CN111951543B - 流量预测方法及装置 - Google Patents
流量预测方法及装置 Download PDFInfo
- Publication number
- CN111951543B CN111951543B CN201910403621.7A CN201910403621A CN111951543B CN 111951543 B CN111951543 B CN 111951543B CN 201910403621 A CN201910403621 A CN 201910403621A CN 111951543 B CN111951543 B CN 111951543B
- Authority
- CN
- China
- Prior art keywords
- bayonet
- information
- attribute information
- topological graph
- flow prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种流量预测方法及装置,可以将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,其中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征,之后将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,利用所述流量预测模型预测目标卡口的流量。因此使得流量预测结果更精确。
Description
技术领域
本申请涉及智能交通技术领域,尤其涉及一种流量预测方法及装置。
背景技术
目前交通视频监控基本覆盖到生活中的每个道路街道,随着道路上的车辆越来越多,这使得当前的交通视频监控的负荷更加严重,智能交通的处理显得相当重要。
卡口是道路交通卡口监控系统的简称,通常可以依托道路的特点,在道路中的某些位置设置监控系统,从而对通过该卡口的机动车辆、非机动车辆或者行人进行拍摄、记录与处理,从而可以优化警力部署策略,改善交通情况。
在现有的卡口中存在大量视频监控数据,如何通过对卡口的视频监控数据进行分析统计,预测拥堵,是亟待解决的问题。
发明内容
有鉴于此,本申请提供一种流量预测方法及装置,可以解决现有技术中对卡口进行流量预测的问题。
具体地,本申请是通过如下技术方案实现的:
根据本申请实施例的第一方面,提供一种流量预测方法,所述方法包括:
将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,所述卡口拓扑图中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息,所述卡口属性信息至少包括:卡口的历史流量信息、卡口的时间信息、卡口的空间信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,所述边属性信息至少包括:同一对象经由所述边上两个卡口标识所对应的卡口的顺序关系;
依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征;
将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,利用所述流量预测模型预测目标卡口的流量。
作为一个实施例,所述将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图包括:
从不同卡口获取卡口数据,所述卡口数据至少包括:卡口标识、经过该卡口的对象的对象标识、对象经过该卡口的时间信息、卡口属性信息;
针对每个对象标识,查找该对象标识所经过的卡口标识,依据该对象标识经过卡口的时间信息将相邻的该两个卡口标识通过带有方向的连接线连接得到卡口拓扑图,所述方向用于指示对象经由卡口的顺序,卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息。
作为一个实施例,所述依据卡口拓扑图确定每一卡口的结构特征信息,包括:
获取已指定的用于确定结构特征信息的结构特征算法;
将所述卡口拓扑图输入至所述结构特征算法得到每一卡口的结构特征信息。
作为一个实施例,将所述卡口的结构特征信息和卡口属性信息结合生成样本数据包括:
将每一卡口的结构特征信息与卡口属性信息进行拼接,将拼接后得到的数据确定为样本数据。
作为一个实施例,依据样本数据构建流量预测模型,包括:
依据样本数据训练出不同的基础模型,将各基础模型进行融合得到用于流量预测的流量预测模型。
作为一个实施例,所述利用流量预测模型预测目标卡口的流量包括:
从目标卡口获取目标输入数据,所述目标输入数据的结构与所述样本数据的结构相同;
将所述目标输入数据输入至所述流量预测模型,以利用所述流量预测模型依据输入的目标输入数据预测所述目标卡口的流量。
根据本申请实施例的第二方面,提供一种流量预测装置,所述装置包括:
拓扑图建立单元,用于将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,所述卡口拓扑图中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息,所述卡口属性信息至少包括:卡口的历史流量信息、卡口的时间信息、卡口的空间信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,所述边属性信息至少包括:同一对象经由所述边上两个卡口标识所对应的卡口的顺序关系;
特征确定单元,用于依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征;
流量预测单元,用于将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,利用所述流量预测模型预测目标卡口的流量。
作为一个实施例,所述拓扑图建立单元,具体用于从不同卡口获取卡口数据,所述卡口数据至少包括:卡口标识、经过该卡口的对象的对象标识、对象经过该卡口的时间信息、卡口属性信息;针对每个对象标识,查找该对象标识所经过的卡口标识,依据该对象标识经过卡口的时间信息将相邻的该两个卡口标识通过带有方向的连接线连接得到卡口拓扑图,所述方向用于指示对象经由卡口的顺序,卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息。
作为一个实施例,所述特征确定单元,具体用于获取已指定的用于确定结构特征信息的结构特征算法;将所述卡口拓扑图输入至所述结构特征算法得到每一卡口的结构特征信息。
作为一个实施例,所述流量预测单元,具体用于将每一卡口的结构特征信息与卡口属性信息进行拼接,将拼接后得到的数据确定为样本数据。
作为一个实施例,所述流量预测单元,具体用于依据样本数据训练出不同的基础模型,将各基础模型进行融合得到用于流量预测的流量预测模型。
作为一个实施例,所述流量预测单元,具体从目标卡口获取目标输入数据,所述目标输入数据的结构与所述样本数据的结构相同;将所述目标输入数据输入至所述流量预测模型,以利用所述流量预测模型依据输入的目标输入数据预测所述目标卡口的流量。
根据本申请实施例的第三方面,提供一种计算机设备,包括处理器、通信接口、存储器和通信总线;
其中,所述处理器、通信接口、存储器通过所述通信总线进行相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的计算机程序,所述处理器执行所述计算机程序时实现任一流量预测方法的步骤。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现任一流量预测方法的步骤。
由上述实施例可见,本申请可以将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,其中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,依据所述卡口拓扑图确定每一卡口的结构特征信息,依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征,将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,最终可以利用所述流量预测模型预测目标卡口的流量。由于本申请的样本数据中除了卡口自身的属性信息以外,还增加了表示卡口自身直连或者间接连接的其他卡口以及卡口之间的连接关系的结构特征信息,从而本申请的用于流量预测的数据特征更加全面,从而能够从多维度更精准地还原真实的卡口情况,使得卡口的流量预测结果更精确。
附图说明
图1为本申请示例性的一种流量预测方法的实施例流程图;
图2-1为本申请示例性的一种卡口拓扑图建立示意图;
图2-2为本申请示例性的一种卡口拓扑图结构示意图;
图3为本申请示例性的滑窗示意图;
图4-1为本申请示例性的流量预测模型的建立过程示意图;
图4-2为本申请示例性的CNN-LSTM的网络模型示意图;
图5为本申请的流量预测装置的一个实施例框图;
图6为本申请一种计算机设备的一个实施例框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
现有的卡口流量预测技术中,通常利用两个维度的数据进行流量预测,例如基于卡口的历史路况数据和日期属性,采用例如随机森林或KNN等网络模型进行该卡口的流量预测。由于该技术中对目标卡口的描述信息比较片面,无法从多维角度去刻画目标卡口,例如未考虑卡口的空间信息,如卡口之间关联关系等信息,因此该方法预测精度不够精确。
为了解决现有技术中的问题,本申请提供一种流量预测方法及装置,可以将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,其中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,依据所述卡口拓扑图确定每一卡口的结构特征信息,依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征,将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,最终可以利用所述流量预测模型预测目标卡口的流量。由于本申请的样本数据中除了卡口自身的属性信息以外,还增加了表示卡口自身直连或者间接连接的其他卡口以及卡口之间的连接关系的结构特征信息,从而本申请的用于流量预测的数据特征更加全面,从而能够从多维度更精准地还原真实的卡口情况,使得卡口的流量预测结果更精确。
请参见图1,为本申请示例性的一种流量预测方法的实施例流程图,该方法包括以下步骤:
步骤101、将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,所述卡口拓扑图中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息,所述卡口属性信息至少包括:卡口的历史流量信息、卡口的时间信息、卡口的空间信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,所述边属性信息至少包括:同一对象经由所述边上两个卡口标识所对应的卡口的顺序关系;
作为一个实施例,在获取多个卡口上的数据时,可以先对获取的卡口数据进行“清洗”,例如对该数据进行包括去冗余数据、对缺失数据进行去除或补齐处理和对异常数据进行平滑或去除处理等操作,从而获取“净化”后的数据信息。通过“清洗”数据信息可以减少数据中的干扰,提高预测准确率。
在本实施例中,用户首先从不同卡口获取卡口数据,所述卡口数据至少包括:卡口标识、经过该卡口的对象的对象标识、对象经过该卡口的时间信息、卡口属性信息;其中,该卡口标识用于区分不同卡口,卡口标识可以是卡口的设备ID,卡口的编号等;该卡口上的对象通常是指车辆或者行人等移动物体,在实际实施过程中,该对象还可以继续细分为不同类型的车辆,该对象标识可以是对象的ID等;所述卡口属性信息至少包括卡口的历史流量信息、卡口的时间信息、卡口的空间信息(如经纬度、卫星等位置信息);在实际应用时,还可以获取更多卡口属性信息,例如卡口的天气信息,以及事件信息,如交通事故等的事件数据以及卡口的设备的相关数据等。
作为一个实施例,可以通过滑窗操作来增加卡口数据的数据量。滑窗操作如图3所示,a,b,c,d,e,f,g,h为每一个时刻的卡口数据;根据实际需求设置滑窗的窗口大小(也可以认为是时间窗口的大小,如图3中黑色粗实线的大小,例如3个数据),然后将该卡口的原始数据中的每条的数据按一个窗口大小进行滑窗,窗口每向右滑动一次,则当前数据量就增加一条,再向右滑动一次,数据量又增加一条,以此类推,可以得到多条卡口数据,包括[a、b、c](d)、[b、c、d](e)、[c、d、e](f)、[d、e、f](g)、[e、f、g](h)。中括号中的数据用于提取卡口的属性特征,小括号中的数据为预测值。经过滑窗操作可以使得一组卡口数据变成多组卡口数据,从而实现卡口数据量的扩充。本申请对于滑窗的方式不做具体限定。本申请的滑窗操作不仅可以增加数据量,也能进一步地反应时序数据的前后依赖性,因此可以进一步优化预测结果。
在本实施例中,可以将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,所述卡口拓扑图中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息,所述卡口属性信息至少包括:卡口的历史流量信息、卡口的时间信息、卡口的空间信息;将卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,所述边属性信息至少包括:同一对象经由所述边上两个卡口标识所对应的卡口的顺序关系。
作为一个实施例,建立卡口拓扑图的具体方法具体为:针对每个对象标识,查找该对象标识所经过的卡口标识,依据该对象标识经过卡口的时间信息将相邻的该两个卡口标识通过带有方向的连接线连接得到卡口拓扑图,所述方向用于指示对象经由卡口的顺序,卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息。
举例来讲,假设有对象标识01、02,有A、B、C三个卡口,针对每个对象标识查找该对象标识经过卡口。当对象标识01经过卡口A、B、C时,依据该对象标识经过卡口的时间信息将相邻的该两个卡口标识通过带有方向的连接线连接。例如,当对象标识01依次经过卡口A的时间为10:00:00,经过卡口B的时间是10:00:33,经过卡口C的时间是10:01:00,则确定卡口A和卡口B为相邻的卡口,并且对象标识01先经过卡口A后经过卡口B,因此在卡口A和卡口B之间建立有方向的连接线,方向由卡口A指向卡口B,在图2-1中通过向边a表示,边a的方向为A→B,该边a的属性信息就是代表卡口A和卡口B的连接关系,最后建立卡口A和卡口B的卡口标识以及对象标识01和边a的标识及属性的对应关系;同理确定卡口B和卡口C为相邻的卡口,并且对象标识01先经过卡口B后经过卡口C,因此在卡口B和卡口C之间建立有方向的连接线,方向由卡口B指向卡口C,在图2-1中通过向边b表示,边b的方向为B→C,该边b的属性信息就是代表卡口B和卡口C的连接关系,最后建立卡口B和卡口C的卡口标识以及对象标识01和边b的标识及属性的对应关系;而卡口A和卡口C之间由于还存在卡口B,因此卡口A和卡口C不是相邻的卡口,从而不在卡口A和卡口C之间建立连接线。
当对象标识02经过卡口A、C时,依据该对象标识经过卡口的时间信息将相邻的该两个卡口标识通过带有方向的连接线连接。例如,当对象标识02依次经过卡口C的时间为10:00:01,经过卡口A的时间是10:00:33,,则确定卡口A和卡口C为相邻的卡口,并且对象标识02先经过卡口C后经过卡口A,因此在卡口C和卡口A之间建立有方向的连接线,方向由卡口C指向卡口A,在图2-1中通过向边c表示,边c的方向为C→A,该边c的属性信息就是代表卡口C和卡口A的连接关系,最后建立卡口C和卡口A的卡口标识以及对象标识02和边c的标识及属性的对应关系。
重复上述操作,遍历每个对象标识后,最终建立的卡口A、B、C的卡口拓扑图如图2-1所示。卡口拓扑图中的有向边除了可以表示对象经过卡口的顺序之外,还可以表示对象的部分属性信息,例如将对象分为车辆和人时,可以在边的属性信息中添加不同类型的车辆的经过卡口的时间等信息,以及车辆特征信息等,从而可以细化对象的种类。
步骤102、依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征;
在本实施例中,当构建了多个卡口的卡口拓扑图后,可以进一步获取已指定的用于确定结构特征信息的结构特征算法;将所述卡口拓扑图输入至所述结构特征算法得到每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征。
举例来讲,假设构建如图2-2所示的卡口拓扑图,其中节点A、B、C、D、E、F、G、H、u分别代表卡口所在的节点,两个节点之间的连接线作为所述卡口拓扑图的边,例如。以节点A为例,假设该卡口拓扑图是基于上述多个卡口预设时间段内的数据建立的卡口拓扑图,图2-2中节点A分别通过有向边eba、eaf、eac和eda连接节点B、F、C、D,其中每个边的属性信息分别为:eba代表在预设时间段内有对象(例如车辆)从节点B流向节点A;eaf代表在预设时间段内有流量从节点A流向节点F;eac代表在预设时间段内有流量从节点A流向节点C;eda代表在预设时间段内有流量从节点D流向节点A。
本申请可以将上述卡口拓扑图通过指定结构特征算法计算每个节点的结构特征信息,具体计算公式为f(i)=X,其中X为结构特征信息,f为指定结构特征算法,i为目标卡口。在本申请中可以采用多种结构特征算法包括但不限于如下算法:DeepWalk深度游走算法、LINE线性算法、node2vec算法、SDNE(Structural Deep Network Embedding,结构深度网络嵌入)算法、CANE(Context-Aware Network Embedding for Relation,上下文关系网络嵌入)算法、GNN图神经网络相关算法。
需要说明的是,由于卡口拓扑图中不仅包含各个卡口及边的连接关系,还包含了每个卡口的卡口属性,因此当通过卡口拓扑图计算卡口的结构特征信息时,如果依据卡口拓扑图中的各个卡口及边的连接关系来获取卡口的结构特征,则所述结构特征信息就是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征;如果依据卡口拓扑图中的各个卡口及边的连接关系以及卡口属性来获取卡口的结构特征,则所述结构特征信息就是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口的卡口属性信息的映射特征。
相比现有技术,本申请增加了对卡口与其他卡口之间关系的结构特征的描述,因此扩大描述卡口的数据量,能够进一步更精准地还原真实卡口的情况,进而为卡口的流量预测提供了更可靠的计算基础,使得预测结果更加精确。
步骤103、将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,利用所述流量预测模型预测目标卡口的流量。
在本实施例中,在获取每个卡口的结构特征信息后,可以依据每一卡口的结构特征信息和该卡口的属性信息结合生成样本数据。具体来讲,可以将每一卡口的结构特征信息与卡口属性信息进行拼接,将拼接后得到的数据确定为样本数据,或者,将每一卡口的结构特征信息与卡口属性信息进行拼接得到一组特征数据,按照预设的时间长度作为滑窗窗口对所述第一组特征数据进行分割,得到多组特征数据,将得到的多组特征数据确定为样本数据。
举例来讲,拼接后可以得到该图2-2中每个节点的样本数据,其中特征维度为d。卡口i的样本数据包括:
其中i代表卡口i,指目标卡口i的基于图2-2中不同阶的邻接卡口的结构特征(d1表示这个角度的特征维度);指该目标卡口i当前时间前一段时间内的历史流量特征(d2表示这个角度的特征维度);指该目标卡口i当前时间的时间信息(d3表示这个角度的特征维度);指该目标卡口i的地理位置信息(d4表示这个角度的特征维度);指该目标卡口i当前时间的天气信息(d5表示这个角度的特征维度);指该目标卡口i当前时间前一段时间内的事件信息(d6表示这个角度的特征维度);指该目标卡口i当前时间的其他信息(d7表示这个角度的特征的维度);yi表示该目标卡口i当前时刻的流量标签值,若获取的目标卡口i为历史卡口数据,则该yi为该目标卡口i对应的流量标签值,若是获取的目标卡口i为待预测目标卡口,则该yi为该待预测目标卡口i对应预测结果。
作为一个实施例,在获取样本数据后,可以依据样本数据训练出不同的基础模型,将各基础模型进行融合得到用于流量预测的流量预测模型。例如可以将样本数据输入到待训练的机器学习网络模型中进行训练得到目标机器学习网络模型;将样本数据输入到待训练的深度学习网络模型中进行训练得到目标深度学习网络模型;最终将所述目标机器学习网络模型和所述目标深度学习网络模型进行融合得到所述预训练的流量预测网络模型。
请参见图4-1所示的流量预测网络模型的训练过程。
首先,获取样本数据后,即卡口结构特征信息;然后对上述样本数据进行数据预处理,例如通过独热编码one-hot、归一化scale以及降维等进行数据处理,然后将预处理后的样本数据分别输入到待训练的机器学习网络模型和深度学习网络模型分别进行训练。
机器学习可以通过计算机模拟或实现人类的学习行为,重新组织已有的知识结构使之不断改善自身的性能;这里的机器学习网络模型主要包括KNN(k-NearestNeighbor,近邻算法)、RandomForests随机森林算法、lightGBM轻量梯度提升算法等。
深度学习是通过建立、模拟人脑进行分析学习的神经网络,模仿人脑的机制来解释数据;深度学习网络模型,例如CNN-LSTM卷积神经网络-长短时记忆网络等。
图4-2中是CNN-LSTM的模型示例。输入样本数据后,首先进入卷积层(ConvolutionLayer)对输入数据进行特征提取,在卷积层后面是池化层(Pooling layer),可以对输出的特征进行特征选择和信息过滤;然后将输出的特征依次进行堆叠和剪裁,将结果输入到LSTM长短时记忆网络层中进行循环计算,再将计算结果输入到全连接层(Fully ConnectedLayer)把前边提取到的特征综合起来,最终输出结果,即流量预测结果。
然后本申请可以基于实际流量监测记录对机器学习网络模型和深度学习网络模型分别得到的训练结果进行参数调优并反复训练,根据最终训练结果1至4对所述机器学习网络模型和深度学习网络模型进行融合,融合方式包括但不限于加权平均算法、ensemble集成算法等,从而得到目标网络模型,即流量预测网络模型。由于现有技术使用单一的基础模型在不同数据上会表现出差异性,从而本申请通过将机器学习网络模型和深度学习网络模型进行融合,能够处理不同数据带来模型的差异性,在生产系统中更具有稳定性。
根据样本数据构建出流量预测模型后,可以基于该流量预测模型预测目标卡口的流量。具体来讲,可以从目标卡口获取目标输入数据,所述目标输入数据的结构与所述样本数据的结构相同;然后将所述目标输入数据输入至所述流量预测模型,以利用所述流量预测模型依据输入的目标输入数据预测所述目标卡口的流量。
由于本申请通过使用卡口拓扑图建立卡口之间的关系,并在输入的目标输入数据中增加了表示与目标卡口相关联的其他卡口的属性信息以及卡口拓扑图中与该卡口直连或间接连接的其他卡口的卡口属性信息的结构特征信息,因此通过本申请的目标输入数据对目标卡口的流量进行预测,可以基于上述增加的特征信息对目标卡口进行更加真实的还原,使得预测结果更精确。
与前述流量预测方法的实施例相对应,本申请还提供了流量预测装置的实施例。
请参见图5,为本申请的流量预测装置的一个实施例框图,该装置50可以包括:
拓扑图建立单元501,用于将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,所述卡口拓扑图中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息,所述卡口属性信息至少包括:卡口的历史流量信息、卡口的时间信息、卡口的空间信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,所述边属性信息至少包括:同一对象经由所述边上两个卡口标识所对应的卡口的顺序关系;
特征确定单元502,用于依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征;
流量预测单元503,用于将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,利用所述流量预测模型预测目标卡口的流量。
作为一个实施例,所述拓扑图建立单元501,具体用于从不同卡口获取卡口数据,所述卡口数据至少包括:卡口标识、经过该卡口的对象的对象标识、对象经过该卡口的时间信息、卡口属性信息;针对每个对象标识,查找该对象标识所经过的卡口标识,依据该对象标识经过卡口的时间信息将相邻的该两个卡口标识通过带有方向的连接线连接得到卡口拓扑图,所述方向用于指示对象经由卡口的顺序,卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息。
作为一个实施例,所述特征确定单元502,具体用于获取已指定的用于确定结构特征信息的结构特征算法;将所述卡口拓扑图输入至所述结构特征算法得到每一卡口的结构特征信息。
作为一个实施例,所述流量预测单元503,具体用于将每一卡口的结构特征信息与卡口属性信息进行拼接,将拼接后得到的数据确定为样本数据。
作为一个实施例,所述流量预测单元503,具体用于依据样本数据训练出不同的基础模型,将各基础模型进行融合得到用于流量预测的流量预测模型。
作为一个实施例,所述流量预测单元503,具体从目标卡口获取目标输入数据,所述目标输入数据的结构与所述样本数据的结构相同;将所述目标输入数据输入至所述流量预测模型,以利用所述流量预测模型依据输入的目标输入数据预测所述目标卡口的流量。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
与前述流量预测方法的实施例相对应,本申请还提供了用于执行上述流量预测方法的计算机设备的实施例。
作为一个实施例,请参考图6,一种计算机设备,包括处理器61、通信接口62、存储器63和通信总线64;
其中,所述处理器61、通信接口62、存储器63通过所述通信总线64进行相互间的通信;
所述存储器63,用于存放计算机程序;
所述处理器61,用于执行所述存储器上所存放的计算机程序,所述处理器61执行所述计算机程序时实现任一流量预测方法的步骤。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于计算机设备的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
与前述流量预测方法的实施例相对应,本申请还提供了用于执行上述流量预测方法的计算机可读存储介质的实施例。
作为一个实施例,本申请还包括一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现任一流量预测方法的步骤。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于计算机设备实施例以及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
综上所述,本申请可以将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,其中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,依据所述卡口拓扑图确定每一卡口的结构特征信息,依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征,将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,最终可以利用所述流量预测模型预测目标卡口的流量。由于本申请的样本数据中除了卡口自身的属性信息以外,还增加了表示卡口自身直连或者间接连接的其他卡口卡口属性以及卡口之间的连接关系的结构特征信息,从而本申请的用于流量预测的数据特征更加全面,从而能够从多维度更精准地还原真实的卡口情况,使得卡口的流量预测结果更精确。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (14)
1.一种流量预测方法,其特征在于,所述方法包括:
将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,所述卡口拓扑图中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息,所述卡口属性信息至少包括:卡口的历史流量信息、卡口的时间信息、卡口的空间信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,所述边属性信息至少包括:同一对象经由所述边上两个卡口标识所对应的卡口的顺序关系;
依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征;
将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,利用所述流量预测模型预测目标卡口的流量。
2.根据权利要求1所述的方法,其特征在于,所述将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图包括:
所述卡口数据至少包括:卡口标识、经过该卡口的对象的对象标识、对象经过该卡口的时间信息、卡口属性信息;
针对每个对象标识,查找该对象标识所经过的卡口标识,依据该对象标识经过卡口的时间信息将相邻的该两个卡口标识通过带有方向的连接线连接得到卡口拓扑图,所述方向用于指示对象经由卡口的顺序,卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息。
3.根据权利要求1所述的方法,其特征在于,所述依据卡口拓扑图确定每一卡口的结构特征信息,包括:
获取已指定的用于确定结构特征信息的结构特征算法;
将所述卡口拓扑图输入至所述结构特征算法得到每一卡口的结构特征信息。
4.根据权利要求1所述的方法,其特征在于,将所述卡口的结构特征信息和卡口属性信息结合生成样本数据包括:
将每一卡口的结构特征信息与卡口属性信息进行拼接,将拼接后得到的数据确定为样本数据。
5.根据权利要求1所述的方法,其特征在于,依据样本数据构建流量预测模型,包括:
依据样本数据训练出不同的基础模型,将各基础模型进行融合得到用于流量预测的流量预测模型。
6.根据权利要求1所述的方法,其特征在于,所述利用流量预测模型预测目标卡口的流量包括:
从目标卡口获取目标输入数据,所述目标输入数据的结构与所述样本数据的结构相同;
将所述目标输入数据输入至所述流量预测模型,以利用所述流量预测模型依据输入的目标输入数据预测所述目标卡口的流量。
7.一种流量预测装置,其特征在于,所述装置包括:
拓扑图建立单元,用于将每一对象经由的不同卡口的卡口标识通过连接线连接得到卡口拓扑图,所述卡口拓扑图中任意一个卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息,所述卡口属性信息至少包括:卡口的历史流量信息、卡口的时间信息、卡口的空间信息;所述卡口拓扑图中两个节点之间的连接线作为所述卡口拓扑图的边,关联对应的边属性信息,所述边属性信息至少包括:同一对象经由所述边上两个卡口标识所对应的卡口的顺序关系;
特征确定单元,用于依据所述卡口拓扑图确定每一卡口的结构特征信息,所述结构特征信息至少是所述卡口所连接的各边的边属性信息以及与该卡口直连或间接连接的其他卡口标识的映射特征;
流量预测单元,用于将所述卡口的结构特征信息和卡口属性信息结合生成样本数据,依据样本数据构建流量预测模型,利用所述流量预测模型预测目标卡口的流量。
8.根据权利要求7所述的装置,其特征在于,
所述拓扑图建立单元,具体用于从不同卡口获取卡口数据,所述卡口数据至少包括:卡口标识、经过该卡口的对象的对象标识、对象经过该卡口的时间信息、卡口属性信息;针对每个对象标识,查找该对象标识所经过的卡口标识,依据该对象标识经过卡口的时间信息将相邻的该两个卡口标识通过带有方向的连接线连接得到卡口拓扑图,所述方向用于指示对象经由卡口的顺序,卡口标识作为卡口拓扑图中的节点,关联对应的卡口属性信息。
9.根据权利要求7所述的装置,其特征在于,
所述特征确定单元,具体用于获取已指定的用于确定结构特征信息的结构特征算法;将所述卡口拓扑图输入至所述结构特征算法得到每一卡口的结构特征信息。
10.根据权利要求7所述的装置,其特征在于,
所述流量预测单元,具体用于将每一卡口的结构特征信息与卡口属性信息进行拼接,将拼接后得到的数据确定为样本数据。
11.根据权利要求7所述的装置,其特征在于,
所述流量预测单元,具体用于依据样本数据训练出不同的基础模型,将各基础模型进行融合得到用于流量预测的流量预测模型。
12.根据权利要求7所述的装置,其特征在于,
所述流量预测单元,具体从目标卡口获取目标输入数据,所述目标输入数据的结构与所述样本数据的结构相同;将所述目标输入数据输入至所述流量预测模型,以利用所述流量预测模型依据输入的目标输入数据预测所述目标卡口的流量。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述方法的步骤。
14.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器、通信接口以及通信总线;其中,所述存储器、处理器、通信接口通过所述通信总线进行相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910403621.7A CN111951543B (zh) | 2019-05-15 | 2019-05-15 | 流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910403621.7A CN111951543B (zh) | 2019-05-15 | 2019-05-15 | 流量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951543A CN111951543A (zh) | 2020-11-17 |
CN111951543B true CN111951543B (zh) | 2022-04-26 |
Family
ID=73336893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910403621.7A Active CN111951543B (zh) | 2019-05-15 | 2019-05-15 | 流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951543B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
CN112906982A (zh) * | 2021-03-22 | 2021-06-04 | 哈尔滨理工大学 | 一种基于gnn-lstm结合的网络流量预测方法 |
CN114169466B (zh) * | 2021-12-24 | 2023-07-07 | 马上消费金融股份有限公司 | 图数据处理、文章分类、流量预测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430828A (zh) * | 2008-12-22 | 2009-05-13 | 交通部公路科学研究院 | 基于交通信息提取计算的车牌数据处理方法 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
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 |
CN109243173A (zh) * | 2018-08-15 | 2019-01-18 | 广州市市政工程设计研究总院有限公司 | 基于道路高清卡口数据的车辆轨迹分析方法及系统 |
CN109347697A (zh) * | 2018-10-10 | 2019-02-15 | 南昌航空大学 | 机会网络链路预测方法、装置及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046956B (zh) * | 2015-06-24 | 2017-04-26 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
-
2019
- 2019-05-15 CN CN201910403621.7A patent/CN111951543B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430828A (zh) * | 2008-12-22 | 2009-05-13 | 交通部公路科学研究院 | 基于交通信息提取计算的车牌数据处理方法 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
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 |
CN109243173A (zh) * | 2018-08-15 | 2019-01-18 | 广州市市政工程设计研究总院有限公司 | 基于道路高清卡口数据的车辆轨迹分析方法及系统 |
CN109347697A (zh) * | 2018-10-10 | 2019-02-15 | 南昌航空大学 | 机会网络链路预测方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111951543A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10558898B2 (en) | System and method for generating a map from activity data | |
CN111951543B (zh) | 流量预测方法及装置 | |
CN111667101B (zh) | 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统 | |
CN112215427B (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 | |
CN107397658B (zh) | 一种多尺度全卷积网络及视觉导盲方法和装置 | |
CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
KR20150072471A (ko) | 시공간 확률 모델을 이용한 교통 흐름 예측 시스템 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
CN113762044A (zh) | 道路识别方法、装置、计算机设备和存储介质 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN115880466A (zh) | 基于无人机遥感的城市工程测绘方法及系统 | |
CN112418081B (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN110019608B (zh) | 一种信息采集方法、装置和系统及存储设备 | |
CN113343956B (zh) | 路况信息的预测方法、装置和存储介质及电子设备 | |
KR20150072470A (ko) | 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템 | |
WO2021138372A1 (en) | Feature coverage analysis | |
WO2017054434A1 (zh) | 事件检测方法、装置和系统 | |
CN112950944B (zh) | 交通出行需求的估计方法、装置、设备及可读存储介质 | |
CN115662167B (zh) | 自动驾驶地图构建方法、自动驾驶方法及相关装置 | |
CN115311867B (zh) | 隧道场景的定位方法、装置、计算机设备、存储介质 | |
CN111949840B (zh) | 一种基于物联网数据的拓扑图结构的构建方法、装置 | |
CN117150698B (zh) | 基于数字孪生的智慧城市网格对象构建方法与系统 | |
CN108268879B (zh) | 三维全卷积网络实现方法、设备及电子设备 | |
CN116363546A (zh) | 一种基于时序的动态稀疏轨迹补全方法 |
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 |