CN112470199B - 用于点对点流量预测的系统和方法 - Google Patents

用于点对点流量预测的系统和方法 Download PDF

Info

Publication number
CN112470199B
CN112470199B CN201880095942.9A CN201880095942A CN112470199B CN 112470199 B CN112470199 B CN 112470199B CN 201880095942 A CN201880095942 A CN 201880095942A CN 112470199 B CN112470199 B CN 112470199B
Authority
CN
China
Prior art keywords
point
traffic
pair
layer
data
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
CN201880095942.9A
Other languages
English (en)
Other versions
CN112470199A (zh
Inventor
黄涛
马胤泰
秦志伟
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN112470199A publication Critical patent/CN112470199A/zh
Application granted granted Critical
Publication of CN112470199B publication Critical patent/CN112470199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种用于点对点流量预测的方法，包括：从多个计算设备获取分别与所述多个计算设备相关联的多个车辆的时间序列位置，其中：所述时间序列位置形成第一轨迹数据，所述第一轨迹数据包括在第一时间间隔内至少从第一点O通过到第二点D的相应轨迹；获取在第一时间间隔之后的第二时间间隔内O和D之间的车流量；通过将第一轨迹数据和车流量输入神经网络模型，并以获取的车流量作为真值，训练神经网络模型的权重，以训练神经网络模型。以及将O和D之间的第二轨迹数据输入训练后的神经网络模型中，以预测O和D之间在未来时间间隔内的未来车流量。

Description

用于点对点流量预测的系统和方法
相关申请
本申请基于并要求于2018年7月31日提交的标题为“点对点流量预测的系统和方法”的美国临时申请号US 62/712,891的优先权。上述申请的内容通过引用整体并入本文。
技术领域
本公开总体上涉及用于点对点流量预测的方法和设备。
背景技术
点对点交通流量数据是交通模式理解、交通流量管理和交通基础设施决策的重要工具。到目前为止，研究交通模式的传统方法，例如通过调查或在某些位置安装检测器等，成本高昂，并且受到检测器可用性的限制。
发明内容
本公开的各种实施例包括用于点对点流量预测的系统、方法和非暂时性计算机可读介质。
根据一个方面，用于点对点流量预测的方法包括：通过处理器，从多个计算设备获取分别与所述多个计算设备相关联的多个车辆的时间序列位置，其中：所述时间序列位置形成第一轨迹数据，所述第一轨迹数据包括在第一时间间隔内至少从第一点O通过到第二点D的相应轨迹；通过检测器获取在第二时间间隔内O与D之间的车流量，所述第二时间间隔在时间上在所述第一时间间隔之后；通过所述处理器，将所述第一轨迹数据和所述车流量输入到神经网络模型，并使用获取的所述车流量作为真值，训练所述神经网络模型的一个或多个权重；以及通过所述处理器，将O和D之间的第二轨迹数据输入到所述训练后的神经网络模型，以预测未来时间间隔内O和D之间的未来车流量。
在一些实施例中，所述车流量包括在所述第二时间间隔内从O行驶到D的车辆数量。获取所述车流量包括：获取在所述第二时间间隔内通过O的第一数量的所有第一车辆的车牌的第一图像，并在所述第二时间间隔t内获取通过D的第二数量的所有车辆的车牌的第二图像；以及确定具有从所述第一图像并且随后从所述第二图像检测到车牌的车辆的数量作为车辆数量。
在一些实施例中，该方法进一步包括：响应于确定预测的未来车流量超过阈值，由处理器向交通信号控制器发送信号，以允许更多的车辆在未来时间间隔内通过。
在一些实施例中，神经网络模型包括：串联连接的输入层、第一BiLSTM(双向长期短期记忆)层、第一BN(批量归一化)层、第二BiLSTM层、第二BN层、第一全连接层、第三BN层、第二全连接层和输出层。
根据另一方面，用于点对点流量预测的方法包括：由处理器从多个计算设备获取分别与多个计算设备相关联的多个车辆的时间序列位置。所述时间序列位置至少形成(1)包括在第一时间间隔内至少通过第一点对的相应轨迹的轨迹数据i和(2)包括在所述第一时间间隔内至少通过第二点对的相应轨迹的轨迹数据j。所述第一点对和所述第二点对各自包括一个点O和一个点D，车流量从所述点O流向所述点D。所述第一点对和所述第二点对具有以下至少之一：不同的O点或不同的D点。所述用于点对点流量预测的方法还包括：通过检测器，获取所述第一点对之间在第二时间间隔内的车流量，所述第二时间间隔在时间上在所述第一时间间隔之后；通过所述处理器，将所述轨迹数据i、所述轨迹数据j和所述车流量输入到神经网络模型，训练所述神经网络模型的一个或多个权重，以获得训练后的神经网络模型，其中，所述神经网络模型包括轨迹数据i和轨迹数据j之间的相关性；以及通过所述处理器，将所述第二点对之间的轨迹数据k输入到所述训练后的神经网络模型，以预测在未来时间间隔内通过所述第二点对的未来车流量。
在一些实施例中，所述车流量包括在所述第二时间间隔内通过所述第一点对的车辆数量。获取所述车流量包括：获取在所述第二时间间隔内通过所述第一点对的O点的第一数量的所有车辆的车牌的第一图像，并获取在所述第二时间间隔内通过所述第一点对的D点的第二数量的所有车辆的车牌的第二图像；以及确定具有从所述第一图像并且随后从所述第二图像检测到的车牌的车辆的数量作为车辆数量。
在一些实施例中，该方法进一步包括：响应于确定所述预测的未来车流量超过阈值，由所述处理器向交通信号控制器发送信号，以允许更多的车辆在所述未来时间间隔内通过。
在一些实施例中，所述神经网络模型包括：串联连接的输入层、第一LSTM(长短期记忆)层、第一BN(批量归一化)层、第二LSTM层、第二BN层、全连接层、和输出层。
在一些实施例中，所述第一BN层进一步输出到第三LSTM层；所述第三LSTM层输出到第三BN层；以及所述第三BN层输出到另一个输出层，以获得投影轨迹数据。
在一些实施例中，训练所述神经网络模型的所述一个或多个权重包括：使总损失最小化；所述总损失包括与所述轨迹数据i和所述投影轨迹数据之间的差值相关的第一损失参数。所述总损失包括与所述相关性相关联的第二损失参数。所述第二损失参数与所述第一点对的预测车流量与所述第二点对的预测车流量的差值相关；以及所述第二点对的预测车流量通过随机森林模型训练的比率进行调整。所述总损失包括与预测的车流量和获得的所述车流量之间的差值相关的第三损失参数；以及所述预测车流量基于所述轨迹数据i预测。
