CN112419710A - 交通拥堵数据预测方法、装置、计算机设备及存储介质 - Google Patents
交通拥堵数据预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112419710A CN112419710A CN202011138209.6A CN202011138209A CN112419710A CN 112419710 A CN112419710 A CN 112419710A CN 202011138209 A CN202011138209 A CN 202011138209A CN 112419710 A CN112419710 A CN 112419710A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- output
- processing
- neural network
- 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
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
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及大数据处理领域,公开了一种交通拥堵数据预测方法、装置、计算机设备及存储介质,其方法包括:获取指定区域的交通关联数据,交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据;通过时空神经网络模型处理交通关联数据,生成指定区域的交通拥堵预测数据,时空神经网络模型包括多层双向门控循环神经网络、图卷积网络、特征映射层、全连接层和自回归层。本发明可以预测未来一段时间的交通拥堵指数,并具有较高的预测准确性。
Description
技术领域
本发明涉及大数据处理领域,尤其涉及一种交通拥堵数据预测方法、装置、计算机设备及存储介质。
背景技术
随着城市经济的发展,城市车辆保有量急剧增加,产生了严重的交通拥堵问题。通常采用交通拥堵指数来评估道路的交通拥堵程度。交通拥堵指数的取值范围为0~10,取值越大表示拥堵程度越严重。通过对道路交通拥堵指数实时准确的预测,交管部门可以进行交通流量分配,提前疏导拥堵,提高路网的通行能力。
现有技术中,交通拥堵指数的预测采用时间序列预测的方法,即基于历史的交通情况预测未来一段时间的交通拥堵指数。这种方法只能学习出少数路段的时变规律,未涉及交通道路的拓扑结构,从而评估拥堵路段对相邻路段/区域的影响。
发明内容
基于此,有必要针对上述技术问题,提供一种交通拥堵数据预测方法、装置、计算机设备及存储介质,以提高对未来一段时间内的交通拥堵指数的预测能力。
一种交通拥堵数据预测方法,包括:
获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据;
通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层。
一种交通拥堵数据预测装置,包括:
获取数据模块,用于获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据;
模型预测模块,用于通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述交通拥堵数据预测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述交通拥堵数据预测方法。
上述交通拥堵数据预测方法、装置、计算机设备及存储介质,通过获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据,以获取用于预测未来一段时间交通拥堵指数的多源异构数据。通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层,其中,多层双向门控循环神经网络可以从历史交通数据和车辆轨迹数据提取道路的时序特征;图卷积网络可以从交通节点数据提取道路之间的关联关系,同时结合多层双向门控循环神经网络提取出的时序特征,生成既包含时序特征、又包含道路关联关系的第二输出数据;特征映射层则可以从环境条件数据提取出环境特征,以形成第三输出数据;全连接层则用于结合第二输出数据和第三输出数据所具有的特征;自回归层则可以学习预测交通数据与历史交通数据之间的线性关系,提高交通拥堵预测数据的准确率,因而,通过时空神经网络模型中的各个神经网络对交通关联数据进行处理,可以提取相应的时空特征并分析这些时空特征对交通拥堵指数的影响,大大提高了交通拥堵预测数据的准确性。本发明可以预测未来一段时间的交通拥堵指数,并具有较高的预测准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中交通拥堵数据预测方法的一应用环境示意图;
图2是本发明一实施例中交通拥堵数据预测方法的一流程示意图;
图3是本发明一实施例中交通拥堵数据预测方法的一流程示意图;
图4是本发明一实施例中多层双向门控循环神经网络的结构示意图;
图5是本发明一实施例中交通拥堵数据预测方法的一流程示意图;
图6是本发明一实施例中交通拥堵数据预测方法的一流程示意图;
图7a是本发明一实施例中十字路口的示意图;
图7b是本发明一实施例中有向图的示意图;
图8是本发明一实施例中交通拥堵数据预测方法的一流程示意图;
图9是本发明一实施例中交通拥堵数据预测装置的一结构示意图;
图10是本发明一实施例中计算机设备的一示意图。
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作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。
