CN111785014A - 一种基于dtw-rgcn的路网交通数据修复的方法 - Google Patents
一种基于dtw-rgcn的路网交通数据修复的方法 Download PDFInfo
- Publication number
- CN111785014A CN111785014A CN202010452770.5A CN202010452770A CN111785014A CN 111785014 A CN111785014 A CN 111785014A CN 202010452770 A CN202010452770 A CN 202010452770A CN 111785014 A CN111785014 A CN 111785014A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- traffic
- matrix
- network
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- 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
Abstract
一种基于DTW‑RGCN的路网交通数据修复的方法,包括以下步骤:1)基于道路历史数据相似性重构道路交通网络;2)对道路交通数据流进行预处理并构建交通流状态矩阵数据集;3)基于道路交通网络和道路交通流状态矩阵,使用基于高斯分布的图卷积网络提取特征:将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入,提取道路交通网络的节点特征;4)基于高斯分布的图卷积网络实现交通流数据修复:将DTW处理后的含有数据缺失的交通路网数据作为RGCN的输入,定义模型损失函数,经过反向传播不断优化模型的参数,实现对交通路网缺失数据的修复。本发明有效提高了交通流数据修复的鲁棒性与准确性。
Description
技术领域
本发明涉及一种基于DTW-RGCN的路网交通数据修复的方法,本发明属于智能交通领域。
背景技术
道路交通流数据的完整性对智能交通系统中的道路交通流量预测、交通控制、交通流理论研究有着重要的利用价值。然而在在现实道路系统中,由于检测道路交通流的设备故障等原因,容易出现交通流数据缺失的情况。因此,道路交通流数据修复对智能交通系统的发展有着重要的意义。
现阶段的道路交通数据修复的方法主要有利用时间信息或者空间关系对缺失数据进行修复,利用时间相关性进行数据修复的常见算法有历史平均法、移动平均法、指数平滑法等;利用空间相关性进行数据修复的常见算法有基于灰色残差GM(1,N)算法、K最近邻算法等。但是大多数的算法的鲁棒性和数据修复精度不高。
发明内容
为了克服现有技术的不足,本发明提出一种基于DTW-RGCN(动态时间规整-鲁棒图卷积网络)的路网交通数据修复的方法,使用动态时间规整算法,依据道路之间历史交通流数据的相似性,构建新的网络结构,并利用图卷积的思想对路网时空特征进行有效提取,并且采用高斯分布作为每个图卷层中节点的隐藏表征,有效提高了交通流数据修复的鲁棒性与准确性。
本发明解决方法其技术问题所采用的技术方案是:
一种基于DTW-RGCN的路网交通数据修复的方法,包括以下步骤:
1)基于道路历史数据相似性重构道路交通网络:基于时间序列相似性的准则,使用动态时间规整DTW对每条道路选出与之在时间相关性上相似的较强的多条道路,构建道路交通网络;
2)对道路交通数据流进行预处理并构建交通流状态矩阵数据集:获取路网交通流状态数据,对数据进行预处理,构建交通流状态矩阵数据集;
3)基于道路交通网络和道路交通流状态矩阵,使用基于高斯分布的图卷积网络提取特征:将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入,提取道路交通网络的节点特征;
4)基于高斯分布的图卷积网络实现交通流数据修复:将DTW处理后的含有数据缺失的交通路网数据作为RGCN的输入,定义模型损失函数,经过反向传播不断优化模型的参数,实现对交通路网缺失数据的修复。
进一步,所述步骤1)的过程如下:
获取路段历史时间序列数据,基于时间序列相似性构建道路交通网络,其中任意两条道路之间的动态时间规整(DTW)距离计算过程为:两条道路的历史时间序列数据分别记为:X=(x1,x2,…,xn),Y=(y1, y2,…,yn),然后构建距离矩阵En×n,其中Eij=|xi-yj|,并计算动态时间距离Di,j=Ei,j+min(Di,j-1,Di-1,j,Di-1,j-1),其中Dnn为最终动态时间规整距离;对于道路i,选取前d条与其动态时间规整距离最小的道路集合 S={j,k,...},即集合S中的道路与第i条道路在时间序列上有着较强的相似性;
基于时间序列相似性构建道路交通网络图G=(V,E,A),V代表道路节点,E表示连边,A表示交通网络的邻接矩阵,若第i条道路与第 j条道路在基于动态时间规整分析后在历史时间序列上有着较强的相似性,则Aij=1,反之Aij=0。