根据另一方面，用于点对点流量预测的系统，包括：检测器，被配置为获取在第二时间间隔内第一点对之间的车流量，所述第二时间间隔在时间上在所述第一时间间隔之后；以及处理器，被配置为：从所述检测器获取所述车流量，并从多个计算设备获取分别与多个计算设备相关联的多个车辆的时间序列位置。所述时间序列位置至少形成(1)包括在第一时间间隔内至少通过第一点对的相应轨迹的轨迹数据i和(2)包括在所述第一时间间隔内至少通过第二点对的相应轨迹的轨迹数据j。所述第一点对和所述第二点对各自包括一个点O和一个点D，车流量从所述点O流向所述点D。所述第一点对和所述第二点对具有以下至少之一：不同的O点或不同的D点。所述处理器进一步被配置为：将所述轨迹数据i、所述轨迹数据j和所述车流量输入到神经网络模型，训练所述神经网络模型的一个或多个权重，以获得训练后的神经网络模型，其中，所述神经网络模型包括轨迹数据i和轨迹数据j之间的相关性；以及将所述第二点对之间的轨迹数据k输入到所述训练后的神经网络模型，以预测在未来时间间隔内通过所述第二点对的未来车流量。
本申请公开的系统、方法和非暂时性计算机可读介质的上述和其他特征，以及操作方法、结构相关元件的功能、部件的组合和制造的经济性，在参考附图考虑以下描述和所附权利要求时，将变得更加明显，所有附图均构成本公开的一部分，其中相同的附图标记指定了各个附图中的相应部分。然而，应当明确地理解，附图仅出于说明和描述的目的，并且不意图作为对本发明的限制。
附图说明
在所附权利要求中具体阐述了本技术的各种实施例的某些特征。通过参考下面的详细描述，可以更好地理解本技术的特征和优点，所述详细描述阐述了利用本发明原理的示例性实施例，并且其附图：
图1是根据本公开的一些实施例所示的用于点对点流量预测的系统的示意图；
图2是根据本公开的一些实施例所示的用于点对点流量预测的系统的示意图；
图3A是根据本公开的一些实施例所示的用于点对点流量预测的长短期记忆(LSTM)模型的示意图；
图3B是根据本公开的一些实施例所示的ARIMA模型和真值观测值的进一步预测的比较的示意图；
图3C是根据本公开的一些实施例所示的用于点对点流量预测的监督学习(SL)的递归神经网络(RNN)架构；
图3D是根据本公开的一些实施例所示的用于点对点流量预测的半监督学习(SSL)的递归神经网络(RNN)架构；
图3E是根据本公开的一些实施例所示的具有五个叶节点的随机森林模型中的回归树的示意图；
图3F是根据本公开的一些实施例所示的对随机森林模型中的因素的重要性分析的示意图；
图3G是根据本公开的一些实施例所示的用于点对点流量预测的标签传播算法的示意图；
图3H和图3I是根据本公开的一些实施例所示的有监督节点的覆盖范围发生变化时主要矩阵的变化的示意图；
图3J是根据本公开的一些实施例所示的主要时段中的无监督对的50％平均绝对百分比误差(MAPE)与无监督对和有监督对之间的平均相关性之间的关系的示意图；
图3K是根据本公开的一些实施例所示的主要时段中的无监督对的50％MAPE与无监督对和有监督对之间的平均相关性之间的关系的示意图；
图4A是根据本公开的一些实施例所示的用于点对点流量预测的方法的示例性流程图；
图4B是根据本公开的一些实施例所示的用于点对点流量预测的另一方法的示例性流程图；
图5是可以实现本公开描述的任何实施例的计算机系统的示例性模块图。
具体实施方式
点对点流量数据是指在一定时间段内从一个点流到另一个点的交通信息(例如车辆数量)。点对点流量数据是交通模式理解、交通流管理和交通基础设施决策的重要工具。例如，在一个点对之间通过的车辆数量可以用来估计在这些点之间通过的人数。在本公开中，点对点流量可以包括起点-终点(O-D或OD)车流量，即，在较早的时间通过起点而在较晚的时间通过终点的车流量。在本公开中，“起点”和“终点”可以指代车辆行驶轨迹内的第一位置点和第二位置点，而不是车辆行驶轨迹的实际起点和终点。只要车辆经过“起点”点并随后经过“终点”点，就可以将车辆在“起点”和“终点”点对之间的行驶路径计入本公开的点对点流量预测。
到目前为止，尽管在基于有限的链接量数据或自动车辆识别(AVI)数据的OD流量估计和预测的统计和随机模型上做出了努力，例如，通过调查或在点位置安装检测器等，但用于研究交通模式的传统方法成本高昂，并且受到检测器可用性的限制。随着智能手机的使用和乘车共享经济的兴起，每天都会产生大量旅客的轨迹数据，这些数据可用于在相对较大的空间规模上利用复杂的OD网络上的OD流量进行估计和预测。在本公开中，提供各种基于深度学习的模型和卡尔曼滤波器模型以用于交通模式理解，交通流管理、交通基础设施决策制定以及各种其他应用。所公开的模型可以仅基于轨迹数据来预测城市网络的OD流量。本公开所提出的半监督学习模型能够在真值数据的空间覆盖范围有限的情况下提供OD流量预测。即，所公开的方法即使在真值数据不足的情况下也可以提供可靠的点对点流量预测，而传统的预测方法难以实现。与AVI数据融合后，此模型可以在较大的空间区域上提供OD估计和预测，而在这种情况下，由于AVI很难获取，基于传统AVI的模型可能无法很好地工作。
OD数据对于众多交通应用至关重要，包括了解用户的出行方式以及规划未来的基础设施发展。OD数据收集的常规方法依赖于昂贵的家庭访问或调查，例如美国的全国家庭旅行调查。如今，此类OD流量数据可以通过摄像机检测器收集的AVI数据进行测量。但是，由于检测器的安装成本很高，因此测得的OD数据的可用性非常有限。为了克服当前技术的不足，所公开的系统和方法通过增加车辆轨迹数据来改进交通预测过程。例如，所公开的系统和方法可以通过将真实驾驶员的车辆轨迹数据与一个或多个其他点对的AVI数据融合来预测目标点对之间的OD数据。因此，无需直接测量目标点对就可以推断出OD数据。
在当前技术中，尚未开发AVI和探测车辆的数据融合。对于交通预测，将这两个数据源融合在一起具有多个独特优势：(1)AVI数据可以提供OD数据的有效测量；(2)探测车辆数据可以提供较宽的空间覆盖范围，因此OD数据可以被大规模推断。预测的OD流量数据可用于了解道路使用者的出行方式，以帮助改善交通状况预测，并最终用于大规模交通运输网络中的实时交通信号控制。另外，所公开的系统和方法通过利用有监督的OD数据来预测无监督的OD对，从而在半监督设置中填补了关于半监督设置中的OD流量预测的现有技术的空白。
图1是根据本公开的一些实施例所示的用于点对点流量预测的系统100的示意图。如图1所示，示例性系统100可以包括至少一个计算系统102，其包括一个或多个处理器104和存储器106。存储器106可以是非暂时性的并且是计算机可读的。存储器106可以存储指令，该指令在由一个或多个处理器104执行时使一个或多个处理器104执行本文所描述的各种操作。系统102可以被实现在诸如移动电话、平板电脑、服务器、计算机、可穿戴设备等的设备上或被实现为设备。上面的系统102可以安装有软件(例如，平台程序)和/或硬件(例如，有线、无线连接)以访问系统100的其他设备。
系统100可以包括系统102可访问的一个或多个数据存储(例如，数据存储108)和一个或多个计算设备(例如，计算设备109)。数据存储108和计算设备可以是可选的，并且可以辅助系统102执行本文描述的各种操作。
