CN111612243A - 交通速度预测方法、系统及存储介质 - Google Patents
交通速度预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111612243A CN111612243A CN202010418444.2A CN202010418444A CN111612243A CN 111612243 A CN111612243 A CN 111612243A CN 202010418444 A CN202010418444 A CN 202010418444A CN 111612243 A CN111612243 A CN 111612243A
- Authority
- CN
- China
- Prior art keywords
- graph
- matrix
- traffic speed
- new
- traffic
- 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 66
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (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)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通速度预测方法、系统及存储介质,采集原始交通速度数据集,将所述数据集划分成训练集和测试集,挖掘原始交通速度数据集不同的空间关系,构建出两个路网图;将所述两个路网图的邻接矩阵融合为新图邻接矩阵;将所述训练集和所述新图邻接矩阵作为交通预测模型的输入,训练得到预测模型;利用所述预测模型预测交通速度。本发明能充分全面的挖掘空间关系,减小模型处理的复杂度,准确预测交通速度。
Description
技术领域
本发明涉及交通数据处理领域,特别是一种交通速度预测方法、系统及存储介质。
背景技术
近年来,随着智能交通系统和全球定位系统(GPS)、移动设备等各种定位技术的快速发展,交通数据的可获得性日益增强。从交通数据中挖掘有价值的知识对许多现实世界的应用至关重要,包括智能交通、城市规划、公共安全等。交通预测对实现交通诱导,出行规划和拥塞控制都具有重大的意义。所以如何进行实时准确的交通预测已经变得越来越受人们关注。
交通预测问题被定义为基于道路网络中历史交通信息来预测未来某一个时间段的交通信息。本发明重点关注交通速度信息,交通速度数据是一种时空数据,由于城市道路网络拓扑结构的约束和动态变化的规律使得其具有复杂的时间和空间上的相关性。如何准确全面的挖掘出交通速度数据之间的时空相关性是提高交通预测准确性的一个关键之处。
目前国内外有许多关于交通预测方法的研究,大致可以分为两类:传统的机器学习方法和深度学习方法。
传统的机器学习方法的主要方法有,自回归积分移动平均模型ARIMA[1],线性回归模型[2],以及为了改善预测精度提出的一系列ARIMA模型的变体,周期性ARIMA[3],子集ARIMA[4]。这些时间序列模型利用已观测到的时间序列去预测未来的数据。但是这些模型依赖于假设系统模型是静态的,不能反映交通数据的非线性和不确定性,不能克服交通事故等随机事件的干扰。因此有研究人员开始使用支持向量机回归模型[5],贝叶斯网络模型[6]和K近邻模型[7]等方法,这些方法可以自动的利用足够的历史数据来学习交通信息的时间变化规律,克服了只支持静态系统的假设。
近年来,随着深度学习的快速发展,深度神经网络模型因能很好地捕捉交通数据的动态特性而受到关注。比如卷积神经网络模型(CNN)[13]。在图像处理中,CNN表现出强大的能力来建模像素之间的相似性,这也可以被看作为一种空间关系。在这个点的启发下,一些研究者开始使用卷积神经网络(CNN)来捕捉交通网络之间的相邻关系,同时在时间轴上使用递归神经网络(RNN)以及RNN的变体长短时记忆网络(LSTM),门控递归单元(GRU)[14]来提取时间特征。Zhang等人[8]提出了一种深度学习模型称为ST-ResNet,基于时间的邻近性、周期性和趋势性来为这三个属性分别设计一个残差卷积网络,然后将三个网络和外部因素动态整合来预测城市人流数。Wang等人[9],将交通信息建模为一个时空矩阵,结合CNN和RNN来预测道路交通速度和拥塞源,并且加入了一个误差反馈机制来对早晚高峰和交通事故等突发事件进行建模,提高对道路交通速度预测的精度。由于道路更容易生成图的表示,有研究人员开始关注图卷积神经网络模型(GCN)[15]。Zhao等人[10]提出的T-GCN模型将每一个路段作为节点,根据路段是否相连形成边,生成一张路网图,利用图卷积网络GCN和门控递归单元模型GRU分别捕获获得空间特征和时间特征来生成交通预测结果。Yu等人[11]提出了一个STGCN模型,将每一个观测点作为节点,两个点之间的距离作为边生成路网图,利用两个时空卷积块来处理图结构化的序列交通数据,最终进行路网级的交通速度预测。Geng等人[12]提出来一个ST-MGCN模型来进行网约车需求量的一个预测。文章使用图对区域间的三种空间相关性进行了分别的建模。对三个图分别处理完时间序列之后再使用图卷积神经网络进行空间特征的提取,最后进行特征的融合,最终生成需求量预测结果。
现有的方法在进行交通预测时存在着一些问题。使用传统的机器学习方法预测时,考虑了交通信息随时间的动态变化但是却忽略了空间上的拓扑结构的改变,使得不能准确的预测交通状态。而深度学习方法如CNN模型虽在建模空间相关性上有效,但是却由于它只适用于欧几里得空间数据的局限性,使得其对路网拓扑关系的建模可解释性较差。图卷积神经网络(GCN)模型的发展,为提取交通数据的空间关系提供了一种很好的解决方案。而现有的图卷积神经网络模型在进行交通速度预测时,对交通速度数据的空间特征挖掘不全面,大多考虑的只有相邻路段或者相邻区域的单一空间关系,而实际上空间上的关系存在很多种,譬如还存在地图上相隔很远,但是交通需求模式或者拥堵模式非常相似的路段。又或是像已有的ST-MGCN模型虽挖掘了诸多空间信息,但存在预测模型存在复杂度大,参数多,收敛慢等问题。
[1]M.S.Ahmed and A.R.Cook,“Analysis of freeway traffic time-seriesdata by using Box-Jenkins techniques,”Transp.Res.Rec.,no.722,pp.1–9,1979.
