CN112215520B - 一种多目标融合通行方法、装置、计算机设备及存储介质 - Google Patents

一种多目标融合通行方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112215520B
CN112215520B CN202011174972.4A CN202011174972A CN112215520B CN 112215520 B CN112215520 B CN 112215520B CN 202011174972 A CN202011174972 A CN 202011174972A CN 112215520 B CN112215520 B CN 112215520B
Authority
CN
China
Prior art keywords
traffic
data
strategy
sample
information
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
Application number
CN202011174972.4A
Other languages
English (en)
Other versions
CN112215520A (zh
Inventor
倪萌
冯杰
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.)
China Resources Digital Technology Co Ltd
Original Assignee
Runlian Software System Shenzhen Co Ltd
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 Runlian Software System Shenzhen Co Ltd filed Critical Runlian Software System Shenzhen Co Ltd
Priority to CN202011174972.4A priority Critical patent/CN112215520B/zh
Publication of CN112215520A publication Critical patent/CN112215520A/zh
Application granted granted Critical
Publication of CN112215520B publication Critical patent/CN112215520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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

Abstract

本发明公开了一种多目标融合通行方法、装置、计算机设备及存储介质，该方法包括：获取目标交通场景在历史时间段内的交通主导信息建立联合代价约束，再构建交通主导信息引擎，然后利用交通主导信息引擎计算得到策略样本；获取目标交通场景在历史时间段内对应的交通反馈信息，根据交通反馈信息构建交通反馈引擎，并利用交通反馈引擎基于GMDH算法得到预测样本；构建交通策略决策引擎，并生成管制策略，从而构建交通管制策略模型；根据生成的管制策略与真实策略的差异对交通管制策略模型进行优化；利用交通管制策略模型为指定时间的目标交通场景生成管制策略。本发明可提高交通通行的智能化管理能力。

