费站s处有记录;而离开收费站时应当在收费站s、收费站后的卡口b处有记录,为排除车牌识别错误而产生的影响仅对车牌后5位进行匹配。
以上海方向为例,方向direction被标记为d=2,且milestone应当随着接近目的地而减小;假定收费站的milestone为ms,收费站处的记录时间为ts,则进入该收费站的记录应满足卡口处ma<ms,离开该收费站的记录应满足卡口处mb>ms。为了防止同一辆车多次记录的干扰,设定时间阈值ζ为30min,即进入该收费站的记录应满足卡口处而离开该收费站的记录应满足卡口处
因此对于任意一辆机动车ci,在进入收费站时应当有:
而在离开收费站时应当有:
1.3车道变化
高速公路上的突发事故会导致交通拥堵,最主要原因是事故车辆对车道的占用降低了道路通行效率,因此对事故发生前后的车道变化进行统计分析至关重要,本实施例根据数据中原始道路的车道数,以及事故发生时的车道占用情况,得到了8月、9月G60高速公路有效车道的变化数据。
(2)特征向量构成。
2.1卡口向量
一个道路卡口包含了道路的诸多信息,如道路速度、有效车道数、车流量等,我们对卡口的特征向量化,构成一个三维向量,它的维度为(time_steps,num_nodes,num_features)。
2.2收费站向量
收费站结点不同于卡口结点,它的特征仅含车流量,为了将异构图转为同构图(将卡口结点和收费站结点统一化),我们默认收费站的车道数为1,同样的构造三维向量(time_steps,num_nodes,num_features)。
2.3路网结构
高速公路的路网结构相对于城市道路要简单,图2(a)是高速公路的拓扑结构,主线由单向卡口Oi(i=1,2,···,17)串联而成,支线为存在于卡口间的收费站节点Tj(j=1,2,···,6),但是结点之间的关系并不简单,由于存在不同的结点和边,所以这是一张异构图。显而易见的,一个结点的状态取决于其上游结点的状态,而与下游结点无关,因此O1至O6的路段结点关系可以用图2(b)来表达,其中两端点都为O型结点的代表卡口和卡口的关系,两端点为O型和T型的代表卡口和收费站的关系,两端点都为T型的代表收费站和收费站的关系。
2.4标准化
本实施例对结点的特征进行了标准化处理:
对结点之间的距离进行了归一化处理:
(3)构建网络模型框架。
本发明的技术框架核心部分为对异构图的非线性时序特征和空间特征的处理,网络模型架构如图3所示。
3.1输入层
本实施例中原始输入X是一串三维向量[time_steps,num_nodes,num_features],其中第三维的特征包括了车速、车道、收费站流量;训练时的batch size设为32,故最终输入层的向量为四维[batch_size,time_steps,num_nodes,num_features]=[32,12,23,2]。
3.2全连接层
在多特征情况中,为了实现多特征组合,本发明使用了全连接操作来实现,区别于一般的全连接,本实施例中这一操作由两步构成:(1)使用了一个大小为1×1的卷积核,本质上是对每个位置的n维通道组成的n维vector做全连接操作,来实现特征的组合;(2)使用了激活函数LeakyReLU进行非线性处理,增强了网络的非线性表达能力。
X′=LeakyReLU(Conv2D(X))
kernelsize=(1,1)
经过LeakyReLU后的输出矩阵大小为[batch_size,time_steps,num_nodes,num_features]=[32,13,23,40](num_nodes增加的为bias),训练时的参数如表1所示:
表1
3.3空洞卷积层
高速一个卡口的状态是由其上游卡口和上游收费站的状态来决定,若一个卡口的状态作为[X1,X2,X3,···,Xn]是输入之一,要预测其下游某个卡口的状态[Y1,Y2,Y3···,Yn],那么输入序列中的每个time step(1~n)上对输出的重要程度是不相同的,就像RNN上存在时序上的计算连接。为此需要对时序上的特征上的特征进行捕捉,本实施例使用Dilated Convolution来提取特征重要程度,因为尽管每个time step上的重要程度不同,但是在现实中真正对一个卡口在t时刻起到影响的时间t-Δt应在一个阈值范围,只要合理设置空洞卷积的空洞率(扩张率)D来扩大卷积时的感受野,就可以有效的获取时序上的特征。
另外,一个结点状态不仅与其上游结点相关,也与自身结点相关,因此本发明在时序上分别使用gate和filter空洞卷积来抓取上游和自身结点的特征,对于一维空洞卷积使用sigmoid激活函数,二维空洞卷积使用tanh激活函数,gate conv输出矩阵大小为[32,13,23,40],filter conv输出矩阵大小为[32,13,23,40]。
空洞卷积层的总层数为8层,gate conv和filter conv的空洞率D初始值为1,即普通卷积,每随着层数增加×2,输出矩阵大小为[batch_size,time_steps,num_nodes,num_features]=[32,12,23,40],具体参数如表2所示:
表2
3.4图注意力网络
GAT用注意力机制对邻接结点特征加权求和,获得累和距离为1的注意力权值。为了得到相应的输入和输出的转换,我们需要根据输入特征至少进行一次self-attention操作,即对所有结点训练一个权重矩阵W,即输入的F个特征与输出的F'个特征之间的关系,attention coefficients为:
GAT的注意力权值完全取决于结点特征而与图结构无关,但在本发明的framework中仍可以看到增加了一个额外输入,也就是图结构,这么做是因为在高速路上的结点仅与上游结点有关,本发明在图结构中规定了边的连通关系,在GAT中也就mask了对不相关点的注意力值计算,仅将注意力分配到结点i的邻居结点集Ni上。
