CN112183868B - 交通流量预测模型的构建方法及电子设备 - Google Patents
交通流量预测模型的构建方法及电子设备 Download PDFInfo
- Publication number
- CN112183868B CN112183868B CN202011060415.XA CN202011060415A CN112183868B CN 112183868 B CN112183868 B CN 112183868B CN 202011060415 A CN202011060415 A CN 202011060415A CN 112183868 B CN112183868 B CN 112183868B
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- sample data
- special
- traffic flow
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Entrepreneurship & Innovation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种交通流量预测模型的构建方法及电子设备,大数据时代下,基于已经存在的海量交通流量数据,人们需要利用科学技术对这些看似杂乱无章的数据进行处理和分析,找出交通流量潜在的规律,帮助给出更准确、合理、高效的道路信号控制方案,以达到缓解道路交通压力,协调公共资源,为人们提供出行便利的目的。本申请实施提供的方法中,获取原始样本数据序列,其中各样本数据中包括时间戳及对应的交通流量;剔除该原始样本数据序列中的异常值,得到目标样本序列;采用时间序列分解方法对该目标样本序列进行处理,得到交通流量预测模型。
Description
背景技术
大数据时代下,基于已经存在的海量交通流量数据,人们需要利用科学技术对这些看似杂乱无章的数据进行处理和分析,找出交通流量潜在的规律,帮助给出更准确、合理、高效的道路信号控制方案,以达到缓解道路交通压力,协调公共资源,为人们提供出行便利的目的。因此基于以往时间段的数据信息,自动生成对于未来特殊目标时间区间(如假日、节日、疫情)的流量变化数值及趋势,合理安排当天路口开放情况及信号灯指示,保证通行顺畅变得十分有必要。
发明内容
本申请的目的是提供一种交通流量预测模型的构建方法,用以解决以下问题:基于以往时间段的数据信息,自动生成对于未来特殊目标时间区间的流量变化数值及趋势。
本申请实施例提供一种交通流量预测模型的构建方法,所述方法包括:
采用时间序列分解方法对所述目标样本序列进行处理,得到所述交通流量预测模型;所述交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值;
其中,所述特殊项是基于特殊日序列和受所述特殊日序列影响的指定影响日序列之间的相关系数构建的,且针对每种特殊日序列,所述特殊项的取值与所述特殊日序列对应的相关系数具有正相关关系。
在一个实施例中,所述方法还包括:
根据相关系数计算公式计算所述相关系数:
其中:xi为所述特殊日序列中第i个特殊日的历史车流量,yi为所述指定影响日序列中第i个指定影响日的历史车流量,n为所述特殊日序列中包括的特殊日的总个数。
在一个实施例中,基于特殊日序列和所述指定影响日序列之间的相关系数构建所述特殊项,包括:
根据特殊项公式确定所述特殊项:
其中:h(t)为特殊项,Di表示第i个指定影响日,
l表示所述特殊日序列对应的相关系数,k~Normal(0,v2),且ki为从取值范围内选择的第i个指定影响日对应的取值。
在一个实施例中,所述剔除所述原始样本数据序列中的异常值,包括:
采用局部加权回归方法对所述原始样本数据序列进行数据处理,得到所述原始样本数据序列中每个样本数据的分解值,其中,针对每个样本数据,所述分解值是根据所述样本数据的趋势分量、季节分量和余项得到的;
执行循环步骤直至所述原始样本数据序列中的异常值被全部剔除,所述循环过程包括:
将所述原始样本数据序列中的每个样本数据分别作为目标样本数据,并针对每个目标样本数据分别执行:
以所述目标样本数据为基准,从所述原始样本数据序列中截取指定长度的数据序列作为待处理数据序列;
确定所述待处理数据序列的中位数以及中位差;
采用所述中位数、所述中位差以及所述待处理数据序列中各个样本数据的分解值确定所述目标样本数据的检验统计量,并确定所待处理数据序列的临界值;
若所述目标样本数据的所述检验统计量大于所述临界值,则将所述目标样本数据作为异常值剔除。
在一个实施例中,所述采用所述中位数、所述中位差以及所述待处理数据序列中各个样本数据的分解值确定所述目标样本数据的检验统计量,包括:
根据绝对中位差的表达式确定所述目标样本数据对应的所述待处理数据序列的所述中位差:
MAD=median(|Xi-median(X)|);
其中:MAD为所述中位差,Xi为所述待处理数据序列中的第i个样本数据,X为所述待处理数据序列的中位数;
根据检验统计量的表达式确定所述检验统计量:
其中:Rj为所述检验统计量,Yj为所述待处理数据序列中的第j个样本数据的分解值,m为所述待处理数据序列的中位数。