Description

一种多目标融合通行方法、装置、计算机设备及存储介质
技术领域
本发明涉及智能交通控制技术领域，特别涉及一种多目标融合通行方法、装置、计算机设备及存储介质。
背景技术
随着经济的快速增长，高速公路、省道、城区主干道等建设迅猛发展，家庭轿车的数量也飞速增加，使当前交通情况日益复杂。而面对复杂的交通情况，交通通行的有效管理变得日益重要。其中，交通出行流量预测、交通道路及周边居民、商业综合体人流的快速出行需求周期特性预报、交通控制体的信号控制、道路路面状态及路口类型等组成了交通通行的关联体。
当前，针对交通车流量预测、交通出行路径优化等方向已经存在多种解决方案，例如：时间序列预测法、神经网络法、约束求解优化算法等。但上述方法往往只针对性地解决各类交通问题中的一个，对交通进行局部的优化，缺乏对交通通行整体的分析处理能力。因此，提供一种能够对交通通行进行整体分析，并能够模拟分析交通通行方案及管控预案、提升交通管理的智能化、解决城市“交通病”的方法逐步成为城市建设中的紧要任务。
发明内容
本发明实施例提供了一种多目标融合通行方法、装置、计算机设备及存储介质，旨在提高交通通行的智能化管理能力。
第一方面，本发明实施例提供了一种多目标融合通行方法，包括：
S101、获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本；
S102、获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本；
S103、根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型；
S104、根据所述管制策略与其对应的真实策略之间的差异分别对所述交通主导信息引擎和交通反馈引擎进行优化，从而对所述交通管制策略模型进行优化；
S105、利用优化后的交通管制策略模型为指定时间的目标交通场景生成管制策略。
进一步的，所述交通主导信息包括：天气信息、道路信息、交通控制信息和时间信息；
所述获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本，包括：
S201、将所述天气信息、道路信息、交通控制信息和时间信息构建为一数据矩阵；
S202、判断所述数据矩阵中是否存在空值，若存在空值，则通过对应周期的均值数据对空值进行填充；
S203、对所述数据矩阵中的极值孤点进行平滑处理，然后对所述数据矩阵进行归一化处理，得到特征向量矩阵；
S204、根据所述特征向量矩阵分别建立道路通行量约束、天气约束和对于车辆通行速度和通行时间的代价约束；
S205、联合所述道路通行量约束、天气约束和代价约束对所述道路控制选项和道路最大可通行车辆数范围进行求解，得到所述策略样本。
进一步的，所述根据所述特征向量矩阵分别建立道路通行量约束、天气约束和对于车辆通行速度和通行时间的代价约束，包括：
当车辆通行速度和通行时间满足a-v(tk)·(tk+1-t)≤0时，则将所述代价约束设置为
Figure BDA0002748447310000031
其中，a为车辆所在路段的长度，v(tk)为车辆在tk时刻的速度，tk+1为下一时间段的起始时刻；
当车辆通行速度和通行时间满足0＜a-v(tk)·(tk+1-t)≤v(tk+1)Δt时，则将所述代价约束设置为
Figure BDA0002748447310000032
其中，Δt为tk+1与t之间的差值；
当车辆通行速度和通行时间满足
Figure BDA0002748447310000033
时，则将所述代价约束设置为
Figure BDA0002748447310000034
其中tk+n为第n个时间段的起始时刻。
进一步的，所述交通反馈信息包括：车流量和/或人流量、出行需求和通行速度数据表；
所述获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据所述交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述的未来短期数据进行预测，得到预测样本，包括：
S401、对所述车流量和/或人流量、出行需求和通行速度数据表进行标准化预处理和去除静止直流成分预处理，得到数据集，并将所述数据集划分为训练集和选择集；
S402、将所述训练集和选择集中的数据任意两两组合，并根据组合数量建立当前神经元层，利用所述训练集中的数据对所述输入神经元层进行训练，直至所述输入神经元层的误差和不再减小；
S403、将所述选择集中的数据输入至训练后的输入神经元层，利用所述选择集中的数据计算所述输入神经元层的误差，并保留误差小于预设阈值的神经元，删除误差大于或者等于预设阈值的神经元；
S404、利用所述训练集和选择集对下一神经元层进行训练和选择，直至下一神经元层的误差和大于当前神经元层的误差和或者下一层神经元层的神经元数量为1；
S405、当第n+1层神经元层的误差和大于第n层神经元层的误差和时，将第n层神经元层作为输出神经元层；或者，当第n+1层神经元层的神经元数量为1时，将第n+1层神经元层作为输出神经元层，从而构建交通反馈信息网络模型；
S406、利用所述交通反馈信息网络模型输出所述预测样本。
进一步的，所述根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型，包括：
通过策略字段对所述策略样本和预测样本进行标签的标定；
对同一类型策略下的特征样本数据进行分类分析，得到沙箱样本数据及其标定的特征样本；
利用DIAYN算法对所述沙箱样本数据及其标定的特征样本进行计算，从而生成所述管制策略。
进一步的，所述对同一类型策略下的特征样本数据进行分类分析，得到沙箱样本数据及其标定的特征样本，包括：
根据所述策略样本和预测样本的标签数确定k值；
对所述策略样本和预测样本中的全部样本数据计算每两个样本数据之间的距离；
对计算得到的距离值进行排序，并选取前k个距离值最小的样本数据；