相邻结点的注意力值α计算可以写为:
在训练时,GAT模型的参数如表3所示:
表3
3.5线形层
对上述经过全连接层、空洞卷积层和图注意力网络层后的矩阵使用线性层进行预测,但只对特征之一——速度进行预测,因此与输入层不同的是输出层的输出大小为[batch_size,time_steps,num_nodes,num_features]=[32,12,23,1]。
(4)实际预测和实验评价。
本实施例采用的数据集是采集自某高速路段的真实数据,时长为60天,其中包括了模型所需的重要字段,如拍摄日期、拍摄位置、车牌等,如表4所示;同时本实施例还对车辆速度和道路速度进行了计算,以作为后期判断交通状态的重要依据。
表4
时长 | 60天 | 路段长度 | 约100km |
卡口数量 | 41 | 收费数据 | 约100万条 |
事故记录 | 约1000条 | 施工记录 | 约600条 |
对数据进行整理后,本实施例选取9日的单向17个卡口,6个收费站的数据来验证模型,以5min为步长计算和统计了车速、道路速度和车流量、收费站流量,共有记录1395条。
在baseline和项目模型中,我们使用均方根误差(Root Mean Square Error,RMSE)和平均绝对值误差(Mean Absolute Error,MAE)作为评估模型的标准。
我们对baseline和项目模型进行了评估,结果如表5所示:
表5
ARIMA | Holt Winters | Moving Average | Naive | GCN_LSTM | TCN+GAT | |
RMSE | 9.2216 | 9.57587 | 8.74122 | 10.2905 | 6.62857 | 5.1797 |
MAE | 5.93896 | 6.0263 | 4.56486 | 6.25218 | 3.7678 | 3.3878 |
在baseline中,机器学习方法将数据集视作时间序列,使用了ARIMA、HoltWinters、滑动平均法(Moving Average)和朴素估计法Naive来进行序列预测,结果显示滑动平均法在RMSE和MAE的获得了最佳表现,而baseline中的深度学习方法GCN_LSTM不仅考虑时间了时间性,还将图结构也一起考虑进来,获得明显了优于机器学习的效果。而本发明模型TCN+GAT经过多模态融合、异构图转同构图、双重注意力机制的帮助,获得了目前为止最佳的效果,RMSE比最佳baseline低了1.449,MAE比最佳baseline低了0.38,证明了本发明预测模型在交通流预测的优秀能力。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (9)
1.一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,包括如下步骤:
(1)对于高速公路上的每一卡口,结合门架点位和车辆通过时间计算出每一卡口的道路速度;
(2)统计判断高速公路上的每一收费站的进出流量;
(3)根据步骤(1)和(2)获取大量的样本,每一样本即对应一个卡口且每一样本的特征量包括当前卡口的道路速度、上一卡口的道路速度、当前卡口处的有效车道数以及当前卡口上游最近收费站的进出流量;
(4)构建高速公路的路网有向图,卡口与收费站作为图中的结点,各结点之间通过边相互连接,进而对结点特征量做标准化处理,对结点之间在高速公路上的实际距离做归一化处理后作为图中对应边的权重;
(5)建立一个基于图注意力机制的时间卷积神经网络,利用样本对该神经网络进行训练,得到用于高速交通道路车速的预测模型;
(6)对于待预测卡口,获取其特征信息并输入至预测模型中,从而输出得到待测卡口未来时段的道路速度。
2.根据权利要求1所述的高速交通流预测方法,其特征在于:所述步骤(1)的具体实现方式如下:
1.1对于高速公路上的任一车辆,利用卡口处的摄像头记录该车辆经过每一卡口的时间{t1,t2,…,tn};
1.2根据以下公式计算车辆在相邻卡口之间路段上的平均速度;
其中:vi为车辆在第i号卡口与第i-1号卡口之间路段上的平均速度,pi和pi-1分别为高速公路上第i号卡口和第i-1号卡口的里程值,ti和ti-1分别为车辆经过第i号卡口和第i-1号卡口的时间,i为自然数且2≤i≤n,n为高速公路上的卡口数量;
1.3以5分钟为一个步长,将当前步长时间段内通过第i号卡口的所有车辆按平均速度vi从低到高进行排序,取其中85分位的车辆的平均速度vi作为第i号卡口的道路速度。
3.根据权利要求2所述的高速交通流预测方法,其特征在于:在所述步骤(1)的具体实现过程中需对车辆进行识别以及数据异常处理,所采用的策略为:首先进行车牌修正,即根据中国车牌标准《GA36-2007》,将车牌识别出的O和I分别修改为0和1,并以车牌对车辆进行模糊匹配;当车辆在某一路段上的平均速度超过正常速度上下限范围,则判定异常并去除该平均速度;当车辆在某一路段上的平均速度缺失,则根据车辆在其他路段上平均速度的均值对其补齐。
4.根据权利要求1所述的高速交通流预测方法,其特征在于:所述步骤(2)的具体实现方式如下:
2.1对于高速公路上的任一收费站s且其位于卡口a和卡口b之间,以5分钟为一个步长,确定当前步长时间段内高速公路上所有车辆的集合U={c1,c2,…,cm};
2.2对于集合U中的任一车辆cj,通过以下公式计算其进入收费站s的判别指标finj和离开收费站s的判别指标foutj;
其中:ms、ma和mb分别为收费站s、卡口a和卡口b处的里程碑桩号,tsj、taj和tbj分别为车辆cj经过收费站s、卡口a和卡口b的时间,d=1表示车辆cj的行驶方向为从卡口a至卡口b,反之d=2,ζ为时间阈值;