[2]Dudek,Grzegorz.Pattern-based local linear regression models forshort-term load forecasting[J].Electric power systems research,2016,130(JAN.):139-147.
[3]Williams B M,Hoel L A.Modeling and Forecasting Vehicular TrafficFlow as a Seasonal ARIMA Process:Theoretical Basis and Empirical Results[J].Journal of Transportation Engineering,2003,129(6):p.664-672.
[4]Lee S,Fambro D,Lee S,et al.Application of Subset AutoregressiveIntegrated Moving Average Model for Short-Term Freeway Traffic VolumeForecasting[J].Transportation Research Record Journal of the TransportationResearch Board,1999,1678(1):179-188.
[5]Wu C H,Wei C C,Su D C,et al.Travel time prediction with supportvector regression[C]//Intelligent Transportation Systems,IEEE.IEEE,2003.
[6]Sun S,Zhang C,Yu G.A Bayesian Network Approach to Traffic FlowForecasting[J].IEEE Transactions on Intelligent Transportation Systems,2006,7(1):p.124-132.
[7]ZHANG Xiao-li,HE Guo-guang,LU Hua-pu.Short-term traffic flowforecasting based on K-nearest neighbors non-parametric regression[J].journalof systems engineering,2009.
[8]Zhang J,Zheng Y,Qi D.Deep Spatio-Temporal Residual Networks forCitywide Crowd Flows Prediction[J].2016.
[9]Wang J,Gu Q,Wu J,et al.Traffic Speed Prediction and CongestionSource Exploration:A Deep Learning Method[C]//IEEE International Conferenceon Data Mining.IEEE,2016.
[10]Zhao,Ling,Song,Yujiao,Zhang,Chao,等.T-GCN:A Temporal GraphConvolutionalNetwork for Traffic Prediction[J].2018.
[11]Yu,Bing,Haoteng Yin,and Zhanxing Zhu."Spatio-temporal graphconvolutional networks:A deep learning framework for traffic forecasting."arXiv preprint arXiv:1709.04875(2017).
[12]Geng,Xu,et al."Spatiotemporal multi-graph convolution network forride-hailing demand forecasting."2019AAAI Conference on ArtificialIntelligence(AAAI’19).2019.
[13]Krizhevsky A,Sutskever I,Hinton G E.Imagenet classification withdeep convolutional neural networks[C].Advances in neural informationprocessing systems.2012:1097-1105.
[14]R.Fu,Z.Zhang,and L.Li,“Using LSTM and GRU neural network methodsfor traffic flow prediction,”in Proc.31st Youth AcademicAnnu.Conf.Chin.Assoc.Automat.(YAC),Wuhan,China,Nov.2016,pp.324–328.
[15]Defferrard,M.;Bresson,X.;and Vandergheynst,P.2016.Convolutionalneural networks on graphs with fast localized spectral filtering.In Advancesin Neural Information Processing Systems,3844–3852.
[16]LI,Yaguang,et al.Diffusion convolutional recurrent neuralnetwork:Data-driven traffic forecasting.arXiv preprint arXiv:1707.01926,2017.