对选取的k个样本数据的标签进行投票，得到最终的分类结果，将最终的分类结果作为沙箱样本数据。
进一步的，所述利用DIAYN算法对所述沙箱样本数据及其标定的特征样本进行计算分析，从而生成所述管制策略，包括：
利用DIAYN算法中的策略网络对所述沙箱样本数据中包含的不同类样本数据分别生成对应的策略；
利用DIAYN算法中的判别器网络对不同的策略生成不同的概率值；
根据每一策略对应的概率值综合生成所述管制策略。
第二方面，本发明实施例提供了一种多目标融合通行装置，包括：
第一引擎构建单元，用于获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本；
第二引擎构建单元，用于获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述交通反馈信息的未来短期数据进行预测，得到预测样本；
第三引擎构建单元，用于根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型；
优化单元，用于根据所述管制策略与其对应的真实策略之间的差异分别对所述交通主导信息引擎和交通反馈引擎进行优化，从而对所述交通管制策略模型进行优化；
策略生成单元，用于利用优化后的交通管制策略模型为指定时间的目标交通场景生成管制策略。
第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的多目标融合通行方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的多目标融合通行方法。
本发明实施例提供了一种多目标融合通行方法、装置、计算机设备及存储介质，所述方法包括：获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本；获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据所述交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述车流量和/或人流量、出行需求和通行速度数据表的未来短期数据进行预测，得到预测样本；根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型；根据所述管制策略与其对应的真实策略之间的差异分别对所述交通主导信息引擎和交通反馈引擎进行优化，从而对所述交通管制策略模型进行优化；利用优化后的交通管制策略模型为指定时间的目标交通场景生成管制策略。本发明实施例通过多目标融合，分别构建交通主导信息引擎、交通反馈信息引擎和交通管控策略决策引擎，使最终能够生成最优化的管制策略，从而提高交通通行的智能化管理能力。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多目标融合通行方法的流程示意图；
图2为本发明实施例提供的一种多目标融合通行方法中的步骤S101的流程示意图；
图3为本发明实施例提供的一种多目标融合通行方法的道路车辆通行流量示意图；
图4为本发明实施例提供的一种多目标融合通行方法中的步骤S102的流程示意图；
图5为本发名实施例提供的一种多目标融合通行方法中的神经元结构示意图；
图6为本发明实施例提供的一种多目标融合通行装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面请参见图1，图1为本发明实施例提供的一种多目标融合通行方法的流程示意图，具体包括：步骤S101～S105。
S101、获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本；
S102、获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据所述交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述车流量和/或人流量、出行需求和通行速度数据表的未来短期数据进行预测，得到预测样本；
S103、根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型；
S104、根据所述管制策略与其对应的真实策略之间的差异分别对所述交通主导信息引擎和交通反馈引擎进行优化，从而对所述交通管制策略模型进行优化；
S105、利用优化后的交通管制策略模型为指定时间的目标交通场景生成管制策略。
本实施例中，根据历史数据训练构建交通管制策略模型，具体地，通过所述交通主导信息建立相应的联合约束，并根据所述联合约束构建交通主导信息引擎，以及通过交通反馈信息构建交通反馈信息引擎，并由所述交通主导信息引擎得到策略样本，以及由所述交通反馈信息引擎得到预测样本，然后根据所述策略样本和预测样本构建交通策略决策引擎，并由所述交通策略决策引擎生成对应的管制策略，从而完成所述交通管制策略模型的构建。利用所述交通管制策略模型即可对指定时间的交通场景生成最优化的管制策略。进一步，在构建所述交通管制策略模型的过程中，利用所述交通策略引擎生成的管制策略与对应的真实策略之间的差异对所述交通主导信息引擎和所述交通反馈信息引擎进行优化，进而通过优化的交通主导信息引擎和交通反馈信息引擎生成优化的策略样本和预测样本，再利用优化的策略样本和预测样本对所述交通策略决策引擎进行优化，从而实现对所述交通管制策略模型的优化。本实施例所述的交通主导信息可以包括天气信息、道路信息、交通控制信息和时间信息等对交通通行产生主导影响的信息，所述交通反馈信息可以包括车流量和/或人流量、出行需求和通行速度数据表等信息。
本实施例通过多目标融合，对交通通行整体进行分析，从而构建相关引擎，有效地对多个重要交通目标进行数学建模，并通过数学量化的方法继续目标间的关联分析模拟，并最终建立得到不同的交通模拟预案数学模型。然后通过最终建立的模型对交通通行方案及其管控预案进行模拟分析，生成整体策略中的最优化解对应的空间向量集，达到提高交通智能化管理能力的目的。