本实施例提供的交通拥堵数据预测方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种交通拥堵数据预测方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤:
S10、获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据。
本实施例中,指定区域可以指某一城市或城市的某一区域。一般情况下,指定区域包括若干条主干道以及部分的分支道路。交通关联数据指的是与指定区域内道路相关的数据,包括但不限于历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据。
历史交通数据可以是指定区域在过去一段时间(如一个小时)的交通拥堵指数。在此处,交通拥堵指数的记录可以采用10分钟为时间周期,即每条道路每十分钟会有一个交通拥堵指数的数值。对于一条道路,过去一个小时共产生6个交通拥堵指数。因而,若以时间周期为时间滑动窗口构建样本,历史交通数据可以处理为:其中,X1为过去一小时的交通拥堵指数,为值域,N为待预测的道路数量。
车辆轨迹数据可以指收集到的车辆GPS(Global Positioning System,全球定位系统)轨迹数据,如网约车或出租车的GPS轨迹数据。在此处,可以通过地图匹配的方式将GPS轨迹数据与地图上的道路进行关联,从而估算出某一路段在一个时间周期内,例如取时间周期为10分钟时所对应的平均车速以及该路段上的车辆数量(仅指GPS轨迹数据所对应的车辆)。即,可以采用时间滑动窗口构造样本,则过去一小时的平均车速(每10分钟统计一次)可以表示为:其中,X2为平均车速;车辆数量可以表示为:其中,X3为车辆数量。
交通节点数据指的是交叉路口的交通数据,如可以通过设置在交叉路口设置的摄像头拍摄实时道路画面,通过计算机视觉算法识别道路画面中的车辆并计数,获得交通节点数据,即交通节点数据可以指相邻路段之间车辆的流出/流入数量。
环境条件数据包括但不限于天气数据、节假日信息、信息点信息。在此处,天气数据可以选取温度、湿度、降雨量这三个指标。对于节假日信息,可用一个离散特征表示,如1代表该天为节假日,0则代表工作日。同时,节假日信息还包括了其他时间特征,例如周几、小时数、分钟数、是否早晚高峰等。对于兴趣点信息,可以将兴趣点分为若干个类别(如可以是14个大类),每条路的信息点特征用一个固定长度的向量(若类别数量为14,固定长度可以同为14)来表示,其中第i维代表这条路周边第i类兴趣点的个数。环境条件数据可记为:其中F为环境条件数据的维度。
S20、通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层。
本实施例中,时空神经网络模型包括五个神经网络,分别为多层双向门控循环神经网络(GRU,gated recurrent unit)、图卷积网络(GCN、Graph Convolutional Network)、特征映射层、全连接层和自回归层。
各个神经网络处理交通关联数据或基于交通关联数据生成的中间数据(如第一输出数据、第二输出数据等),最终输出交通拥堵预测数据。交通拥堵预测数据可以指未来指定时间(如可以是半小时)内的交通拥堵指数。在一示例中,交通拥堵预测数据可以是未来半个小时的交通拥堵指数,可表示为:其中,Y为预测的交通拥堵指数,N为待预测的道路数量。
在时空神经网络模型处理交通关联数据的过程中,多层双向门控循环神经网络用于处理历史交通数据和车辆轨迹数据。多层双向门控循环神经网络可以提取每条道路的时序特征。图卷积网络用于处理交通节点数据和多层双向门控循环神经网络输出的第一输出数据。图卷积网络用于解析道路之间的关联关系,其中,交通节点数据可以用作道路切换的权重。
特征映射层是一个已训练好的两层全连接前馈神经网络。特征映射层可以将环境条件数据进行编码并映射到一个向量空间,得到一个以向量表示的第三输出数据。
全连接层用于处理图卷积网络输出的第二输出数据和特征映射层输出的第三输出数据,得到第四输出数据。
自回归层的输入与多层双向门控循环神经网络的输入相同,但其结构为单层全连接网络。自回归层可以学习预测数据与历史数据之间的线性关系。多层双向门控循环神经网络与图卷积网络认为是一种非线性映射,虽然它们具有强大的模型能力,但是一般对输入的尺度变化不敏感。实际的数据中,输入的尺度会随着时间变化而变化,例如早晚高峰,输入的交通拥堵指数会偏高。自回归层属于线性映射,能很好地捕捉输入数据尺度的变化,从而进一步提高交通拥堵预测数据的准确性。
步骤S10-S20中,获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据,以获取用于预测未来一段时间交通拥堵指数的多源异构数据。通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层,在此处,通过时空神经网络模型中的各个神经网络对交通关联数据进行处理,提取了相应的时空特征,大大提高了交通拥堵预测数据的准确性。
可选的,如图3所示,步骤S20,即所述通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,包括:
S201、通过所述多层双向门控循环神经网络处理所述历史交通数据和所述车辆轨迹数据,生成所述第一输出数据;
S202、通过所述图卷积网络处理所述交通节点数据和所述第一输出数据,生成所述第二输出数据;
S203、通过所述特征映射层处理所述环境条件数据,生成所述第三输出数据;
S204、通过所述全连接层处理所述第二输出数据和所述第三输出数据,生成第四输出数据;
S205、通过所述自回归层处理所述历史交通数据和所述车辆轨迹数据,生成第五输出数据;
S206、根据所述第四输出数据和第五输出数据确定所述交通拥堵预测数据。