在一个实施例中,所述采用局部加权回归方法对所述原始样本数据序列进行数据处理,得到所述原始样本数据序列中每个样本数据的分解值,包括:
针对每个所述目标样本数据分别执行:
采用加权线性回归方法对所述目标样本数据的所述待处理数据序列进行处理,得到第一拟合曲线;在所述第一拟合曲线中坐标中横坐标为车流量分段的时间粒度值,纵坐标为车流量;
从所述第一拟合曲线中获取所述目标样本数据对应的点作为中心点;
采用所述原始样本数据序列中所有目标样本数据分别对应的中心点的连线作为第二曲线,并对所述第二曲线中的每个中心点分别进行分解操作,得到每个样本数据分别对应的分解值。
在一个实施例中,所述对所述第二曲线中的每个中心点分别进行分解操作,包括:
所述分解操作将每个所述中心点分解为趋势分量、季节分量和余项,所述分解操作的表达式为:Yv=TV+Sv+RV,v∈[1,N];
其中:Yv表示所述中心点的分解值,TV表示所述趋势分量且所述TV为所述待处理数据序列的中位数X,Sv表示所述季节分量,RV表示所述余项,N表示所述中心点的数量;
针对每样本数据j,所述Rj=Yv-Sv-X。
在一个实施例中,根据季节项的表达式确定所述季节项:
其中:N为所述目标样本序列,P为预设季节;an和bn为根据正弦函数和余弦函数的取值所在的象限确定的参数,其中;
当在第一象限时,an为第一取值,bn为第三取值,且所述第一取值大于所述第三取值;
当在第二象限或第四象限时,an为第二取值,bn为第二取值,且所述第二取值大于所述第三取值小于所述第一取值;
当所述目标样本序列在第三象限时,an为所述第三取值,bn为所述第一取值。
在一个实施例中,所述方法还包括:
根据以下方法确定所述特殊项:
响应于对所述特殊项的输入操作,得到所述特殊项的参数值,所述参数值是基于所述特殊日的交通流量确定的。
本申请实施例还提供一种交通流量预测电子设备,所述电子设备包括处理器和存储器:
所述存储器,用于存储可被所述处理器执行的计算机程序;
所述处理器与所述存储器连接,被配置为:
获取基于时间序列的原始样本数据序列;其中各样本数据中包括时间戳及对应的交通流量;
剔除所述原始样本数据序列中的异常值,得到目标样本序列;
采用时间序列分解方法对所述目标样本序列进行处理,得到所述交通流量预测模型;所述交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值;
其中,所述特殊项是基于特殊日序列和受所述特殊日序列影响的指定影响日序列之间的相关系数构建的,且针对每种特殊日序列,所述特殊项的取值与所述特殊日序列对应的相关系数具有正相关关系。
在一个实施例中,所述处理器还被配置为:
根据相关系数计算公式计算所述相关系数:
其中:xi为所述特殊日序列中第i个特殊日的历史车流量,yi为所述指定影响日序列中第i个指定影响日的历史车流量,n为所述特殊日序列中包括的特殊日的总个数。
在一个实施例中,基于特殊日和所述特殊日的指定影响日之间的相关系数构建所述特殊项,包括:
根据特殊项公式确定所述特殊项:
其中:h(t)为特殊项,Di表示第i个指定影响日,l表示所述特殊日序列对应的相关系数,k~Normal(0,v2),且ki为从取值范围内选择的第i个指定影响日对应的取值。
在一个实施例中,执行所述剔除所述原始样本数据序列中的异常值时,所述处理器被配置为:
采用局部加权回归方法对所述原始样本数据序列进行数据处理,得到所述原始样本数据序列中每个样本数据的分解值,其中,针对每个样本数据,所述分解值是根据所述样本数据的趋势分量、季节分量和余项得到的;
执行循环步骤直至所述原始样本数据序列中的异常值被全部剔除,所述循环过程包括:
将所述原始样本数据序列中的每个样本数据分别作为目标样本数据,并针对每个目标样本数据分别执行:
以所述目标样本数据为基准,从所述原始样本数据序列中截取指定长度的数据序列作为待处理数据序列;
确定所述待处理数据序列的中位数以及中位差;
采用所述中位数、所述中位差以及所述待处理数据序列中各个样本数据的分解值确定所述目标样本数据的检验统计量,并确定所待处理数据序列的临界值;
若所述目标样本数据的所述检验统计量大于所述临界值,则将所述目标样本数据作为异常值剔除。
在一个实施例中,执行所述采用所述中位数、所述中位差以及所述待处理数据序列中各个样本数据的分解值确定所述目标样本数据的检验统计量时,所述处理器被配置为:
根据绝对中位差的表达式确定所述目标样本数据对应的所述待处理数据序列的所述中位差:
MAD=median(|Xi-median(X)|);
其中:MAD为所述中位差,Xi为所述待处理数据序列中的第i个样本数据,X为所述待处理数据序列的中位数;
根据检验统计量的表达式确定所述检验统计量:
其中:Rj为所述检验统计量,Yj为所述待处理数据序列中的第j个样本数据的分解值,m为所述待处理数据序列的中位数。
在一个实施例中,执行所述采用局部加权回归方法对所述原始样本数据序列进行数据处理,得到所述原始样本数据序列中每个样本数据的分解值时,所述处理器被配置为:
针对每个所述目标样本数据分别执行:
采用加权线性回归方法对所述目标样本数据的所述待处理数据序列进行处理,得到第一拟合曲线;在所述第一拟合曲线中坐标中横坐标为车流量分段的时间粒度值,纵坐标为车流量;
从所述第一拟合曲线中获取所述目标样本数据对应的点作为中心点;