如图2所示，在一实施例中，所述交通主导信息包括：天气信息、道路信息、交通控制信息和时间信息；所述步骤S101包括：步骤S201～S205。
S201、将所述天气信息、道路信息、交通控制信息和时间信息构建为一数据矩阵；
S202、判断所述数据矩阵中是否存在空值，若存在空值，则通过对应周期的均值数据对空值进行填充；
S203、对所述数据矩阵中的极值孤点进行平滑处理，然后对所述数据矩阵进行归一化处理，得到特征向量矩阵；
S204、根据所述特征向量矩阵分别建立道路通行量约束、天气约束和对于车辆通行速度和通行时间的代价约束；
S205、联合所述道路通行量约束、天气约束和代价约束对所述道路控制选项和道路最大可通行车辆数范围进行求解，得到所述策略样本。
本实施例中，获取所述目标交通场景的历史时间段内的道路路口类型信息、气温、天气状况、交通管控策略及其编号等相关历史数据，构成一数据矩阵。由于采集手段或者其他问题可能会导致获取的数据不完整，即构成的数据矩阵中存在空值的情况，因此可以根据同周期的均值数据对数据矩阵中的空值进行填充。当数据矩阵中不存在空值后，对数据矩阵中的极值孤点进行平滑处理和归一化，从而得到特征向量矩阵h(t)＝f(x)，其中，t为对应时刻值。在确定特征向量矩阵中的所有矩阵值均符合相关约束条件无异常值后，可按照道路通行量、通行时间、通行速度等条件对应建立建立道路通行量约束、天气约束和对于车辆通行速度和通行时间的代价约束。
需要说明的是，在通过上述3个约束中的任意一个约束求解时，得到的结果缺乏足够的说明力，因此选择将3个约束联合起来进行求解，从而使最终得到的结果更加贴合实际，准确可靠，有足够的说明。换句话说，在建立道路通行量约束，由于没有考虑自然因素的影响以及道路状况的影响，会导致道路通行量约束单独求解时得到结果不够贴合实际，因此根据对应的天气信息(例如气温值、降雨量、降雪量等)建立天气约束，以及针对车辆的通行速度和车辆通行时间建立代价约束。
举例来说，如图3所示，在所述目标交通场景下，获取交通路口的历史车流量，当全部流入道路网络的车流量等于全部流出道路网络的车流量且汽车行驶的方向随机且等概率，以及车与车之间相互独立，互不影响时，建立道路通行量约束：
Figure BDA0002748447310000091
在一实施例中，所述根据所述特征向量矩阵分别建立道路通行量约束、天气约束和对于车辆通行速度和通行时间的代价约束，包括：
当车辆通行速度和通行时间满足a-v(tk)·(tk+1-t)≤0时，则将所述代价约束设置为
Figure BDA0002748447310000092
其中，a为车辆所在路段的长度，v(tk)为车辆在tk时刻的速度，tk+1为下一时间段的起始时刻；
当车辆通行速度和通行时间满足0＜a-v(tk)·(tk+1-t)≤v(tk+1)Δt时，则将所述代价约束设置为
Figure BDA0002748447310000093
其中，Δt为tk+1与t之间的差值；
当车辆通行速度和通行时间满足
Figure BDA0002748447310000094
时，则将所述代价约束设置为
Figure BDA0002748447310000095
其中tk+n为第n个时间段的起始时刻。
在针对车辆的通行速度和车辆通行时间建立代价约束时，其具体约束可以解释为：在实际场景中，理想的状况是道路不存在堵车等影响通行速度的因素，整个路段的通行速度是连续的曲线。但是由于采集数据的技术限制等因素，车辆在道路上行驶的路段速度是离散的。因此计算其通行代价要考虑的行驶时间可能会跨越多个时间段。
本实施例假设从时刻tk开始计时，车辆在时刻t进入路段，路段长度为a，对路段通行代价(即代价约束)的计算分为三种情况，并为三种情况分别建立代价约束，三种情况为：
一是车辆在一个时间段内通过了整个路段，即车辆通行速度和通行时间满足a-v(tk)·(tk+1-t)≤0；
二是车辆在两个时间段内通过了整个路程，即车辆通行速度和通行时间满足0＜a-v(tk)·(tk+1-t)≤v(tk+1)Δt；
三是车辆在多个时间段内通过了整个路段，即车辆通行速度和通行时间满足
Figure BDA0002748447310000101
如图4所示，在一实施例中，所述交通反馈信息包括：车流量和/或人流量、出行需求和通行速度数据表；所述步骤S102包括：步骤S401～S406。
S401、对所述车流量和/或人流量、出行需求和通行速度数据表进行标准化预处理和去除静止直流成分预处理，得到数据集，并将所述数据集划分为训练集和选择集；
S402、将所述训练集和选择集中的数据任意两两组合，并根据组合数量建立当前神经元层，利用所述训练集中的数据对所述输入神经元层进行训练，直至所述输入神经元层的误差和不再减小；
S403、将所述选择集中的数据输入至训练后的输入神经元层，利用所述选择集中的数据计算所述输入神经元层的误差，并保留误差小于预设阈值的神经元，删除误差大于或者等于预设阈值的神经元；
S404、利用所述训练集和选择集对下一神经元层进行训练和选择，直至下一神经元层的误差和大于当前神经元层的误差和或者下一层神经元层的神经元数量为1；
S405、当第n+1层神经元层的误差和大于第n层神经元层的误差和时，将第n层神经元层作为输出神经元层；或者，当第n+1层神经元层的神经元数量为1时，将第n+1层神经元层作为输出神经元层，从而构建交通反馈信息网络模型；
S406、利用所述交通反馈信息网络模型输出所述预测样本。
本实施例中，在构建所述交通反馈信息引擎时，首先对获取的车流量和/或人流量、出行需求和通行速度数据表进行预处理，具体包括标准化预处理和去除静止直流成分预处理，在一具体实施例中，根据公式
Figure BDA0002748447310000111
进行标准化预处理，式中，xi表示输入数据，
Figure BDA0002748447310000112
表示均值，σx表示xi的标准差。xi表示输入数据，
Figure BDA0002748447310000113
