CN111815956B - 一种高速公路交通流量预测方法 - Google Patents
一种高速公路交通流量预测方法 Download PDFInfo
- Publication number
- CN111815956B CN111815956B CN202010951051.8A CN202010951051A CN111815956B CN 111815956 B CN111815956 B CN 111815956B CN 202010951051 A CN202010951051 A CN 202010951051A CN 111815956 B CN111815956 B CN 111815956B
- Authority
- CN
- China
- Prior art keywords
- time
- time sequence
- traffic flow
- low
- space
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种高速公路交通流量预测方法,其中方法包括以下步骤:S1:获取各监测点所采集的数据来构建图结构并按时间单位重构时序数据,获得用于模型训练及测试的数据集,然后通过时序卷积、图卷积、时序卷积操作得到各个时序信息和空间信息;S2:将影响流量预测结果的外部特征数据嵌入至低维空间,得到低维影响特征;S3:时空特征与所述低维影响特征结合并通过注意力机制来获得交通流量预测结果。本发明通过各监测点数据的时空特征与低维影响特征结合注意力机制来进行交通流量预测,提高了交通流量预测的准确性。
Description
技术领域
本发明涉及交通预测模型技术领域,尤其涉及一种高速公路交通流量预测方法。
背景技术
交通流量预测指的是根据历史的交通数据来预测未来时刻的交通流量变化情况,近年来,随着社会经济的发展、机动车辆保有量的迅速增加。随着我国高速公路覆盖面的增加及服务水平的提升,越来越多的人们选择驾驶或者乘坐汽车通过高速公路出行,在过去三年全国高速公路平均日交通量增长分别为5%、10.5%、5.4%。逐年增加的交通量不仅使高速公路更加拥堵,同时也会增加交通事故的发生几率,在这样的现实条件下,交通管制系统也随之承受了更大的压力。
交通流量的变化随着时间的变化具有随机性,并且容易受到外界其他因素的干扰,如何运用交通流量预测是一个关系到交通引导、路线规划等不同交通决策的核心问题,而该问题则需要在给定一段历史交通流量以及待预测路网分布后预测未来所有监测点上的流量分布情况,而交通预测的准确性直接影响到交通引导和路线规划的决策,因此高速公路交通流量预测的准确性变得尤为重要。
然而,现有的高速公路交通流量预测方法往往不能充分运用交通数据特点,大多采用单一的数据结合注意力机制进行交通流量预测,缺乏对外部特征的结合。因此,现有的高速公路交通流量预测方法准确性差,有待进一步提高。
发明内容
本发明为解决现有的高速公路交通流量预测方案性较差的问题,提供了一种能够充分利用多模态数据并结合注意力机制准确预测交通流量的方法。
为了实现以上目的,本发明采用以下技术方案:
提供一种高速公路交通流量预测方法,包括以下步骤:
S1:获取各监测点所采集的数据来构建图结构并按时间单位重构时序数据,获得用于模型训练及测试的样本数据集,并在所述样本数据集的基础上构建监测点间相关性的邻接矩阵St,以及时序长度为行数、监测点数为列数的矩阵F,从所述矩阵F中得到由长度为lhist+lpred的时间片段所构建样本数据集,其中每一个样本中包含长度为lhist的时间片段作为模型输入以及在lpred的时间点上的数值作为期望的预测结果,构建不同时间单位间隔下的用于模型训练及测试的包含周期性、时序相近性、趋势特征的数据集,周期性数据集选某时刻前 W周连续的W个时间片段,时序相近性数据集选某时刻邻近连续的H个时间片段,趋势特征数据集从某时刻前D天连续的d个时间片段,然后通过时序卷积、图卷积、时序卷积操作得到各个时序信息和空间信息;
S2:将影响流量预测结果的外部特征数据嵌入至低维空间,得到低维影响特征;所述步骤S2具体包括步骤:
S201:选定影响交通流量预测结果的外部特征数据,并按时序排列;获取若干时间片段上的外部特征数据;
S202:通过embedding method得到用于衡量影响因素间相似性的低维影响特征;
S203:将所述外部特征数据嵌入至低维空间得到低维特征向量;
S204:将得到的各低维特征向量进行张量合并操作,得到低维影响特征 HFInf;
S3:时空特征与所述低维影响特征结合并通过注意力机制来获得交通流量预测结果;所述步骤S3具体包括步骤:
S301:将所述低维影响特征HFInf通过全连接层并与时空特征HFST做矩阵乘法得到共享特征HFShare
S303:将HFST·α+HFInf通过全连接层得到预测结果。
作为优选,所述步骤S1具体包括步骤:
3、所述步骤S1具体包括步骤:
S101:选取空间上监测点位置,并表示为通过欧式距离度量各监测点间相关性的邻接矩阵St;
S102:获取各个监测点上交通数据,并按照时序排列,得到以时序长度为行数、监测点数为列数的矩阵F;
S103:从所述矩阵F中得到由长度为lhist+lpred的时间片段所构建样本数据集,其中每一个样本中包含长度为lhist的时间片段作为模型输入以及在lpred的时间点上的数值作为期望的预测结果;
在所述样本数据集的基础上,构建不同时间单位间隔下的用于模型训练及测试的包含周期性、时序相近性、趋势特征的数据集;从时刻l0+w开始,选前W周连续的W个时间片段,,得到各个监测点上的历史数值及期望预测结果的矩阵接着l1从开始,得到直至完成设定的训练次数,构造包含周期性特征的其中h,p分别表示所选的历史时间长度以及需要预测的时间长度,l0表示起始时刻,w表示间隔w周的时间片段;从时刻l0开始,选邻近连续的H个时间片段,得到各个监测点上的历史数值及期望预测结果的矩阵,直至完成设定的训练次数,得到作为用以表示包含时序相近性特征的样本集;从时刻l0+d开始,选前D天连续的d个时间片段,得到各个监测点上的历史数值及期望预测结果的矩阵直至完成设定的训练次数,得到从l0+d构造包含趋势特征的FD;
S104:对各时间单位间隔下的样本集FH,FD,FW中各个历史时间片段依次进行时序卷积、图卷积、时序卷积三种运算,以便有效且准确地提取保留在 F中的时序信息和在St中的空间信息;
S105:判断是否得到不同时间单位间隔下的时空特征,若是则跳到步骤S106,否则跳到步骤S104;
S106:将不同时间单位间隔下的时空特征进行张量合并操作,得到时空特征HFST。
作为优选,影响交通流量预测结果的外部特征数据为高速出入口车型数量、日期,并按时序排列后处理数据;选取当前时间片段上出入口各车型数量、日期特征,其中车型种类为7种、日期分为工作日、休息日2种;所述7种车型为载货汽车、自卸汽车、越野汽车、轿车、客车、牵引汽车及半挂牵引汽车、专用汽车,分别将出入口各车型数量、日期映射至一维空间中,将所得到低维影响特征,通过张量合并操作得到影响特征。
作为优选,所述时序卷积提取时序特征,所述图卷积提取空间特征。
作为优选,所述提取空间特征是通过切比雪夫级数近似的方式提取。
作为优选,所述外部特征因素包括车辆类型和日期特征。
与现有技术相比,
1、本发明将各监测点所采集数据构建图结构并按时间单位重构时序数据,并分别通过时序卷积和图卷积操作得到相关时空特征;
2、借助嵌入技术将其他影响流量预测结果的外部特征数据嵌入至低维空间,得到低维影响特征;
3、结合低维影响特征并运用注意力机制以赋予不同时间单位下时序数据权重,最后综合时空特征和低维影响特征通过全连接层预测结果,在一定程度上提高了交通流量预测的准确性。
附图说明
图1是本发明一种高速公路交通流量预测方法流程图;
图2是本发明提取时空特征方法流程图;
图3是本发明提取低维影响特征方法流程图;
图4是本发明根据时空特征和低维影响特征预测结果方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明提供一种高速公路交通流量预测方法,如图1所示,包括步骤:
S1:获取各监测点所采集的数据构建图结构并按时间单位重构时序数据,并分别通过时序卷积、图卷积、时序卷积操作得到相关时空特征。
具体的,所采集的数据包括车流量、车道占用率、车速;数据从交通数据库中获取。
进一步的,在本发明的一个实施例中,如图2所示:所述步骤S1具体包括:
S101:选取空间上监测点位置,基于城市地理信息地图数据以及路桩地理信息,随后通过欧式距离度量各监测点间相关性的邻接矩阵St,其中欧式距离计算公式可由三角函数公式表示为:其中R为地球半径,监测点A的经纬度为(Alati,Along),监测点B的经纬度为(Blati,Blong); St数学表达为:
其中i、j表示第i、j个监测点,并考虑上下车道间不相关,σ2、∈均用于控制监测点间相关性,其中σ2起到调节距离的尺度,此外由于高速道路间监测点相对于城区的更加稀疏进而引入∈用于调控邻接矩阵St的稀疏性。
S102:获取各个监测点上交通数据,并按照时序排列,得到以时序长度L 为行数、监测点数N为列数的矩阵F。高速公路分为上下行车道,两个方向的监测点往往对称,矩阵F中包含了两个车道的信息,其中奇数列为上行车道信息,偶数列为下行车道信息。此外,St中(i+j)%2等于0就蕴含着两个车道在空间上无关联。
具体的,选择N个监测点作为数据来源,并借助欧式距离衡量各监测点间相关性。然后收集N个监测点上所收集到的数据,并按照时序排序,借助线性插值、均值等方式以达到处理异常数据还原时序周期性、相近性的特点,得到时间片段,例如以5分钟为区间,则可得到一天内288个时间片段。
S103:从所述矩阵F中得到由长度为lhist+lpred的时间片段所构建样本数据集,其中每一个样本中包含长度为lhist的时间片段作为模型输入以及在lpred的时间点上的数值作为期望的预测结果;
在上述矩阵F、样本数据集的基础上,按照以下方式得到不同时间单位间隔下的用于模型训练及测试的包含周期性、时序相近性、趋势特征的数据集。
从时刻l0+w开始,选前W周连续的W个时间片段,,得到各个监测点上的历史数值及期望预测结果的矩阵接着l1从开始,得到直至完成设定的训练次数,构造包含周期性特征的其中h,p分别表示所选的历史时间长度以及需要预测的时间长度,l0表示起始时刻,w表示间隔w周的时间片段。并依此类推,从时刻l0开始,选邻近连续的H个时间片段,得到各个监测点上的历史数值及期望预测结果的矩阵直至完成设定的训练次数,得到作为用以表示包含时序相近性特征的样本集;并采用相同的方式,从时刻l0+d开始,选前D天连续的d个时间片段,得到各个监测点上的历史数值及期望预测结果的矩阵直至完成设定的训练次数,得到从l0+d构造包含趋势特征的FD。
S104:对各时间单位间隔下的样本集FH,FD,FW中各个历史时间片段 Xi.h[0:h]∈Rh ×N,Xi.d[0:h]∈Rh×N,Xi.w[0:h]∈Rh×N依次进行时序卷积、图卷积、时序卷积三种运算,以便有效且准确地提取保留在F中的时序信息和在St中的空间信息;在上述数据构造的方式下,时序信息和空间信息分别在F和St中保存,单纯通过一次时序卷积或者一次图卷积均无法有效且准确提取时空特征;更进一步地,在单个监测点上存在时序信息,此外多个监测点间在时序上也会相互干扰,因此设置两个时序卷积网络,并减小预测误差。
S105:判断是否提取得到不同时间单位间隔下的时空特征,若是则跳到步骤S106,否则跳到步骤S104;
S106:将不同时间单位间隔下的时空特征进行张量合并操作,得到时空特征HFST。时空特征是由神经网络提取得到,本申请中的可视为合并不同时段下所提取时序特征,以便在后续操作中获得各个序列上的相关性。
具体的步骤S104中,选邻近连续的H个时间片段FH、前D天连续的d个时间片段FD、前W周连续的W个时间片段FW,并将其作为输入;分别对FH, FD,FW做时序卷积操作,分别得到时序特征;分别对所得到时序特征通过图卷积运算提取空间特征;并对得到的空间特征做时序卷积运算得到最终时空特征。步骤S105判断是否有效提取时空特征,若是步骤S106将FH,FD,FW所提取得到的时空特征,通过张量合并操作得到时序特征,若否则返回去S步骤 104继续做时序卷积、图卷积、时序卷积操作直到提取到有效的时空特征。
需要说明的是,本发明时序卷积用于提取时序特征,具体地:TF=Φ*F+ F,其中Φ表示卷积核,*为卷积运算,+为矩阵元素间加法,并根据问题需要,进一步添加激活函数等运算;
图卷积用于提取空间特征,此处通过切比雪夫级数近似的方式提取空间特征,具体地:其中Θ为空间卷积核,Tk(·) 为第k项切比雪夫级数,其中λmax是关于L的特征值中最大值,I 为单位阵;L为拉普拉斯矩阵,具体地:L=I-D-1/2StD-1/2=UAUT,其中D、 U、Λ分别为对角度矩阵、正交傅立叶基、关于拉普拉斯矩阵的特征矩阵。
步骤S2:将其他影响流量预测结果的外部特征数据嵌入至低维空间,得到低维影响特征;如图3所示:所述步骤S2具体包括步骤:
S201:选定影响交通流量预测结果的外部特征数据,并按时序排列;即获取若干时间片段上的外部特征数据;本实施例中,若干时间片段以5分钟为区间,则可得到一天内288个时间片段。
S202:通过embedding method(论文DynGEM:Deep Embedding Method forDynamic Graphs,论文链接:https://arxiv.xilesou.top/pdf/1805.11 273.pdf,该方法是一种结构保留的动态网络表征学习算法,用于生成动态g raph图的稳定嵌入)得到用于衡量影响因素间相似性的低维影响特征,emb edding method方法的优点有利于衡量影响因素间的相似性,同时也降低计算机资源占用。
S203:将所述外部特征数据嵌入至低维空间得到低维特征向量;低维影响特征用于将影响因素得到数值描述;即得到占用更少计算机资源的数值表示。
S204:将得到的各低维特征向量进行张量合并操作,得到低维影响特征 HFInf,即对通过步骤S203得到的各个低维特征向量进行张量合并操作。
具体的,影响交通流量预测结果的外部特征数据:选择选择高速出入口车型数量、日期等影响因素,并按时序排列后处理数据;
选取当前时间片段上出入口各车型数量、日期等日期特征,其中车型种类为7种、日期分为工作日、休息日2种;所述7种车型为载货汽车、自卸汽车、越野汽车、轿车、客车、牵引汽车及半挂牵引汽车、专用汽车。
分别将出入口各车型数量、日期映射至一维空间中,将所得到低维影响特征,通过张量合并操作得到影响特征。
进一步的,在本发明的一个实施例中,如图4所示:
所述步骤S3:时空特征与低维影响特征结合并通过注意力机制来获得交通流量预测结果。具体包括步骤:
S301:将所述低维影响特征HFInf通过全连接层并将结果与时空特征HFST做矩阵乘法得到共享特征HFShare;
S302:通过所述共享特征HFShare得到所述时空特征HFST的影响权重α,即通过共享特征HFShare得到FH,FD,FW所提取时空特征对于预测时间片段的影响程度,数学表示为:通过注意力机制将时空特征与低维影响特征相乘得到共享特征,进而获得影响权重α。该影响权重的设定能够结合多源特征,较为全面地反映当前历史片段中相近性、趋势性、周期性的比重对于期望结果的影响程度;在不同的期望预测长度上,相近性在短时内预测较为重要,趋势性在中期内预测较为重要,周期性在长期预测上较为重要。
S303:将HFST·α+HFInf通过全连接层得到预测结果,将HFST·α+HFInf作为更准确地刻画在不同时刻下、不同路段上、不同日期内的高速流量状态的数值描述,并通过全连接层得到预测结果。
本发明将各监测点所采集数据构建图结构并按时间单位重构时序数据,并分别通过时序卷积和图卷积操作得到相关时空特征;借助嵌入技术将其他影响流量预测结果外部特征数据嵌入至低维空间,得到低维影响特征;结合低维影响特征并运用注意力机制以赋予不同时间单位下时序数据权重,最后综合时空特征和低维影响特征通过全连接层预测结果,在一定程度上提高了交通流量预测的准确性。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种高速公路交通流量预测方法,其特征在于,包括以下步骤:
S1:获取各监测点所采集的数据来构建图结构并按时间单位重构时序数据,获得用于模型训练及测试的样本数据集,并在所述样本数据集的基础上构建监测点间相关性的邻接矩阵St,以及时序长度为行数、监测点数为列数的矩阵F,从所述矩阵F中得到由长度为lhist+lpred的时间片段所构建样本数据集,其中每一个样本中包含长度为lhist的时间片段作为模型输入以及在lpred的时间点上的数值作为期望的预测结果,构建不同时间单位间隔下的用于模型训练及测试的包含周期性、时序相近性、趋势特征的数据集,周期性数据集选某时刻前W周连续的W个时间片段,时序相近性数据集选某时刻邻近连续的H个时间片段,趋势特征数据集从某时刻前D天连续的d个时间片段,然后通过时序卷积、图卷积、时序卷积操 作得到各个时序信息和空间信息;
S2:将影响流量预测结果的外部特征数据嵌入至低维空间,得到低维影响特征;所述步骤S2具体包括步骤:
S201:选定影响交通流量预测结果的外部特征数据,并按时序排列;获取若干时间片段上的外部特征数据;
S202:通过embedding method得到用于衡量影响因素间相似性的低维影响特征;
S203:将所述外部特征数据嵌入至低维空间得到低维特征向量;
S204:将得到的各低维特征向量进行张量合并操作,得到低维影响特征HFInf;
S3:时空特征与所述低维影响特征结合并通过注意力机制来获得交通流量预测结果;所述步骤S3具体包括步骤:
S301:将所述低维影响特征HFInf通过全连接层并与时空特征HFST做矩阵乘法得到共享特征HFShare
S303:将HFST·α+HFInf通过全连接层得到预测结果。
2.根据权利要求1所述的一种高速公路交通流量预测方法,其特征在于,
所述步骤S1具体包括步骤:
S101:选取空间上监测点位置,并表示为通过欧式距离度量各监测点间相关性的邻接矩阵St;
S102:获取各个监测点上交通数据,并按照时序排列,得到以时序长度为行数、监测点数为列数的矩阵F;
S103:从所述矩阵F中得到由长度为lhist+lpred的时间片段所构建样本数据集,其中每一个样本中包含长度为lhist的时间片段作为模型输入以及在lpred的时间点上的数值作为期望的预测结果;
在所述样本数据集的基础上,构建不同时间单位间隔下的用于模型训练及测试的包含周期性、时序相近性、趋势特征的数据集;从时刻l0+w开始,选前W周连续的W个时间片段,得到各个监测点上的历史数值及期望预测结果的矩阵接着l1从开始,得到 直至完成设定的训练次数,构造包含周期性特征的其中h,p分别表示所选的历史时间长度以及需要预测的时间长度,l0表示起始时刻,w表示间隔w周的时间片段;从时刻l0开始,选邻近连续的H个时间片段,得到各个监测点上的历史数值及期望预测结果的矩阵直至完成设定的训练次数,得到作为用以表示包含时序相近性特征的样本集;从时刻l0+d开始,选前D天连续的d个时间片段,得到各个监测点上的历史数值及期望预测结果的矩阵直至完成设定的训练次数,得到从l0+d构造包含趋势特征的FD;
S104:对各时间单位间隔下的样本集FH,FD,FW中各个历史时间片段依次进行时序卷积、图卷积、时序卷积三种运算,以便有效且准确地提取保留在F中的时序信息和在St中的空间信息;
S105:判断是否得到不同时间单位间隔下的时空特征,若是则跳到步骤S106,否则跳到步骤S104;
S106:将不同时间单位间隔下的时空特征进行张量合并操作,得到时空特征HFST。
3.根据权利要求1所述的一种高速公路交通流量预测方法,其特征在于,影响交通流量预测结果的外部特征数据为高速出入口车型数量、日期,并按时序排列后处理数据;选取当前时间片段上出入口各车型数量、日期特征,其中车型种类为7种、日期分为工作日、休息日2种;所述7种车型为载货汽车、自卸汽车、越野汽车、轿车、客车、牵引汽车及半挂牵引汽车、专用汽车,分别将出入口各车型数量、日期映射至一维空间中,将所得到低维影响特征,通过张量合并操作得到影响特征。
4.根据权利要求1或2所述的一种高速公路交通流量预测方法,其特征在于,所述时序卷积提取时序特征,所述图卷积提取空间特征。
5.根据权利要求4所述的一种高速公路交通流量预测方法,其特征在于,所述提取空间特征是通过切比雪夫级数近似的方式提取。
6.根据权利要求1所述的一种高速公路交通流量预测方法,其特征在于,所采集的数据包括车流量、车道占用率、车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010951051.8A CN111815956B (zh) | 2020-09-11 | 2020-09-11 | 一种高速公路交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010951051.8A CN111815956B (zh) | 2020-09-11 | 2020-09-11 | 一种高速公路交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815956A CN111815956A (zh) | 2020-10-23 |
CN111815956B true CN111815956B (zh) | 2021-02-09 |
Family
ID=72859292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010951051.8A Active CN111815956B (zh) | 2020-09-11 | 2020-09-11 | 一种高速公路交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815956B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114529081B (zh) * | 2022-02-18 | 2024-06-11 | 哈尔滨工程大学 | 一种时空联合的交通流量预测方法及装置 |
CN116976702A (zh) * | 2023-07-31 | 2023-10-31 | 深圳原世界科技有限公司 | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109887282B (zh) * | 2019-03-05 | 2022-01-21 | 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 |
CN110264709B (zh) * | 2019-05-06 | 2021-02-12 | 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 |
CN110827544B (zh) * | 2019-11-11 | 2022-09-02 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
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 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
CN111223301B (zh) * | 2020-03-11 | 2021-01-26 | 北京理工大学 | 一种基于图注意力卷积网络的交通流量预测方法 |
CN111489013A (zh) * | 2020-03-11 | 2020-08-04 | 北京交通大学 | 一种基于时空多图卷积网络的交通站点流量预测方法 |
CN111585783B (zh) * | 2020-03-18 | 2022-07-26 | 宁波送变电建设有限公司永耀科技分公司 | 基于时空流量矩阵预测的流量动态调度方法 |
-
2020
- 2020-09-11 CN CN202010951051.8A patent/CN111815956B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111815956A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815956B (zh) | 一种高速公路交通流量预测方法 | |
Bao et al. | A spatiotemporal deep learning approach for citywide short-term crash risk prediction with multi-source data | |
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
JP4932524B2 (ja) | 旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラム | |
CN108629503B (zh) | 一种基于深度学习的出租车上车需求量的预测方法 | |
CN116013087B (zh) | 一种基于城市运动车辆检测的车流量统计方法 | |
DE102012201472A1 (de) | Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen | |
CN112561187B (zh) | 一种基于cnn-lstm的网约车目标订单预测方法 | |
CN112017436B (zh) | 城市市内交通旅行时间的预测方法及系统 | |
CN108091132A (zh) | 一种交通流量预测方法及装置 | |
CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
CN115440032A (zh) | 一种长短期公共交通流量预测方法 | |
CN113780665A (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 | |
CN112559585A (zh) | 交通时空序列单步预测方法、系统及存储介质 | |
CN116010838A (zh) | 一种融合密度值和K-means算法的车辆轨迹聚类方法 | |
CN113821547B (zh) | 快速高效的停车场占有率短时预测方法、系统及存储介质 | |
CN108985488A (zh) | 个体出行目的地预测的方法 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN114120635B (zh) | 基于张量分解的城市路网线状缺失流量估计方法及系统 | |
CN111160521A (zh) | 基于深度神经网络图编码器的城市人类流动模式检测方法 | |
CN111985731B (zh) | 城市公共交通站点人数的预测方法及系统 | |
CN115640756A (zh) | 一种基于多源数据的停车需求预测模型、方法及其应用 | |
CN115204755A (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
Yu et al. | Urban traffic state prediction based on SA-LSTM |
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: 17 / F, building 2, Pearl International morning center, 199 Wuxing Road, Jianggan District, Hangzhou, Zhejiang 310000 Patentee after: Zhejiang Gaoxin Technology Co.,Ltd. Address before: 17 / F, building 2, Pearl International morning center, 199 Wuxing Road, Jianggan District, Hangzhou, Zhejiang 310000 Patentee before: ZHEJIANG HIGHWAY INFORMATION ENGINEERING TECHNOLOGY CO.,LTD. |
|
CP01 | Change in the name or title of a patent holder |