采用所述原始样本数据序列中所有目标样本数据分别对应的中心点的连线作为第二曲线,并对所述第二曲线中的每个中心点分别进行分解操作,得到每个样本数据分别对应的分解值。
在一个实施例中,执行所述对所述第二曲线中的每个中心点分别进行分解操作时,所述处理器被配置为:
所述分解操作将每个所述中心点分解为趋势分量、季节分量和余项,所述分解操作的表达式为:Yv=TV+Sv+RV,v∈[1,N];
其中:Yv表示所述中心点的分解值,TV表示所述趋势分量且所述TV为所述待处理数据序列的中位数X,Sv表示所述季节分量,RV表示所述余项,N表示所述中心点的数量;
针对每样本数据j,所述Rj=Yv-Sv-X。
在一个实施例中,根据季节项的表达式确定所述季节项:
其中:N为所述目标样本序列,P为预设周期;an和bn为根据正弦函数和余弦函数的取值所在的象限确定的参数,其中;
当在第一象限时,an为第一取值,bn为第三取值,且所述第一取值大于所述第三取值;
当在第二象限或第四象限时,an为第二取值,bn为第二取值,且所述第二取值大于所述第三取值小于所述第一取值;
当所述目标样本序列在第三象限时,an为所述第三取值,bn为所述第一取值。
在一个实施例中,所述处理器被配置为:
根据以下方法确定所述特殊项:
响应于对所述特殊项的输入操作,得到所述特殊项的参数值,所述参数值是基于所述特殊日的交通流量确定的。
本申请实施例,与相关技术相比,在构建交通流量预测模型时,对特殊日进行了考虑,且运用时间序列分解的方法,使得该交通流量预测模型对特殊日的预测更加准确。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的交通流量预测模型的构建方法的应用场景图;
图2为本申请实施例提供的交通流量预测模型的构建方法的流程图;
图3为本申请实施例提供的获取基于时间序列的原始样本数据序列的示意图;
图4为本申请实施例提供的针对每个目标样本数据的步骤示意图;
图5为本申请实施例提供的剔除原始样本数据序列中的异常值的示意图;
图6为本申请实施例提供的构建交通流量预测模型的装置图;
图7为本申请实施例提供的构建交通流量预测模型的电子设备图。
具体实施方式
本申请实施例中术语″和/或″,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符″/″一般表示前后关联对象是一种″或″的关系。
本申请实施例中术语″多个″是指两个或两个以上,其它量词与之类似。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
发明人研究发现,大数据时代下,基于已经存在的海量交通流量数据,人们需要利用科学技术对这些看似杂乱无章的数据进行处理和分析,找出交通流量潜在的规律,帮助给出更准确、合理、高效的道路信号控制方案,以达到缓解道路交通压力,协调公共资源,为人们提供出行便利的目的。本专利将运用机器学习以及时间序列模型的思想,基于以往时间段的数据信息,自动生成对于未来特殊目标时间区间(如假日、节日、疫情)的流量变化数值及趋势,合理安排当天路口开放情况及信号灯指示,保证通行顺畅。故此,建立快速、高效的交通流量预测模型是智能交通技术领域中的重要模块。如何根据历史交通流量数据对指定时间的交通流量进行准确的预测是交通行业面临的重点及难点工作。
有鉴于此,本申请实施例以准确预测交通流量为目的,提供一种交通流量预测模型的构建方法,本申请的主要发明构思为:获取原始样本数据序列,其中各样本数据中包括时间戳及对应的交通流量;剔除该原始样本数据序列中的异常值,得到目标样本序列;采用时间序列分解方法对该目标样本序列进行处理,得到交通流量预测模型;该交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值;其中,特殊项是基于特殊日序列和受特殊日序列影响的指定影响日序列之间的相关系数构建的,且针对每种特殊日序列,特殊项的取值与所述特殊日序列对应的相关系数具有正相关关系。
下面结合附图对本申请实施例中的一种交通流量预测模型的构建方法进行详细说明。
如图1所示,为本申请实施例提供的一种交通流量预测模型的构建方法的应用场景图,图中包括:
车辆101,路段102,日期103;
个别日期人们的出行具有特殊性,如图1中所示,国庆节期间,人们大量出行,所以对国庆节期间的交通信号和交通方案进行适当的调整,来缓解人们非常规出行所带来的潜在交通问题是十分有必要的。进而,本申请实施例提供了一种交通流量预测模型的构建方法,来准确的预测指定时间的车流量情况。
为了便于理解,如图2所示为本申请实施例在实施过程中的流程图,具体步骤如下:
在步骤201中:获取基于时间序列的原始样本数据序列;其中各样本数据中包括时间戳及对应的交通流量;
在一个实施例中,获取该基于时间序列的原始样本数据序列实施为如图3所示的步骤:
在步骤301中:获取待预测的交通观测点的历史交通流量数据;
在步骤302中:将历史交通流量数据中有连续车流量记录的数据作为样本;样本中存在异常数据和空数据;
在步骤303中:结合线圈检测与电警检测的数据对样本中的异常数据和空数据进行补全,得到基于时间序列的原始样本数据序列。
在步骤202中:剔除原始样本数据序列中的异常值,得到目标样本序列;