表示均值，σx表示xi的标准差。在对历史数据预处理完成后，将得到的数据集划分训练集和选择集，同时根据数据集中的数据个数建立神经元层，使每层神经元的个数与所述数据集中的数据个数的一半相等，即每两个数据输入至一个神经元中。然后利用训练集中的数据计算每层神经元的输出及误差，并根据误差调整权值后再次进行计算，直至误差和不再减小，再将选择集中的数据输入至训练过的神经元层中，计算神经元层中每一神经元的误差，并保留误差小于预设阈值的神经元，删除误差大于预设阈值的神经元，从而完成当前神经元层的训练与选择。利用训练集和选择集对建立的神经元层依次进行训练和选择，直至训练和选择后的神经元层的误差和大于上一神经元层的误差和或者训练和选择后的神经元层的神经元数量为1。此时，将误差和大于上一神经元层的误差的神经元层作为输出神经元层或者将神经元数量为1的神经元层作为输出神经元层，从而完成交通反馈信息网络模型(即交通反馈信息引擎)的构建。通过构建的交通反馈信息网络模型即可对所述车流量和/或人流量、出行需求和通行速度数据表的未来短期数据进行预测，进而得到预测样本。
每一神经元的结构如图5所示，对于神经元的输入x1、x2，其输出y为：
Figure BDA0002748447310000114
在一实施例中，所述步骤S103包括：
通过策略字段对所述策略样本和预测样本进行标签的标定；
对同一类型策略下的特征样本数据进行分类分析，得到沙箱样本数据及其标定的特征样本；
利用DIAYN算法对所述沙箱样本数据及其标定的特征样本进行计算，从而生成所述管制策略。
本实施例中，在构建所述交通策略决策引擎时，首先通过策略字段对所述交通主导信息引擎生成的策略样本和所述交通反馈信息生成的预测样本标定标签，其中，所述策略样本和预测样本具体包括：道路控制选项、道路最大可通行车辆数、车流量/人流量、出行需求、通行速度数据表等数据信息。然后将同一类型策略下的相关特征样本数据进行分类分析，得到沙箱样本数据及其标定特征样本，再通过DIAYN算法对所述沙箱样本数据及其标定的特征样本进行计算，得到对应的混合策略，即所述管制策略。
在一实施例中，所述对同一类型策略下的特征样本数据进行分类分析，得到沙箱样本数据及其标定的特征样本，包括：
根据所述策略样本和预测样本的标签数确定k值；
对所述策略样本和预测样本中的全部样本数据计算每两个样本数据中间的距离；
对计算得到的距离值进行排序，并选取前k个距离值最小的样本数据；
对选取的k个样本数据的标签进行投票，得到最终的分类结果，将最终的分类结果作为沙箱样本数据。
本实施例中，采用KNN分类算法(K-NearestNeighbor，最邻近分类算法)对所述策略样本和预测样本进行分类，具体的，首先按照样本标定的策略数测定k值；然后计算策略样本和预测样本中每个样本点与其他样本点之间的距离，并对计算出的距离按照从小到大(或者从大到小)的顺序进行排列，再选取前k个样本点(或者后k个样本点)，最后对选取的样本点对应的标签进行投票，从而达到分类的效果。在一具体实施例中，利用欧氏距离或者马氏距离对每个样本点与其他样本点之间的距离进行计算。
在一实施例中，所述利用DIAYN算法所述沙箱样本数据及其标定的特征样本进行计算分析，从而生成所述管制策略，包括：
利用DIAYN算法中的策略网络对所述沙箱样本数据中包含的不同类样本数据分别生成对应的策略；
利用DIAYN算法中的判别器网络对不同的策略生成不同的概率值；
根据每一策略对应的概率值综合生成所述管制策略。
DIAYN算法(Diversity Is AllYouNeed算法)包括两个网络：策略网络和判别器网络。其中，策略网络是一种基于SAC(SoftActor-Critic)构建的智能体，其和一般策略网络的区别在于：受一个参数z的控制，用于生成不同的策略。判别器网络用于计算状态st+1在参数z所控制的技能下访问到的概率，此外，判别器网络还起着生成奖励的作用。在每个循环内，参数z固定不变，因此不同的输入可以得到不同的概率值。判别器网络的目标是：给定一个状态，利用该状态对判别器网络进行学习，从而来预测该状态最可能被哪一参数控制下的策略访问到。同时，给定一个参数，希望该参数对应的策略能够访问到和其他参数不一样的状态空间，因此训练该策略的奖励函数可以由已经学习到的判别器网络输出，即如果访问到了一个关于参数“特殊”的状态，就给予较大的奖励。
本实施例通过DIAYN算法包含的两个网络对所述沙箱样本数据生成不同的策略，并为不同的策略输出不同的概率值，从而使最终生成的混合策略(即管制策略)具有一定的偏向性，即偏向概率值较大的策略，避免因不同的策略混合在一起后无法分出主次而导致用户无法采取有效的管理措施。
图6为本实施例提供的一种多目标融合通行装置600的示意性框图，该多目标融合通行装置600包括：
第一引擎构建单元601，用于获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息和时间信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本；
第二引擎构建单元602，用于获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据所述交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述车流量和/或人流量、出行需求和通行速度数据表的未来短期数据进行预测，得到预测样本；
第三引擎构建单元603，用于根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型；
优化单元604，用于根据所述管制策略与其对应的真实策略之间的差异分别对所述交通主导信息引擎和交通反馈引擎进行优化，从而对所述交通管制策略模型进行优化；
策略生成单元605，用于利用优化后的交通管制策略模型为指定时间的目标交通场景生成管制策略。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (5)

1.一种多目标融合通行方法，其特征在于，包括：
S101、获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本；
所述交通主导信息包括：天气信息、道路信息、交通控制信息和时间信息；
所述获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本，包括：
S201、将所述天气信息、道路信息、交通控制信息和时间信息构建为一数据矩阵；
S202、判断所述数据矩阵中是否存在空值，若存在空值，则通过对应周期的均值数据对空值进行填充；
S203、对所述数据矩阵中的极值孤点进行平滑处理，然后对所述数据矩阵进行归一化处理，得到特征向量矩阵；
S204、根据所述特征向量矩阵分别建立道路通行量约束、天气约束和对于车辆通行速度和通行时间的代价约束；
S205、联合所述道路通行量约束、天气约束和代价约束对所述道路控制选项和道路最大可通行车辆数范围进行求解，得到所述策略样本；
S102、获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述交通反馈信息的未来短期数据进行预测，得到预测样本；
所述交通反馈信息包括：车流量和/或人流量、出行需求和通行速度数据表；
所述获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据所述交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述的未来短期数据进行预测，得到预测样本，包括：
S401、对所述车流量和/或人流量、出行需求和通行速度数据表进行标准化预处理和去除静止直流成分预处理，得到数据集，并将所述数据集划分为训练集和选择集；
S402、将所述训练集和选择集中的数据任意两两组合，并根据组合数量建立当前神经元层，利用所述训练集中的数据对输入神经元层进行训练，直至所述输入神经元层的误差和不再减小；
S403、将所述选择集中的数据输入至训练后的输入神经元层，利用所述选择集中的数据计算所述输入神经元层的误差，并保留误差小于预设阈值的神经元，删除误差大于或者等于预设阈值的神经元；
S404、利用所述训练集和选择集对下一神经元层进行训练和选择，直至下一神经元层的误差和大于当前神经元层的误差和或者下一层神经元层的神经元数量为1；
S405、当第m+1层神经元层的误差和大于第m层神经元层的误差和时，将第m层神经元层作为输出神经元层；或者，当第m+1层神经元层的神经元数量为1时，将第m+1层神经元层作为输出神经元层，从而构建交通反馈信息网络模型；
S406、利用所述交通反馈信息网络模型输出所述预测样本；
S103、根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型；
所述根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型，包括：
通过策略字段对所述策略样本和预测样本进行标签的标定；
对同一类型策略下的特征样本数据进行分类分析，得到沙箱样本数据及其标定的特征样本；
所述对同一类型策略下的特征样本数据进行分类分析，得到沙箱样本数据及其标定的特征样本，包括：
根据所述策略样本和预测样本的标签数确定w值；
对所述策略样本和预测样本中的全部样本数据计算每两个样本数据之间的距离；
对计算得到的距离值进行排序，并选取前w个距离值最小的样本数据；
对选取的w个样本数据的标签进行投票，得到最终的分类结果，将最终的分类结果作为沙箱样本数据；
利用DIAYN算法对所述沙箱样本数据及其标定的特征样本进行计算，从而生成所述管制策略；DIAYN算法包括两个网络：策略网络和判别器网络，其中，策略网络是一种基于SAC构建的智能体，所述策略网络受一个参数z的控制，用于生成不同的策略；判别器网络用于计算状态在参数z所控制的技能下访问到的概率，判别器网络还起着生成奖励的作用，在每个循环内，参数z固定不变，不同的输入得到不同的概率值；
所述利用DIAYN算法对所述沙箱样本数据及其标定的特征样本进行计算分析，从而生成所述管制策略，包括：
利用DIAYN算法中的策略网络对所述沙箱样本数据中包含的不同类样本数据分别生成对应的策略；
利用DIAYN算法中的判别器网络对不同的策略生成不同的概率值；
根据每一策略对应的概率值综合生成所述管制策略；
S104、根据所述管制策略与其对应的真实策略之间的差异分别对所述交通主导信息引擎和交通反馈引擎进行优化，从而对所述交通管制策略模型进行优化；
S105、利用优化后的交通管制策略模型为指定时间的目标交通场景生成管制策略。
2.根据权利要求1所述的多目标融合通行方法，其特征在于，所述根据所述特征向量矩阵分别建立道路通行量约束、天气约束和对于车辆通行速度和通行时间的代价约束，包括：
当车辆通行速度和通行时间满足
Figure 971600DEST_PATH_IMAGE001
时，则将所述代价约 束设置为
Figure 826423DEST_PATH_IMAGE002
，其中，a为车辆所在路段的长度，v(tk)为车辆在tk时刻的速度，tk+1为 下一时间段的起始时刻；
当车辆通行速度和通行时间满足
Figure 340581DEST_PATH_IMAGE003
时，则 将所述代价约束设置为
Figure 407894DEST_PATH_IMAGE004
，其中，Δt为tk+1与t之间的差值；
当车辆通行速度和通行时间满足
Figure 956687DEST_PATH_IMAGE005
时，则将所述代价约束设 置为
Figure 949789DEST_PATH_IMAGE006
，其中tk+n为第n个时 间段的起始时刻。
3.一种多目标融合通行装置，其特征在于，包括：
第一引擎构建单元，用于获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本；
所述交通主导信息包括：天气信息、道路信息、交通控制信息和时间信息；
所述获取目标交通场景在历史时间段内对应的交通主导信息，根据所述交通主导信息建立联合代价约束，再根据所述联合代价约束构建交通主导信息引擎，然后利用所述交通主导信息引擎计算得到道路控制选项和道路最大可通行车辆数范围的优化数据，并将所述优化数据作为策略样本，包括：
将所述天气信息、道路信息、交通控制信息和时间信息构建为一数据矩阵；
判断所述数据矩阵中是否存在空值，若存在空值，则通过对应周期的均值数据对空值进行填充；
对所述数据矩阵中的极值孤点进行平滑处理，然后对所述数据矩阵进行归一化处理，得到特征向量矩阵；
根据所述特征向量矩阵分别建立道路通行量约束、天气约束和对于车辆通行速度和通行时间的代价约束；
联合所述道路通行量约束、天气约束和代价约束对所述道路控制选项和道路最大可通行车辆数范围进行求解，得到所述策略样本；
第二引擎构建单元，用于获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述交通反馈信息的未来短期数据进行预测，得到预测样本；
所述交通反馈信息包括：车流量和/或人流量、出行需求和通行速度数据表；
所述获取所述目标交通场景在所述历史时间段内对应的交通反馈信息，根据所述交通反馈信息构建交通反馈引擎，并利用所述交通反馈引擎基于GMDH算法对所述的未来短期数据进行预测，得到预测样本，包括：
对所述车流量和/或人流量、出行需求和通行速度数据表进行标准化预处理和去除静止直流成分预处理，得到数据集，并将所述数据集划分为训练集和选择集；
将所述训练集和选择集中的数据任意两两组合，并根据组合数量建立当前神经元层，利用所述训练集中的数据对输入神经元层进行训练，直至所述输入神经元层的误差和不再减小；
将所述选择集中的数据输入至训练后的输入神经元层，利用所述选择集中的数据计算所述输入神经元层的误差，并保留误差小于预设阈值的神经元，删除误差大于或者等于预设阈值的神经元；
利用所述训练集和选择集对下一神经元层进行训练和选择，直至下一神经元层的误差和大于当前神经元层的误差和或者下一层神经元层的神经元数量为1；
当第m+1层神经元层的误差和大于第m层神经元层的误差和时，将第m层神经元层作为输出神经元层；或者，当第m+1层神经元层的神经元数量为1时，将第m+1层神经元层作为输出神经元层，从而构建交通反馈信息网络模型；
利用所述交通反馈信息网络模型输出所述预测样本；
第三引擎构建单元，用于根据所述策略样本和预测样本构建交通策略决策引擎，并利用所述交通策略决策引擎对所述历史时间段的目标交通场景生成管制策略，从而构建交通管制策略模型；
所述第三引擎构建单元包括：
通过策略字段对所述策略样本和预测样本进行标签的标定；
对同一类型策略下的特征样本数据进行分类分析，得到沙箱样本数据及其标定的特征样本；
所述对同一类型策略下的特征样本数据进行分类分析，得到沙箱样本数据及其标定的特征样本，包括：
根据所述策略样本和预测样本的标签数确定w值；
对所述策略样本和预测样本中的全部样本数据计算每两个样本数据之间的距离；
对计算得到的距离值进行排序，并选取前w个距离值最小的样本数据；
对选取的w个样本数据的标签进行投票，得到最终的分类结果，将最终的分类结果作为沙箱样本数据；
利用DIAYN算法对所述沙箱样本数据及其标定的特征样本进行计算，从而生成所述管制策略；DIAYN算法包括两个网络：策略网络和判别器网络，其中，策略网络是一种基于SAC构建的智能体，其和一般策略网络的区别在于：受一个参数z的控制，用于生成不同的策略；判别器网络用于计算状态在参数z所控制的技能下访问到的概率，此外，判别器网络还起着生成奖励的作用，在每个循环内，参数z固定不变，因此不同的输入可以得到不同的概率值；
所述利用DIAYN算法对所述沙箱样本数据及其标定的特征样本进行计算分析，从而生成所述管制策略，包括：
利用DIAYN算法中的策略网络对所述沙箱样本数据中包含的不同类样本数据分别生成对应的策略；
利用DIAYN算法中的判别器网络对不同的策略生成不同的概率值；
根据每一策略对应的概率值综合生成所述管制策略；
优化单元，用于根据所述管制策略与其对应的真实策略之间的差异分别对所述交通主导信息引擎和交通反馈引擎进行优化，从而对所述交通管制策略模型进行优化；
策略生成单元，用于利用优化后的交通管制策略模型为指定时间的目标交通场景生成管制策略。
4.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的多目标融合通行方法。
5.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的多目标融合通行方法。
CN202011174972.4A 2020-10-28 2020-10-28 一种多目标融合通行方法、装置、计算机设备及存储介质 Active CN112215520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011174972.4A CN112215520B (zh) 2020-10-28 2020-10-28 一种多目标融合通行方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011174972.4A CN112215520B (zh) 2020-10-28 2020-10-28 一种多目标融合通行方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112215520A CN112215520A (zh) 2021-01-12
CN112215520B true CN112215520B (zh) 2021-06-08

Family

ID=74057364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011174972.4A Active CN112215520B (zh) 2020-10-28 2020-10-28 一种多目标融合通行方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112215520B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872535A (zh) * 2019-03-27 2019-06-11 深圳市中电数通智慧安全科技股份有限公司 一种智慧交通通行预测方法、装置及服务器
CN111356227A (zh) * 2020-02-25 2020-06-30 杭州电子科技大学 应用于uwb室内定位中遮挡物类别识别的特征选择方法
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN111640296A (zh) * 2020-05-08 2020-09-08 同济大学 交通流预测方法、系统、存储介质及终端

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014153949A (ja) * 2013-02-08 2014-08-25 Hiroshima Univ Ｇｍｄｈを用いた非線形ｐｉｄコントローラおよびｇｍｄｈ重み係数決定方法
CN103606267B (zh) * 2013-11-20 2016-02-10 天津市市政工程设计研究院 基于产生点-吸引点的港口道路网络交通量智能预判方法
CN103871246B (zh) * 2014-02-10 2016-05-04 南京大学 基于路网空间关系约束Lasso的短时交通流预测方法
CN107516417B (zh) * 2017-08-21 2019-09-17 中国科学院软件研究所 一种挖掘时空关联关系的实时高速公路流量估计方法
CN107945534A (zh) * 2017-12-13 2018-04-20 浙江大学城市学院 一种基于gmdh神经网络的交通车流量预测方法
CN110361505B (zh) * 2019-07-25 2021-06-22 中南大学 一种车外大气污染环境下列车乘员健康预警系统的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872535A (zh) * 2019-03-27 2019-06-11 深圳市中电数通智慧安全科技股份有限公司 一种智慧交通通行预测方法、装置及服务器
CN111356227A (zh) * 2020-02-25 2020-06-30 杭州电子科技大学 应用于uwb室内定位中遮挡物类别识别的特征选择方法
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN111640296A (zh) * 2020-05-08 2020-09-08 同济大学 交通流预测方法、系统、存储介质及终端

Also Published As

Publication number Publication date
CN112215520A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
Li et al. Day-ahead traffic flow forecasting based on a deep belief network optimized by the multi-objective particle swarm algorithm
Yao et al. Short‐term traffic speed prediction for an urban corridor
Khosravi et al. A genetic algorithm-based method for improving quality of travel time prediction intervals
Kim et al. Urban traffic flow prediction system using a multifactor pattern recognition model
Pan et al. Development of a global road safety performance function using deep neural networks
Quattrone et al. Random and fuzzy utility models for road route choice
CN111582559B (zh) 一种到达时间的预估方法及装置
EP3035314A1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
Ghanim et al. Estimating turning movements at signalized intersections using artificial neural networks
Yan et al. Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its
Csikós et al. Traffic speed prediction method for urban networks—An ANN approach
CN106781489A (zh) 一种基于递归神经网络的路网状态预测方法
Behbahani et al. Forecasting accident frequency of an urban road network: A comparison of four artificial neural network techniques
Zheng et al. A stochastic simulation-based optimization method for equitable and efficient network-wide signal timing under uncertainties
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
Gao et al. Short-term traffic speed forecasting using a deep learning method based on multitemporal traffic flow volume
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN112215520B (zh) 一种多目标融合通行方法、装置、计算机设备及存储介质
Mor et al. Multivariate short-term traffic flow prediction based on real-time expressway toll plaza data using non-parametric techniques
Shen et al. Hybrid CSA optimization with seasonal RVR in traffic flow forecasting
CN114267170A (zh) 基于考虑人类流动性的图时空Transformer模型的交通流预测方法
Rassafi et al. Predicting urban trip generation using a fuzzy expert system
Rasouli Trip distribution modelling using neural network
Mei et al. Research on short-term urban traffic congestion based on fuzzy comprehensive evaluation and machine learning
CN116957166B (zh) 一种基于鸿蒙系统的隧道交通情况预测方法及系统

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
CP01 Change in the name or title of a patent holder

Address after: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000

Patentee after: China Resources Digital Technology Co.,Ltd.

Address before: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000

Patentee before: Runlian software system (Shenzhen) Co.,Ltd.