CN112396164A - 一种基于环境敏感的智能车辆轨迹预测方法 - Google Patents
一种基于环境敏感的智能车辆轨迹预测方法 Download PDFInfo
- Publication number
- CN112396164A CN112396164A CN202011309990.9A CN202011309990A CN112396164A CN 112396164 A CN112396164 A CN 112396164A CN 202011309990 A CN202011309990 A CN 202011309990A CN 112396164 A CN112396164 A CN 112396164A
- Authority
- CN
- China
- Prior art keywords
- track
- grid
- granularity
- model
- vehicle
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于环境敏感智能轨迹预测方法。搜集车辆的轨迹数据并做预处理;选取横坐标和纵坐标范围建立路网区域;根据粒度将路网区域划分为相等的网格;根据粒度,设置网格映射函数,将轨迹数据转换为网格轨迹序列;统计构建获得网格粒度矩阵;构建基于环境敏感的神经网络模型;训练神经网络模型;使用模型预测轨迹进行预测;更新神经网络模型。本发明将路网划分为细粒度的网格,利用神经网络对路网整体情况进行抽象,并将信息加入到轨迹预测模型中,提高了轨迹预测的准确率。
Description
技术领域
本发明属于人人工智能领域中的轨迹序列预测方法,具体涉及一种基于环境敏感的智能车辆轨迹预测方法。
背景技术
得益于大数据技术的不断发展以及相关硬件(例如GPU,TPU,FPGA等)性能的不断提高,人工智能的热度在学术界和工业界持续上升。海量数据为人工智能模型的训练提供了非常充分且高品质的训练集,使得人工智能在图像处理,语音识别以及自然语言处理等方面展现出了超越人类的准确率以及性能优势2010年以后,以Tensorflow,Pytorch,Keras为代表的一系列深度学习框架相继发布,进一步的降低了构建深度学习模型的门槛。人们可以通过这些框架快速构建、训练高质量的深度学习模型,促使人工智能再次呈现爆发式的发展。
人工智能在图像处理、语音识别以及自然语言处理等方面显露出了极大的优势,序列预测问题作为以上领域的基本问题也得到了广泛的研究与关注。序列数据在人类社会中的一种重要表现形式为轨迹数据,例如人类行走,车辆行驶的路线或者无人机飞行的航道等。
目前,已经有若干研究针对轨迹数据预测问题展开了相关的工作,例如对行人轨迹的预测。常用的模型是Seq2seq模型。Seq2Seq背后的核心思想是使用两个不同的LSTM(long-short term memory)网络作为编码器和解码器来分别执行数据特征提取和结果预测。编码器将历史轨迹输入并映射到固定大小的隐藏向量,然后解码器将隐藏向量映射到输出轨迹,即预测的轨迹。本质上,它是学习由一个可变长度序列约束下的另一个可变长度序列的条件概率分布。
但是,之前提出的方法存在着环境感知能力不足的情况。轨迹的预测很大程度依然依赖单个移动物体的历史轨迹,或者依赖相邻移动物体的轨迹运动情况,模型无法从全局角度来为模型预测提供辅助决策信息。例如,一个出租车可能会因为道路施工而选择其他比较拥堵的道路来行驶,而道路施工这个环境因素是难以从该车辆的历史轨迹中获得的。
以车辆轨迹预测场景为例,环境感知模型可以为轨迹预测模型提供诸如全路网车辆分布的特征。当候选道路车辆分布较少,则车辆将有大概率会选择该条道路行驶。而当候选道路不通,车辆分布接近零且其他车辆不从这里通行,则模型会学习到这一特征,其预测的轨迹也不会出现在该道路上。
综合上述,以往车辆轨迹预测模型存在着环境感知能力不足的情况,轨迹的预测很大程度依然依赖单个移动物体的历史轨迹,或者依赖相邻移动物体的轨迹运动情况,模型无法从全局角度来为模型预测提供辅助决策信息。
发明内容
为了解决背景技术中存在的问题,针对现有技术的不足,本发明的目的在于提供了一种基于环境敏感的智能车辆轨迹预测方法。
本发明解决其技术问题采用的技术方案如下:
1)搜集车辆的轨迹数据并做预处理;
2)针对轨迹数据的位置坐标中选取横坐标和纵坐标的最小值xmin、ymin和最大值xmax、ymax,由以上坐标组成四角顶点坐标分别为(xmin,ymin)、(xmin,ymax)、(xmax,ymax)、(xmin,ymax)的矩形,作为路网区域;
3)根据粒度将路网区域划分为相等的网格,各个格子按照自身在路网区域中的行列顺序进行横纵坐标的坐标编号;
4)根据粒度,设置网格映射函数,通过网格映射函数将轨迹数据转换为网格轨迹序列;
5)同时将根据粒度划分网格后的路网区域作为一幅矩阵,统计单一时刻下各个网格中车辆的总数作为该网格的元素值,从而构建获得网格粒度矩阵;