系统100可以进一步包括耦合到系统102的一个或多个计算设备(例如，计算设备110和111)。计算设备110和111可以包括手机、平板电脑、计算机、可穿戴设备等。计算设备110和111可以向系统102发送数据或从系统102接收数据。例如，计算设备110和111可以在每个时间间隔(例如，五秒)内将它们的位置发送到系统102，从而形成由时间序列位置数据表示的轨迹数据。系统102可以被配置为从任何计算设备和数据存储(例如，数据存储108、计算设备109、110、111)中的任何一个获取数据(例如，时间序列位置数据)。该位置可以包括对应终端设备的GPS(全球定位系统)坐标，并且如果终端设备的用户(例如，驾驶员或乘客)在车辆中，则终端设备位置可以表示车辆的位置。即，轨迹数据可以表示实际车辆相对于时间的运动。
在一些实施例中，系统102可以实现在线信息或服务平台。该服务可以与车辆(例如，汽车、自行车、轮船、飞机等)相关联，并且该平台可以被称为车辆平台，车辆服务平台或乘车指令分派平台。该平台可以接受运输请求，识别满足请求的车辆，安排接送和处理交易。例如，用户可以使用计算设备110(例如，安装有与平台相关联的软件应用程序的移动电话)来请求从平台的运输。系统102可以接收该请求并将其转发给各种车辆驾驶员(例如，通过将请求发布到驾驶员携带的移动电话上)。车辆驾驶员可以使用计算设备111(例如，另一台安装有与平台相关联的应用程序的移动电话)接受发布的运输请求并获得接送位置信息。费用(例如，运输费)可以在系统102与计算设备110和111之间进行交易。一些平台数据可以存储在存储器106中，或者可以从数据存储108和/或计算设备109、110和111检索。
在一些实施例中，系统102还包括一个或多个检测器105。检测器105可以通过各种方式(例如，通过网络、通过有线连接、通过无线连接等)耦合到系统102。检测器105可以是能够检测交通流量信息的任何检测器。在一个示例中，检测器105包括安装在道路(例如，高速公路、街道、土路等)旁边并被配置为获取经过的车辆上的车牌的图像的摄像机。系统102和/或另一处理器(例如，直接安装在检测器中的处理器)可以被配置为只要系统102获得检测器检测到的过往车辆的信息，就执行图像识别以从获取的图像中检测车牌号或替代性的车辆唯一标识。如下所述，过往车辆的信息可以可替代地称为AVI数据或车流量数据。在另一个示例中，经过的车辆可以在经过时将诸如车辆的唯一标识之类的信息发送给检测器105。
在一些实施例中，系统102还包括耦合到系统102的一个或多个信号控制器107。信号控制器可以被配置为控制信号灯(例如，十字路口处的红绿灯、停车灯等)。
在一些实施例中，系统102和一个或多个计算设备(例如，计算设备109)可以被集成在单个设备或系统中。可选地，系统102和一个或多个计算设备可以作为单独的设备操作。数据存储区可以是系统102可访问的任何地方，例如，在存储器106中，在计算设备109中，在耦合到系统102的另一个设备(例如，网络存储设备)中，或另一个存储位置(例如基于云的存储系统、网络文件系统等)等。尽管系统102和计算设备109在该图中被示为单个组件，但是应当理解，系统102和计算设备109可以被实现为单个设备或耦合在一起的多个设备。系统102可以被实现为彼此耦合的单个系统或多个系统。系统102、计算设备109、数据存储108、计算设备110和111，检测器105和交通灯控制器107可能能够通过一个或多个有线或无线网络(例如，互联网)，通过它可以传达数据。下面参照图2至图5描述系统100的各个方面。
图2是根据本公开的一些实施例所示的用于点对点流量预测的系统200的示意图。图2中所示和下面介绍的操作仅是示例性的。在一些实施例中，检测器105可以获取AVI数据202，并将AVI数据202发送到系统102。AVI数据202可以包括获取的图像，基于获取的图像，可以确定通过检测器105的检测范围的车辆的数量。可选地，AVI数据202可以包括通过检测器105的检测范围的车辆的数量。除了AVI数据202之外，系统102还可从数据存储器108和/或计算设备109、110和/或111获得OD数据204(例如，由时间序列位置数据表示的轨迹数据)。所获得的数据202和204可以存储在存储器106中。系统102可以使用获得的数据202和204训练算法(例如，递归神经网络模型)。
为了说明此图，在每个OD对(例如O1D1、O2D2)中，流量都从O点流向D点。在一个示例中，位置O1和D1分别安装有检测器105，用于获取O1D1的AVI数据(第一车流量数据)。另外，系统102还可以获取经过O1然后经过D1的第一轨迹数据。系统102可以基于第一轨迹数据和第一车流量数据通过监督学习来训练算法。例如，第一轨迹数据可以在较早的时间，并且第一车流量数据可以在较晚的时间。为了进行训练，该算法可以使用第一车流量数据作为真值，以基于较早时间的轨迹数据输入来更新预测较晚时间的车流量的模型的权重。训练后的算法可用于基于第二轨迹数据(例如，比第一轨迹数据更新的O1和D1之间的轨迹数据)来预测从O1到D1的未来车流量。系统102可以基于该预测来控制交通信号(未示出)。例如，如果在未来的时间段预测到较大的交通流量，则系统102可以控制D1处的交通灯在绿色上保持更长的时间。
在另一示例中，位置O1和D1分别安装有获取第一车流量数据的检测器105，而位置O2和D2未安装任何检测器，因此O2和D2之间的历史AVI数据(历史车流量数据数据)D2是未知的。系统102可以基于关于点对O1D1的历史数据，即第一轨迹数据和第一车流量数据，通过半监督学习来训练算法。根据训练结果，可以根据目标点对与点对O1D1之间的相关性来确定目标点对的未知历史车流量(例如，点对O1D2之间的车流量、点对O2D2之间的车流量)。类似于点对O1D1，系统102可以基于多个点对的已知历史数据(轨迹数据和车流量数据)通过半监督学习来训练算法。可以根据目标点对与多个点对的相关性来确定目标点对的未知历史车流量(例如，点对O1D2之间的车流量、点对O2D2之间的车流量)。为目标点对确定的车流量可以表示未知的历史车流量(也称为未知AVI数据)，这使得将来在目标点对之间进行车流量预测成为可能，而无需在目标点对上安装检测器。因此，如果确定了O1和D2之间的车流量，则可以使用训练后的算法基于第二轨迹数据(例如，从O1到D2的最新轨迹数据)来预测从O1到D2的未来车流量。如果确定了O2和D2之间的车流量，则可以使用训练后的算法基于第二轨迹数据(例如，从O2到D2的最新轨迹数据)来预测从O2到D2的未来车流量。系统102可以基于该预测通过交通信号控制器107来控制交通信号。例如，如果在未来的时间段预测到较大的交通流量，则系统102可以控制D2处的交通灯在绿色上保持更长的时间。
先前的示例示出了一种方法，该方法克服了由于缺少足够的装有高分辨率摄像机检测器等设备的流量节点(也称为卡口)造成的AVI数据源有限的可用性。诸如匿名车辆轨迹数据之类的探测车辆数据可以与AVI数据融合以估计和预测未来的OD流量。匿名车辆轨迹数据可以通过各种方式来收集，例如车辆平台应用程序(APP)或安装在驾驶员智能手机上的其他程序。例如，当使用APP时，驾驶员的智能手机可能会在每个时间间隔(例如5秒)内向服务器报告智能手机的位置。只要驾驶员在车内，智能手机的位置就可以跟踪车辆的位置，并且时间位置序列可以用作轨迹数据。同样，只要乘客在车内，乘客的智能手机就可以实现类似的功能。通常，两个相关业务节点之间的OD流量的估计和预测可能依赖于间接数据，例如智能手机程序生成的轨迹数据。