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种交通速度预测方法、系统及存储介质,充分全面的挖掘空间关系,减小模型处理的复杂度,准确预测交通速度。
为解决上述技术问题,本发明所采用的技术方案是:一种交通速度预测方法,其特征在于,包括以下步骤:
1)集原始交通速度数据集,将所述数据集划分成训练集和测试集,挖掘原始交通速度数据集不同的空间关系,构建出两个路网图;
2)将所述两个路网图的邻接矩阵融合为新图邻接矩阵;
3)将所述训练集和所述新图邻接矩阵作为交通预测模型的输入,训练得到预测模型;
4)利用所述预测模型预测交通速度。
本发明将道路网建模为以图的形式,比使用卷积神经网络的方法相比更能抽象出道路之间复杂的拓扑结构,为了能充分全面的挖掘空间关系,本发明构建出了两个不同的路网图分别代表两种空间关系,将路网图的邻接矩阵融合,生成一个新图邻接矩阵,新图的邻接矩阵就能够代表道路网中存在复杂的空间关系,减小处理多图的复杂度。
步骤1)中,所述两个路网图分别为邻居图和相关性图;所述邻居图GN=(VN,EN,AN),其中,VN为邻接图的节点,EN代表邻接图的边,AN为邻居图的邻接矩阵;所述相关性图Gs=(Vs,Es,As),其中,Vs为相关性图的节点,Es代表相关性图的边,As为相关性图的邻接矩阵。本发明提取两种空间关系,邻居图代表了相邻相近互相影响的节点,而相关性图代表了不相邻但是依然能互相影响的节点,跟其它采用单图的方法相较而言,空间关系挖掘的更全面,更能进行有效的预测。
所述邻居图的节点为道路或采集原始交通速度数据的传感器;当所述节点为道路时,当所述节点为传感器时,其中vi,vj代表传感器i和传感器j,dist(vi,vj)代表了传感器i和传感器j之间的距离,σ是传感器i和传感器j的距离之间的标准偏差,k是为了保证邻接矩阵稀疏性设置的一个阈值。本发明采用了两种构建邻居图的邻接矩阵的方法,分别应用于节点为道路或者传感器,增强了本发明方法的扩展性,可用于多种类型的真实数据,两种构图方法均能有效的建模邻居空间关系。
所述相关性图的边的权值和邻接矩阵表达式如下:
其中ri,j代表相关性图节点(可以为道路或采集原始交通速度数据的传感器,若邻居图节点为道路则相关性图的节点为道路,若邻居图节点为采集原始交通速度数据的传感器,则相关性图的节点为采集原始交通速度数据的传感器)i和节点j之间的皮尔逊系数,Xi代表节点i的速度向量,代表节点i的速度向量的均值,Yi代表节点j的速度向量,代表节点j的速度向量的均值;As为相关性图的邻接矩阵;n是节点的个数。本发明采用皮尔逊相关系数来计算节点之间速度向量的相关性,皮尔逊相关系数广泛用于度量两个变量之间的相关程度,其值介于-1与1之间。相关系数的绝对值越大,说明两个向量线性相关的程度越强。因为原始的交通速度数据集一般维度比较高,跟其它的计算相关性的方法如欧式距离度量法和余弦相似度相比,更为简单且容错性更强。
步骤2)的具体实现过程包括:
A)分别计算两个所述路网图的归一化的拉普拉斯矩阵;
B)利用两个所述路网图的归一化的拉普拉斯矩阵分别计算两个所述路网图的谱嵌入矩阵;
C)根据每个路网图的谱嵌入矩阵和归一化的拉普拉斯矩阵,计算出新图的拉普拉斯矩阵Lnew=(LN+LS)-(α1UNUN'+α2USUS');取出Lnew的对角线生成新图的度矩阵Dnew,根据公式Anew=Dnew-Lnew,求出新图的邻接矩阵Anew;其中,LN,Ls分别为两个路网图的归一化的拉普拉斯矩阵;UN,Us分别为两个路网图的谱嵌入矩阵,UN',US'分别为谱嵌入矩阵UN,Us的转置矩阵,α1,α2为平衡等式项数的超参数。
本发明采用路网图的归一化的拉普拉斯矩阵,对矩阵归一化是简化运算复杂度。然后利用谱嵌入矩阵来进行降维操作,同样减少了运算复杂度,最后利用路网图的谱嵌入矩阵和归一化的拉普拉斯矩阵,最终得出新图的拉普拉斯矩阵。与直接利用两个单图的方法相比,这种融合方法处理得到的新图信息更丰富且有效,由于降维操作降低了计算的复杂度,且删除了一些不重要的、冗余的影响预测结果的信息。
所述交通预测模型包括用于提取空间特征的图卷积神经网络和用于提取时间特征的门递归单元。
深度学习方法如CNN模型虽在建模空间相关性上有效,但是却由于它只适用于欧几里得空间数据的局限性,使得其对路网拓扑关系的建模可解释性较差。交通速度数据是一种时空大数据,所以,交通预测模型需要同时提取空间特征和时间特征,由于本发明中道路网用图的形式表示,图卷积神经网络(GCNN)自然成为该场景下的一种非常合适的提取空间特征的选择,而提取时间特征的常用的方法,有递归神经网络(RNN)以及它的变体长短时记忆网络(LSTM)和门控递归单元(GRU),递归神经网络与长短时记忆网络相比,缺乏对长时间的依赖关系的提取,长短时记忆网络和门控递归单元相比,参数多,收敛慢,因此在本发明中选择用门控递归单元提取时间特征。所以本发明所述交通预测模型为提取空间特征的图卷积神经网络和用于提取时间特征的门递归单元。
所述图卷积神经网络包括:
输入层,输入为所述原始交通速度数据集和所述新图邻接矩阵;
隐藏层,用于提取路网图中的空间特征,在新图邻接矩阵上做图卷积操作,图卷积操作公式为:其中X为原始交通速度数据集,Anew为新图邻接矩阵,A~=Anew+I,I为单位矩阵;D~=∑A~,D~即对应的A~的度矩阵;W0和W1分别是输入层到隐藏层的权值矩阵、隐藏层到输出层的权值矩阵。
输出层,用于输出图卷积操作的结果f(X,Anew);
其中,隐含层和输出层的激活函数都为ReLU函数。
所述门控递归单元包括:
输入层,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,其中Xt-1代表t-1时刻原始交通速度数据集X的交通速度数据
隐藏层,用于根据t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,通过如下公式获取当前的隐藏状态ht:
ut=σ(Wu·[ht-1,f(Xt-1,Anew)])
rt=σ(Wr·[ht-1,f(Xt-1,Anew)])