5.根据权利要求1所述的高速交通流预测方法,其特征在于:所述步骤(5)中的时间卷积神经网络由输入层、全连接层、空洞卷积层、图注意力网络以及线性输出层依次连接组成。
6.根据权利要求5所述的高速交通流预测方法,其特征在于:所述全连接层使用了一个1×1大小的卷积核对输入层做全连接操作并使用激活函数LeakyReLU进行非线性处理。
7.根据权利要求5所述的高速交通流预测方法,其特征在于:所述空洞卷积层包含两条分支:一条分支通过一维空洞卷积gate抓取全连接层输出中的上游结点特征并经激活函数sigmoid后输出矩阵D1,另一条分支通过二维空洞卷积filter抓取全连接层输出中的自身结点特征并经激活函数tanh后输出矩阵D2,进而使矩阵D1×D2的结果作为空洞卷积层的输出。
8.根据权利要求5所述的高速交通流预测方法,其特征在于:所述图注意力网络基于路网有向图中的结点仅与上游结点有关,故规定了结点之间边的连通指向关系,以结点之间在高速公路上的实际距离赋予边的初始权重,利用注意力机制对图中邻接结点特征加权求和获得累和距离为1的注意力权值,即根据输入特征进行至少一次self-attention操作对所有结点训练一个权重矩阵即输入与输出的关系,从而实现输出。
9.根据权利要求1所述的高速交通流预测方法,其特征在于:所述步骤(5)中对时间卷积神经网络进行训练的具体过程为:首先初始化时间卷积神经网络中的各项参数、学习率、优化算法以及最大迭代次数;然后将样本特征量包括当前卡口处的有效车道数、当前卡口上游最近收费站的进出流量以及上一卡口的道路速度在时间维度、结点数量维度以及样本批量维度组成四维矩阵输入至神经网络中进行训练,并计算神经网络的输出结果与样本特征量中当前卡口道路速度之间的误差函数L,进而通过优化算法对整个神经网络中的参数不断进行更新,直至误差函数L收敛或达到最大迭代次数,从而完成训练得到预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315312.7A CN111540199B (zh) | 2020-04-21 | 2020-04-21 | 基于多模态融合和图注意力机制的高速交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315312.7A CN111540199B (zh) | 2020-04-21 | 2020-04-21 | 基于多模态融合和图注意力机制的高速交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111540199A true CN111540199A (zh) | 2020-08-14 |
CN111540199B CN111540199B (zh) | 2021-04-06 |
Family
ID=71977013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315312.7A Active CN111540199B (zh) | 2020-04-21 | 2020-04-21 | 基于多模态融合和图注意力机制的高速交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111540199B (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967679A (zh) * | 2020-08-20 | 2020-11-20 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
CN112071062A (zh) * | 2020-09-14 | 2020-12-11 | 山东理工大学 | 一种基于图卷积网络和图注意力网络的行车时间估计方法 |
CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 |
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 |
CN112232237A (zh) * | 2020-10-20 | 2021-01-15 | 城云科技(中国)有限公司 | 车辆流量的监控方法、系统、计算机设备和存储介质 |
CN112257920A (zh) * | 2020-10-20 | 2021-01-22 | 北京工商大学 | 一种可直接捕获时空相关性的时空数据预测方法 |
CN112348243A (zh) * | 2020-10-29 | 2021-02-09 | 浙江工业大学 | 三维路网下交通拥堵识别方法 |
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 |
CN112559585A (zh) * | 2020-12-02 | 2021-03-26 | 中南大学 | 交通时空序列单步预测方法、系统及存储介质 |
CN112700072A (zh) * | 2021-03-24 | 2021-04-23 | 同盾控股有限公司 | 交通状况预测方法、电子设备和存储介质 |
CN112785848A (zh) * | 2021-01-04 | 2021-05-11 | 清华大学 | 一种交通数据预测方法以及系统 |
CN112907956A (zh) * | 2021-01-29 | 2021-06-04 | 同济大学 | 一种基于时空信息的高速公路车道级运行速度预测方法 |
CN113159856A (zh) * | 2021-04-30 | 2021-07-23 | 山东旗帜信息有限公司 | 一种收费站出站口流量预测方法及系统 |