但是，上述方法的一个问题是，弥补AVI数据不足的轨迹数据可能只覆盖了APP用户，而这对于所有OD而言只占每日旅客的一小部分。为了解决这个问题，可以通过车辆平台APP收集实际的乘车事件。发生交易时，实际轨迹是从A点到B点的旅行意愿产生的。可以将其视为特定时间在OD之间所有旅行总数的子采样。这可能与上述常规调查方法类似，但更为精确，因为每次旅行实际上都是实时发生的，更不用说许多APP用户是常规用户。因此，尽管轨迹仅覆盖了OD数据的一小部分，但它们可用于预测整个OD数据，或至少获取OD流的时间动态。因此，通过学习从卡口中学到的神经网络模型，半监督模型可以预测卡口未涵盖的OD。
另一个问题是，所有相关的OD相互缠绕、相互影响并以非常复杂的方式发展。为了至少解决这个问题，可以利用多层长短期记忆(LSTM)神经网络来获取OD数据之间的高度非线性演化模式，并将轨迹数据的输入序列传送的OD流量映射为一个向量，表示在下一个时间间隔内将发生的实际OD流量的预测。另一个问题是，在一定的空间范围内，所有OD相互缠绕、相互作用，并以相互影响的非常复杂的方式发展。
在一些实施例中，可以构造基准模型以与公开的监督RNN模型进行比较。卡尔曼滤波器因其良好的性能和计算效率而被广泛应用于固定和非固定数据分析中。它仅需要极小的存储容量，并且适合实时流量预测。卡尔曼滤波器可以动态修改预测权重，具有很高的预测精度。然而，由于道路交通时间序列受许多因素影响并且不能被定量地分析，因此可能难以获得估计和测量方程。可以使用具有以下预测方程的卡尔曼滤波器构造基准模型：
x.,t＝Atx.,t-1+pt-1
y.,t＝Rtx.,t+υt-1
其中，At是稀疏矩阵，其唯一的非零部分是时间间隔t的第一个(n，n)项上的对角线平方。下标中的点是占位符。{p}和{v}是
Figure BDA0002914298420000091
和
Figure BDA0002914298420000092
的白噪声。Rt具有APP车辆(由APP驱动程序驱动的车辆)的渗透率的物理含义，它是X(轨迹数据)在Y(AVI数据)中的百分比，其对角矢量由ARIMA(1,1,1)模型获得。自回归移动平均值(ARMA)模型是一种广泛使用的回归分析方法。它确定历史数据和未来数据之间的回归关系的类型。此外，自回归综合移动平均(ARIMA)模型已广泛应用于道路交通预测。对于每个OD对i，训练一个单独的ARIMA(1,1,1)模型以了解该对上的渗透率的时间模式：
Figure BDA0002914298420000093
图3B示出了ARIMA模型提前一步预测的结果和观察值的示例性比较。对所有OD对的渗透率的预测在主要时段获得的中位平均绝对百分比误差(MAPE)为20.3％，在高峰时段获得中位平均绝对误差(MAE)为0.002。由于卡尔曼滤波器模型需要历史观测值Y(AVI数据)作为生成顺序预测的输入，由于AVI数据源的可用性有限，导致缺乏实时的，覆盖良好的真值OD数据，将这种常规卡尔曼滤波器模型部署到现实世界变得不切实际。然而，卡尔曼滤波器模型可以建立基准，以与不需要Y的实时反馈(AVI数据)的其他模型(例如，监督神经网络模型，半监督神经网络模型)进行比较。
在一些实施例中，对于监督神经网络模型，可以基于AVI数据，例如特定于时间间隔(例如，半小时间隔)的车牌和车辆信息，来确定卡口(带照相机的交通节点)之间的OD流量计数。这些AVI数据OD计数可以表示为向量
Figure BDA0002914298420000101
t为时间索引，{OD1，…，ODn}为考虑的OD集合。类似地，可以提取卡口之间的车辆平台驾驶员(例如，使用诸如车辆平台APP之类的移动电话APP的驾驶员)的OD计数作为轨迹数据。轨迹数据OD可以被表示为具有与bt相同维度的向量并且被表示为dt。dt序列的时间窗口可通过学习基于LSTM的神经网络h(·)来预测下一个时间间隔的实际OD流量计数。也就是说，可以学习h(·)，使得：
h(dt-ω+1,…,dt)＝bt+1
因此，如果AVI数据在t＝1,…,T中累积，则可以通过使：
Figure BDA0002914298420000102
最小来获得神经网络的权重。其中w是神经网络h的权重，ω是时间窗口，而
Figure BDA0002914298420000103
是损失函数，例如均方误差(MSE)函数。获取的AVI数据可能在几天内具有某些周期性模式，例如，早晨/下午的高峰时段。
在一些实施例中，如图3C所示，监督神经网络模型可以包括串联连接的输入层，第一BiLSTM层，第一BN层，第二BiLSTM层，第二BN层，第一全连接层，第三BN层，第二全连接层和输出层。输入层可以将X(轨迹数据)沿串联的层向下传递。即，监督神经网络(例如，RNN)模型可以包括两层双向LSTM和两层全连接层神经网络。双向LSTM将普通LSTM并排复制成两个，并且在第一LSTM中，输入数据被向前馈传送，但是在第二个LSTM中，输入数据被向后馈传送，就好像时间倒转一样。这种结构使RNN能够从“过去”和“未来”中学习。第一层LSTM具有64个单位，第二层LSTM具有128个单位。在将LSTM输出序列发送到完全连接的全连接层之前，将对其进行展平。第一全连接层具有64个单位，第二全连接层具有110个单位。最终输出的110维矢量是对下一个时间间隔内110个OD的预测。全连接层使用比例指数线性单位作为其激活函数。批量归一化层将添加到除最终输出层之外的每一层。
深度神经网络(DNN)是一系列强大的机器学习模型，可以在诸如语音识别、视觉识别、翻译和运输预测等难题上实现高性能。递归神经网络(RNN)是具有循环(递归)的人工网络，该循环将输入向量与网络状态向量递归组合以产生新的状态向量，从而使时间信息在学习过程中得以持续存在。特别地，LSTM是一种特殊的RNN，通常用于具有长期时间依赖性或动态性的数据中。图3A是LSTM网络结构的示意图。尽管原始的RNN可能由于梯度消失而难以“记忆”远程依赖关系，但LSTM单元旨在通过使用保留信息并使用“门”控制信息流的单元来避免或减轻此问题(如何“记住”和“忘记”信息)。
在一些实施例中，对于监督神经网络模型，可以构建具有均方误差的目标函数。对于模型训练，可以最小化目标函数以获得预测函数的最佳权重ω。用于监督学习的RNN架构如图3C所示，目标函数可以如下所示：
Figure BDA0002914298420000111
因此，通过最小化损失函数，预测函数的训练权重和训练后的点对点流量预测模型可以进行监督学习。
如图所示，对于监督的RNN模型，X(轨迹数据)通过第一BiLSTM层，第一BN层，第二BiLSTM层，第二BN层，第一全连接层，第三BN层和第二层全连接层以获取预测的总车流量
Figure BDA0002914298420000112
并将其与目标函数中从Y(AVI数据，例如由安装了如探测器的物理设备监督的实际流量)获得的真值y进行比较。通过最小化目标函数，可以优化RNN模型的权重，以准确预测车流量。
监督的RNN模型可用于预测AVI的可用于验证的点之间的车流量。但是，AVI数据受安装的监控设备可用性的限制。例如，尚未安装监控设备的十字路口缺少AVI数据，并且RNN模型可能不适用于此类位置，因为真值数据不可用。因此，监督模型在部署中可能是不利的，因为监督模型需要用于每个OD对的真值OD流训练数据(例如，AVI数据)以用于交通预测。为了克服缺乏足够的训练数据的问题，并在无监督的情况下预测OD对，本公开公开了一种半监督学习(SSL)模型(例如SSLRNN模型)。对于这样的无监督对，可以依靠轨迹数据来预测OD流量。通过半监督学习，可以预测OD点(或任何点对)之间的交通流量，而无需任何OD点的监督数据。