c=tanh(Wc·[(rt*ht-1),f(Xt-1,Anew)]);
ht=(1-ut)*c+ut*ht-1
其中,u是更新门,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,Wu是连接输入到更新门的权重矩阵,ut是更新门的输出;r是复位门,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,Wr是连接输入层到复位门的权重矩阵,rt是复位门的输出;c是候选的隐藏状态的值,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew),以及复位门输出与t-1时刻的隐藏状态ht-1的乘积,Wc是连接输入和候选隐藏状态的权重矩阵;ht为当前的隐藏状态;σ()是Sigmoid函数,tanh是双曲正切函数;
输出层,用于输出当前时刻的隐藏状态ht。
本发明图卷积神经网络和门控递归单元隐藏层节点数取值范围均为[16,128],保证误差大小合适,降低预测模型的复杂度。
本发明还提供了一种交通速度预测系统,包括计算机设备,该计算机设备被配置或编程为用于执行上述方法的步骤。
作为一个发明构思,本发明还提供了一种计算机可读存储介质,其存储有程序,该程序用于执行上述方法的步骤。
与现有技术相比,本发明所具有的有益效果为:
1、本发明能充分全面的挖掘空间关系,新图的邻接矩阵就能够代表道路网中存在复杂的空间关系,减小处理多图的复杂度,能准确预测交通速度;
2、本发明预测模型相对现有技术较简单,训练过程计算量小,收敛快,实用性强。
附图说明
图1是本发明所提出的交通多图预测模型FMGCN的框架图;
图2是本发明采用的两层图卷积神经网络的示意图;
图3是本发明使用的门控递归单元的内部结构图;
图4是时空图卷积预测模型(TGCN)的内部结构图;
图5是基于多图的网约车需求预测模型(ST-MGCN)的网络结构图;
图6是5个模型的精度对比的条形图;
图7是本发明提出的预测模型使用单图的精度对比的条形图。
具体实施方式
本发明实施例使用多视图图卷积神经网络模型来预测交通速度,分为五个部分,第一部分是数据预处理以及图的构建,第二部分是图的融合,第三部分构建预测模型,第四部分是训练预测模型,第五部分是检验实验效果。
第一步,数据预处理,包括两方面,一是对原始的交通速度数据进行预处理,二是生成不同的空间关系图。
1.原始的交通速度数据集。对原始采集的交通速度数据通常不符合要求,经过处理后才能满足我们的需要。处理的第一步是进行数据归一化,第二步是构造出构造训练集和测试集。
归一化的目的是为了缓解数据样本的差异过大造成的神经网络训练时间增加且可能找不到最优解的问题。训练神经网络的目的是要找到目标函数的最优解,如果样本特征X1和X2的取值范围分别是[1,10000]和[1,100],模型要同时兼顾两方面的影响,数据样本之间的差异会造成寻找最优解的路径变长,从而加长了训练时间,并且可能陷入局部最优。而把数据归一化以后,此种弊端将会被消除。
本发明采用线性归一化方法,转换公式如下:
其中,X是原始特征值,X'是X的归一化后的值,min(X)是原始数据集中X的最小值,max(X)是数据集中X的最大值。
接着将归一化之后的数据集分成训练集和测试集。其中,训练集中的样本用于模型学习交通速度变化的特性,测试集中的样本用来验证模型的效果。本发明使用留出法把归一化的数据集划分成互斥的训练集和测试集,即前80%的样本组成训练集,剩余的20%样本作为测试集。
本发明还可以采用交叉验证法、自助法等方法划分训练集和测试集,留出法(hold-out)是直接将数据集D划分为两个互斥的集合,其中一个集合作为训练集S,另一个作为测试集T。在S上训练出模型后,用T来评估其测试误差,作为对泛化误差的估计。交叉验证法是每一个样本数据都即被用作训练数据,也被用作测试数据。在数据集比较大时,对于深度学习来说,训练样本个数为M,则需要要训练M个模型的计算开销太大,难以忍受。自助法是由自助采样法为基础,所以产生的数据集改变了初始数据集的分布,会引入估计偏差。因此,在初始数据量足够时,留出法和交叉验证法更常用一些,而为了减少开销,在本发明中采用留出法来划分训练集和测试集。
2.图的构建。本发明共挖掘两种空间关系构成两个不一样的图,生成两个邻接矩阵。两个空间关系图由以下方式生成。
邻居图,GN=(VN,EN,AN)。VN为邻接图的节点,可以将道路或者原始采集交通速度的传感器视为一个节点,EN代表邻接图的边,AN为邻居图的邻接矩阵。若将道路视为节点,则邻接矩阵的元素只有0,1。
若将传感器视为节点,则邻接矩阵的计算公式如下:
其中vi,vj代表传感器i和传感器j,dist(vi,vj)代表了传感器i和传感器j之间的距离,σ是传感器的距离之间的标准偏差,k是为了保证矩阵稀疏性设置的一个阈值,本发明中将其置为0.1。
相关性图,Gs=(Vs,Es,As)。利用节点之间历史速度观测值序列的相关性来评估两条节点之间的空间依赖关系。我们使用皮尔逊相关系数来计算任意两个节点之间的相似性作为相关性图的边的权值(邻接矩阵的元素值)。皮尔逊相关系数的计算公式如下:
第二步,图的融合。对数据做好处理后,进一步的工作是生成新图。
1.对第一步生成的两个单图(路网图)GN,Gs都计算归一化的拉普拉斯矩阵LN,Ls,对于一个无向图G(V,E,W)来说,若D被定义图的度矩阵,W被定义为图的邻接矩阵,则该图的归一化拉普拉斯矩阵被定义为:
2,计算两个单图GN,Gs的谱嵌入矩阵UN,Us,谱嵌入矩阵分别包含了LN,Ls的k个最小特征值对应的特征向量,本实施例中,k取值为2。
3,根据每个路网图的谱嵌入矩阵和归一化的拉普拉斯矩阵,计算出新图的拉普拉斯矩阵Lnew=(LN+LS)-(α1UNUN'+α2USUS');取出Lnew的对角线生成新图的度矩阵Dnew,根据公式Anew=Dnew-Lnew,求出新图的邻接矩阵Anew;其中,LN,Ls分别为两个路网图的归一化的拉普拉斯矩阵;UN,Us分别为两个路网图的谱嵌入矩阵,UN',US'分别为谱嵌入矩阵UN,Us的转置矩阵,α1,α2为平衡等式项数的超参数。为了方便计算,本发明中令α1=α2=0.5。取出Lnew的对角线生成新图的度矩阵Dnew,根据公式Anew=Dnew-Lnew,求出新图的邻接矩阵Anew。