CN113159371A (zh) * | 2021-01-27 | 2021-07-23 | 南京航空航天大学 | 基于跨模态数据融合的未知目标特征建模与需求预测方法 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN113222265A (zh) * | 2021-05-21 | 2021-08-06 | 内蒙古大学 | 物联网中移动多传感器空时数据预测方法及其系统 |
CN113326972A (zh) * | 2021-05-06 | 2021-08-31 | 大连海事大学 | 基于实时公交车速度统计数据的公交专用道短时速度预测方法 |
CN113345252A (zh) * | 2021-06-08 | 2021-09-03 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
CN114120637A (zh) * | 2021-11-05 | 2022-03-01 | 江苏中路工程技术研究院有限公司 | 一种基于连续监测器的智慧高速交通流量预测方法 |
CN114234995A (zh) * | 2021-12-21 | 2022-03-25 | 浙江数智交院科技股份有限公司 | 一种导航方法、装置、电子设备及存储介质 |
CN114282737A (zh) * | 2022-01-26 | 2022-04-05 | 国网电子商务有限公司 | 一种短期太阳辐照强度的预测方法、装置和电子设备 |
CN114500004A (zh) * | 2022-01-05 | 2022-05-13 | 北京理工大学 | 一种基于条件扩散概率生成模型的异常检测方法 |
CN114519932A (zh) * | 2022-01-10 | 2022-05-20 | 中国科学院深圳先进技术研究院 | 一种基于时空关系抽取的区域交通状况集成预测方法 |
CN114582131A (zh) * | 2022-03-17 | 2022-06-03 | 中远海运科技股份有限公司 | 一种基于匝道智能控流算法的监控方法及系统 |
CN114783183A (zh) * | 2022-04-15 | 2022-07-22 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
CN115601960A (zh) * | 2022-09-15 | 2023-01-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)(Cn) | 一种基于图对比学习的多模态交通流量预测方法及系统 |
CN115762147A (zh) * | 2022-11-07 | 2023-03-07 | 重庆邮电大学 | 一种基于自适应图注意神经网络的交通流量预测方法 |
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 |
CN115830855A (zh) * | 2022-11-11 | 2023-03-21 | 南京理工大学 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
CN116994427A (zh) * | 2023-07-04 | 2023-11-03 | 重庆邮电大学 | 一种基于大数据的道路路况预测方法 |
CN117253364A (zh) * | 2023-11-15 | 2023-12-19 | 南京感动科技有限公司 | 交通拥堵事件提取与态势融合方法与系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
US20180164111A1 (en) * | 2016-12-14 | 2018-06-14 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating driving information |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
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 |
CN109840628A (zh) * | 2019-01-17 | 2019-06-04 | 湖南大学 | 一种短时多区域车速预测方法及系统 |
WO2019178702A1 (en) * | 2018-03-23 | 2019-09-26 | The Governing Council Of The University Of Toronto | Systems and methods for polygon object annotation and a method of training an object annotation system |
CN110415521A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 交通数据的预测方法、装置和计算机可读存储介质 |
CN110599771A (zh) * | 2019-09-18 | 2019-12-20 | 京东城市(北京)数字科技有限公司 | 交通信息确定方法以及交通污染排放预测方法 |
CN110889546A (zh) * | 2019-11-20 | 2020-03-17 | 浙江省交通规划设计研究院有限公司 | 一种基于注意力机制的交通流量模型训练方法 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN110991483A (zh) * | 2019-11-01 | 2020-04-10 | 北京邮电大学 | 高阶邻域混合的网络表示学习方法及装置 |