在一些实施例中，自动编码器和标签传播可以被引入到监督神经网络模型中以形成如图3D所示的半监督学习模块架。自动编码器是一种人工神经网络，用于以无监督的方式学习有效的数据编码。自动编码器的目标是学习一组数据的表示(编码)，通常是为了降低维度。标签传播是一种半监督的机器学习算法，可将标签分配给以前未标记的数据点。在算法开始时，数据点(通常很小)的子集具有标签(或分类)。在整个算法过程中，这些标记会传播到未标记的点。在现实世界的交通网络中，网络往往具有社区结构。
在一些实施例中，半监督学习模块架包括降维模块和标签传播模块。如图3D所示，它是示例性的半监督学习模型，X(轨迹数据)通过第一LSTM层，第一BN层，第二LSTM层，第二BN层和全连接层以获得预测的总车流量。对于降维模块(自动编码器)，第一BN层的输出可以传递到第三LSTM层和第三BN层以获得(投影轨迹数据)。如图3D所示，从输入层到另一输出层的串联可以被称为自动编码器。自动编码器对X的压缩和随后的解压缩建模。使模型学习如何压缩和解压缩X有助于模型更好地预测Y(流量)。自动编码器的相应损失项如下(“ae”表示自动编码器)：
Figure BDA0002914298420000121
降维模块可以允许使用更小的模型(例如，根据模型中的参数数量)来实现与使用原始轨迹数据相似的性能。即，利用自动编码器，轨迹数据X可以被投影到较低维度而不会丢失太多信息，同时实现相同水平的预测精度。例如，半监督模型中的参数数量可能仅为监督模型中的参数数量的6％，而这两个模型给出了可比较的结果。再例如，原始182个通道的轨迹数据可以压缩为16个通道的LSTM自动编码器，从自动编码器中恢复的值非常接近真实情况。减少参数数量有许多好处。例如，将需要较少的金钱/计算预算来获得相同的预测精度。
对于标签传播，可以通过相关函数来修改预测的总车流量。标签传播损失项可以设计如下，以利用X内的相关信息来预测无监督的OD对(“lp”表示标签传播)：
Figure BDA0002914298420000122
其中，Corrxi,j是训练集中{xi,.}和{xj,.}之间的相关性(例如，肯德尔相关性)(即点对i的轨迹数据与点对j的轨迹数据之间的相关性)。例如，如果XfirstODpair在第一个小时、第二个小时和第三个小时分别是5、15和20辆车，而XsecondODpair在第一个小时、第二个小时和第三个小时分别是9、31和40辆车，第一和第二OD对之间的相关性Corrxi,j可以分别确定为大约1中的0.9。因此，诸如1中的0.9之类的强相关性可能表明第一OD对和第二OD对之间的AVI数据(车流量数据)可以具有相似的趋势。因此，可以基于相关性和第一OD对的已知AVI数据来确定第二OD对之间的未知AVI数据。
Figure BDA0002914298420000123
是
Figure BDA0002914298420000124
的估计值，Ns是有监督的OD对的集合，M是时间窗的数量，并且Nu是无监督的OD对的集合。
Figure BDA0002914298420000125
是点对i的输出层输出与点对j的输出层输出之间的差(输出层请参见图3D)。
在一些实施例中，可以使用随机森林回归模型来预测
Figure BDA0002914298420000126
OD对i和j之间最大值的比率：
Figure BDA0002914298420000127
其中，函数f(·)代表随机森林回归函数。随机森林可以被视为一种用于回归的整体学习方法，该方法通过构建大量用于训练的回归树并输出各个树的均值预测来进行操作。
Figure BDA0002914298420000131
是一天内点对i的轨迹数据的最大量，disi,j是OD对i的两个节点与OD对j的两个节点之间的平均距离，loci是对i的两个节点的纬度和经度。例如，图3E是只有5个叶节点的迷你树的示意图。这个随机森林模型会根据该OD对的地理信息及其邻近信息来预测某个OD对的最大量。在图3F中，标准因子重要性分析表明，最重要的因子x_ratio是对i和j之间的轨迹计数之比。接下来的两个最重要的因子分别是x_max_i和x_max_j，分别是对i和对j的最大轨迹量。x_max_i是对i上的最大轨迹量。dist_ij是OD对i和j之间的平均距离。st_i_x和st_i_y代表对i的起点节点的经度和纬度。同样，end_i_x和end_i_y代表对i的终点节点的经度和纬度。这种因素重要性分析表明，随机森林模型主要基于轨迹数据中的信息。
图3G是在两次迭代之后将有监督OD对A-B的预测流量传播到相邻的无监督对D-E的示例的示意图。在图3G中，A-B是具有AVI(车流量)数据的对，而A-C、A-D和D-E是没有AVI数据的对。即，在OD对A-B处可用监控设备来获取AVI数据，而在位置C、D和E处不可用。在第一标签传播之后，用于A-B的AVI数据被传播到A-C和A-D。通过预测A-D流量，可以将通过D的流量用于第二标签传播。在第二标签传播之后，类似于第一标签传播，将A-D的AVI数据传播到D-E，以确定D-E之间的实际流量，而不必在D和E处安装监控设备。如果j的AVI数据(例如，A-B)是已知的(并且可以用作真值)，而i的AVI数据(例如D-E)是未知的，j的车流量预测则可以根据所描述的监督RNN进行，其中j的AVI数据为真值。由于j具有真值，因此预测应该比没有真值时更准确。如果轨迹数据{xi,.}和轨迹数据{xj,.}显示足够的相关性(例如，高于阈值)，则可以将j的预测流量用作i的真值，并帮助训练i模型的权重。
例如，未知AVI数据可以与未知AVI数据对应的轨迹数据一起缩放，这与已知AVI数据与已知AVI数据对应的轨迹数据进行缩放的方式相同。对于另一个示例，一个区域可以包括多个点对AB、CD、EF和GH，并且交通流量分别从A到B，从C到D，从E到F和从G到H。点对AB、CD、EF和GH之间的相应轨迹数据是已知的。点对CD、EF和GH之间的车流量(以AVI数据为单位)是已知的，而点对AB之间的AVI数据是未知的。为了获得AB之间的未知AVI数据，需要对轨迹数据进行分析，以确定CD、EF和GH之间的轨迹数据的变化如何影响AB之间的轨迹数据。如果轨迹数据之间存在很强的相关性，则可以如上所述，基于CD、EF和GH之间的已知AVI数据来确定AB之间的未知AVI数据。通过确定AB之间的未知AVI数据，可以预测AB之间的未来流量。也就是说，如果CD、EF和GH是第一点对，而AB是第二点对，则可以基于(1)一个或多个第一点对的车流量和2)第一点对的轨迹数据和一个或多个第二点对的轨迹数据之间的相关性来确定第二点对之间的车流量。
因此，半监督学习(SSL)模型的总体目标是最小化损失函数：
Lssl＝λaeLae+λlpLlp+Lsl
Lsl是监督学习的损失项，值越小表示从训练中获得了更好的监督学习权重。Lae是自动编码器的损失项，值越小表示从训练中获得了较好的降维权重。Llp是标签传播的损失项，值越小表示获得的半监督学习权重越好，λ表示参数。因此，最小化损失函数可以获得针对预测函数的训练权重，以及针对半监督学习的训练点对点流量预测模型。
在一些实施例中，λaeLae可以被称为第一损失参数，λlpLlp可以被称为第二损失参数，Lsl可以被称为第三损失参数。如上所示，训练神经网络模型的一个或多个权重包括使总损失最小化；总损失包括与轨迹数据i和投影的轨迹数据之间的差值相关的第一损失参数。总损失包括与相关性相关联的第二损失参数。第二损失参数还与第一点对的预测车流量和第二点对的预测车流量的差值相关；并且第二点对的预测车流量通过随机森林模型训练的比率进行调整。总损失包括第三损失参数，该第三损失参数与预测的车流量和所获得的车流量之差相关；并且基于轨迹数据j来预测预测车流量。
在一些实施例中，可以利用示例交通卡口数据和APP驾驶员的轨迹数据(例如关于某个城市)来训练所公开的模型。可以使用Keras实现人工神经网络，后端在Tensorflow上。每个匿名轨迹都是带有时间戳的车辆地理位置(经度和纬度)的序列。使用Haversine公式，可以计算出车辆与特定卡口位置之间的距离。当车辆的位置在卡口的附近半径r内时，假定在对应时间戳指示的时间通过卡口。r的设置主要考虑所提供的卡口位置的误差，地理距离计算中的累积误差以及实际道路状况。在一个示例中，r＝50.0m。对于每个OD对，可以计算首先经过节点O(一个卡口)的连续轨迹的数量，及在开始时间(轨迹通过O的时间戳，如果轨迹中连续点的子序列在O的附近半径内，则使用最新的时间戳)所在的时间间隔内到达或经过节点D(另一个卡口)的数量。每个时间间隔ΔT＝30分钟。
在一些实施例中，由N＝11个卡口组成的网络被应用于所公开的算法。OD流对于每对节点都是双向的，因此此处考虑N(N-1)＝182个不同的OD。OD流量的指数由标准置换给出，即(i-1)·(N-1)+(j-1)-I(i<j)，其中i等于O的指数,j等于D的指数,I(·)是指示函数。该数据集包括一个月的卡口数据和轨迹数据的OD计数。数据的前四分之三构成训练集，其余构成测试数据。在一个示例中，可以使用24小时的时间窗口，换句话说，使用w＝24×60/ΔT＝48个间隔进行预测。监督值l＝1，即过去的48个间隔数据用于预测下一个间隔(例如30分钟)的OD流。因此，将输入数据重塑为3模张量，每个切片为48×182矩阵。可以通过最小化卡口数据的预测值与实际OD流量计数之间的均方误差来训练整个神经网络。训练时一次输入的样本数量为128，训练125遍，并且训练数据的10％用于训练验证。
下面描述了运行上述模型的各种示例性结果。在一些实施例中，随机森林模型具有50棵树，并且每棵树可以具有至多25个叶节点。14倍交叉验证预测可用于获得
Figure BDA0002914298420000151
的预测。对于半监督模型，可以对自动编码器部分进行预训练，然后可以冻结自动编码器部分中的权重。对于半监督模型，可以省略目标函数中的自动编码器项。标签传播损失的权重可以是λlp＝0.1。
在关于182个OD的一些实施例中，对于大多数旅行活动发生的时间范围(从早上6点至晚上10点，被称为主要时段)，监督模型的中位MAE和MAPE分别为71.8％和24.0％。对于早晨和下午的高峰时段(上午6:30至9:30，下午4:30至7:30pm统称为高峰时段)，监督模型的中位MAE和MAPE分别为74.9和24.8％。对于半监督模型，当配置了不同数量的无监督节点时，预测性能会有相对较小的变化。所公开的评估指标可以仅基于无监督节点集中的OD对。当从所有14个节点中随机选出3个节点作为无监督节点时，主要时段中位MAE和MAPE分别为86.8和36.9％，高峰时段中位MAE和MAPE分别为88.9和38.8％。这些结果示于下表4和表5中。
OD计数时间序列值可以在大约10到超过1000之间变化。在非高峰时段，由于车流量较低，即使是较小的MAE也可能会贡献相对较大的MAPE。然而，从交通管理的角度来看，这些时间段的关注度较小。对于MAE和MAPE的最佳和最差的5种OD，性能指标列在表1中，更多详细信息可以在表2和表3中找到。
表1：MAE/MAPE表示最佳/最差5个OD的性能
Figure BDA0002914298420000152
表2：超过110个OD的不同时间范围的MAPE分位数
Figure BDA0002914298420000153
Figure BDA0002914298420000161
表3：MAPE中最佳/最差5个OD，主要时段和高峰时段表示
Figure BDA0002914298420000162
在表4和表5中，比较了所公开的三个模型的预测性能：基准卡尔曼滤波器模型，监督(SL)RNN模型和半监督(SSL)RNN模型。SSL-RNN行中报告的结果是用无监督OD对获得的，因此其结果通常比其他两种算法差。在SSL-RNN-3中，从所有14个节点中随机抽取3个节点作为无监督节点。
表4：监督RNN和卡尔曼滤波器之间的MAPE性能比较
Figure BDA0002914298420000163
表5：监督RNN和卡尔曼滤波器之间的MAE性能比较
Figure BDA0002914298420000164
在关于模型性能的一些实施例中，当具有AVI数据的节点具有有限的覆盖范围时，半监督学习模型具有鲁棒性。当在总共14个节点中将不同数量的节点配置为无监督集合时，无监督OD对的预测性能以及有监督节点和无监督节点之间的区别具有相对较小的变化。因此，半监督学习模型具有广泛的实际应用场景，因为它只需要一小部分监督数据即可获得良好的性能。
图3H和图3I是有监督节点的覆盖范围发生变化时主要指标的变化的示意图。图3H显示了在主要时段内，不同数量的无监督节点的50％MAE。图3I显示了在主要时段内，不同数量的无监督节点的50％MAPE。
在一些实施例中，对于每个无监督对，计算其与所有其他有监督对的相关性并取平均。较大的平均相关性可能会导致在此无监督对上进行更好的预测性能。图3J示出了在主要时段中无监督对的50％MAPE与无监督对和有监督对之间的这种平均相关性之间的关系。
在一些实施例中，关于有监督集合与无监督集合之间的平均距离，无监督对的预测结果不受有监督集合与无监督集合之间的平均距离的影响。为了获得无监督对的这种平均距离，计算无监督对的每个节点到所有其他有监督节点之间的距离并求平均。图3K显示，在有监督节点与无监督节点之间具有平均距离不同值的有监督集合和无监督集合的主要时段50％MAE的比较。因此，模型性能表明半监督学习模型具有很好的鲁棒性。
在关于与有监督组的连接的一些实施例中，靠近有监督组的无监督节点相对于远离有监督组的节点没有优势。表6显示，“岛屿”OD对的预测并不比“剪切”OD对更好。在这些情况下，随机选择2到3个节点作为无监督集合。其余节点是有监督节点，并且仅对有监督节点之间的内部OD对在监督设置中进行训练。剪切对是其一个节点位于有监督节点集中而另一节点位于无监督节点集中的对。岛屿对是无监督节点的内部对。就拓扑距离而言，岛屿对比有监督节点的剪切对更远。
表6：“岛屿”OD对和“剪切”OD对的预测。
Figure BDA0002914298420000171
如图所示，基于RNN的人工神经网络(LSTM)可用于对182个OD计数时间序列的演化模式进行建模，以及在真实而复杂的道路网络上从轨迹推断的OD计数(部分)到卡口推断的OD计数(整体)进行映射，并同时对这182个OD进行半监督实时预测。在监督设置下，模型的主要时段(上午6点至晚上10点)和高峰时段(上午6:30至9:30，下午4:30至7:30)达到MAPE(所有182个OD)的中值约为25％pm)，对于某些OD，主要时段的MAPE低至11％，高峰时段的MAPE低至13％。对于无监督的OD对，该模型在主要时段和高峰时段获得的平均MAPE约为38％。总体而言，公开的递归神经网络在半监督设置和监督设置下均提供了准确的OD流量预测。基于预测结果，可以实现各种应用。例如，可以通过控制交通信号在绿色上保持更长的时间，以适应预测的较大交通流量。
图4A示出了根据本公开的各种实施例的示例性方法400的流程图。方法400可以由例如图1的系统100的一个或多个组件来实现。可以通过类似于系统100的多个系统来实现示例性方法400。下面呈现的方法400的操作旨在说明。取决于实施方式，示例性方法400可以包括以各种顺序或并行执行的附加、更少或替代步骤。
模块401用于通过处理器(例如，处理器104)从多个计算设备(例如，计算设备110、111)获取分别与多个计算设备相关联的多个车辆的时间序列位置，其中：时间序列位置形成第一轨迹数据，该第一轨迹数据包括在第一时间间隔内至少从第一点O通过到第二点D的相应轨迹。模块402用于通过检测器(例如，检测器105)获取的在第二时间间隔内O和D之间的车流量，该第二时间间隔在时间上在第一时间间隔之后。模块403用于通过处理器，将第一轨迹数据和车流量输入到神经网络模型，训练神经网络模型的一个或多个权重，并使用获得的车流量作为真值，获取训练后的神经网络模型。模块404用于通过处理器将O和D之间的第二轨迹数据输入到训练后的神经网络模型，以针对未来的时间间隔预测O和D之间的未来车流量。
在一些实施例中，车流量包括在第二时间间隔内从O行驶到D的车辆数量。获取车流量包括：获取在所述第二时间间隔内经过所述第一点对的O点的第一数量的所有车辆的车牌的第一图像，并获取在所述第二时间间隔t内经过所述第一点对的D点的第二数量的所有车辆的车牌的第二图像。并且确定具有从第一图像并且随后从第二图像检测到的车牌的车辆的数量作为车辆数量。也就是说，由于可以根据车牌的图像识别车辆(例如，通过图像识别算法)，因此可以确定从O到D的车辆的车牌是否在该时间间隔内在较早的时间在O处被获取，在较晚的时间在D处再次被获取。
在一些实施例中，该方法进一步包括：响应于确定预测的未来车流量超过阈值，可以由处理器向交通信号控制器(例如，交通控制器107)发送信号以允许更多的车流量在未来时间间隔内通过。
在一些实施例中，神经网络模型包括：串联连接的输入层、第一BiLSTM(双向长期短期记忆)层、第一BN(批处理归一化)层、第二BiLSTM层、第二BN层、第一全连接层、第三BN层、第二全连接层和输出层。上面参考图3C描述了进一步的细节。
图4B示出了根据本公开的各种实施例的示例性方法410的流程图。方法410可以由例如图1的系统100的一个或多个组件来实现。示例性方法410可以由类似于系统100的多个系统来实现。以下呈现的方法410的操作旨在说明。取决于实施方式，示例性方法410可以包括以各种顺序或并行执行的附加、更少或替代步骤。
模块411用于由处理器(例如，处理器104)从多个计算设备(例如，计算设备110、111)获取分别与多个计算设备相关联的多个车辆的时间序列位置。时序位置至少形成(1)包括至少在第一时间间隔内通过第一点对的相应轨迹的轨迹数据i和(2)包括至少在第二时间段内通过第二点对的相应轨迹的轨迹数据j第一个时间间隔。第一点对和第二点对分别包括点O和点D，车流量从点O流向点D。第一点对和第二点对具有以下至少之一：不同的O点或不同的D点。模块412用于通过检测器(例如，检测器105)获得在第一时间对之后的第二时间间隔的第一点对之间的车流量。模块413用于：通过处理器，将轨迹数据i、轨迹数据j和车流量输入到神经网络模型，训练神经网络模型的一个或多个权重，以获得训练后的神经网络模型，其中神经网络模型包括轨迹数据i和轨迹数据j之间的相关性。模块414用于通过处理器将第二点对之间的轨迹数据k输入到训练后的神经网络模型，以预测在未来时间间隔内通过第二点对的未来车流量。
在一些实施例中，车流量包括在第二时间间隔内驶过第一点对的车辆数量。获取车流量包括：获取在所述第二时间间隔内经过所述第一点对的O点的第一数量的所有车辆的车牌的第一图像，并获取在所述第二时间间隔t内经过所述第一点对的D点的第二数量的所有车辆的车牌的第二图像。并且确定具有从第一图像并且随后从第二图像检测到的车牌的车辆的数量作为车辆数量。也就是说，由于可以根据车牌的图像识别车辆(例如，通过图像识别算法)，因此可以确定从O到D的车辆的车牌是否在该时间间隔内在较早的时间在O处被获取，在较晚的时间在D处再次被获取。
在一些实施例中，该方法进一步包括：响应于确定预测的未来车流量超过阈值，由处理器向交通信号控制器(例如，交通控制器107)发送信号以允许更多的车流量在未来时间间隔内通过。
在一些实施例中，神经网络模型包括：串联连接的输入层，第一LSTM(长期短期记忆)层、第一BN(批处理归一化)层、第二LSTM层、第二BN层、全连接层和输出层。上面参考图3D描述了进一步的细节。
在一些实施例中，将第一BN层进一步输出到第三LSTM层；将第三LSTM层输出到第三BN层；并且将第三BN层输出到另一输出层以获得投影轨迹数据。上面参考图3D描述了进一步的细节。
在一些实施例中，训练神经网络模型的一个或多个权重包括使总损失最小化；总损失包括与轨迹数据i和投影轨迹数据之间的差值相关联的第一损失参数。总损失包括与相关性相关联的第二损失参数，第一点对的预测车流量和第二点对的预测车流量的差值；以及第二点对的预测车流量通过随机森林模型训练的比率进行调整。总损失还包括第三损失参数，该第三损失参数与预测的车流量和所获得的车流量的差值相关；以及预测车流量基于轨迹数据i预测。
本文描述的技术由一个或多个专用计算设备实现。专用计算设备可以是台式计算机系统、服务器计算机系统、便携式计算机系统、手持式设备、网络设备或结合硬连线和/或程序逻辑以实现技术的任何其他设备或设备组合。计算设备通常由操作系统软件控制和协调。传统操作系统控制和调度计算机进程以执行，执行存储器管理，提供文件系统，网络，I/O服务，以及提供诸如图形用户界面(“GUI”)之类的用户界面功能。
图5是示出了可以实现本文描述的任何实施例的计算机系统500的框图。系统500可以对应于上述系统102或103。计算机系统500包括总线502或用于通信信息的其他通信机制，与总线502耦合的一个或多个硬件处理器504，用于处理信息。硬件处理器504可以是例如一个或多个通用微处理器。处理器504可以对应于上述处理器104。
计算机系统500还包括主存储器506，例如随机存取存储器(RAM)，高速缓存和/或其他动态存储设备，其耦合到总线502，用于存储将由处理器504执行的信息和指令。主存储器506还可以用于在执行要由处理器504执行的指令期间存储临时变量或其他中间信息。当将这些指令存储在处理器504可访问的存储介质中时，它们将计算机系统500渲染成专用于执行指令中指定的操作的专用机器。计算机系统500进一步包括只读存储器(ROM)508或耦合到总线502的其他静态存储设备，用于存储静态信息和处理器504的指令。提供诸如磁盘、光盘或USB拇指驱动器(闪存驱动器)等的存储设备510，并且将其耦合到总线502以存储信息和指令。主存储器506，ROM508和/或存储器510可以对应于上述存储器106。