第三步,构建交通预测模型。
基于交通预测是一个时空预测问题,因此要构建两个单独的模型来分别处理空间特征和时间特征。具体结构如附图1所示,在本发明中,采用图卷积神经网络来提取空间特征,采用门控递归单元来提取时间特征。
首先要确定历史时间窗口和预测时间窗口。历史时间窗口的大小代表用过去多少个时刻的交通速度值。预测时间窗口的大小代表用预测接下来多少个时刻内的交通速度值。
其次,是确定隐藏层的神经元个数。具体本发明中需要分别确定图卷积神经网络和门控递归单元的隐藏层单元数目。
在设计神经网络时,找到合适的隐藏层节点数对神经网络模型的性能具有举足轻重的地位。过大的隐藏层也是导致过拟合现象出现的原因之一,为了尽最大努力防止发生过拟合的情况,也为了使预测模型的表现效果更好,本发明采取的最基本原则是:合理隐藏层节点数既要考虑误差大小又要考虑预测模型的复杂性,本发明设置隐藏层节点数取值范围为[16,128],例如16,32,64,128等。隐藏层节点数具体大小在实验分析部分给出。
最后,构建输出层。输出层的神经元个数取决于预测时间窗口。本发明中,输出层只有一个神经元,接受最后一个时刻的隐藏层输入。
确定了输入层,隐藏层和输出层之后,再把层与层之间带权重全连接,模型构建完毕。
具体来说,本实施例设计采用两层图卷积神经网络,具体结构如附图2所示,两层图卷积神经网络的前向传播模型为
其中X为原始的交通速度数据集,Anew为新图邻接矩阵,A~=Anew+I,即新图邻接矩阵与单位矩阵之和;D-=∑A-,即对应的A-的度矩阵。其中隐含层和输出层的激活函数都为ReLU函数,W0和W1分别是输入层到隐藏层和隐藏层到输出层的权值矩阵。
门控递归单元的结构图如附图3所示,其表达式为
ut=σ(Wu·[ht-1,f(Xt-1,Anew)])
rt=σ(Wr·[ht-1,f(Xt-1,Anew)])
c=tanh(Wc·[(rt*ht-1),f(Xt-1,Anew)])
ht=(1-ut)*c+ut*ht-1
其中,u是更新门,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,Wu是连接输入到更新门的权重矩阵,ut是更新门的输出;r是复位门,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,Wr是连接输入层到复位门的权重矩阵,rt是复位门的输出;c是候选的隐藏状态的值,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew),以及复位门输出与t-1时刻的隐藏状态ht-1的乘积,Wc是连接输入和候选隐藏状态的权重矩阵;ht为当前的隐藏状态;σ()是Sigmoid函数,tanh是双曲正切函数
第四步,训练交通预测模型。
神经网络的训练过程是最优化损失函数过程。本发明中的损失函数(训练集的损失不下降,就认为达到了收敛状态)使用2范数损失函数,为了避免过拟合,增加一个2范数正则化项,损失函数记为:
Loss=||Ypred-Ytrue||+l2,其中Ypred代表预测值,Ytrue代表真实值。
本发明采用基于反向传播算法(BP算法)来训练神经网络。BP算法建立在梯度下降法的基础上,是适合于多层神经元网络的一种学习算法。并且采用Adam优化器来提升算法模型。
第五步是检验实验效果
模型训练好后,在测试集上检验其效果,把测试样本逐个输入模型,计算模型在测试集上的预测精度。评价预测模型的效果好坏需要相应评价指标。本发明采取的指标是平均绝对误差(MAE)和均方根误差(RMSE)。假设N为样本个数,评价指标的计算公式如下:
MAE、RMSE的值越小,表明模型性能越好。
以下通过实验来分析本发明的方法的性能:
为了证实本发明所提出的交通预测方法的表现比现有的交通预测方法效果更优,实验中对比的几个模型分别是:历史平均模型HA,支持向量机回归模型SVR,T-GCN模型,ST-MGCN模型。HA,SVR是传统的机器学习方法,T-GCN是单图模型结构如附图4所示,ST-MGCN是多图模型,结构如附图5所示。
实验中所使用的数据集是论文DCRNN[16]中提供的METR-LA数据集,这些数据采集自洛杉矶高速公路上的环形检测器,包括从2012年3月1日至6月30日,共四个月的交通速度数据,每5min采集一次。在本发明中采用了其中的207个传感器,2012年3月1日到2012年3月7日的交通速度数据,数据点共有2016个,将输入数据归一化到[0,1]区间,采用留出法将前80%的数据作为训练集,后20%的数据作为测试集。历史时间窗口定为12,预测时间窗口定为3,也就是说使用历史一小时的交通速度来预测未来15分钟的交通速度。为了使得模型尽可能收敛,学习率被设置成0.001,在进行测试后,发现隐藏层神经单元设为64时效果最优。输入样本被转换成三维张量输入,[batch_size,seq_len,nodes],batch_size代表更新一次权重所需要输入的样本数,seq_len是输入序列的长度,nodes代表节点数。它们3个的具体值分别是32,12,和207。
图6是5个模型的精度对比的条形图。将模型迭代50次生成如下实验结果,从图中可以看出,在RMSE方面,本发明提出的预测模型优于其他四种方法,但是MAE方面,本发明提出的预测模型与SVR结果相差不大,但优于其他三种模型。
图7是本发明提出的预测模型使用单图的精度对比的条形图。为了验证本发明的效果,使用邻接图和相关性图分别进行预测,结果表明,本发明采用的多图融合方法生成的单图效果最优,说明了本发明提出的方法有效的挖掘了多种空间关系,并且能在减少模型复杂度的前提下有效的整合多种空间关系,提高预测精度。
Claims (10)
1.一种交通速度预测方法,其特征在于,包括以下步骤:
1)采集原始交通速度数据集,将所述数据集划分成训练集和测试集,挖掘原始交通速度数据集不同的空间关系,构建出两个路网图;