US20200114926A1 (en) * | 2018-10-16 | 2020-04-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles |
-
2020
- 2020-04-21 CN CN202010315312.7A patent/CN111540199B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180164111A1 (en) * | 2016-12-14 | 2018-06-14 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating driving information |
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
WO2019178702A1 (en) * | 2018-03-23 | 2019-09-26 | The Governing Council Of The University Of Toronto | Systems and methods for polygon object annotation and a method of training an object annotation system |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
US20200114926A1 (en) * | 2018-10-16 | 2020-04-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles |
CN109840628A (zh) * | 2019-01-17 | 2019-06-04 | 湖南大学 | 一种短时多区域车速预测方法及系统 |
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 |
CN110415521A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 交通数据的预测方法、装置和计算机可读存储介质 |
CN110599771A (zh) * | 2019-09-18 | 2019-12-20 | 京东城市(北京)数字科技有限公司 | 交通信息确定方法以及交通污染排放预测方法 |
CN110991483A (zh) * | 2019-11-01 | 2020-04-10 | 北京邮电大学 | 高阶邻域混合的网络表示学习方法及装置 |
CN110889546A (zh) * | 2019-11-20 | 2020-03-17 | 浙江省交通规划设计研究院有限公司 | 一种基于注意力机制的交通流量模型训练方法 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
Non-Patent Citations (6)
Title |
---|
CHEONBOK PARK 等: "STGRAT: A Spatio-Temporal Graph Attention Network for Traffic Forecasting", 《ASSOCIATION FOR THE ADVANCEMENT OF ARTIFICIAL INTELLIGENCE》 * |
CHUANPAN ZHENG 等: "GMAN: A Graph Multi-Attention Network for Traffic Prediction", 《THE THIRTY-FOURTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
SHENGNAN GUO 等: "Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting", 《THE THIRTY-THIRD AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
TIANLONG WU 等: "Graph attention LSTM Network:A New Model for Traffic Flow Forecasting", 《2018 5TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND CONTROL ENGINEERING》 * |
冯宁: "基于时空图卷积网络的高速公路流量预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李志帅 等: "基于图卷积神经网络和注意力机制的短时交通流量预测", 《交通工程》 * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967679A (zh) * | 2020-08-20 | 2020-11-20 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
CN111967679B (zh) * | 2020-08-20 | 2023-12-08 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 |
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 |