在一个实施例中,采用局部加权回归方法对原始样本数据序列进行数据处理,得到原始样本数据序列中每个样本数据的分解值,其中,针对每个样本数据,分解值是根据样本数据的趋势分量、季节分量和余项得到的;
在一个实施例中,得到原始样本数据序列中每个样本数据的分解值时,针对每个目标样本数据分别执行如图4所示的步骤:
在步骤401中:采用加权线性回归方法对目标样本数据的待处理数据序列进行处理,得到第一拟合曲线;
在步骤402中:从第一拟合曲线中获取目标样本数据对应的点作为中心点;
在步骤403中:采用原始样本数据序列中所有目标样本数据分别对应的中心点的连线作为第二曲线,并对第二曲线中的每个中心点分别进行分解操作,得到每个样本数据分别对应的分解值。
在一个实施例中,对第二曲线中的每个中心点分别进行分解操作时,具体实施为:
将每个中心点分解为趋势分量、季节分量和余项,分解操作的表达式为:Yv=TV+Sv+RV,v∈[1,N];
其中:Yv表示中心点的分解值,TV表示趋势分量且TV为待处理数据序列的中位数X,Sv表示季节分量,RV表示余项,N表示中心点的数量;
针对每样本数据j,Rj=Yv-Sv-X。
其中:N为目标样本序列,P为预设周期;an和bn为根据正弦函数和余弦函数的取值所在的象限确定的参数,其中;
当在第一象限时,an为第一取值,bn为第三取值,且第一取值大于第三取值;
当在第二象限或第四象限时,an为第二取值,bn为第二取值,且第二取值大于第三取值小于第一取值;
当目标样本序列在第三象限时,an为第三取值,bn为第一取值。
执行如图5所示的循环步骤直至原始样本数据序列中的异常值被全部剔除,循环过程包括:
将原始样本数据序列中的每个样本数据分别作为目标样本数据,并针对每个目标样本数据分别执行:
在步骤501中:以目标样本数据为基准,从原始样本数据序列中截取指定长度的数据序列作为待处理数据序列;
在步骤502中:确定待处理数据序列的中位数以及中位差;
在步骤503中:采用中位数、中位差以及待处理序列中各个样本数据的分解值确定目标样本数据的检验统计量,并确定所待处理数据序列的临界值;
在一个实施例中,根据绝对中位差的表达式确定目标样本数据对应的待处理数据序列的中位差:MAD=median(|Xi-median(X)|);
其中:MAD为中位差,Xi为待处理数据序列中的第i个样本数据,X为待处理数据序列的中位数;
其中:Rj为检验统计量,Yj为待处理数据序列中的第j个样本数据的分解值,m为待处理数据序列的中位数。
在步骤504中:判断检验统计量是否大于临界值,若目标样本数据的检验统计量大于临界值,则将目标样本数据作为异常值剔除。
在步骤203中:采用时间序列分解方法对目标样本序列进行处理,得到交通流量预测模型;
交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值;其中,特殊项是基于特殊日序列和受特殊日序列影响的指定影响日序列之间的相关系数序列构建的,且针对每个指定影响日,特殊项的取值与指定影响日对应的相关系数具有正相关关系。
在一个实施例中,特殊项的确定包括以下两种方式:
1、根据相关系数确定
其中:xi为所述特殊日序列中第i个特殊日的历史车流量,yi为所述指定影响日序列中第i个指定影响日的历史车流量,n为所述特殊日序列中包括的特殊日的总个数。
本申请实施例中通过计算相关系数来确定特殊日与指定影响日的相关性,大大提高了交通流量预测模型的准确性。
其中:h(t)为特殊项,Di表示第i个指定影响日,l表示所述特殊日序列对应的相关系数,k~Normal(0,v2),且ki为从取值范围内选择的第i个指定影响日对应的取值。
2、响应于对特殊项的输入操作确定
响应于对特殊项的输入操作,得到特殊项的参数值,参数值是基于特殊日的交通流量确定的。
为了便于理解,下面分具体的实施环节对本申请实施例提供的一种交通流量预测模型的构建方法进行详细说明:
一、获取基于时间序列的原始样本数据序列,并进行异常点的剔除
1、获取原始样本数据
获取待预测的交通观测点的历史交通流量数据;
将历史交通流量数据中有连续车流量记录的数据作为样本;样本中存在异常数据和空数据;
结合线圈检测与电警检测的数据对样本中的异常数据和空数据进行补全,得到基于时间序列的原始样本数据序列。
2、对原始样本数据序列中的异常点进行剔除
1)获取原始样本数据序列中每个样本数据的分解值
采用加权线性回归方法对目标样本数据的待处理数据序列进行处理,得到第一拟合曲线;
从第一拟合曲线中获取目标样本数据对应的点作为中心点;
采用原始样本数据序列中所有目标样本数据分别对应的中心点的连线作为第二曲线,并对第二曲线中的每个中心点分别进行分解操作,得到每个样本数据分别对应的分解值。
将每个中心点分解为趋势分量、季节分量和余项,分解操作的表达式为:Yv=TV+Sv+RV,v∈[1,N];
其中:Yv表示中心点的分解值,TV表示趋势分量,Sv表示季节分量,RV表示余项,N表示中心点的数量;
2)替换趋势分量
将TV替换为待处理数据序列的中位数X,此时针对每样本数据j余项为:Rj=Yv-Sv-X。
此时要考察余项是否符合正态分布,若符合正态分布则进行下一步;
若不符合正态分布,则将本次计算的余项丢弃,即只计算Yv=TV+Sv即可。
3)判断检验统计量
判断检验统计量的方法有多种,本申请实施例给出三种,第三种为本申请实施例提供的方法。