2)将所述两个路网图的邻接矩阵融合为新图邻接矩阵;
3)将所述训练集和所述新图邻接矩阵作为交通预测模型的输入,训练得到预测模型;
4)利用所述预测模型预测交通速度。
2.根据权利要求1所述的交通速度预测方法,其特征在于,步骤1)中,所述两个路网图分别为邻居图和相关性图;所述邻居图GN=(VN,EN,AN),其中,VN为邻接图的节点,EN代表邻接图的边,AN为邻居图的邻接矩阵;所述相关性图Gs=(Vs,Es,As),其中,Vs为相关性图的节点,Es代表相关性图的边,As为相关性图的邻接矩阵。
5.根据权利要求1所述的交通速度预测方法,其特征在于,步骤2)的具体实现过程包括:
A)分别计算两个所述路网图的归一化的拉普拉斯矩阵;
B)利用两个所述路网图的归一化的拉普拉斯矩阵分别计算两个所述路网图的谱嵌入矩阵;
C)根据每个路网图的谱嵌入矩阵和归一化的拉普拉斯矩阵,计算出新图的拉普拉斯矩阵Lnew=(LN+LS)-(α1UNUN'+α2USUS');取出Lnew的对角线生成新图的度矩阵Dnew,根据公式Anew=Dnew-Lnew,求出新图的邻接矩阵Anew;其中,LN,Ls分别为两个路网图的归一化的拉普拉斯矩阵;UN,Us分别为两个路网图的谱嵌入矩阵,UN',US'分别为谱嵌入矩阵UN,Us的转置矩阵,α1,α2为平衡等式项数的超参数。
6.根据权利要求1所述的交通速度预测方法,其特征在于,所述交通预测模型包括用于提取空间特征的图卷积神经网络和用于提取时间特征的门控递归单元。
7.根据权利要求6所述的交通速度预测方法,其特征在于,所述图卷积神经网络包括:
输入层,输入为所述原始交通速度数据集和所述新图邻接矩阵;
隐藏层,用于提取路网图中的空间特征,在新图邻接矩阵上做图卷积操作,图卷积操作公式为:其中X为原始交通速度数据集,Anew为新图邻接矩阵,A~=Anew+I,I为单位矩阵;D~=∑A~,D~即对应的A~的度矩阵;W0和W1分别是输入层到隐藏层的权值矩阵、隐藏层到输出层的权值矩阵;
输出层,用于输出图卷积操作的结果f(X,Anew);f(X,Anew)即空间特征;
其中,隐含层和输出层的激活函数都为ReLU函数;
优选地,所述隐藏层节点数取值范围为[16,128]。
8.根据权利要求7所述的交通速度预测方法,其特征在于,所述门控递归单元包括:
输入层,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,其中Xt-1代表t-1时刻原始交通数据集X的交通速度数据;
隐藏层,用于根据t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,通过如下公式获取当前的隐藏状态ht:
ut=σ(Wu·[ht-1,f(Xt-1,Anew)])
rt=σ(Wr·[ht-1,f(Xt-1,Anew)])
c=tanh(Wc·[(rt*ht-1),f(Xt-1,Anew)]);
ht=(1-ut)*c+ut*ht-1
其中,u是更新门,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,其中Xt-1代表t-1时刻原始交通数据集X的交通速度数据,Wu是连接输入到更新门的权重矩阵,ut是更新门的输出;r是复位门,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew)以及t-1时刻的隐藏状态ht-1,Wr是连接输入层到复位门的权重矩阵,rt是复位门的输出;c是候选的隐藏状态的值,输入为t-1时刻从图卷积神经网络获得的输出结果f(Xt-1,Anew),以及复位门输出与t-1时刻的隐藏状态ht-1的乘积,Wc是连接输入层和候选隐藏状态的权重矩阵;ht为当前的隐藏状态;σ()是Sigmoid函数,tanh是双曲正切函数;
输出层,用于输出当前时刻的隐藏状态ht;ht即时间特征;
优选地,所述隐藏层节点数取值范围为[16,128]。
9.一种交通速度预测系统,包括计算机设备,其特征在于,该计算机设备被配置或编程为用于执行权利要求1~8之一所述方法的步骤。
10.一种计算机可读存储介质,其存储有程序,其特征在于,该程序用于执行权利要求1~8之一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010418444.2A CN111612243B (zh) | 2020-05-18 | 2020-05-18 | 交通速度预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010418444.2A CN111612243B (zh) | 2020-05-18 | 2020-05-18 | 交通速度预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612243A true CN111612243A (zh) | 2020-09-01 |
CN111612243B CN111612243B (zh) | 2023-11-10 |
Family
ID=72201878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010418444.2A Active CN111612243B (zh) | 2020-05-18 | 2020-05-18 | 交通速度预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612243B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112201346A (zh) * | 2020-10-12 | 2021-01-08 | 哈尔滨工业大学(深圳) | 癌症生存期预测方法、装置、计算设备及计算机可读存储介质 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112257614A (zh) * | 2020-10-26 | 2021-01-22 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112562312A (zh) * | 2020-10-21 | 2021-03-26 | 浙江工业大学 | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 |
CN112712695A (zh) * | 2020-12-30 | 2021-04-27 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112766551A (zh) * | 2021-01-08 | 2021-05-07 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN112863180A (zh) * | 2021-01-11 | 2021-05-28 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN112991721A (zh) * | 2021-02-04 | 2021-06-18 | 南通大学 | 基于图卷积网络节点关联度的城市路网交通速度预测方法 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及系统 |
CN113393017A (zh) * | 2021-05-07 | 2021-09-14 | 浙江警官职业学院 | 一种基于个体复杂关系的监管场所安全预警方法及装置 |
CN113611119A (zh) * | 2021-08-10 | 2021-11-05 | 北京航空航天大学 | 一种基于门控递归单元的车辆诱导方法 |
CN116402554A (zh) * | 2023-06-07 | 2023-07-07 | 江西时刻互动科技股份有限公司 | 一种广告点击率预测方法、系统、计算机及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
CN109754126A (zh) * | 2019-01-30 | 2019-05-14 | 银江股份有限公司 | 基于时空相关性和卷积神经网络的短时交通流预测方法 |
CN110517479A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视系统技术有限公司 | 一种城市道路交通预测方法、装置及电子设备 |
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 |
CN111079975A (zh) * | 2019-11-14 | 2020-04-28 | 青岛海信网络科技股份有限公司 | 一种交通数据预测方法、装置及交通工具控制方法 |
-
2020
- 2020-05-18 CN CN202010418444.2A patent/CN111612243B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517479A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视系统技术有限公司 | 一种城市道路交通预测方法、装置及电子设备 |
CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
CN109754126A (zh) * | 2019-01-30 | 2019-05-14 | 银江股份有限公司 | 基于时空相关性和卷积神经网络的短时交通流预测方法 |
CN111079975A (zh) * | 2019-11-14 | 2020-04-28 | 青岛海信网络科技股份有限公司 | 一种交通数据预测方法、装置及交通工具控制方法 |
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 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112201346B (zh) * | 2020-10-12 | 2024-05-07 | 哈尔滨工业大学(深圳) | 癌症生存期预测方法、装置、计算设备及计算机可读存储介质 |
CN112216108B (zh) * | 2020-10-12 | 2021-06-29 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112201346A (zh) * | 2020-10-12 | 2021-01-08 | 哈尔滨工业大学(深圳) | 癌症生存期预测方法、装置、计算设备及计算机可读存储介质 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112562312A (zh) * | 2020-10-21 | 2021-03-26 | 浙江工业大学 | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 |
CN112257614A (zh) * | 2020-10-26 | 2021-01-22 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112257614B (zh) * | 2020-10-26 | 2022-05-17 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN112712695B (zh) * | 2020-12-30 | 2021-11-26 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112712695A (zh) * | 2020-12-30 | 2021-04-27 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112766551A (zh) * | 2021-01-08 | 2021-05-07 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN112766551B (zh) * | 2021-01-08 | 2022-05-17 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN112863180B (zh) * | 2021-01-11 | 2022-05-06 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN112863180A (zh) * | 2021-01-11 | 2021-05-28 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN112991721A (zh) * | 2021-02-04 | 2021-06-18 | 南通大学 | 基于图卷积网络节点关联度的城市路网交通速度预测方法 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113393017A (zh) * | 2021-05-07 | 2021-09-14 | 浙江警官职业学院 | 一种基于个体复杂关系的监管场所安全预警方法及装置 |
CN113393017B (zh) * | 2021-05-07 | 2022-08-23 | 浙江警官职业学院 | 一种基于个体复杂关系的监管场所安全预警方法及装置 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及系统 |
CN113611119A (zh) * | 2021-08-10 | 2021-11-05 | 北京航空航天大学 | 一种基于门控递归单元的车辆诱导方法 |
CN113611119B (zh) * | 2021-08-10 | 2022-06-28 | 北京航空航天大学 | 一种基于门控递归单元的车辆诱导方法 |
CN116402554A (zh) * | 2023-06-07 | 2023-07-07 | 江西时刻互动科技股份有限公司 | 一种广告点击率预测方法、系统、计算机及可读存储介质 |
CN116402554B (zh) * | 2023-06-07 | 2023-08-11 | 江西时刻互动科技股份有限公司 | 一种广告点击率预测方法、系统、计算机及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111612243B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
WO2021109318A1 (zh) | 一种城市路网短期交通运行状态估计与预测方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
Chen et al. | A graph convolutional stacked bidirectional unidirectional-LSTM neural network for metro ridership prediction | |
CN110766942B (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 | |
CN112949828B (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 | |
Ge et al. | Temporal graph convolutional networks for traffic speed prediction considering external factors | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN115206092B (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
Chen et al. | A short-term traffic flow prediction model based on AutoEncoder and GRU | |
CN115936069A (zh) | 一种基于时空注意力网络的交通流预测方法 | |
CN115759461A (zh) | 一种面向物联网的多元时间序列预测方法及系统 | |
CN112927507B (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
CN113112792A (zh) | 一种基于语义信息的多模块交通密集度预测方法 | |
Sun et al. | Ada-STNet: A Dynamic AdaBoost Spatio-Temporal Network for Traffic Flow Prediction | |
Chen et al. | Improved LSTM based on attention mechanism for short-term traffic flow prediction | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
CN114220096A (zh) | 一种基于图像描述的遥感图像语义理解方法 | |
Duan et al. | Multi-view spatial-temporal adaptive graph convolutional networks for traffic forecasting |
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 |