本实施例中,历史交通数据可以用表示,车辆轨迹数据包括和基于历史交通数据和车辆轨迹数据可以得到多层双向门控循环神经网络的输入数据,即如图4所示,多层双向门控循环神经网络中包含多个GRU单元。各个不同道路之间共享GRU单元的参数。GRU单元的隐藏层设置为H1,则多层双向门控循环神经网络的输出为多层双向门控循环神经网络将每条道路过去一小时的历史交通拥堵指数、平均车速、车辆数量等特征,映射成一个长度固定为H1的向量(即为第一输出数据),该向量编码了每条道路的时序特征。
图卷积网络的输入包括两部分,其中一部分为第一输出数据,另一部分为基于交通节点数据生成的关联图数据。给定有向图G,可以定义邻接矩阵如果存在一条有向边从道路i指向道路j,那么Aij非零,并且其值等于有向边的权重(即单位时间内从道路i开往道路j的车辆数目,即交通节点数据),否则Aij为零。值得注意的是,由于有向边的权重是随时间的变化而变化,因此邻接矩阵A也是随时间的变化而变化。给定A,可以计算标准化的邻接矩阵其中IN是单位矩阵,D为对角矩阵且Dii=∑jAij。使用两层的图卷积网络,该图卷积网络最终输出的第二输出数据可表示为:其中W1,W2为可学习的参数,σ(·)为Relu函数(非线性激活函数)。
特征映射层是一个两层的全连接前馈神经网络,其作用是把环境条件特征进行编码,映射到一个向量空间。该层的输入是X4,输出的第三输出数据可用yF表示,yF=Relu(W4Relu(W3X4+b3)+b4),其中W3,W4,b3,b4为可学习参数,Relu(·)为非线性激活函数。
可以将第二输出数据和第三输出数据进行拼接,得到全连接层的输入数据。全连接层生成的第四输出数据可表示为:yN=W5[yD||yF]+b5,其中W5,b5为可学习参数,||代表向量拼接。
自回归层的输入与多层双向GRU的输入一致,其结构是一个单层全连接网络。自回归层可以学习预测数据与历史数据之间的线性关系。在一示例中,自回归层生成的第五输出数据可以表示为:yL=War[X1,X2,X3]+bar,其中War,bar均为可学习的参数。
可选的,如图5所示,步骤S201,即所述通过所述多层双向门控循环神经网络处理所述历史交通数据和所述车辆轨迹数据,生成所述第一输出数据,包括:
S2011、从所述历史交通数据提取指定时间段内以指定时间周期统计的在先拥堵数据,从所述车辆轨迹数据提取所述指定时间段内以所述指定时间周期统计的在先车辆均速和在先道路车辆数量;
S2012、通过所述多层双向门控循环神经网络处理所述在先拥堵数据、所述在先车辆均速和所述在先道路车辆数量,生成所述第一输出数据。
本实施例中,指定时间段可以根据需要进行设置,如可以设置为1小时。指定时间周期可以根据需要进行设置,如可以设置为10分钟。一般情况下,指定时间段的时间长度为指定时间周期的整数倍。以指定时间周期为时间滑动窗口构建样本,获得在先拥堵数据。在先拥堵数据可以表示为:其中,X1为过去一小时的交通拥堵指数(即在先拥堵数据),为值域,N为待预测的道路数量。
车辆轨迹数据可以指收集到的车辆GPS(Global Positioning System,全球定位系统)轨迹数据,如网约车或出租车的GPS轨迹数据。在此处,可以通过地图匹配的方式将GPS轨迹数据与地图上的道路进行关联,从而估算出某一路段在指定时间周期内(10分钟)的平均车速以及该路段上的车辆数量(仅指GPS轨迹数据所对应的车辆)。即,可以采用时间滑动窗口构造样本,则过去一小时(指定时间段)的平均车速(每10分钟统计一次)可以表示为:其中,X2为平均车速;车辆数量可以表示为:其中,X3为车辆数量。
多层双向门控循环神经网络的输入数据包括了在先拥堵数据、在先车辆均速和在先道路车辆数量,可表示为各个不同道路之间共享GRU单元的参数。GRU单元的隐藏层设置为H1,则多层双向门控循环神经网络的输出为多层双向门控循环神经网络将每条道路过去一小时的历史交通拥堵指数、平均车速、车辆数量等特征,映射成一个长度固定为H1的向量(即为第一输出数据),该向量编码了每条道路的时序特征。
步骤S2011-S2012中,从所述历史交通数据提取指定时间段内以指定时间周期统计的在先拥堵数据,从所述车辆轨迹数据提取所述指定时间段内以所述指定时间周期统计的在先车辆均速和在先道路车辆数量,以分别提取三种类型的数据。通过所述多层双向门控循环神经网络处理所述在先拥堵数据、所述在先车辆均速和所述在先道路车辆数量,生成所述第一输出数据,即更好地捕捉指定时间段内各类型数据之间的依赖关系,使得提取到的时序特征有利于提高后续分析交通拥堵指数预测的准确率。
可选的,如图6所示,步骤S202,即所述通过所述图卷积网络处理所述交通节点数据和所述第一输出数据,生成所述第二输出数据,包括:
S2021、通过预设有向图处理所述指定时间段内的所述交通节点数据,生成邻接矩阵数据;
S2022、通过所述图卷积网络处理所述邻接矩阵数据和所述第一输出数据,生成所述第二输出数据。
本实施例中,为了建模道路之间的空间相关性,需要构造一个有向图。记有向图为G=(V,E,W),其中,V为节点的集合,每一个节点代表一条道路的一个方向(双向道路由两个节点表示,单行道则只有一个节点);E为有向边的集合(两个节点A,B之间存在一条由A指向B的有向边当且仅当存在交叉路口,车辆能从道路A开往道路B);W为有向边上的权重,代表单位时间内(10分钟)从道路A开往道路B的车辆数。构造好的有向图即为预设有向图。在此处,有向边的权重会随着道路上车辆数的变化而变化,因而有向图G是一个动态图。在实际应用中,权重的值可以由交通交叉路口的视频数据经过结构化之后得到。
如图7所示,图7a为一个典型的十字路口,图7b为根据十字路口构建出来的有向图。在图7b中,总共有A1,A2,B1,B2,C1,C2,D1,D2八个节点,节点A2存在三条有向边,分别指向D2(右转弯),C2(直行),B1(左转弯),其他节点以此类推。通过有向图G可以建模道路之间的相互影响,并且通过采集交通节点数据,动态地得到有向边的权重,从而更好地捕捉道路之间动态的空间关联。