6)构建基于环境敏感的神经网络模型
7)训练神经网络模型
8)使用模型预测轨迹预测
对于输入的待测车辆过去一段时间的轨迹,按照步骤1)相同方式进行处理,处理之后输入到神经网络模型的编码器中,神经网络模型的解码器输出待测车辆在未来一段时间内的轨迹预测结果。
所述步骤1)如下:
连续采集配备有GPS模块的车辆在一段时间的轨迹数据;每条车辆的轨迹数据记录格式为:
{id,[(t1,x1,y1),...,(tn,xn,yn)]}
其中,id是车辆的标识,tn是轨迹数据的第n个记录时刻,xn、yn分别是经度和纬度的位置坐。
所述步骤1)中,若轨迹数据中在时间段[t1,tn)内存在缺失数据,计算该车辆缺失发送的次数l:
其中,Δt为车辆的轨迹数据记录采集的时间间隔;
然后对于时间段[t1,tn)内的任意时刻t1+Δt×i,0≤i<l,i表示缺失数据的序数,采用线性运动模型来恢复该时刻的坐标,具体将t1和ti时刻的两个位置坐标相减并乘以i/l,加到时刻t1的位置坐标得到了时刻t1+Δt×i缺失的位置坐标。
所述步骤4)中的网格映射函数表示为:
φλ=φ(p,λ)
其中,λ为路网区域的网格划分粒度,p为轨迹数据的经度、纬度的位置坐标,φλ为p所落以λ为粒度划分的网格坐标。
所述步骤6)中,神经网络模型包括Seq2seq网络和环境敏感模型,环境敏感模型连接到Seq2seq网络的中间;Seq2seq网络包含编码器和解码器,编码器和解码器均采用多层长短期记忆网络,网格轨迹序列输入到编码器,编码器输出轨迹特征向量作为第一隐藏向量v,解码器输出预测轨迹;网格粒度矩阵输入到环境敏感模型,所述的环境敏感模型主要由三个卷积神经网络依次连接构成,每个卷积神经网络均主要有三个卷积层依次连续连接构成,第一个卷积层和第二个卷积层之间设置有最大池化层;设置不同的粒度,进而获得每个粒度对应的网格粒度矩阵,经连续三个卷积神经网络处理后获得各自的输出向量,将所有输出向量按照最后一维度拼接,得到的粒度向量;将粒度向量与Seq2seq网络的编码器输出的第一隐藏向量v按照最后一维度拼接,得到第二隐藏向量并输入到Seq2seq网络的解码器中,Seq2seq网络的解码器输出预测轨迹。
所述步骤7)具体为,神经网络模型包含了多层环境敏感模型,使用神经体系结构搜索方法,从单层环境敏感模型开始,即只选取一个CNN网络,逐渐调整该单层环境敏感模型层数的数量,即增加CNN网络的数量;然后进行训练;对于每次训练,使用相同的设置并测试准确率;最后采用具有最高准确率的神经网络模型作为最后结果。
本发明具有的有益效果是:
本发明将整个路网对车辆行驶轨迹的环境因素考虑在内,构建了基于环境敏感的智能轨迹预测方法,将路网划分为细粒度的网格,利用神经网络对路网整体情况进行抽象,并将该信息加入到轨迹预测模型中,可以提高城市中车辆轨迹预测的准确率。
附图说明
图1是基于环境敏感的智能轨迹预测模型图。
具体实施方式
现结合具体实施和示例对本发明的技术方案作进一步说明。
本发明具体实施例及其实施过程如下:
1)搜集车辆的轨迹数据并做预处理;
步骤1)如下:
连续采集配备有GPS模块的车辆(例如出租车)在一段时间(例如一个月以上)的轨迹数据,具体实施中众多车辆尽可能分散,使得车辆在地理区域内均匀分布;每条车辆的轨迹数据记录格式为:
{id,[(t1,x1,y1),...,(tn,xn,yn)]}
其中,id是车辆的标识,tn是轨迹数据的第n个记录时刻,xn、yn分别是经度和纬度的位置坐标,(xn、yn)共同组成车辆在记录时刻tn的经纬度坐标;
1.2)缺失轨迹数据处理
由于车辆的GPS模块可能存在运行不稳定的情况,在某段时间内并没有发送GPS坐标数据,本发明采用线性模型对缺失数据进行补全。
首先设定以下参数,GPS模块发送记录位置的时间间隔为Δt,每隔Δt时间GPS模块发送一次该车辆的位置。某一车辆在t1和tn时刻分别发送了车辆的坐标,中间未发送坐标,则时间段[t1,tn)内缺失数据。
若轨迹数据中在时间段[t1,tn)内存在缺失数据,计算该车辆缺失发送的次数l:
其中,Δt为车辆的轨迹数据记录采集的时间间隔;
然后对于时间段[t1,tn)内的任意时刻t1+Δt×i,0≤i<l,i表示缺失数据的序数,采用线性运动模型来恢复该时刻的坐标,具体将t1和ti时刻的两个位置坐标相减并乘以i/l,加到时刻t1的位置坐标得到了时刻t1+Δt×i缺失的位置坐标。其他缺失情况也以此类推。
1.3)具体实施中将数据分为训练集和测试集。将处理好的轨迹数据80%作为训练集,剩余的20%作为测试集。
2)针对轨迹数据的位置坐标中选取横坐标和纵坐标的最小值xmin、ymin和最大值xmax、ymax,由以上坐标组成四角顶点坐标分别为(xmin,ymin)、(xmin,ymax)、(xmax,ymax)、(xmin,ymax)的矩形,作为路网区域,路网区域的长为(ymax-ymin),宽为(xmax-xmin);