再进一步,所述步骤2)的过程如下::
2.1:对数据流进行预处理,使用最大最小标准化对数据进行归一化处理,计算表达式如下:
其中,xreal为道路的原始流量数据,xmin为道路原始流量数据中的最小值,xmax为道路原始流量数据中的最大值,x为预处理后的道路流量数据;
2.2:构建交通流状态数据集
获取n条路段的交通状态数据矩阵如下:
其中,交通状态数据矩阵的行向量表示同一时刻不同道路的交通状态,列向量表示同一车道不同时刻的道路交通状态的时间状态,M表示历史交通状态数据的数目,N表示输入矩阵中道路的数目,则xit表示第i条道路上的在t时刻的交通状态;
利用掩膜矩阵Q表示交通数据缺失状态,Q=[Q1,Q2,Q3,...,Qn], Qi=[qi1,qi2,qi3,...,qiT],qij表示第i条路段在t时刻的数据是否缺失, i=0,1,...,n,j=0,1,...,n,若不缺失,则qij=1,若缺失,则qij=0,含有缺失数据的交通数据记为*表示矩阵对应元素相乘。
更进一步,所述步骤3)的过程如下:
在原来的图卷积层上使用高斯分布作为隐藏特征,但对于道路交通流状态输入矩阵X是特征向量而不是高斯分布,因此定义第一层均值矩阵M(1),方差矩阵Σ(1)如下所示:
其中,Wμ,Wσ分别是均值矩阵和方差矩阵的权重,ρ如下所示:
经过第一层全连接层之后,输入特征变为隐藏特征后,基于高斯分布的图卷积层的定义如下:
在第l层图卷积上使用高斯分布作为隐藏特征,均值矩阵和方差矩阵表示为M(l)=[μ1 (l),μ2 (l),…,μN (l)],Σ(l)=[σ1 (l),σ2 (l),…,σN (l)],其中,μ表示均值,σ表示方差。
所述步骤4)的过程如下:
4.1:对最后一层基于高斯分布的图卷积进行采样,采样公式如下:
L表示最后一层卷积层,采样后的Z=[Z1,Z2,...,ZN]作为全连接层的输入进行数据修复,全连接层表达式如下:
4.2:定义模型损失函数,经过反向传播不断优化模型的参数,损失函数如下所示:
Loss=Lcls+β1Lreg1+β2Lreg2 (13)
本发明的有益效果:本发明通过基于DTW-RGCN模型实现对路网缺失数据的修复。
本发明首先利用动态时间规整算法计算道路之间的动态时间规整距离,构建基于时间序列相似性的道路交通网络,然后将含有缺失数据的路网作为鲁棒图卷积网络模型的输入,不断进行迭代训练,最终实现对路网缺失数据的修复。实验表明,基于DTW-RGCN的路网缺失数据修复算法可以有效地提高对路网缺失数据修复的准确性与鲁棒性。
附图说明
图1是DTW-RGCN模型结构图
图2是数据修复结果实例
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1和图2,一种基于DTW-RGCN的路网交通数据修复的方法,包括以下步骤:
1)基于道路历史数据相似性重构道路交通网络,过程如下:
获取路段历史时间序列数据,基于时间序列相似性构建道路交通网络,其中任意两条道路之间的动态时间规整(DTW)距离计算过程为:两条道路的历史时间序列数据分别记为:X=(x1,x2,…,xn),Y=(y1, y2,…,yn),然后构建距离矩阵En×n,其中Eij=|xi-yj|,并计算动态时间距离Di,j=Ei,j+min(Di,j-1,Di-1,j,Di-1,j-1),其中Dnn为最终动态时间规整距离;对于道路i,选取前d条与其动态时间规整距离最小的道路集合 S={j,k,...},即集合S中的道路与第i条道路在时间序列上有着较强的相似性;
基于时间序列相似性构建道路交通网络图G=(V,E,A),V代表道路节点,E表示连边,A表示交通网络的邻接矩阵,若第i条道路与第 j条道路在基于动态时间规整分析后在历史时间序列上有着较强的相似性,则Aij=1,反之Aij=0;
2)对道路交通数据流进行预处理并构建交通流状态矩阵数据集,过程如下:
2.1:对数据流进行预处理,使用最大最小标准化对数据进行归一化处理,计算表达式如下:
其中,xreal为道路的原始流量数据,xmin为道路原始流量数据中的最小值,xmax为道路原始流量数据中的最大值,x为预处理后的道路流量数据;
2.2:构建交通流状态数据集
获取n条路段的交通状态数据矩阵如下:
其中,交通状态数据矩阵的行向量表示同一时刻不同道路的交通状态,列向量表示同一车道不同时刻的道路交通状态的时间状态,M表示历史交通状态数据的数目,N表示输入矩阵中道路的数目,则xit表示第i条道路上的在t时刻的交通状态;
利用掩膜矩阵Q表示交通数据缺失状态,Q=[Q1,Q2,Q3,...,Qn], Qi=[qi1,qi2,qi3,...,qiT],qij表示第i条路段在t时刻的数据是否缺失, i=0,1,...,n,j=0,1,...,n,若不缺失,则qij=1,若缺失,则qij=0,含有缺失数据的交通数据记为*表示矩阵对应元素相乘;
3)基于交通道路交通网络和道路交通流状态矩阵,使用基于高斯分布的图卷积网络提取特征,过程如下:
在原来的图卷积层上使用高斯分布作为隐藏特征,但对于道路交通流状态输入矩阵X是特征向量而不是高斯分布,因此定义第一层均值矩阵M(1),方差矩阵Σ(1)如下所示:
其中,Wμ,Wσ分别是均值矩阵和方差矩阵的权重,ρ如下所示: 经过第一层全连接层之后,输入特征变为隐藏特征后,基于高斯分布
的图卷积层的定义如下:
在第l层图卷积上使用高斯分布作为隐藏特征,均值矩阵和方差矩阵表示为M(l)=[μ1 (l),μ2 (l),…,μN (l)],Σ(l)=[σ1 (l),σ2 (l),…,σN (l)],其中,μ表示均值,σ表示方差;
4)基于高斯分布的图卷积网络实现交通流数据修复,过程如下:
4.1:对最后一层基于高斯分布的图卷积进行采样,采样公式如下:
L表示最后一层卷积层,采样后的Z=[Z1,Z2,...,ZN]作为全连接层的输入进行数据修复,全连接层表达式如下:
4.2:定义模型损失函数,经过反向传播不断优化模型的参数,损失函数如下所示:
Loss=Lcls+β1Lreg1+β2Lreg2 (13)
本实施例的实例操作过程为:
第一步、选取实验参数
本实验选取西雅图高速路网数据集,实验选取10条道路检测器的车流量数据,数据采样间隔为5分钟。
模型输入为10条车道一周的车流量数据,并且按照一定的缺失比例模拟数据缺失,缺失时刻车流量记为0;模型输出为修复后的10条车道一周的车流量数据;前80%数据用作训练集,后20%数据用作测试集。
第二步、参数确定
RGCN由2层构成,其中每层隐藏神经元个数分别为288,144。激活函数ρ选取Relu函数,函数表达式为f(z)=max(0,z)。γ选取为1。β1和β2都选取0.0005。数据缺失车道选取第一个车道,数据缺失比例设置为10%,20%,...,90%。
第三步、实验结果
模型对缺失数据修复结果的评价指标包括均方根误差(MSE),平均绝对误差(MAE),平均绝对百分比误差(MAPE),计算方式分别为:
缺失比例 | RMSE | MAE | MAPE(%) |
10% | 5.50 | 4.45 | 8.18 |
20% | 9.74 | 8.42 | 15.61 |
30% | 5.88 | 4.58 | 8.72 |
40% | 13.37 | 12.56 | 22.70 |
50% | 9.72 | 8.39 | 15.60 |
60% | 7.94 | 6.31 | 11.99 |
70% | 10.35 | 9.35 | 17.24 |
80% | 5.58 | 4.10 | 7.69 |
90% | 5.50 | 4.48 | 8.10 |
表1。
Claims (5)
1.一种基于DTW-RGCN的路网交通数据修复的方法,其特征在于,所述方法包括以下步骤:
1)基于道路历史数据相似性重构道路交通网络:基于时间序列相似性的准则,使用动态时间规整DTW对每条道路选出与之在时间相关性上相似的较强的多条道路,构建道路交通网络;
2)对道路交通数据流进行预处理并构建交通流状态矩阵数据集:获取路网交通流状态数据,对数据进行预处理,构建交通流状态矩阵数据集;
3)基于道路交通网络和道路交通流状态矩阵,使用基于高斯分布的图卷积网络提取特征:将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入,提取道路交通网络的节点特征;
4)基于高斯分布的图卷积网络实现交通流数据修复:将DTW处理后的含有数据缺失的交通路网数据作为RGCN的输入,定义模型损失函数,经过反向传播不断优化模型的参数,实现对交通路网缺失数据的修复。
2.如权利要求1所述的一种基于DTW-RGCN的路网交通数据修复的方法,其特征在于,所述步骤1)的过程如下:
获取路段历史时间序列数据,基于时间序列相似性构建道路交通网络,其中任意两条道路之间的动态时间规整DTW距离计算过程为:两条道路的历史时间序列数据分别记为:X=(x1,x2,…,xn),Y=(y1,y2,…,yn),然后构建距离矩阵En×n,其中Eij=|xi-yj|,并计算动态时间距离Di,j=Ei,j+min(Di,j-1,Di-1,j,Di-1,j-1),其中Dnn为最终动态时间规整距离;对于道路i,选取前d条与其动态时间规整距离最小的道路集合S={j,k,...},即集合S中的道路与第i条道路在时间序列上有着较强的相似性;
基于时间序列相似性构建道路交通网络图G=(V,E,A),V代表道路节点,E表示连边,A表示交通网络的邻接矩阵,若第i条道路与第j条道路在基于动态时间规整分析后在历史时间序列上有着较强的相似性,则Aij=1,反之Aij=0。
3.如权利要求1或2所述的一种基于DTW-RGCN的路网交通数据修复的方法,其特征在于,所述步骤2)的过程如下::
2.1:对数据流进行预处理,使用最大最小标准化对数据进行归一化处理,计算表达式如下:
其中,xreal为道路的原始流量数据,xmin为道路原始流量数据中的最小值,xmax为道路原始流量数据中的最大值,x为预处理后的道路流量数据;
2.2:构建交通流状态数据集
获取n条路段的交通状态数据矩阵如下:
其中,交通状态数据矩阵的行向量表示同一时刻不同道路的交通状态,列向量表示同一车道不同时刻的道路交通状态的时间状态,M表示历史交通状态数据的数目,N表示输入矩阵中道路的数目,则xit表示第i条道路上的在t时刻的交通状态;
4.如权利要求1或2所述的一种基于DTW-RGCN的路网交通数据修复的方法,其特征在于,所述步骤3)的过程如下:
在原来的图卷积层上使用高斯分布作为隐藏特征,但对于道路交通流状态输入矩阵X是特征向量而不是高斯分布,因此定义第一层均值矩阵M(1),方差矩阵Σ(1)如下所示:
其中,Wμ,Wσ分别是均值矩阵和方差矩阵的权重,ρ如下所示:经过第一层全连接层之后,输入特征变为隐藏特征后,基于高斯
分布的图卷积层的定义如下:
在第l层图卷积上使用高斯分布作为隐藏特征,均值矩阵和方差矩阵表示为M(l)=[μ1 (l),μ2 (l),…,μN (l)],Σ(l)=[σ1 (l),σ2 (l),…,σN (l)],其中,μ表示均值,σ表示方差。
5.如权利要求1或2所述的一种基于DTW-RGCN的路网交通数据修复的方法,其特征在于,所述步骤4)的过程如下:
4.1:对最后一层基于高斯分布的图卷积进行采样,采样公式如下:
L表示最后一层卷积层,采样后的Z=[Z1,Z2,...,ZN]作为全连接层的输入进行数据修复,全连接层表达式如下:
4.2:定义模型损失函数,经过反向传播不断优化模型的参数,损失函数如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010452770.5A CN111785014B (zh) | 2020-05-26 | 2020-05-26 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010452770.5A CN111785014B (zh) | 2020-05-26 | 2020-05-26 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111785014A true CN111785014A (zh) | 2020-10-16 |
CN111785014B CN111785014B (zh) | 2021-10-29 |
Family
ID=72754399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010452770.5A Active CN111785014B (zh) | 2020-05-26 | 2020-05-26 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111785014B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489420A (zh) * | 2020-11-17 | 2021-03-12 | 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 |
CN112905379A (zh) * | 2021-03-10 | 2021-06-04 | 南京理工大学 | 基于自我注意力机制的图自编码器的交通大数据修复方法 |
CN113011501A (zh) * | 2021-03-22 | 2021-06-22 | 广东海启星海洋科技有限公司 | 基于图卷积神经网络进行台风水位预测的方法及装置 |
CN113110398A (zh) * | 2021-05-13 | 2021-07-13 | 浙江理工大学 | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 |
CN113379156A (zh) * | 2021-06-30 | 2021-09-10 | 南方科技大学 | 速度预测方法、装置、设备及存储介质 |
CN113408629A (zh) * | 2021-06-22 | 2021-09-17 | 中国科学技术大学 | 基于时空卷积网络的机动车尾气遥测数据的多重补全方法 |
CN114944057A (zh) * | 2022-04-21 | 2022-08-26 | 中山大学 | 一种路网交通流量数据的修复方法与系统 |
CN114972082A (zh) * | 2022-05-13 | 2022-08-30 | 天津大学 | 一种对高比例负荷缺失数据的恢复与评估方法 |
CN116415928A (zh) * | 2023-03-06 | 2023-07-11 | 武汉理工大学 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2345020A2 (de) * | 2008-10-08 | 2011-07-20 | Gevas Software Systementwicklung Und Verkehrsinformatik GmbH | Verkehrsadaptive netzsteuerung und verfahren zur optimierung der steuerungsparameter |
WO2015095575A1 (en) * | 2013-12-18 | 2015-06-25 | Fedex Corporation | Methods and systems for data structure optimization |
CN107919016A (zh) * | 2017-11-15 | 2018-04-17 | 夏莹杰 | 基于多源检测器数据的交通流参数缺失填补方法 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN109213755A (zh) * | 2018-09-30 | 2019-01-15 | 长安大学 | 一种基于时空序列的交通流数据清洗与修复方法 |
CN109636061A (zh) * | 2018-12-25 | 2019-04-16 | 深圳市南山区人民医院 | 医保欺诈预测网络的训练方法、装置、设备及存储介质 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110189275A (zh) * | 2019-05-29 | 2019-08-30 | 清华大学 | 鲁棒性增强的图卷积方法及系统 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 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 |
CN110491146A (zh) * | 2019-08-21 | 2019-11-22 | 浙江工业大学 | 一种基于深度学习的交通信号控制方案实时推荐方法 |
WO2019228848A1 (en) * | 2018-05-31 | 2019-12-05 | Vivacity Labs Limited | Traffic management system |
CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
WO2020009246A1 (ja) * | 2018-07-06 | 2020-01-09 | 日本電信電話株式会社 | 時系列学習装置、時系列学習方法、時系列予測装置、時系列予測方法、及びプログラム |
CN110738855A (zh) * | 2019-10-29 | 2020-01-31 | 王程 | 一种数据稀疏时间段的道路交通流状况预测方法 |
WO2020049737A1 (ja) * | 2018-09-07 | 2020-03-12 | 株式会社オファサポート | 運転技能評価システム、方法及びプログラム |
CN110895878A (zh) * | 2019-10-09 | 2020-03-20 | 浙江工业大学 | 一种基于ge-gan的交通状态虚拟检测器的生成方法 |
CN110942624A (zh) * | 2019-11-06 | 2020-03-31 | 浙江工业大学 | 一种基于sae-gan-sad的路网交通数据修复方法 |
CN111179591A (zh) * | 2019-12-30 | 2020-05-19 | 银江股份有限公司 | 一种路网交通时序特征数据质量诊断与修复方法 |
-
2020
- 2020-05-26 CN CN202010452770.5A patent/CN111785014B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2345020A2 (de) * | 2008-10-08 | 2011-07-20 | Gevas Software Systementwicklung Und Verkehrsinformatik GmbH | Verkehrsadaptive netzsteuerung und verfahren zur optimierung der steuerungsparameter |
WO2015095575A1 (en) * | 2013-12-18 | 2015-06-25 | Fedex Corporation | Methods and systems for data structure optimization |
CN107919016A (zh) * | 2017-11-15 | 2018-04-17 | 夏莹杰 | 基于多源检测器数据的交通流参数缺失填补方法 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
WO2019228848A1 (en) * | 2018-05-31 | 2019-12-05 | Vivacity Labs Limited | Traffic management system |
CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
WO2020009246A1 (ja) * | 2018-07-06 | 2020-01-09 | 日本電信電話株式会社 | 時系列学習装置、時系列学習方法、時系列予測装置、時系列予測方法、及びプログラム |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
WO2020049737A1 (ja) * | 2018-09-07 | 2020-03-12 | 株式会社オファサポート | 運転技能評価システム、方法及びプログラム |
CN109213755A (zh) * | 2018-09-30 | 2019-01-15 | 长安大学 | 一种基于时空序列的交通流数据清洗与修复方法 |
CN109636061A (zh) * | 2018-12-25 | 2019-04-16 | 深圳市南山区人民医院 | 医保欺诈预测网络的训练方法、装置、设备及存储介质 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110189275A (zh) * | 2019-05-29 | 2019-08-30 | 清华大学 | 鲁棒性增强的图卷积方法及系统 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 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 |
CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
CN110491146A (zh) * | 2019-08-21 | 2019-11-22 | 浙江工业大学 | 一种基于深度学习的交通信号控制方案实时推荐方法 |
CN110895878A (zh) * | 2019-10-09 | 2020-03-20 | 浙江工业大学 | 一种基于ge-gan的交通状态虚拟检测器的生成方法 |
CN110738855A (zh) * | 2019-10-29 | 2020-01-31 | 王程 | 一种数据稀疏时间段的道路交通流状况预测方法 |
CN110942624A (zh) * | 2019-11-06 | 2020-03-31 | 浙江工业大学 | 一种基于sae-gan-sad的路网交通数据修复方法 |
CN111179591A (zh) * | 2019-12-30 | 2020-05-19 | 银江股份有限公司 | 一种路网交通时序特征数据质量诊断与修复方法 |
Non-Patent Citations (2)
Title |
---|
MIN LI, LI WANG, JIAQING YAN, HAIBO ZHANG, LILI ZHANG, LINGYU ZH: "The Study of Traffic Flow Information Completion Based on GAN Algorithm", 《2018 IEEE 7TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE》 * |
徐东伟,董宏辉,李海舰,贾利民: "基于压缩感知的道路交通参数修复方法研究", 《交通运输系统工程与信息》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489420A (zh) * | 2020-11-17 | 2021-03-12 | 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 |
CN112905379A (zh) * | 2021-03-10 | 2021-06-04 | 南京理工大学 | 基于自我注意力机制的图自编码器的交通大数据修复方法 |
CN113011501A (zh) * | 2021-03-22 | 2021-06-22 | 广东海启星海洋科技有限公司 | 基于图卷积神经网络进行台风水位预测的方法及装置 |
CN113110398A (zh) * | 2021-05-13 | 2021-07-13 | 浙江理工大学 | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 |
CN113110398B (zh) * | 2021-05-13 | 2022-03-22 | 浙江理工大学 | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 |
CN113408629A (zh) * | 2021-06-22 | 2021-09-17 | 中国科学技术大学 | 基于时空卷积网络的机动车尾气遥测数据的多重补全方法 |
CN113408629B (zh) * | 2021-06-22 | 2022-09-06 | 中国科学技术大学 | 基于时空卷积网络的机动车尾气遥测数据的多重补全方法 |
CN113379156A (zh) * | 2021-06-30 | 2021-09-10 | 南方科技大学 | 速度预测方法、装置、设备及存储介质 |
CN114944057A (zh) * | 2022-04-21 | 2022-08-26 | 中山大学 | 一种路网交通流量数据的修复方法与系统 |
CN114972082A (zh) * | 2022-05-13 | 2022-08-30 | 天津大学 | 一种对高比例负荷缺失数据的恢复与评估方法 |
CN116415928A (zh) * | 2023-03-06 | 2023-07-11 | 武汉理工大学 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
CN116415928B (zh) * | 2023-03-06 | 2023-11-17 | 武汉理工大学 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111785014B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111785014B (zh) | 一种基于dtw-rgcn的路网交通数据修复的方法 | |
CN110188685B (zh) | 一种基于双注意力多尺度级联网络的目标计数方法及系统 | |
CN109508655B (zh) | 基于孪生网络的不完备训练集的sar目标识别方法 | |
CN109919108A (zh) | 基于深度哈希辅助网络的遥感图像快速目标检测方法 | |
Nelwamondo et al. | Missing data: A comparison of neural network and expectation maximization techniques | |
CN112330951B (zh) | 一种基于生成对抗网络实现路网交通数据修复的方法 | |
CN110162744B (zh) | 一种基于张量的车联网数据缺失多重估计新方法 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN112949189A (zh) | 一种基于深度学习的多因素诱发滑坡预测的建模方法 | |
CN112561134A (zh) | 一种基于神经网络的水流量预测方法、装置和电子设备 | |
CN111222583B (zh) | 一种基于对抗训练与关键路径提取的图像隐写分析方法 | |
CN111292121A (zh) | 一种基于园区画像的园区负荷预测方法及系统 | |
CN112561180B (zh) | 基于元学习的短期风速预测方法、装置、计算机设备及存储介质 | |
CN112668711B (zh) | 基于深度学习的洪水流量预测方法、装置和电子设备 | |
Urgun et al. | Composite power system reliability evaluation using importance sampling and convolutional neural networks | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及系统 | |
Masngut et al. | Comparison of daily rainfall forecasting using multilayer perceptron neural network model | |
CN115510948A (zh) | 一种基于鲁棒图分类的区块链钓鱼检测方法 | |
CN115292295A (zh) | 一种基于多视角时空对抗框架的路网缺失数据修复方法 | |
Shao | Prediction of currency volume issued in Taiwan using a hybrid artificial neural network and multiple regression approach | |
CN114549689A (zh) | 一种基于图卷积神经网络的河流模式识别方法与装置 | |
CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
Hu et al. | Data Customization-based Multiobjective Optimization Pruning Framework for Remote Sensing Scene Classification | |
CN113253275A (zh) | 一种基于改进rbf神经网络的降雨量估计方法 |
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 |