a.格拉布斯检验(Grubbs)
利用Grubbs检验进行筛选,Grubbs检验能够出检验最大值、最小值偏离均值的程度是否为异常,该检验统计量为G:
其中:N为待处理数据序列中的待处理数据的个数,tα/(2N),N-2为显著度等于α/(2N)、自由度等于N-2的t分布临界值。
因为原始样本数据序列中的异常点为多个,所以每剔除一个异常点再重复上述操作,直至异常值被全部剔除。
b.时间序列异常检测算法(Extreme Studentized Deviate test,(ESD))
其中:λj为临界值,n为待处理数据序列中的待处理数据的个数,tp,n-j-1为显著度等于p,自由度等于n-j-1的t分布临界值;
若Rj>λj,则该点为异常点,剔除该点,并重复上述步骤,直至异常点被全部剔除。
c.中位差替换法
为了减少由于个别异常点会极大地影响均值和方差,降低召回率的现象,因此采用更具鲁棒性的数据中位数m与绝对中位差(Median Absolute Deviation,MAD)替换计算检验统计量Rj中的均值与标准差S。MAD的计算公式如下:MAD=median(|Xi-median(X)|);
其中:Rj为检验统计量,Yj为待处理数据序列中的第j个样本数据的分解值,m为待处理数据序列的中位数。
用替换后的检验统计量的计算公式计算检验统计量,并重复b中的步骤,直至所有异常点被全部剔除。
二、交通流量预测模型的构建
对第二曲线的每个中心点分别进行分解操作,具体是实施方法如下:
1、趋势项
基于逻辑回归函数,每个中心点分别作为可调节变点,实现分段线性拟合,公式为:TV=C(t)/(1+e-k(t)(x-m(t))),
其中:TV表示趋势项,C(t)称为第二曲线的最大渐近值,k(t)表示第二曲线的的增长率,m(t)表示第二曲线的中点,这三个变量均代表曲线的参数,随时间戳的变化而变化,变点的选择是基于原始样本数据序列中的前80%的数据,通过等分的方法取25个变点,变点的增长率满足拉普拉斯分布,此时的增长函数变为全段的逻辑回归函数。
2、季节项
其中:N为目标样本序列,P为预设周期;an和bn为根据正弦函数和余弦函数的取值所在的象限确定的参数,其中;
当在第一象限时,an为第一取值,bn为第三取值,且第一取值大于第三取值;
当在第二象限或第四象限时,an为第二取值,bn为第二取值,且第二取值大于第三取值小于第一取值;
当目标样本序列在第三象限时,an为第三取值,bn为第一取值。
3、特殊项
特殊项的计算方法有多种,本申请实施例在此提供三种:
a.直接计算
其中:h(t)为特殊项,Di表示第i个指定影响日,k~Normal(0,v2),响应于对k的输入操作,确定k值。
b.相关系数法
其中:xi为所述特殊日序列中第i个特殊日的历史车流量,yi为所述指定影响日序列中第i个指定影响日的历史车流量,n为所述特殊日序列中包括的特殊日的总个数。
其中:h(t)为特殊项,Di表示第i个指定影响日,l表示所述特殊日序列对应的相关系数,k~Normal(0,v2),且ki为从取值范围内选择的第i个指定影响日对应的取值。
c.响应于输入操作确定
响应于对特殊项的输入操作,得到特殊项的参数值,参数值是基于特殊日的交通流量确定的。该参数值包括:受影响日的时间点,影响范围,影响程度。
基于上述两大步骤构建本申请实施例提供的交通流量预测模型,并根据流量预测结果建立信号控制方案,根据模型预测结果,会得到预测目标时期的流量线性图,其中包括每个时间点的预测流量值,置信区间。此时,根据流量预测图,可以得到早高峰、晚高峰、平峰的时间段,同时能有效的观测到变点,流量极值,以及变化趋势等信息。同时,模型还将预测出输入数据的年、月、周的平均变化趋势,为信号设置提供决策参考。
如图6所示,为本申请实施例的装置结构示意图,所述装置包括:
获取模块6001,获取基于时间序列的原始样本数据序列;其中各样本数据中包括时间戳及对应的交通流量;
异常值剔除模块6002,剔除所述原始样本数据序列中的异常值,得到目标样本序列;
数据处理模块6003,采用时间序列分解方法对所述目标样本序列进行处理,得到所述交通流量预测模型;所述交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值;
其中,所述特殊项是基于特殊日序列和受所述特殊日序列影响的指定影响日序列之间的相关系数序列构建的,且针对每个指定影响日,所述特殊项的取值与所述指定影响日对应的相关系数具有正相关关系。
在介绍了本申请示例性实施方式的一种交通流量预测模型的构建方法和装置后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为″电路″、″模块″或″系统″。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的交通流量预测模型的构建方法中的步骤。下面参照图7来描述根据本申请的这种实施方式的电子设备130。图7显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本公开提供的一种交通流量预测模型的构建方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的交通流量预测模型的构建方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本公开的实施方式的用于一种交通流量预测模型的构建方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言一诸如Java、C++等,还包括常规的过程式程序设计语言一诸如″C″语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)一连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种交通流量预测模型的构建方法,其特征在于,所述交通流量预测模型用于预测指定时间的车流量情况,所述方法包括:
获取基于时间序列的原始样本数据序列;其中各样本数据中包括时间戳及对应的交通流量;
剔除原始样本数据序列中的异常值,得到目标样本序列;
采用时间序列分解方法对所述目标样本序列进行处理,得到所述交通流量预测模型;所述交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值;
其中,所述特殊项是基于特殊日序列和受所述特殊日序列影响的指定影响日序列之间的相关系数构建的,且针对每种特殊日序列,所述特殊项的取值与所述特殊日序列对应的相关系数具有正相关关系;
其中,所述趋势项是根据趋势项确定公式确定的:
TV=C(t)/(1+e-k(t)(x-m(t))),
其中:TV为所述趋势项,C(t)称为第二曲线的最大渐近值,k(t)表示第二曲线的增长率,m(t)表示第二曲线的中点;
所述季节项是根据季节项的表达式确定的:
其中:N为所述目标样本序列,P为预设周期;an和bn为根据正弦函数和余弦函数的取值所在的象限确定的参数,其中;
当在第一象限时,an为第一取值,bn为第三取值,且所述第一取值大于所述第三取值;
当在第二象限或第四象限时,an为第二取值,bn为第二取值,且所述第二取值大于所述第三取值小于所述第一取值;
当所述目标样本序列在第三象限时,an为所述第三取值,bn为所述第一取值;
其中特殊项是根据以下方法确定的:
其中:h(t)为特殊项,Di表示第i个指定影响日,k~Normal(0,v2),响应于对k的输入操作,确定k值;或,
响应于对所述特殊项的输入操作,得到所述特殊项的参数值,所述参数值是基于所述特殊日的交通流量确定的;所述参数值包括:受影响日的时间点,影响范围,影响程度;
所述相关系数是根据相关系数计算公式得到的:
其中:xi为所述特殊日序列中第i个特殊日的历史车流量,yi为所述指定影响日序列中第i个指定影响日的历史车流量,n为所述特殊日序列中包括的特殊日的总个数。
2.根据权利要求1所述的方法,其特征在于,所述剔除所述原始样本数据序列中的异常值,包括:
采用局部加权回归方法对所述原始样本数据序列进行数据处理,得到所述原始样本数据序列中每个样本数据的分解值,其中,针对每个样本数据,所述分解值是根据所述样本数据的趋势分量、季节分量和余项得到的;
执行循环步骤直至所述原始样本数据序列中的异常值被全部剔除,所述循环过程包括:
将所述原始样本数据序列中的每个样本数据分别作为目标样本数据,并针对每个目标样本数据分别执行:
以所述目标样本数据为基准,从所述原始样本数据序列中截取指定长度的数据序列作为待处理数据序列;
确定所述待处理数据序列的中位数以及中位差;
采用所述中位数、所述中位差以及所述待处理数据序列中各个样本数据的分解值确定所述目标样本数据的检验统计量,并确定所待处理数据序列的临界值;
若所述目标样本数据的所述检验统计量大于所述临界值,则将所述目标样本数据作为异常值剔除。
4.根据权利要求2所述的方法,其特征在于,所述采用局部加权回归方法对所述原始样本数据序列进行数据处理,得到所述原始样本数据序列中每个样本数据的分解值,包括:
针对每个所述目标样本数据分别执行:
采用加权线性回归方法对所述目标样本数据的所述待处理数据序列进行处理,得到第一拟合曲线;在所述第一拟合曲线中横坐标为车流量分段的时间粒度值,纵坐标为车流量;
从所述第一拟合曲线中获取所述目标样本数据对应的点作为中心点;
采用所述原始样本数据序列中所有目标样本数据分别对应的中心点的连线作为第二曲线,并对所述第二曲线中的每个中心点分别进行分解操作,得到每个样本数据分别对应的分解值。
5.根据权利要求4所述的方法,其特征在于,所述对所述第二曲线中的每个中心点分别进行分解操作,包括:
所述分解操作将每个所述中心点分解为趋势分量、季节分量和余项,所述分解操作的表达式为:Yv=TV+Sv+RV,v∈[1,N];
其中:Yv表示所述中心点的分解值,TV表示所述趋势分量且所述TV为所述待处理数据序列的中位数X,Sv表示所述季节分量,RV表示所述余项,N表示所述中心点的数量;
针对每样本数据j,所述Rj=Yv-Sv-X。
6.一种构建交通流量预测模型的电子设备,其特征在于,所述电子设备包括处理器和存储器:
所述存储器,用于存储可被所述处理器执行的计算机程序;
所述处理器与所述存储器连接,被配置为:
获取基于时间序列的原始样本数据序列;其中各样本数据中包括时间戳及对应的交通流量;
剔除所述原始样本数据序列中的异常值,得到目标样本序列;