给定有向图G,可以定义邻接矩阵如果存在一条有向边从道路i指向道路j,那么Aij非零,并且其值等于有向边的权重(即单位时间内从道路i开往道路j的车辆数目,即交通节点数据),否则Aij为零。值得注意的是,由于有向边的权重是随时间的变化而变化,因此邻接矩阵A也是随时间的变化而变化。给定A,可以计算标准化的邻接矩阵 其中IN是单位矩阵,D为对角矩阵且Dii=∑jAij。使用两层的图卷积网络,该图卷积网络最终输出的第二输出数据可表示为: 其中W1,W2为可学习的参数,σ(·)为Relu函数(非线性激活函数)。
步骤S2021-S2020中,通过预设有向图处理所述指定时间段内的所述交通节点数据,生成邻接矩阵数据,在此处,邻接矩阵数据可以反映各个有向边的权重。通过所述图卷积网络处理所述邻接矩阵数据和所述第一输出数据,生成所述第二输出数据,以融合道路的时序特征和道路关联关系,通过建立各个道路的时序特征与道路之间的空间关联,有利于交通拥堵指数的预测进行多维度分析,以提高预测的准确性。可选的,如图8所示,步骤S20之前,即所述通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据之前,还包括:
S21、通过随机梯度下降算法对所述时空神经网络模型进行训练;
S22、计算训练时所述时空神经网络模型的输出值的均方误差,并设置所述均方误差为损失值;
S23、根据所述损失值更新所述时空神经网络模型的模型参数。
本实施例中,随机梯度下降算法(SGD,Stochastic gradient descent)是一种计算速度较快的算法,可实现端到端的学习,大量减少人为标注的工作量,同时可以使得时空神经网络模型的预测结果符合预期。
时空神经网络模型的损失函数可以是均方误差(mean-square error,MSE)。均方误差可以反映估计量与被估计量之间差异程度。通过均方误差不断更新时空神经网络模型的模型参数,使得时空神经网络模型逐步收敛。当满足收敛条件时,即得到可用于生成交通拥堵预测数据的模型(即步骤S20中的时空神经网络模型)。
可选的,所述历史交通数据包括基于时间滑动窗口构造的交通拥堵指数。
可理解的,时间滑动窗口可以根据实际需要进行设置,如可以设置为10分钟,则过去一小时的交通拥堵指数的个数为6个。
可选的,所述车辆轨迹数据包括按路段统计的单位时间内的平均车辆数和平均车速。
可理解的,车辆轨迹数据可以指经过预处理的GPS数据。在一些情况下,GPS数据的来源车辆包括但不限于出租车、网约车、公交车。可以通过地图匹配的方式将车辆的GPS数据与地图上的各个路段进行关联,从而得到该路段在单位时间(如10分钟)内的平均车辆数和平均车速。需要注意的是,在此处,平均车辆数可以仅指基于GPS数据统计的车辆数量,而不是该路段的真实车辆数据。在一些情况下,可以根据GPS数据的来源车辆占该路段所有车辆的比重推算出路段内的总车辆数量。
可选的,所述交通节点数据包括交通节点的车辆流动数据。
可理解的,车辆流动数据可以指在某一路口上统计得到的某一路段在单位时间内的车辆流出/流入数量。如路段A与路段B相邻,在一单位时间内,路段A与路段B的交汇点所在路口记录了有10辆车从路段A驶入路段B,则路段A在该路口的车辆流出的变化量为-10;路段B在该路口的车辆流入的变化量为+10。车辆流出/流入数量是基于对路口的监控画面(如可以通过设置在交叉路口设置的摄像头拍摄道路获得的实时道路画面)进行识别获得的。
可选的,所述环境条件数据包括天气数据、节假日数据和兴趣点数据中的一种或多种。
在此处,天气数据可以选取温度、湿度、降雨量这三个指标。对于节假日数据,可用一个离散特征表示,如1代表该天为节假日,0则代表工作日。同时,节假日信息还包括了其他时间特征,例如周几、小时数、分钟数、是否早晚高峰等。兴趣点可以指一个具体的地理地址,如商店、住宅小区、学校、剧院等。环境条件数据可以用一个多维度的值域表示,如其中,N为路段的总数量,F为环境调节数据的总维度。例如,环境条件数据包括天气数据、节假日数据和兴趣点数据三种数据,其中,天气数据的维度为a,节假日数据的维度为b,兴趣点数据的维度为c,则环境调节数据的总维度F=a+b+c。
可选的,所述第一输出数据包括若干映射向量,每一所述映射向量基于一个路段的所述历史交通数据和所述车辆轨迹数据而生成。
本实施例中,第一输出数据为多层双向门控循环神经网络处理历史交通数据和车辆轨迹数据后生成的数据。其中,多层双向门控循环神经网络包括多个GRU单元,用于提取道路的时序特征。多层双向门控循环神经网络的输入包括历史交通数据和车辆轨迹数据,即其中,X1可以是过去一小时的交通拥堵指数,X2可以是过去十分钟的某一路段的平均车速(基于GPS数据计算获得),X3可以是过去十分钟的某一路段的平均车辆数(基于GPS数据计算获得)。各个不同路段可以共享GRU参数。假设GRU的隐藏层设置为H1,则多层双向门控循环神经网络的输出为其中,XGRU即为映射向量,其长度为H1。XGRU编码了路段的时序特征。第一输出数据一共有N个XGRU,分别对应N个路段的时序特征。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种交通拥堵数据预测装置,该交通拥堵数据预测装置与上述实施例中交通拥堵数据预测方法一一对应。如图9所示,该交通拥堵数据预测装置包括获取数据模块10和模型预测模块20。各功能模块详细说明如下:
获取数据模块10,用于获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据;
模型预测模块20,用于通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层。
可选的,模型预测模块20包括:
第一输出单元,用于通过所述多层双向门控循环神经网络处理所述历史交通数据和所述车辆轨迹数据,生成所述第一输出数据;
第二输出单元,用于通过所述图卷积网络处理所述交通节点数据和所述第一输出数据,生成所述第二输出数据;
第三输出单元,用于通过所述特征映射层处理所述环境条件数据,生成所述第三输出数据;
第四输出单元,用于通过所述全连接层处理所述第二输出数据和所述第三输出数据,生成第四输出数据;
第五输出单元,用于通过所述自回归层处理所述历史交通数据和所述车辆轨迹数据,生成第五输出数据;
确定预测数据单元,用于根据所述第四输出数据和第五输出数据确定所述交通拥堵预测数据。
可选的,所述第一输出单元包括:
数据提取子单元,用于从所述历史交通数据提取指定时间段内以指定时间周期统计的在先拥堵数据,从所述车辆轨迹数据提取所述指定时间段内以所述指定时间周期统计的在先车辆均速和在先道路车辆数量;
生成第一输出数据子单元,用于通过所述多层双向门控循环神经网络处理所述在先拥堵数据、所述在先车辆均速和所述在先道路车辆数量,生成所述第一输出数据。
可选的,所述第二输出单元包括:
邻接矩阵生成子单元,用于通过预设有向图处理所述指定时间段内的所述交通节点数据,生成邻接矩阵数据;
生成第二输出数据子单元,用于通过所述图卷积网络处理所述邻接矩阵数据和所述第一输出数据,生成所述第二输出数据。
可选的,模型预测模块20还包括:
训练单元,用于通过随机梯度下降算法对所述时空神经网络模型进行训练;
损失计算单元,用于计算训练时所述时空神经网络模型的输出值的均方误差,并设置所述均方误差为损失值;
参数更新单元,用于根据所述损失值更新所述时空神经网络模型的模型参数。
可选的,所述历史交通数据包括基于时间滑动窗口构造的交通拥堵指数。
可选的,所述车辆轨迹数据包括按路段统计的单位时间内的平均车辆数和平均车速。
可选的,所述交通节点数据包括交通节点的车辆流动数据。
可选的,所述环境条件数据包括天气数据、节假日数据和兴趣点数据中的一种或多种。
可选的,所述第一输出数据包括若干映射向量,每一所述映射向量基于一个路段的所述历史交通数据和所述车辆轨迹数据而生成。
关于交通拥堵数据预测装置的具体限定可以参见上文中对于交通拥堵数据预测方法的限定,在此不再赘述。上述交通拥堵数据预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储交通拥堵数据预测方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种交通拥堵数据预测方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据;
通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据;
通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (15)
1.一种交通拥堵数据预测方法,其特征在于,包括:
获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据;
通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层。
2.如权利要求1所述的交通拥堵数据预测方法,其特征在于,所述通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,包括:
通过所述多层双向门控循环神经网络处理所述历史交通数据和所述车辆轨迹数据,生成所述第一输出数据;
通过所述图卷积网络处理所述交通节点数据和所述第一输出数据,生成所述第二输出数据;
通过所述特征映射层处理所述环境条件数据,生成所述第三输出数据;
通过所述全连接层处理所述第二输出数据和所述第三输出数据,生成第四输出数据;
通过所述自回归层处理所述历史交通数据和所述车辆轨迹数据,生成第五输出数据;
根据所述第四输出数据和第五输出数据确定所述交通拥堵预测数据。
3.如权利要求2所述的交通拥堵数据预测方法,其特征在于,所述通过所述多层双向门控循环神经网络处理所述历史交通数据和所述车辆轨迹数据,生成所述第一输出数据,包括:
从所述历史交通数据提取指定时间段内以指定时间周期统计的在先拥堵数据,从所述车辆轨迹数据提取所述指定时间段内以所述指定时间周期统计的在先车辆均速和在先道路车辆数量;
通过所述多层双向门控循环神经网络处理所述在先拥堵数据、所述在先车辆均速和所述在先道路车辆数量,生成所述第一输出数据。
4.如权利要求2所述的交通拥堵数据预测方法,其特征在于,所述通过所述图卷积网络处理所述交通节点数据和所述第一输出数据,生成所述第二输出数据,包括:
通过预设有向图处理所述指定时间段内的所述交通节点数据,生成邻接矩阵数据;
通过所述图卷积网络处理所述邻接矩阵数据和所述第一输出数据,生成所述第二输出数据。
5.如权利要求1所述的交通拥堵数据预测方法,其特征在于,所述通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据之前,还包括:
通过随机梯度下降算法对所述时空神经网络模型进行训练;
计算训练时所述时空神经网络模型的输出值的均方误差,并设置所述均方误差为损失值;
根据所述损失值更新所述时空神经网络模型的模型参数。
6.如权利要求1所述的交通拥堵数据预测方法,其特征在于,所述历史交通数据包括基于时间滑动窗口构造的交通拥堵指数。
7.如权利要求1所述的交通拥堵数据预测方法,其特征在于,所述车辆轨迹数据包括按路段统计的单位时间内的平均车辆数和平均车速。
8.如权利要求1所述的交通拥堵数据预测方法,其特征在于,所述交通节点数据包括交通节点的车辆流动数据。
9.如权利要求1所述的交通拥堵数据预测方法,其特征在于,所述环境条件数据包括天气数据、节假日数据和兴趣点数据中的一种或多种。
10.如权利要求1所述的交通拥堵数据预测方法,其特征在于,所述第一输出数据包括若干映射向量,每一所述映射向量基于一个路段的所述历史交通数据和所述车辆轨迹数据而生成。
11.一种交通拥堵数据预测装置,其特征在于,包括:
获取数据模块,用于获取指定区域的交通关联数据,所述交通关联数据包括历史交通数据、车辆轨迹数据、交通节点数据和环境条件数据;
模型预测模块,用于通过时空神经网络模型处理所述交通关联数据,生成所述指定区域的交通拥堵预测数据,所述时空神经网络模型包括用于处理所述历史交通数据和所述车辆轨迹数据的多层双向门控循环神经网络、用于处理所述交通节点数据和所述多层双向门控循环神经网络输出的第一输出数据的图卷积网络、用于处理所述环境条件数据的特征映射层、用于处理所述图卷积网络输出的第二输出数据和所述特征映射层输出的第三输出数据的全连接层、以及用于处理所述历史交通数据和所述车辆轨迹数据的自回归层。
12.如权利要求11所述的交通拥堵数据预测装置,其特征在于,所述模型预测模块包括:
第一输出单元,用于通过所述多层双向门控循环神经网络处理所述历史交通数据和所述车辆轨迹数据,生成所述第一输出数据;
第二输出单元,用于通过所述图卷积网络处理所述交通节点数据和所述第一输出数据,生成所述第二输出数据;
第三输出单元,用于通过所述特征映射层处理所述环境条件数据,生成所述第三输出数据;
第四输出单元,用于通过所述全连接层处理所述第二输出数据和所述第三输出数据,生成第四输出数据;
第五输出单元,用于通过所述自回归层处理所述历史交通数据和所述车辆轨迹数据,生成第五输出数据;
确定预测数据单元,用于根据所述第四输出数据和第五输出数据确定所述交通拥堵预测数据。
13.如权利要求12所述的交通拥堵数据预测装置,其特征在于,所述第一输出单元包括:
数据提取子单元,用于从所述历史交通数据提取指定时间段内以指定时间周期统计的在先拥堵数据,从所述车辆轨迹数据提取所述指定时间段内以所述指定时间周期统计的在先车辆均速和在先道路车辆数量;
生成第一输出数据子单元,用于通过所述多层双向门控循环神经网络处理所述在先拥堵数据、所述在先车辆均速和所述在先道路车辆数量,生成所述第一输出数据。
14.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至10中任一项所述交通拥堵数据预测方法。
15.一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至10中任一项所述交通拥堵数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138209.6A CN112419710B (zh) | 2020-10-22 | 2020-10-22 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138209.6A CN112419710B (zh) | 2020-10-22 | 2020-10-22 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419710A true CN112419710A (zh) | 2021-02-26 |
CN112419710B CN112419710B (zh) | 2022-07-26 |
Family
ID=74840459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011138209.6A Active CN112419710B (zh) | 2020-10-22 | 2020-10-22 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419710B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379156A (zh) * | 2021-06-30 | 2021-09-10 | 南方科技大学 | 速度预测方法、装置、设备及存储介质 |
CN113378458A (zh) * | 2021-05-26 | 2021-09-10 | 广州华南路桥实业有限公司 | 一种基于大数据的拥堵预警方法、装置、介质及设备 |
CN113470352A (zh) * | 2021-06-17 | 2021-10-01 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测系统及方法 |
CN113689721A (zh) * | 2021-07-30 | 2021-11-23 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN113808401A (zh) * | 2021-09-18 | 2021-12-17 | 平安普惠企业管理有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
CN113936462A (zh) * | 2021-10-18 | 2022-01-14 | 广州交信投科技股份有限公司 | 一种基于astgcn算法的公交路况预测方法及系统 |
GB2606610A (en) * | 2021-05-07 | 2022-11-16 | Alchera Data Tech Ltd | Infrastructure sensor processing |
WO2023004775A1 (zh) * | 2021-07-30 | 2023-02-02 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN116151493A (zh) * | 2023-04-24 | 2023-05-23 | 之江实验室 | 基于头部效应和循环神经网络的交通拥堵预测方法和装置 |
CN117079482A (zh) * | 2023-09-14 | 2023-11-17 | 山东金宇信息科技集团有限公司 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
CN117079482B (zh) * | 2023-09-14 | 2024-05-17 | 山东金宇信息科技集团有限公司 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5822712A (en) * | 1992-11-19 | 1998-10-13 | Olsson; Kjell | Prediction method of traffic parameters |
US20060106530A1 (en) * | 2004-11-16 | 2006-05-18 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
CN102346964A (zh) * | 2010-08-05 | 2012-02-08 | 王学鹰 | 道路交通网络区域拥堵实时预测与智能管理系统 |
US20130173514A1 (en) * | 2011-12-30 | 2013-07-04 | Rev2 Networks, Inc. | Automated Network Disturbance Prediction System Method & Apparatus |
CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
KR101974495B1 (ko) * | 2018-08-21 | 2019-05-03 | 한국과학기술정보연구원 | 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110991713A (zh) * | 2019-11-21 | 2020-04-10 | 杭州电子科技大学 | 基于多图卷积和gru的不规则区域流量预测方法 |
CN111653087A (zh) * | 2020-03-18 | 2020-09-11 | 中国地质大学(武汉) | 一种城市交通异常探测模型的构建方法 |
CN111696355A (zh) * | 2020-06-29 | 2020-09-22 | 中南大学 | 动态图卷积交通速度预测方法 |
-
2020
- 2020-10-22 CN CN202011138209.6A patent/CN112419710B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5822712A (en) * | 1992-11-19 | 1998-10-13 | Olsson; Kjell | Prediction method of traffic parameters |
US20060106530A1 (en) * | 2004-11-16 | 2006-05-18 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
CN102346964A (zh) * | 2010-08-05 | 2012-02-08 | 王学鹰 | 道路交通网络区域拥堵实时预测与智能管理系统 |
US20130173514A1 (en) * | 2011-12-30 | 2013-07-04 | Rev2 Networks, Inc. | Automated Network Disturbance Prediction System Method & Apparatus |
CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
KR101974495B1 (ko) * | 2018-08-21 | 2019-05-03 | 한국과학기술정보연구원 | 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110991713A (zh) * | 2019-11-21 | 2020-04-10 | 杭州电子科技大学 | 基于多图卷积和gru的不规则区域流量预测方法 |
CN111653087A (zh) * | 2020-03-18 | 2020-09-11 | 中国地质大学(武汉) | 一种城市交通异常探测模型的构建方法 |
CN111696355A (zh) * | 2020-06-29 | 2020-09-22 | 中南大学 | 动态图卷积交通速度预测方法 |
Non-Patent Citations (1)
Title |
---|
梁强升等: "面向数据驱动的城市轨道交通短时客流预测模型", 《中国铁道科学》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2606610A (en) * | 2021-05-07 | 2022-11-16 | Alchera Data Tech Ltd | Infrastructure sensor processing |
CN113378458A (zh) * | 2021-05-26 | 2021-09-10 | 广州华南路桥实业有限公司 | 一种基于大数据的拥堵预警方法、装置、介质及设备 |
CN113470352A (zh) * | 2021-06-17 | 2021-10-01 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测系统及方法 |
CN113470352B (zh) * | 2021-06-17 | 2022-10-21 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测系统及方法 |
CN113379156A (zh) * | 2021-06-30 | 2021-09-10 | 南方科技大学 | 速度预测方法、装置、设备及存储介质 |
CN113689721B (zh) * | 2021-07-30 | 2022-09-20 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN113689721A (zh) * | 2021-07-30 | 2021-11-23 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