CN112071062A (zh) * | 2020-09-14 | 2020-12-11 | 山东理工大学 | 一种基于图卷积网络和图注意力网络的行车时间估计方法 |
CN112232237A (zh) * | 2020-10-20 | 2021-01-15 | 城云科技(中国)有限公司 | 车辆流量的监控方法、系统、计算机设备和存储介质 |
CN112257920A (zh) * | 2020-10-20 | 2021-01-22 | 北京工商大学 | 一种可直接捕获时空相关性的时空数据预测方法 |
CN112232237B (zh) * | 2020-10-20 | 2024-03-12 | 城云科技(中国)有限公司 | 车辆流量的监控方法、系统、计算机设备和存储介质 |
CN112348243A (zh) * | 2020-10-29 | 2021-02-09 | 浙江工业大学 | 三维路网下交通拥堵识别方法 |
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 |
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 |
CN112559585A (zh) * | 2020-12-02 | 2021-03-26 | 中南大学 | 交通时空序列单步预测方法、系统及存储介质 |
CN112785848A (zh) * | 2021-01-04 | 2021-05-11 | 清华大学 | 一种交通数据预测方法以及系统 |
CN113159371A (zh) * | 2021-01-27 | 2021-07-23 | 南京航空航天大学 | 基于跨模态数据融合的未知目标特征建模与需求预测方法 |
CN112907956A (zh) * | 2021-01-29 | 2021-06-04 | 同济大学 | 一种基于时空信息的高速公路车道级运行速度预测方法 |
CN112700072B (zh) * | 2021-03-24 | 2021-06-29 | 同盾控股有限公司 | 交通状况预测方法、电子设备和存储介质 |
CN112700072A (zh) * | 2021-03-24 | 2021-04-23 | 同盾控股有限公司 | 交通状况预测方法、电子设备和存储介质 |
CN113178073A (zh) * | 2021-04-25 | 2021-07-27 | 南京工业大学 | 一种基于时间卷积网络的车流量短期预测优化应用方法 |
CN113159856A (zh) * | 2021-04-30 | 2021-07-23 | 山东旗帜信息有限公司 | 一种收费站出站口流量预测方法及系统 |
CN113326972B (zh) * | 2021-05-06 | 2024-01-05 | 大连海事大学 | 基于实时公交车速度统计数据的公交专用道短时速度预测方法 |
CN113326972A (zh) * | 2021-05-06 | 2021-08-31 | 大连海事大学 | 基于实时公交车速度统计数据的公交专用道短时速度预测方法 |
CN113222265A (zh) * | 2021-05-21 | 2021-08-06 | 内蒙古大学 | 物联网中移动多传感器空时数据预测方法及其系统 |
CN113345252A (zh) * | 2021-06-08 | 2021-09-03 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
CN113345252B (zh) * | 2021-06-08 | 2022-07-22 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
CN114120637A (zh) * | 2021-11-05 | 2022-03-01 | 江苏中路工程技术研究院有限公司 | 一种基于连续监测器的智慧高速交通流量预测方法 |
CN114234995A (zh) * | 2021-12-21 | 2022-03-25 | 浙江数智交院科技股份有限公司 | 一种导航方法、装置、电子设备及存储介质 |
CN114500004A (zh) * | 2022-01-05 | 2022-05-13 | 北京理工大学 | 一种基于条件扩散概率生成模型的异常检测方法 |
CN114519932B (zh) * | 2022-01-10 | 2023-06-20 | 中国科学院深圳先进技术研究院 | 一种基于时空关系抽取的区域交通状况集成预测方法 |
CN114519932A (zh) * | 2022-01-10 | 2022-05-20 | 中国科学院深圳先进技术研究院 | 一种基于时空关系抽取的区域交通状况集成预测方法 |
CN114282737A (zh) * | 2022-01-26 | 2022-04-05 | 国网电子商务有限公司 | 一种短期太阳辐照强度的预测方法、装置和电子设备 |
CN114582131A (zh) * | 2022-03-17 | 2022-06-03 | 中远海运科技股份有限公司 | 一种基于匝道智能控流算法的监控方法及系统 |
CN114582131B (zh) * | 2022-03-17 | 2023-08-29 | 中远海运科技股份有限公司 | 一种基于匝道智能控流算法的监控方法及系统 |
CN114783183B (zh) * | 2022-04-15 | 2024-05-24 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