3)根据粒度将路网区域划分为相等的网格,各个格子按照自身在路网区域中的行列顺序进行横纵坐标的坐标编号;
粒度λ设置为λ=(λx,λy),其中λx和λy表示将宽和长各自等分的次数,即矩形的路网区域等分为λx×λy个格子。例如当λ=(10,20)时,宽和长分别被等分10和20份,共200个格子。
4)根据粒度,设置网格映射函数,通过网格映射函数将轨迹数据转换为网格轨迹序列;网格映射函数表示为:
φλ=φ(p,λ)
其中,λ为路网区域的网格划分粒度,p为轨迹数据的经度、纬度的位置坐标,φλ为p所落以λ为粒度划分的网格坐标。
这样,历史轨迹上的各个位置坐标被替换为所在网格的网格坐标编号,从而将历史轨迹转换为网格轨迹序列。
5)同时将根据粒度划分网格后的路网区域作为一幅矩阵,一个网格代表矩阵中的一个元素,统计单一时刻下各个网格中车辆的总数作为该网格的元素值,从而构建获得网格粒度矩阵;
每个网格的元素值为当前时刻落在每个网格中车辆的总数,统计当前时刻当前数据集中相同坐标的总数得出。
6)构建基于环境敏感的神经网络模型
步骤6)中,神经网络模型包括Seq2seq网络和环境敏感模型,环境敏感模型连接到Seq2seq网络的中间;Seq2seq网络输入网格轨迹序列,环境敏感模型输入网格粒度矩阵,Seq2seq网络输出预测轨迹。
网格粒度矩阵代表了当前时刻的路网中各个网格的车辆分布,每个格子里面多少辆车辆统计进行排布。
由图1所示,Seq2seq网络包含编码器和解码器,编码器和解码器均采用多层长短期记忆网络(LSTM),网格轨迹序列输入到编码器,编码器输出轨迹特征向量作为第一隐藏向量v,解码器输出预测轨迹;
编码器是将长度为k的网格轨迹序列To中的所有位置坐标点pi(pi≤T0,1≤i≤k)依次顺序读入,直到读取至轨迹结束;编码器的输出轨迹特征向量作为第一隐藏向量v。
解码器中,使用Ts=(s1,...,sm)和来分别表示预测轨迹的真值和神经网络模型的预测结果,sm表示第m个预测轨迹的真值,表示第m个预测轨迹经神经网络模型处理后输出的预测结果。在训练阶段,使用预测轨迹Ts的真值作为解码器的输入。在测试阶段,如图1中的虚线所示,在时间t处的预测值将用作时间t+1的输入。解码器训练完成后,损失函数为Ts和的最小平方差。
网格粒度矩阵输入到环境敏感模型,环境敏感模型主要由三个卷积神经网络(CNN)依次连接构成,对于每个图像,使用3个卷积神经网络(CNN)对其进行特征提取。每个卷积神经网络均主要有三个卷积层依次连续连接构成,第一个卷积层和第二个卷积层之间设置有最大池化层;
卷积神经网络具体参数为,第一个卷积层的卷积核大小为(2,2),步长为1,输出通道32。然后进行最大池化,接第二个卷积层内核大小为(2,2),步长为2。第三层卷积层包含两个内核,分别为(λx/2,1)和(1,λy/2),步长为1。最终得到1×128的输出矩阵。
设置不同的粒度,进而获得每个粒度对应的网格粒度矩阵,经连续三个卷积神经网络处理后获得各自的输出向量,将所有输出向量按照最后一维度拼接,得到1×128n的粒度向量;将粒度向量与Seq2seq网络的编码器输出的第一隐藏向量v按照最后一维度拼接,得到第二隐藏向量并输入到Seq2seq网络的解码器中,Seq2seq网络的解码器输出预测轨迹。
7)训练神经网络模型
神经体系结构包含了多层环境敏感模型,使用神经体系结构搜索(NAS)方法,从单层环境敏感模型开始,即只选取一个CNN网络,逐渐调整该单层环境敏感模型层数的数量,即增加CNN网络的数量;然后进行训练;对于每次训练,使用相同的设置并测试准确率;最后采用具有最高准确率的神经网络模型作为最后结果;
8)使用模型预测轨迹预测
当神经网络训练完毕,该模型可以用于轨迹的预测。对于输入的待测车辆过去一段时间的轨迹,按照步骤1)相同方式进行处理,处理之后输入到神经网络模型的编码器中,神经网络模型的解码器输出待测车辆在未来一段时间内的轨迹预测结果。
9)更新神经网络模型
具体实施当模型需要更新时,新进的数据需要按照步骤1)-7)重新执行,在原有模型基础上继续训练,最后完成更新。
Claims (6)
1.一种基于环境敏感的智能车辆轨迹预测方法,其特征在于:该方法包含以下步骤:
1)搜集车辆的轨迹数据并做预处理;
2)针对轨迹数据的位置坐标中选取横坐标和纵坐标的最小值xmin、ymin和最大值xmax、ymax,由以上坐标组成四角顶点坐标分别为(xmin,ymin)、(xmin,ymax)、(xmax,ymax)、(xmin,ymax)的矩形,作为路网区域;
3)根据粒度将路网区域划分为相等的网格,各个格子按照自身在路网区域中的行列顺序进行横纵坐标的坐标编号;
4)根据粒度,设置网格映射函数,通过网格映射函数将轨迹数据转换为网格轨迹序列;
5)同时将根据粒度划分网格后的路网区域作为一幅矩阵,统计单一时刻下各个网格中车辆的总数作为该网格的元素值,从而构建获得网格粒度矩阵;