WO2023004775A1 (zh) * | 2021-07-30 | 2023-02-02 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN113808401A (zh) * | 2021-09-18 | 2021-12-17 | 平安普惠企业管理有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
CN113808401B (zh) * | 2021-09-18 | 2023-02-10 | 平安普惠企业管理有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
CN113936462A (zh) * | 2021-10-18 | 2022-01-14 | 广州交信投科技股份有限公司 | 一种基于astgcn算法的公交路况预测方法及系统 |
CN116151493A (zh) * | 2023-04-24 | 2023-05-23 | 之江实验室 | 基于头部效应和循环神经网络的交通拥堵预测方法和装置 |
CN116151493B (zh) * | 2023-04-24 | 2023-07-25 | 之江实验室 | 基于头部效应和循环神经网络的交通拥堵预测方法和装置 |
CN117079482A (zh) * | 2023-09-14 | 2023-11-17 | 山东金宇信息科技集团有限公司 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
CN117079482B (zh) * | 2023-09-14 | 2024-05-17 | 山东金宇信息科技集团有限公司 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112419710B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419710B (zh) | 交通拥堵数据预测方法、装置、计算机设备及存储介质 | |
Ali et al. | Exploiting dynamic spatio-temporal graph convolutional neural networks for citywide traffic flows prediction | |
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
Zhang et al. | Deep spatio-temporal residual networks for citywide crowd flows prediction | |
CN110991713A (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
CN110543543A (zh) | 一种基于多粒度神经网络的用户移动行为预测方法及装置 | |
CN116128122B (zh) | 一种考虑突发因素的城市轨道交通短时客流预测方法 | |
US20240054321A1 (en) | Traffic prediction | |
He et al. | STNN: A spatio-temporal neural network for traffic predictions | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
Venkatesh et al. | Rainfall prediction using generative adversarial networks with convolution neural network | |
Mihaita et al. | Motorway traffic flow prediction using advanced deep learning | |
Liang et al. | A deep spatio-temporal fuzzy neural network for passenger demand prediction | |
US20230140289A1 (en) | Traffic accident prediction systems and methods | |
Zheng et al. | Hybrid deep learning models for traffic prediction in large-scale road networks | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN112488185A (zh) | 包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质 | |
Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
CN116206453B (zh) | 一种基于迁移学习的交通流预测方法、装置及相关设备 | |
Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
CN117195976A (zh) | 一种基于分层注意力的交通流量预测方法及系统 | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
CN110766231A (zh) | 基于多头神经网络的犯罪预测方法及系统 | |
CN115907361A (zh) | 人工智能大数据的道路建设规划方法、介质及电子设备 |
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 |