采用时间序列分解方法对所述目标样本序列进行处理,得到所述交通流量预测模型;所述交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值;
其中,所述特殊项是基于特殊日序列和受所述特殊日序列影响的指定影响日序列之间的相关系数构建的,且针对每种特殊日序列,所述特殊项的取值与所述特殊日序列对应的相关系数具有正相关关系;
其中,所述趋势项是根据趋势项确定公式确定的:
TV=C(t)/(1+e-k(t)(x-m(t))),
其中:TV为所述趋势项,C(t)称为第二曲线的最大渐近值,k(t)表示第二曲线的增长率,m(t)表示第二曲线的中点
所述季节项是根据季节项的表达式确定的:
其中:N为所述目标样本序列,P为预设周期;an和bn为根据正弦函数和余弦函数的取值所在的象限确定的参数,其中;
当在第一象限时,an为第一取值,bn为第三取值,且所述第一取值大于所述第三取值;
当在第二象限或第四象限时,an为第二取值,bn为第二取值,且所述第二取值大于所述第三取值小于所述第一取值;
当所述目标样本序列在第三象限时,an为所述第三取值,bn为所述第一取值;
其中特殊项是根据以下方法确定的:
其中:h(t)为特殊项,Di表示第i个指定影响日,k~Normal(0,v2),响应于对k的输入操作,确定k值;或,
响应于对所述特殊项的输入操作,得到所述特殊项的参数值,所述参数值是基于所述特殊日的交通流量确定的;所述参数值包括:受影响日的时间点,影响范围,影响程度;
所述相关系数是根据相关系数计算公式得到的:
其中:xi为所述特殊日序列中第i个特殊日的历史车流量,yi为所述指定影响日序列中第i个指定影响日的历史车流量,n为所述特殊日序列中包括的特殊日的总个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060415.XA CN112183868B (zh) | 2020-09-30 | 2020-09-30 | 交通流量预测模型的构建方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060415.XA CN112183868B (zh) | 2020-09-30 | 2020-09-30 | 交通流量预测模型的构建方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183868A CN112183868A (zh) | 2021-01-05 |
CN112183868B true CN112183868B (zh) | 2023-05-12 |
Family
ID=73947216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011060415.XA Active CN112183868B (zh) | 2020-09-30 | 2020-09-30 | 交通流量预测模型的构建方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183868B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906984B (zh) * | 2021-03-24 | 2023-06-30 | 苏州蓝图智慧城市科技有限公司 | 一种道路交通状态预测方法、装置、存储介质及电子设备 |
CN114283590B (zh) * | 2021-09-02 | 2023-03-21 | 青岛海信网络科技股份有限公司 | 车流量高峰预测方法及装置、电子设备 |
CN114285728B (zh) * | 2021-12-27 | 2024-02-02 | 中国电信股份有限公司 | 一种预测模型训练方法、流量预测方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568205A (zh) * | 2012-01-10 | 2012-07-11 | 吉林大学 | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 |
CN106600959A (zh) * | 2016-12-13 | 2017-04-26 | 广州市公共交通数据管理中心 | 一种交通拥堵指数的预测方法 |
CN109272169A (zh) * | 2018-10-10 | 2019-01-25 | 深圳市赛为智能股份有限公司 | 交通流量预测方法、装置、计算机设备及存储介质 |
CN111161538A (zh) * | 2020-01-06 | 2020-05-15 | 东南大学 | 一种基于时间序列分解的短时交通流预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4446316B2 (ja) * | 2007-07-25 | 2010-04-07 | 日立オートモティブシステムズ株式会社 | 交通情報システム |
-
2020
- 2020-09-30 CN CN202011060415.XA patent/CN112183868B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568205A (zh) * | 2012-01-10 | 2012-07-11 | 吉林大学 | 非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法 |
CN106600959A (zh) * | 2016-12-13 | 2017-04-26 | 广州市公共交通数据管理中心 | 一种交通拥堵指数的预测方法 |
CN109272169A (zh) * | 2018-10-10 | 2019-01-25 | 深圳市赛为智能股份有限公司 | 交通流量预测方法、装置、计算机设备及存储介质 |
CN111161538A (zh) * | 2020-01-06 | 2020-05-15 | 东南大学 | 一种基于时间序列分解的短时交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112183868A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183868B (zh) | 交通流量预测模型的构建方法及电子设备 | |
Gao et al. | Cloud-enabled prognosis for manufacturing | |
JP2023017888A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
US11288577B2 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
US9208209B1 (en) | Techniques for monitoring transformation techniques using control charts | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
US20190386889A1 (en) | Workload management for computing cluster | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN110059894B (zh) | 设备状态评估方法、装置、系统及存储介质 | |
US11257001B2 (en) | Prediction model enhancement | |
US20150012250A1 (en) | Clustering based continuous performance prediction and monitoring for semiconductor manufacturing processes using nonparametric bayesian models | |
US20190286101A1 (en) | Predictive maintenance utilizing supervised sequence rule mining | |
CN113986674A (zh) | 时序数据的异常检测方法、装置和电子设备 | |
CN114422322B (zh) | 一种告警压缩的方法、装置、设备及存储介质 | |
CN112819260B (zh) | 预测航班延时状态的数据处理系统 | |
CN117131391A (zh) | 基于智慧能源平台的企业能耗分析与告警方法 | |
CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
CN114385601B (zh) | 基于超算的云边协同高通量海洋数据智能处理方法及系统 | |
CN114520773B (zh) | 一种服务请求的响应方法、装置、服务器及存储介质 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
CN114818460A (zh) | 基于自动机器学习的实验室设备剩余使用寿命预测方法 | |
Kim et al. | Multi-Step Peak Power Forecasting With Constrained Conditional Transformer for a Large-Scale Manufacturing Plant | |
Li et al. | Equipment Health Assessment Based on Node Embedding | |
US20220269994A1 (en) | System and method for automated creation of a time series artificial intelligence model | |
WO2024043888A1 (en) | Real time detection, prediction and remediation of machine learning model drift in asset hierarchy based on time-series data |
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 |