CN114783183A (zh) * | 2022-04-15 | 2022-07-22 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
CN115601960A (zh) * | 2022-09-15 | 2023-01-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)(Cn) | 一种基于图对比学习的多模态交通流量预测方法及系统 |
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 |
CN115762147B (zh) * | 2022-11-07 | 2023-11-21 | 重庆邮电大学 | 一种基于自适应图注意神经网络的交通流量预测方法 |
CN115762147A (zh) * | 2022-11-07 | 2023-03-07 | 重庆邮电大学 | 一种基于自适应图注意神经网络的交通流量预测方法 |
CN115830855A (zh) * | 2022-11-11 | 2023-03-21 | 南京理工大学 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
CN115830855B (zh) * | 2022-11-11 | 2024-04-09 | 南京理工大学 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
CN116994427A (zh) * | 2023-07-04 | 2023-11-03 | 重庆邮电大学 | 一种基于大数据的道路路况预测方法 |
CN117253364A (zh) * | 2023-11-15 | 2023-12-19 | 南京感动科技有限公司 | 交通拥堵事件提取与态势融合方法与系统 |
CN117253364B (zh) * | 2023-11-15 | 2024-01-26 | 南京感动科技有限公司 | 交通拥堵事件提取与态势融合方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111540199B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540199B (zh) | 基于多模态融合和图注意力机制的高速交通流预测方法 | |
Zhang et al. | DNEAT: A novel dynamic node-edge attention network for origin-destination demand prediction | |
CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN111832814A (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
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 | |
CN111724589B (zh) | 一种基于多源数据的高速公路断面流量估计方法 | |
CN105279964B (zh) | 一种基于低秩算法的路网交通数据的补全方法 | |
CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
CN114330868A (zh) | 基于自注意力的个性化增强图卷积网络的客流预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN105354273A (zh) | 一种快速检索高速公路逃费车辆高相似度图像的方法 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN110599766A (zh) | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 | |
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 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN115206092B (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN114299728A (zh) | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 | |
CN114021809A (zh) | 一种无人驾驶用交通流量预测的图层级卷积神经网络模型 | |
CN115936069A (zh) | 一种基于时空注意力网络的交通流预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: No.928 yuhangtang Road, Xihu District, Hangzhou City, Zhejiang Province Patentee after: Zhejiang shuzhijiaoyuan Technology Co.,Ltd. Address before: No.928 yuhangtang Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: ZHEJIANG PROVINCIAL INSTITUTE OF COMMUNICATIONS PLANNING DESIGN & RESEARCH Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |