CN111882869A - 一种考虑不良天气的深度学习交通流预测方法 - Google Patents

一种考虑不良天气的深度学习交通流预测方法 Download PDF

Info

Publication number
CN111882869A
CN111882869A CN202010669271.1A CN202010669271A CN111882869A CN 111882869 A CN111882869 A CN 111882869A CN 202010669271 A CN202010669271 A CN 202010669271A CN 111882869 A CN111882869 A CN 111882869A
Authority
CN
China
Prior art keywords
traffic flow
model
section
data
time interval
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
Application number
CN202010669271.1A
Other languages
English (en)
Other versions
CN111882869B (zh
Inventor
姚荣涵
张文松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010669271.1A priority Critical patent/CN111882869B/zh
Publication of CN111882869A publication Critical patent/CN111882869A/zh
Application granted granted Critical
Publication of CN111882869B publication Critical patent/CN111882869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—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
    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于智能交通控制技术领域，提供一种考虑不良天气的深度学习交通流预测方法，首先，选定研究的空间范围、预测的时间范围和预测时间间隔，通过交通流检测器获取预测时间之前的原始交通流数据集，通过气象站获取预测时间之前的原始天气数据集，根据预测时间间隔，将原始天气数据进行集计；其次，基于交通流时间序列和天气数据时间序列构建模型输入矩阵；然后，使用长短期记忆神经网络构建模型第一部分，对所有时期内的历史数据的规律进行挖掘，通过组合卷积神经网络和长短期记忆神经网络构建模型第二部分，对某一时期内的历史数据的规律进行挖掘；最后，将模型第一部分和第二部分进行权重组合后构建CNNLSTM模型，得到交通流数据预测值。

Description

一种考虑不良天气的深度学习交通流预测方法
技术领域
本发明属于智能交通控制技术领域，涉及一种考虑不良天气的深度学习交通流预测方法。
背景技术
为预防交通拥堵和事故的发生，准确实时的路况信息至关重要，因此智能交通系统应运而生。准确的交通流预测是智能交通系统提供可靠实时信息的重要前提。鉴于此，交通流预测越来越受到研究者的重视。交通流预测发展至今已有几十年，正常天气下道路交通流预测已经趋于成熟，涉及很多方法，包括卡尔曼滤波、马尔可夫模型、K近邻(K-NearestNeighbor，KNN)算法、支持向量机、随机森林、神经网络等。因深度学习能从海量数据中深入挖掘和捕捉数据序列的相应规律，深度学习也被应用于正常天气下道路交通流预测，包括深度信念网络、深度自编码器、循环神经网络和卷积神经网络(Convolutional NeuralNetwork，CNN)等。还有一些学者将天气数据作为模型输入，基于支持向量机、多元回归函数、深度信念网络、门控神经网络、长短期记忆(Long Short-Term Memory，LSTM)神经网络、CNN等提出了各种交通流预测模型。
目前，不良天气下道路交通流预测的研究还较少。不良天气包括冰雪、雨、雾、大风、沙尘暴、高低温、潮湿等，均可能对道路交通安全及运行产生负面影响。有研究表明，不良天气会使能见度降低、视距减小、驾驶环境感知能力下降，从而影响驾驶员的驾驶行为，进而影响道路交通流特性，如若管理不当可能会引发交通拥堵和事故等一系列连锁反应。针对降雨条件，有学者利用模糊神经网络构建了一种快速路交通流预测方法。还有学者基于深度神经网络提出了一种考虑暴风雪的交通流预测方法。
正常天气下交通流预测的研究相对成熟，那些方法可对正常天气下道路交通流进行准确的预测。尽管有部分研究将天气数据作为模型输入，但却没有对不良天气下道路交通流进行预测。有研究指出，在雨、雪、雾等不良天气下事故数约占总事故数的85％。但是，不良天气下道路交通流预测的研究十分有限。因此，急需针对不良天气深入探讨道路交通流预测。
发明内容
本发明针对上述现有研究存在的问题，基于深度学习，在区分车型的基础上，考虑不良天气对交通流特性的影响，提出一种考虑不良天气的深度学习交通流预测方法，称之为CNNLSTM模型。相比传统交通流预测方法，该模型能结合不同深度学习方法的优点，可以更深入地挖掘历史交通流数据的内在规律，针对不良天气预测所得交通流数据具有更高的准确性。
本发明技术方案：
一种考虑不良天气的深度学习交通流预测方法，步骤如下：
首先，确定研究的空间范围、预测的时间范围和预测时间间隔，利用该空间范围内的交通流检测器获取交通流历史数据，利用气象站获取天气历史数据；其次，使用CNN和LSTM神经网络构建交通流预测模型；然后，使用历史数据对构建的预测模型进行训练；最后，使用训练好的模型对预测日的交通流进行预测，其具体步骤如下：
(1)交通流和天气数据获取
选定研究的空间范围、预测的时间范围和预测时间间隔，通过交通流检测器获取预测时间之前的原始交通流数据集
Figure BDA0002581679120000021
p为断面编号，o为车型编号，o∈{1,2,3,…,O}，O为车型数，z为任一时刻，a为检测器采样时间间隔；根据预测时间间隔，将原始交通流数据集
Figure BDA0002581679120000022
进行集计后得到断面p第o类车交通流数据的时间序列
Figure BDA0002581679120000023
Figure BDA0002581679120000024
为第
Figure BDA0002581679120000025
个时间间隔断面p第o类车的交通流数据，
Figure BDA0002581679120000026
Figure BDA0002581679120000027
为所有时期内获取数据的时间间隔数；根据是否为工作日，将序列
Figure BDA0002581679120000028
分为第i个时期内断面p第o类车交通流数据的时间序列
Figure BDA0002581679120000029
Figure BDA00025816791200000210
为第i个时期内第ti个时间间隔断面p第o类车的交通流数据，i∈{0,1}，i＝0时，
Figure BDA00025816791200000211
为
Figure BDA00025816791200000212
是非工作日断面p第o类车交通流数据的时间序列，
Figure BDA00025816791200000213
为非工作日第t0个时间间隔断面p第o类车的交通流数据，T0为非工作日获取数据的时间间隔数；i＝1时，
Figure BDA00025816791200000214
为
Figure BDA00025816791200000215
是工作日断面p第o类车交通流数据的时间序列，
Figure BDA00025816791200000216
为工作日第t1个时间间隔断面p第o类车的交通流数据，T1为工作日获取数据的时间间隔数，
Figure BDA00025816791200000217
通过气象站获取预测时间之前的原始天气数据集wp＝{wp(z-a,z)|0＜a≤z}；根据预测时间间隔，将原始天气数据集wp进行集计后得到断面p天气数据的时间序列
Figure BDA00025816791200000218
Figure BDA00025816791200000219
为第
Figure BDA00025816791200000220
个时间间隔断面p的天气数据；根据是否为工作日，将序列
Figure BDA00025816791200000221
分为第i个时期内断面p天气数据的时间序列
Figure BDA00025816791200000222
Figure BDA00025816791200000223
为第i个时期内第ti个时间间隔断面p的天气数据，i∈{0,1}，i＝0时，
Figure BDA00025816791200000224
为
Figure BDA00025816791200000225
是非工作日断面p天气数据的时间序列，
Figure BDA00025816791200000226
为非工作日第t0个时间间隔断面p的天气数据；i＝1时，
Figure BDA00025816791200000227
为
Figure BDA00025816791200000228
是工作日断面p天气数据的时间序列，
Figure BDA00025816791200000229
为工作日第t1个时间间隔断面p的天气数据；
(2)模型构建
首先，基于交通流和天气数据的时间序列构建模型所需输入矩阵；其次，使用LSTM神经网络构建模型第一部分，对所有时期内历史数据的规律进行挖掘；再次，通过组合CNN和LSTM神经网络构建模型第二部分，对某一时期内历史数据的规律进行挖掘；最后，对各部分模型进行权重组合后构建CNNLSTM模型，进而得到交通流数据预测值，包括以下步骤：
(2.1)输入矩阵构建
基于序列
Figure BDA0002581679120000031
和
Figure BDA0002581679120000032
构建模型第一部分所需输入矩阵
Figure BDA0002581679120000033
Figure BDA0002581679120000034
为第
Figure BDA0002581679120000035
个时间间隔模型第一部分预测断面p第o类车交通流时所输入的向量，
Figure BDA0002581679120000036
为使用模型第一部分进行一次预测时对断面p所选历史数据的个数，其中
Figure BDA0002581679120000037
为断面p的上游检测器获取的第o类车交通流数据的时间序列；基于序列
Figure BDA0002581679120000038
和
Figure BDA0002581679120000039
构建模型第二部分所需输入矩阵
Figure BDA00025816791200000310
Figure BDA00025816791200000311
为第i个时期内第ti个时间间隔模型第二部分预测断面p第o类车交通流时所输入的向量，其中
Figure BDA00025816791200000312
为断面p的上游检测器在第i个时期内获取的第o类车交通流数据的时间序列，
Figure BDA00025816791200000313
为使用模型第二部分进行一次预测时对断面p所选历史数据的个数；
(2.2)模型第一部分构建
使用LSTM神经网络构建模型第一部分，挖掘所有时期内历史数据的规律，LSTM神经网络由输入层、隐藏层和输出层组成，其中隐藏层包括输入门、遗忘门和输出门；模型第一部分输入为
Figure BDA00025816791200000314
隐藏层的记忆信息为
Figure BDA00025816791200000315
Figure BDA00025816791200000316
为第
Figure BDA00025816791200000317
个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；第
Figure BDA00025816791200000318
个时间间隔对断面p第o类车输入门的输出记为
Figure BDA00025816791200000319
遗忘门的输出记为
Figure BDA00025816791200000320
输出门的输出记为
Figure BDA00025816791200000321
其表达式分别为
Figure BDA00025816791200000322
Figure BDA00025816791200000323
Figure BDA00025816791200000324
式中：
Figure BDA00025816791200000325
为第
Figure BDA00025816791200000326
个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；
Figure BDA00025816791200000327
σF和
Figure BDA00025816791200000328
分别为输入门、遗忘门和输出门所选激活函数；
Figure BDA00025816791200000329
和
Figure BDA00025816791200000330
分别为输入门、遗忘门和输出门对断面p第o类车所选权重；
Figure BDA00025816791200000331
和
Figure BDA0002581679120000041
分别为输入门、遗忘门和输出门对断面p第o类车所选偏置向量；
第
Figure BDA0002581679120000042
个时间间隔隐藏层单元的状态为
Figure BDA0002581679120000043
即
Figure BDA0002581679120000044
式中：
Figure BDA0002581679120000045
为计算
Figure BDA0002581679120000046
时产生的变量；⊙为哈达玛积；tanh为双曲正切函数；
Figure BDA0002581679120000047
和
Figure BDA0002581679120000048
分别为计算
Figure BDA0002581679120000049
时所选权重和偏置向量；
基于
Figure BDA00025816791200000410
和
Figure BDA00025816791200000411
得
Figure BDA00025816791200000412
即
Figure BDA00025816791200000413
第
Figure BDA00025816791200000414
个时间间隔由模型第一部分LSTM神经网络所得断面p第o类车的交通流数据预测值为
Figure BDA00025816791200000415
即
Figure BDA00025816791200000416
式中：σLS、
Figure BDA00025816791200000417
和
Figure BDA00025816791200000418
分别为计算
Figure BDA00025816791200000419
时所选激活函数以及对断面p第o类车所选权重和偏置向量；
(2.3)模型第二部分构建
模型第二部分先用CNN和LSTM神经网络分别对交通流进行预测，再将两种神经网络的输出作为全连接层的输入，进而得到模型第二部分的交通流数据预测值；先将矩阵
Figure BDA00025816791200000420
输入到CNN和LSTM神经网络中，LSTM神经网络采用式(1)～(6)；CNN包括输入层、卷积和池化层、全连接层、输出层；将矩阵
Figure BDA00025816791200000421
作为CNN第一层的输入；通过卷积和池化层提取输入矩阵的特征，卷积和池化层的输出为
Figure BDA00025816791200000422
式中：
Figure BDA00025816791200000423
为第l层使用第cl个卷积核卷积和池化操作后所得第i个时期内断面p第o类车的输出；pool为池化操作；
Figure BDA00025816791200000424
为第i个时期内第ti个时间间隔预测断面p第o类车交通流时第l层所输入的向量，令
Figure BDA00025816791200000425
Figure BDA00025816791200000428
为卷积运算；σcl、
Figure BDA00025816791200000426
和
Figure BDA00025816791200000427
分别为第l层使用第cl个卷积核时所用激活函数以及对断面p第o类车所选权重和偏置向量；Cl为第l层卷积核的个数；L为CNN的深度；
然后，将卷积和池化层的输出放入全连接层，需先将卷积和池化层的输出进行扁平化操作变换成一维向量，即
Figure BDA0002581679120000051
式中：
Figure BDA0002581679120000052
为对第L-1层输出进行扁平化操作后所得第i个时期内断面p第o类车的输出；flatten为扁平化操作；
Figure BDA0002581679120000053
为第L-1层使用第cL-1个卷积核卷积和池化操作后所得第i个时期内断面p第o类车的输出；CL-1为第L-1层卷积核的个数；
由全连接层计算得到CNN的输出，即
Figure BDA0002581679120000054
式中：
Figure BDA0002581679120000055
为CNN所得的第i个时期内第ti个时间间隔断面p第o类车的交通流数据预测值；σCN、
Figure BDA0002581679120000056
和
Figure BDA0002581679120000057
分别为CNN全连接层所选激活函数以及对断面p第o类车所选权重和偏置向量；
模型第二部分将LSTM神经网络隐藏层的信息和CNN卷积和池化层的输出作为全连接层的输入，所得交通流数据预测值为
Figure BDA0002581679120000058
式中：
Figure BDA0002581679120000059
为模型第二部分所得的第i个时期内第ti个时间间隔断面p第o类车的交通流数据预测值；
Figure BDA00025816791200000510
为使用LSTM神经网络在第i个时期内第ti个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；σCL、
Figure BDA00025816791200000511
和
Figure BDA00025816791200000512
分别为模型第二部分全连接层所选激活函数以及对断面p第o类车所选权重和偏置向量；
(4)权重组合
为充分挖掘历史数据的规律，提高交通流预测精度，将第一部分预测值和第二部分预测值进行权重组合，进而构建CNNLSTM模型；根据所有时期内前
Figure BDA00025816791200000518
个时间间隔的历史数据预测第i个时期内第Ti+1个时间间隔的交通流数据，即
Figure BDA00025816791200000513
式中：
Figure BDA00025816791200000514
为CNNLSTM模型所得的第i个时期内第Ti+1个时间间隔断面p第o类车的交通流数据预测值；
Figure BDA00025816791200000515
为模型第一部分所得的第
Figure BDA00025816791200000516
个时间间隔断面p第o类车的交通流数据预测值；
Figure BDA00025816791200000517
为模型第二部分所得的第i个时期内第Ti+1个时间间隔断面p第o类车的交通流数据预测值；aL和aH分别为模型第一部分和第二部分的权重系数；
(3)模型训练
为保证所提CNNLSTM模型的预测精度，需使用历史交通流和天气数据对该模型进行训练；选择平均绝对误差(Mean Absolute Error,MAE)作为损失函数，采用Adam算法进行训练，目标为最小化平均绝对误差，激活函数均为relu函数，模型第一部分和第二部分的损失函数分别为
Figure BDA0002581679120000061
Figure BDA0002581679120000062
式中：MAELS为模型第一部分的平均绝对误差；MAECL为模型第二部分的平均绝对误差；
(4)交通流预测
根据训练好的CNNLSTM模型对交通流进行预测，使用平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)、平均绝对误差(MAE)和均方根误差(Root MeanSquare Error,RMSE)评价CNNLSTM模型及对比各模型的预测性能。MAPE越小，MAE越小，RMSE越小，模型的预测精度越高。MAPE、MAE和RMSE的计算公式分别为
Figure BDA0002581679120000063
Figure BDA0002581679120000064
Figure BDA0002581679120000065
式中：
Figure BDA0002581679120000066
和
Figure BDA0002581679120000067
分别为第i个时期内第Ti+t个时间间隔断面p第o类车由CNNLSTM模型所得交通流数据预测值和交通流数据实测值，t∈{1,2,3,…,T}，T为预测时间间隔数。
本发明的有益效果：本发明在区分车型的基础上考虑了不良天气对交通流特性的影响，通过充分挖掘交通流和天气历史数据的规律来捕捉与不良天气期间最为相似的交通流，还考虑了不同车型交通流的差异，可得到每种车型交通流数据的预测值，本发明所述方法比现有交通流预测方法具有更高的准确度。
附图说明
图1为非工作日交通量变化示意图。
图2为CNNLSTM模型结构示意图。
图3为交通量预测值和实测值示意图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
一种考虑不良天气的深度学习交通流预测方法，具体步骤如下：
(1)交通流和天气数据获取
选取美国加利福尼亚州萨克拉门托市US-50走廊中的检测器311974为目标检测器，将其所在的检测断面定为研究对象，为预测该断面的交通流，需获取该断面检测器及其上游检测器311903的历史数据和该区域的气象站检测数据。记检测器311903和311974所在断面分别为断面1和2。利用线圈检测器获取两个断面2019年10月07日至12月01日的原始交通量数据，利用该区域的气象站获取相同时间范围内的原始温度数据。预测时间间隔为5mins，将交通量和温度原始数据集计成时间间隔为5mins的时间序列数据，去除缺失数据，将处理后的数据作为研究数据。获取的交通流数据不区分车型，因此O＝1。通过对气象站检测数据进行集计，发现2019年12月01日的累计降雨量为30.48mm，大于25mm，降雨等级为大雨。因此，以预测2019年12月01日断面2的交通量为例，介绍本发明的具体实施方式。
(2)模型构建
图1给出了2019年10月07日至12月01日断面2处15个非工作日的交通量时变曲线，其中11月02日的交通流数据缺失。从图1中可以看出，12月01日交通流的波动规律较之前均不同。因该日是大雨天气，致使其交通量明显小于其他非工作日，且其交通流的变化趋势相比其他非工作日更加平缓。因此，道路交通流预测应考虑不良天气带来的影响。
首先，构建模型所需输入矩阵。将所有时期内目标检测器及其上游检测器的交通流历史数据作为模型第一部分的输入；将第0个时期内即非工作日目标检测器及其上游检测器交通流历史数据和气象站天气历史数据作为模型第二部分的输入。图2给出了CNNLSTM模型的结构，基于Python中的Keras构建CNNLSTM模型，每层的参数如图2所示，其中模型第一部分包括一层LSTM层和一层Dense层；模型第二部分包括三条路径，第一条路径包含一层Conv1D层和一层Flatten层，第二条路径包含两层LSTM层和一层Flatten层，第三条路径包含一层LSTM层和一层Flatten层，再将三条路径的输出作为Concatenate层的输入进行融合，后将其输入到Dense层；最后将两部分的预测值进行权重组合得到交通流数据预测值。
(3)模型训练
将2019年10月07日至11月30日的交通量和温度数据作为历史数据，对12月01日大雨天气对应的交通量进行预测。经过训练，模型第一部分中，目标检测器及其上游检测器的历史数据个数均取6；模型第二部分中，目标检测器及其上游检测器的历史数据个数均取6，温度历史数据个数取4；aL和aH分别设定为0.02和0.98。
(4)交通流预测
根据前两步构建好的输入矩阵和训练好的CNNLSTM模型及对比模型对2019年12月01日断面2处的交通量进行预测。为验证本发明所提方法的有效性，选取现有的K近邻算法、CNN和LSTM神经网络作为对比方法。
图3给出了2019年12月01日KNN、CNN、LSTM和CNNLSTM四种模型所得的交通量预测值以及交通量实测值。从图3中可以看出，相比KNN、CNN和LSTM神经网络，CNNLSTM模型所得交通量预测值的波动性更小，且与实测值更为接近，表明CNNLSTM模型的预测效果最好。
表1模型预测性能指标
Figure BDA0002581679120000081
表1列出了KNN、CNN、LSTM和CNNLSTM四种模型的预测性能指标。相比KNN、CNN和LSTM神经网络，CNNLSTM模型的MAPE值下降了5.89％～28.46％，MAE值下降了6.84％～28.26％，RMSE值下降了5.39％～26.47％。由此可见，CNNLSTM模型对大雨天气下交通流的预测性能明显优于现有的KNN、CNN和LSTM神经网络。因此，本发明所提深度学习交通流预测方法能够准确地预测不良天气下道路交通流的状况。

Claims (1)

1.一种考虑不良天气的深度学习交通流预测方法，其特征在于，步骤如下：
首先，确定研究的空间范围、预测的时间范围和预测时间间隔，利用该空间范围内的交通流检测器获取交通流历史数据，利用气象站获取天气历史数据；其次，使用CNN和LSTM神经网络构建交通流预测模型；然后，使用历史数据对构建的预测模型进行训练；最后，使用训练好的模型对预测日的交通流进行预测，其具体步骤如下：
(1)交通流和天气数据获取
选定研究的空间范围、预测的时间范围和预测时间间隔，通过交通流检测器获取预测时间之前的原始交通流数据集
Figure FDA0002581679110000011
p为断面编号，o为车型编号，o∈{1,2,3,…,O}，O为车型数，z为任一时刻，a为检测器采样时间间隔；根据预测时间间隔，将原始交通流数据集
Figure FDA0002581679110000012
进行集计后得到断面p第o类车交通流数据的时间序列
Figure FDA0002581679110000013
Figure FDA0002581679110000014
为第
Figure FDA0002581679110000015
个时间间隔断面p第o类车的交通流数据，
Figure FDA0002581679110000016
Figure FDA0002581679110000017
为所有时期内获取数据的时间间隔数；根据是否为工作日，将序列
Figure FDA0002581679110000018
分为第i个时期内断面p第o类车交通流数据的时间序列
Figure FDA0002581679110000019
Figure FDA00025816791100000110
为第i个时期内第ti个时间间隔断面p第o类车的交通流数据，i∈{0,1}，i＝0时，
Figure FDA00025816791100000111
为
Figure FDA00025816791100000112
是非工作日断面p第o类车交通流数据的时间序列，
Figure FDA00025816791100000113
为非工作日第t0个时间间隔断面p第o类车的交通流数据，T0为非工作日获取数据的时间间隔数；i＝1时，
Figure FDA00025816791100000114
为
Figure FDA00025816791100000115
是工作日断面p第o类车交通流数据的时间序列，
Figure FDA00025816791100000116
为工作日第t1个时间间隔断面p第o类车的交通流数据，T1为工作日获取数据的时间间隔数，
Figure FDA00025816791100000117
通过气象站获取预测时间之前的原始天气数据集wp＝{wp(z-a,z)|0＜a≤z}；根据预测时间间隔，将原始天气数据集wp进行集计后得到断面p天气数据的时间序列
Figure FDA00025816791100000118
Figure FDA00025816791100000119
为第
Figure FDA00025816791100000120
个时间间隔断面p的天气数据；根据是否为工作日，将序列
Figure FDA00025816791100000121
分为第i个时期内断面p天气数据的时间序列
Figure FDA00025816791100000122
Figure FDA00025816791100000123
为第i个时期内第ti个时间间隔断面p的天气数据，i∈{0,1}，i＝0时，
Figure FDA00025816791100000124
为
Figure FDA00025816791100000125
是非工作日断面p天气数据的时间序列，
Figure FDA00025816791100000126
为非工作日第t0个时间间隔断面p的天气数据；i＝1时，
Figure FDA00025816791100000127
为
Figure FDA0002581679110000021
是工作日断面p天气数据的时间序列，
Figure FDA0002581679110000022
为工作日第t1个时间间隔断面p的天气数据；
(2)模型构建
首先，基于交通流和天气数据的时间序列构建模型所需输入矩阵；其次，使用LSTM神经网络构建模型第一部分，对所有时期内历史数据的规律进行挖掘；再次，通过组合CNN和LSTM神经网络构建模型第二部分，对某一时期内历史数据的规律进行挖掘；最后，对各部分模型进行权重组合后构建CNNLSTM模型，进而得到交通流数据预测值，包括以下步骤：
(2.1)输入矩阵构建
基于序列
Figure FDA0002581679110000023
和
Figure FDA0002581679110000024
构建模型第一部分所需输入矩阵
Figure FDA0002581679110000025
Figure FDA0002581679110000026
为第
Figure FDA0002581679110000027
个时间间隔模型第一部分预测断面p第o类车交通流时所输入的向量，
Figure FDA0002581679110000028
为使用模型第一部分进行一次预测时对断面p所选历史数据的个数，其中
Figure FDA0002581679110000029
为断面p的上游检测器获取的第o类车交通流数据的时间序列；基于序列
Figure FDA00025816791100000210
和
Figure FDA00025816791100000211
构建模型第二部分所需输入矩阵
Figure FDA00025816791100000212
Figure FDA00025816791100000213
为第i个时期内第ti个时间间隔模型第二部分预测断面p第o类车交通流时所输入的向量，其中
Figure FDA00025816791100000214
为断面p的上游检测器在第i个时期内获取的第o类车交通流数据的时间序列，
Figure FDA00025816791100000215
为使用模型第二部分进行一次预测时对断面p所选历史数据的个数；
(2.2)模型第一部分构建
使用LSTM神经网络构建模型第一部分，挖掘所有时期内历史数据的规律，LSTM神经网络由输入层、隐藏层和输出层组成，其中隐藏层包括输入门、遗忘门和输出门；模型第一部分输入为
Figure FDA00025816791100000216
隐藏层的记忆信息为
Figure FDA00025816791100000217
Figure FDA00025816791100000218
为第
Figure FDA00025816791100000219
个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；第
Figure FDA00025816791100000220
个时间间隔对断面p第o类车输入门的输出记为
Figure FDA00025816791100000221
遗忘门的输出记为
Figure FDA00025816791100000222
输出门的输出记为
Figure FDA00025816791100000223
其表达式分别为
Figure FDA00025816791100000224
Figure FDA00025816791100000225
Figure FDA00025816791100000226
式中：
Figure FDA00025816791100000227
为第
Figure FDA00025816791100000228
个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；
Figure FDA0002581679110000031
σF和
Figure FDA0002581679110000032
分别为输入门、遗忘门和输出门所选激活函数；
Figure FDA0002581679110000033
和
Figure FDA0002581679110000034
分别为输入门、遗忘门和输出门对断面p第o类车所选权重；
Figure FDA0002581679110000035
和
Figure FDA0002581679110000036
分别为输入门、遗忘门和输出门对断面p第o类车所选偏置向量；
第
Figure FDA0002581679110000037
个时间间隔隐藏层单元的状态为
Figure FDA0002581679110000038
即
Figure FDA0002581679110000039
Figure FDA00025816791100000310
式中：
Figure FDA00025816791100000311
为计算
Figure FDA00025816791100000312
时产生的变量；⊙为哈达玛积；tanh为双曲正切函数；
Figure FDA00025816791100000313
和
Figure FDA00025816791100000314
分别为计算
Figure FDA00025816791100000315
时所选权重和偏置向量；
基于
Figure FDA00025816791100000316
和
Figure FDA00025816791100000317
得
Figure FDA00025816791100000318
即
Figure FDA00025816791100000319
第
Figure FDA00025816791100000320
个时间间隔由模型第一部分LSTM神经网络所得断面p第o类车的交通流数据预测值为
Figure FDA00025816791100000321
即
Figure FDA00025816791100000322
式中：σLS、
Figure FDA00025816791100000323
和
Figure FDA00025816791100000324
分别为计算
Figure FDA00025816791100000325
时所选激活函数以及对断面p第o类车所选权重和偏置向量；
(2.3)模型第二部分构建
模型第二部分先用CNN和LSTM神经网络分别对交通流进行预测，再将两种神经网络的输出作为全连接层的输入，进而得到模型第二部分的交通流数据预测值；先将矩阵
Figure FDA00025816791100000326
输入到CNN和LSTM神经网络中，LSTM神经网络采用式(1)～(6)；CNN包括输入层、卷积和池化层、全连接层、输出层；将矩阵
Figure FDA00025816791100000327
作为CNN第一层的输入；通过卷积和池化层提取输入矩阵的特征，卷积和池化层的输出为
Figure FDA00025816791100000328
式中：
Figure FDA00025816791100000329
为第l层使用第cl个卷积核卷积和池化操作后所得第i个时期内断面p第o类车的输出；pool为池化操作；
Figure FDA00025816791100000330
为第i个时期内第ti个时间间隔预测断面p第o类车交通流时第l层所输入的向量，令
Figure FDA00025816791100000331
Figure FDA00025816791100000332
为卷积运算；
Figure FDA00025816791100000333
和
Figure FDA00025816791100000334
分别为第l层使用第cl个卷积核时所用激活函数以及对断面p第o类车所选权重和偏置向量；Cl为第l层卷积核的个数；L为CNN的深度；
然后，将卷积和池化层的输出放入全连接层，需先将卷积和池化层的输出进行扁平化操作变换成一维向量，即
Figure FDA0002581679110000041
式中：
Figure FDA0002581679110000042
为对第L-1层输出进行扁平化操作后所得第i个时期内断面p第o类车的输出；flatten为扁平化操作；
Figure FDA0002581679110000043
为第L-1层使用第cL-1个卷积核卷积和池化操作后所得第i个时期内断面p第o类车的输出；CL-1为第L-1层卷积核的个数；
由全连接层计算得到CNN的输出，即
Figure FDA0002581679110000044
式中：
Figure FDA0002581679110000045
为CNN所得的第i个时期内第ti个时间间隔断面p第o类车的交通流数据预测值；σCN、
Figure FDA0002581679110000046
和
Figure FDA0002581679110000047
分别为CNN全连接层所选激活函数以及对断面p第o类车所选权重和偏置向量；
模型第二部分将LSTM神经网络隐藏层的信息和CNN卷积和池化层的输出作为全连接层的输入，所得交通流数据预测值为
Figure FDA0002581679110000048
式中：
Figure FDA0002581679110000049
为模型第二部分所得的第i个时期内第ti个时间间隔断面p第o类车的交通流数据预测值；
Figure FDA00025816791100000410
为使用LSTM神经网络在第i个时期内第ti个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；σCL、
Figure FDA00025816791100000411
和
Figure FDA00025816791100000412
分别为模型第二部分全连接层所选激活函数以及对断面p第o类车所选权重和偏置向量；
(4)权重组合
为充分挖掘历史数据的规律，提高交通流预测精度，将第一部分预测值和第二部分预测值进行权重组合，进而构建CNNLSTM模型；根据所有时期内前
Figure FDA00025816791100000413
个时间间隔的历史数据预测第i个时期内第Ti+1个时间间隔的交通流数据，即
Figure FDA00025816791100000414
式中：
Figure FDA00025816791100000415
为CNNLSTM模型所得的第i个时期内第Ti+1个时间间隔断面p第o类车的交通流数据预测值；
Figure FDA00025816791100000416
为模型第一部分所得的第
Figure FDA00025816791100000417
个时间间隔断面p第o类车的交通流数据预测值；
Figure FDA00025816791100000418
为模型第二部分所得的第i个时期内第Ti+1个时间间隔断面p第o类车的交通流数据预测值；aL和aH分别为模型第一部分和第二部分的权重系数；
(3)模型训练
为保证所提CNNLSTM模型的预测精度，需使用历史交通流和天气数据对该模型进行训练；选择平均绝对误差(Mean Absolute Error,MAE)作为损失函数，采用Adam算法进行训练，目标为最小化平均绝对误差，激活函数均为relu函数，模型第一部分和第二部分的损失函数分别为
Figure FDA0002581679110000051
Figure FDA0002581679110000052
式中：MAELS为模型第一部分的平均绝对误差；MAECL为模型第二部分的平均绝对误差；
(4)交通流预测
根据训练好的CNNLSTM模型对交通流进行预测，使用平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)、平均绝对误差(MAE)和均方根误差(Root MeanSquare Error,RMSE)评价CNNLSTM模型及对比各模型的预测性能；MAPE越小，MAE越小，RMSE越小，模型的预测精度越高；MAPE、MAE和RMSE的计算公式分别为
Figure FDA0002581679110000053
Figure FDA0002581679110000054
Figure FDA0002581679110000055
式中：
Figure FDA0002581679110000056
和
Figure FDA0002581679110000057
分别为第i个时期内第Ti+t个时间间隔断面p第o类车由CNNLSTM模型所得交通流数据预测值和交通流数据实测值，t∈{1,2,3,…,T}，T为预测时间间隔数。
CN202010669271.1A 2020-07-13 2020-07-13 一种考虑不良天气的深度学习交通流预测方法 Active CN111882869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010669271.1A CN111882869B (zh) 2020-07-13 2020-07-13 一种考虑不良天气的深度学习交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010669271.1A CN111882869B (zh) 2020-07-13 2020-07-13 一种考虑不良天气的深度学习交通流预测方法

Publications (2)

Publication Number Publication Date
CN111882869A true CN111882869A (zh) 2020-11-03
CN111882869B CN111882869B (zh) 2022-10-04

Family

ID=73151483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010669271.1A Active CN111882869B (zh) 2020-07-13 2020-07-13 一种考虑不良天气的深度学习交通流预测方法

Country Status (1)

Country Link
CN (1) CN111882869B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489453A (zh) * 2020-11-18 2021-03-12 安徽四创电子股份有限公司 一种基于神经网络的交通信号智能调节方法
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
CN112733728A (zh) * 2021-01-12 2021-04-30 深圳市安软科技股份有限公司 一种能见度边缘计算方法、装置、电子设备及存储介质
CN113379187A (zh) * 2021-04-29 2021-09-10 武汉理工大学 一种交通气象灾害评估方法、装置及计算机可读存储介质
CN114360254A (zh) * 2022-03-17 2022-04-15 湖南工商大学 一种基于时空的交通流量预测方法及相关设备
CN115294770A (zh) * 2022-08-03 2022-11-04 航天宏图信息技术股份有限公司 一种雨天交通拥堵指数的预测方法和装置
CN115497294A (zh) * 2022-09-22 2022-12-20 东南大学 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统
CN116386215A (zh) * 2023-03-16 2023-07-04 淮阴工学院 一种基于人流量用于移动电箱的智能充电方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN109064748A (zh) * 2018-09-18 2018-12-21 浙江工业大学 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN109461311A (zh) * 2018-12-19 2019-03-12 哈尔滨工业大学（深圳） 一种面向智能交通和智能驾驶的路网交通流时空预测方法
CN109697288A (zh) * 2018-12-25 2019-04-30 北京理工大学 一种基于深度学习的实例对齐方法
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN110517485A (zh) * 2019-08-09 2019-11-29 大连理工大学 一种基于时段划分的短时交通流预测方法
CN110517488A (zh) * 2019-08-19 2019-11-29 南京理工大学 基于时序分解和循环神经网络的短时交通流预测方法
WO2019228848A1 (en) * 2018-05-31 2019-12-05 Vivacity Labs Limited Traffic management system
CN110675632A (zh) * 2019-11-11 2020-01-10 重庆邮电大学 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法
CN110738984A (zh) * 2019-05-13 2020-01-31 苏州闪驰数控系统集成有限公司 人工智能cnn、lstm神经网络语音识别系统
US20200046244A1 (en) * 2018-08-08 2020-02-13 Tata Consultancy Services Limited Parallel implementation of deep neural networks for classifying heart sound signals
US20200086879A1 (en) * 2018-09-14 2020-03-19 Honda Motor Co., Ltd. Scene classification prediction
WO2020075942A1 (ko) * 2018-10-10 2020-04-16 주식회사 케이티 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
CN111063194A (zh) * 2020-01-13 2020-04-24 兰州理工大学 一种交通流预测方法
US20200135209A1 (en) * 2018-10-26 2020-04-30 Apple Inc. Low-latency multi-speaker speech recognition
CN111292525A (zh) * 2019-12-30 2020-06-16 南京艾特斯科技有限公司 基于神经网络的交通流预测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
WO2019228848A1 (en) * 2018-05-31 2019-12-05 Vivacity Labs Limited Traffic management system
US20200046244A1 (en) * 2018-08-08 2020-02-13 Tata Consultancy Services Limited Parallel implementation of deep neural networks for classifying heart sound signals
US20200086879A1 (en) * 2018-09-14 2020-03-19 Honda Motor Co., Ltd. Scene classification prediction
CN109064748A (zh) * 2018-09-18 2018-12-21 浙江工业大学 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
WO2020075942A1 (ko) * 2018-10-10 2020-04-16 주식회사 케이티 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
US20200135209A1 (en) * 2018-10-26 2020-04-30 Apple Inc. Low-latency multi-speaker speech recognition
CN109461311A (zh) * 2018-12-19 2019-03-12 哈尔滨工业大学（深圳） 一种面向智能交通和智能驾驶的路网交通流时空预测方法
CN109697288A (zh) * 2018-12-25 2019-04-30 北京理工大学 一种基于深度学习的实例对齐方法
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN110738984A (zh) * 2019-05-13 2020-01-31 苏州闪驰数控系统集成有限公司 人工智能cnn、lstm神经网络语音识别系统
CN110517485A (zh) * 2019-08-09 2019-11-29 大连理工大学 一种基于时段划分的短时交通流预测方法
CN110517488A (zh) * 2019-08-19 2019-11-29 南京理工大学 基于时序分解和循环神经网络的短时交通流预测方法
CN110675632A (zh) * 2019-11-11 2020-01-10 重庆邮电大学 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法
CN111292525A (zh) * 2019-12-30 2020-06-16 南京艾特斯科技有限公司 基于神经网络的交通流预测方法
CN111063194A (zh) * 2020-01-13 2020-04-24 兰州理工大学 一种交通流预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DONGFANG MA ETC.: "Daily Traffic Flow Forecasting Through a Contextual Convolutional Recurrent Neural Network Modeling Inter- and Intra-Day Traffic Patterns", 《TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
TOONBOGAERTS ETC.: "A graph CNN-LSTM neural network for short and long-term traffic forecasting based on trajectory data", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》 *
姚荣涵等: "交通流时空描述模型", 《公路交通科技》 *
张振等: "基于CNN-LightGBM模型的高速公路交通量预测", 《信息技术与网络安全》 *
王嘉琪: "基于CNN和LSTM的城市区域交通流量预测", 《中国优秀硕士学位论文全文数据库》 *
黎旭成等: "基于卷积神经网络和长短期记忆模型的交通状态预测", 《品质交通与协同共治——2019年中国城市交通规划年会论文集》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489453A (zh) * 2020-11-18 2021-03-12 安徽四创电子股份有限公司 一种基于神经网络的交通信号智能调节方法
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
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
CN112733728A (zh) * 2021-01-12 2021-04-30 深圳市安软科技股份有限公司 一种能见度边缘计算方法、装置、电子设备及存储介质
CN113379187A (zh) * 2021-04-29 2021-09-10 武汉理工大学 一种交通气象灾害评估方法、装置及计算机可读存储介质
CN114360254A (zh) * 2022-03-17 2022-04-15 湖南工商大学 一种基于时空的交通流量预测方法及相关设备
CN115294770A (zh) * 2022-08-03 2022-11-04 航天宏图信息技术股份有限公司 一种雨天交通拥堵指数的预测方法和装置
CN115497294A (zh) * 2022-09-22 2022-12-20 东南大学 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统
CN115497294B (zh) * 2022-09-22 2023-09-19 东南大学 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统
CN116386215A (zh) * 2023-03-16 2023-07-04 淮阴工学院 一种基于人流量用于移动电箱的智能充电方法
CN116386215B (zh) * 2023-03-16 2024-04-19 淮阴工学院 一种基于人流量用于移动电箱的智能充电方法

Also Published As

Publication number Publication date
CN111882869B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN111882869B (zh) 一种考虑不良天气的深度学习交通流预测方法
CN108269401B (zh) 一种基于数据驱动的高架桥交通拥堵预测方法
CN112085947B (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN111915059B (zh) 基于注意力机制的Seq2seq泊位占有率预测方法
CN104778837B (zh) 一种道路交通运行态势多时间尺度预测方法
CN103605362B (zh) 基于车辆轨迹多特征的运动模式学习及异常检测方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN108346293B (zh) 一种实时交通流短时预测方法
CN107085943B (zh) 一种道路旅行时间短期预测方法和系统
CN110517485B (zh) 一种基于时段划分的短时交通流预测方法
CN111612243A (zh) 交通速度预测方法、系统及存储介质
CN112613225B (zh) 一种基于神经网络元胞传输模型的交叉口交通状态预测方法
CN104464304A (zh) 一种基于路网特性的城市道路车辆行驶速度预测方法
CN106595665A (zh) 一种障碍空间中移动对象时空轨迹的预测方法
CN108510737B (zh) 一种融合风环境的无人驾驶车辆电源实时监控方法及装置
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
Chen et al. A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways
CN113658423B (zh) 基于循环门控单元的车辆轨迹异常检测方法
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
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN115659609A (zh) 一种基于dtw-dcrnn的化工园区噪声预测方法
Doğan Short-term traffic flow prediction using artificial intelligence with periodic clustering and elected set
CN107730882B (zh) 基于人工智能的道路拥堵预测系统及方法
CN111583649B (zh) 一种rfid时空数据交通流特征参数预测方法
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法

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