6)构建基于环境敏感的神经网络模型
7)训练神经网络模型
8)使用模型预测轨迹预测
对于输入的待测车辆过去一段时间的轨迹,按照步骤1)相同方式进行处理,处理之后输入到神经网络模型的编码器中,神经网络模型的解码器输出待测车辆在未来一段时间内的轨迹预测结果。
2.根据权利要求1所述的一种基于环境敏感的智能车辆轨迹预测方法,其特征在于:所述步骤1)如下:
连续采集配备有GPS模块的车辆在一段时间的轨迹数据;每条车辆的轨迹数据记录格式为:
{id,[(t1,x1,y1),...,(tn,xn,yn)]}
其中,id是车辆的标识,tn是轨迹数据的第n个记录时刻,xn、yn分别是经度和纬度的位置坐。
4.根据权利要求1所述的一种基于环境敏感的智能车辆轨迹预测方法,其特征在于:所述步骤4)中的网格映射函数表示为:
φλ=φ(p,λ)
其中,λ为路网区域的网格划分粒度,p为轨迹数据的经度、纬度的位置坐标,φλ为p所落以λ为粒度划分的网格坐标。
5.根据权利要求1所述的一种基于环境敏感的智能车辆轨迹预测方法,其特征在于:所述步骤6)中,神经网络模型包括Seq2seq网络和环境敏感模型,环境敏感模型连接到Seq2seq网络的中间;Seq2seq网络包含编码器和解码器,编码器和解码器均采用多层长短期记忆网络,网格轨迹序列输入到编码器,编码器输出轨迹特征向量作为第一隐藏向量v,解码器输出预测轨迹;网格粒度矩阵输入到环境敏感模型,所述的环境敏感模型主要由三个卷积神经网络依次连接构成,每个卷积神经网络均主要有三个卷积层依次连续连接构成,第一个卷积层和第二个卷积层之间设置有最大池化层;设置不同的粒度,进而获得每个粒度对应的网格粒度矩阵,经连续三个卷积神经网络处理后获得各自的输出向量,将所有输出向量按照最后一维度拼接,得到的粒度向量;将粒度向量与Seq2seq网络的编码器输出的第一隐藏向量v按照最后一维度拼接,得到第二隐藏向量并输入到Seq2seq网络的解码器中,Seq2seq网络的解码器输出预测轨迹。
6.根据权利要求1所述的一种基于环境敏感的智能车辆轨迹预测方法,其特征在于:所述步骤7)具体为,神经网络模型包含了多层环境敏感模型,使用神经体系结构搜索方法,从单层环境敏感模型开始,即只选取一个CNN网络,逐渐调整该单层环境敏感模型层数的数量,即增加CNN网络的数量;然后进行训练;对于每次训练,使用相同的设置并测试准确率;最后采用具有最高准确率的神经网络模型作为最后结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011309990.9A CN112396164A (zh) | 2020-11-20 | 2020-11-20 | 一种基于环境敏感的智能车辆轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011309990.9A CN112396164A (zh) | 2020-11-20 | 2020-11-20 | 一种基于环境敏感的智能车辆轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112396164A true CN112396164A (zh) | 2021-02-23 |
Family
ID=74606004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011309990.9A Pending CN112396164A (zh) | 2020-11-20 | 2020-11-20 | 一种基于环境敏感的智能车辆轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396164A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114827904A (zh) * | 2022-05-10 | 2022-07-29 | 山东大学 | 一种移动服务用户轨迹预测方法及系统 |
CN116543603A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学 | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
-
2020
- 2020-11-20 CN CN202011309990.9A patent/CN112396164A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
SAI WU等: "《NEIST:A Neural-Enhanced Index for Spatio-Temporal Queries》", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114827904A (zh) * | 2022-05-10 | 2022-07-29 | 山东大学 | 一种移动服务用户轨迹预测方法及系统 |
CN116543603A (zh) * | 2023-07-07 | 2023-08-04 | 四川大学 | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 |
CN116543603B (zh) * | 2023-07-07 | 2023-09-29 | 四川大学 | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766942A (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
Girisha et al. | Uvid-net: Enhanced semantic segmentation of uav aerial videos by embedding temporal information | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
He et al. | Rail transit obstacle detection based on improved CNN | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN109829495A (zh) | 基于lstm和dcgan的时序性图像预测方法 | |
CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
CN111784623A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112396164A (zh) | 一种基于环境敏感的智能车辆轨迹预测方法 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
CN112862171A (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
CN114021809A (zh) | 一种无人驾驶用交通流量预测的图层级卷积神经网络模型 | |
CN112559585A (zh) | 交通时空序列单步预测方法、系统及存储介质 | |
CN111722306A (zh) | 一种基于tcn网络模型台风登陆强度预测方法和系统 | |
CN115071762A (zh) | 面向城市场景下行人轨迹预测方法、模型及存储介质 | |
CN115049130A (zh) | 一种基于时空金字塔的自动驾驶轨迹预测方法 | |
CN113435370B (zh) | 一种基于图像特征融合获取车辆排队长度的方法及装置 | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
CN116258253A (zh) | 一种基于贝叶斯神经网络的车辆od预测方法 | |
CN113408786A (zh) | 一种基于控制信息的适用长时间预测的交通特征预测方法及系统 | |
Chen et al. | Traffic flow prediction based on cooperative vehicle infrastructure for cloud control platform | |
Zhang et al. | Taxiint: Predicting the taxi flow at urban traffic hotspots using graph convolutional networks and the trajectory data | |
Zhang | YOLO Series Target Detection Technology and Application | |
Du et al. | Imitation Learning for Autonomous Driving Based on Convolutional and Recurrent Neural Networks | |
Zhang et al. | Research on vehicle detection model based on attention mechanism |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210223 |
|
WD01 | Invention patent application deemed withdrawn after publication |