计算机系统500可以使用定制的硬连线逻辑，一个或多个ASIC或FPGA，固件和/或程序逻辑来实施本文所述的技术，这些逻辑与计算机系统结合使计算机系统500成为程序或专用计算机。根据一个实施例，响应于处理器504执行包含在主存储器506中的一个或多个指令的一个或多个序列，由计算机系统500执行本文所述的操作，方法和过程。可以从诸如存储设备510之类的另一存储介质将这样的指令读入主存储器506。执行包含在主存储器506中的指令序列使处理器504执行本文所述的处理步骤。在替代实施例中，可以使用硬连线电路代替软件指令或与软件指令结合使用。
主存储器506，ROM508和/或存储器510可以包括非暂时性存储介质。如本文所使用的，术语“非暂时性介质”和类似术语是指存储导致机器以特定方式操作的数据和/或指令的介质，该介质不包括瞬时信号。这样的非暂时性介质可以包括非易失性介质和/或易失性介质。非易失性介质包括例如光盘或磁盘，例如存储设备510。易失性介质包括动态存储器，例如主存储器506。非暂时性介质的常见形式包括，例如，软盘、软盘、硬盘、固态驱动器、磁带或任何其他磁数据存储介质、CD-ROM、任何其他光学数据存储介质、任何具有孔模式的物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、任何其他存储芯片或盒式磁带以及它们的网络版本。
计算机系统500还包括耦合到总线502的网络接口518。网络接口518提供双向数据通信，该双向数据通信耦合到连接到一个或多个本地网络的一个或多个网络链路。例如，网络接口518可以是集成服务数字网络(ISDN)卡，电缆调制解调器，卫星调制解调器或调制解调器，以提供到对应类型的电话线的数据通信连接。作为另一示例，网络接口518可以是局域网(LAN)卡，以提供到兼容LAN(或与WAN通信的WAN组件)的数据通信连接。无线链接也可以实现。在任何这样的实现中，网络接口518发送和接收电，电磁或光信号，其携带表示各种类型的信息的数字数据流。
计算机系统500可以通过网络，网络链路和网络接口518发送消息并接收数据，包括程序代码。在网络的示例中，服务器可以通过互联网、ISP、局域网和网络接口518发送针对应用程序的请求代码。
接收到的代码可以在接收到时由处理器504执行，和/或存储在存储设备510或其他非易失性存储中，以供以后执行。
前述部分中描述的过程、方法和算法中的每一个都可以体现在由一个或多个计算机系统或包括计算机硬件的计算机处理器执行的代码模块中，或者由其完全或部分自动化。该过程和算法可以在专用电路中部分或全部实现。
上述的各种特征和过程可以彼此独立地使用，或者可以以各种方式组合。所有可能的组合和子组合旨在落入本公开的范围内。另外，在一些实施方式中，可以省略某些方法或过程模块。本文所述的方法和过程也不限于任何特定的顺序，并且可以以适当的其他顺序执行与之相关的模块或状态。例如，可以以不同于具体公开的顺序来执行所描述的模块或状态，或者可以在单个模块或状态中组合多个模块或状态。示例性块或状态可以串行、并行或以其他方式执行。可以将块或状态添加到所公开的示例性实施例或从中删除。本文描述的示例性系统和组件可以与所描述的配置不同置。例如，与所公开的示例性实施例相比，可以将元素添加、删除或重新布置。
本文描述的示例性方法的各种操作可以至少部分地通过算法来执行。该算法可以包括在存储在存储器(例如，上述非暂时性计算机可读存储介质)中的程序代码或指令中。这样的算法可以包括机器学习算法。在一些实施例中，机器学习算法可以不显式地编程计算机以执行功能，但是可以从训练数据中学习以形成执行该功能的预测模型。
此处描述的示例性方法的各种操作可以至少部分地由一个或多个临时配置(例如，通过软件)或永久配置为执行相关操作的处理器执行。无论是临时配置还是永久配置，这样的处理器都可以构成处理器实现的引擎，该引擎执行本文所述的一个或多个操作或功能。
类似地，本文描述的方法可以至少部分地由处理器实现，其中一个或多个特定处理器是硬件的示例。例如，一种方法的至少一些操作可以由一个或多个处理器或处理器实现的引擎执行。此外，一个或多个处理器还可在“云计算”环境中或作为“软件即服务”(SaaS)来支持相关操作的性能。例如，至少一些操作可以由一组计算机(作为包括处理器的机器的示例)执行，这些操作可以通过网络(例如，互联网)和一个或多个适当的接口(例如，应用程序接口(API))。
某些操作的性能可能会分布在处理器之间，不仅驻留在单个计算机中，而且会部署在多个计算机上。在一些示例性实施例中，处理器或处理器实现的引擎可以位于单个地理位置中(例如，在家庭环境，办公室环境或服务器场内)。在其他示例性实施例中，处理器或处理器实现的引擎可以分布在多个地理位置上。
在整个说明书中，多个实例可以实现被描述为单个实例的组件、操作或结构。尽管将一种或多种方法的单独操作示出并描述为单独的操作，但是可以并发地执行单独的操作中的一个或多个，并且不需要以所示出的顺序来执行操作。在示例性配置中表示为单独的组件的结构和功能可以实现为组合的结构或组件。类似地，呈现为单个组件的结构和功能可以实现为单独的组件。这些和其他变型、修改、添加和改进落入本文主题的范围内。
尽管已经参考特定的示例性实施例描述了本主题的概述，但是在不脱离本公开的实施例的较宽范围的情况下，可以对这些实施例进行各种修改和改变。主题的这样的实施例在本文中可以仅出于方便的目的而单独地或共同地通过术语“发明”来指代，如果实际上一个以上的公开或概念被公开，则无意将本申请的范围自动限制为任何单个公开或概念。
充分详细地描述了本文示出的实施例，以使本领域技术人员能够实践所公开的教导。可以使用其他实施例并从中得出其他实施例，使得可以在不脱离本公开的范围的情况下进行结构和逻辑上的替换和改变。因此，不应在限制意义上理解详细描述，并且各种实施例的范围仅由所附权利要求书以及这些权利要求书所享有的等同物的全部范围来限定。
在此描述的和/或在附图中描绘的流程图中的任何过程描述，元素或模块都应被理解为潜在地表示模块、代码段或代码部分，其包括用于实施特定逻辑功能或步骤的一个或多个可执行指令。进一步地，本领域技术人员可以理解地，替代实施方式包括在本文描述的实施例的范围内，其中，可以根据所涉及的功能来从所示出或所讨论的元件或功能中删除，以不按顺序执行，包括基本上同时地或以相反的顺序来执行、删除元件或功能。
如本文所使用的，术语“或”可以以包括性或排他性的意义来解释。此外，可以为本文中描述为单个实例的资源，操作或结构提供多个实例。另外，各种资源、操作、引擎和数据存储之间的边界在某种程度上是任意的，并且在特定说明性配置的上下文中说明了特定操作。可以想到的功能的其他实现方式，并且其可以落入本公开的各种实施例的范围内。通常，在示例性配置中表示为单独资源的结构和功能可以实现为组合结构或资源。类似地，呈现为单个资源的结构和功能可以实现为单独的资源。这些和其他变型、修改、添加和改进落入如所附权利要求所表示的本公开的实施例的范围内。因此，说明书和附图应被认为是说明性的而不是限制性的。
除非另外明确说明或在所用上下文中另外理解，否则条件性语言(例如“可以”、“可能”、“能够”或“可”等)通常旨在传达某些实施方式包括：而其他实施例不包括某些特征、元素和/或步骤。因此，这样的条件语言通常不旨在暗示特征、元素和/或步骤以任何方式对于一个或多个实施例是必需的，或者一个或多个实施例必然包括用于确定是否有用户输入或提示的逻辑。这些特征、元素和/或步骤在任何特定实施例中被包括或将被执行。

Claims (6)

1.一种用于点对点流量预测的方法，其特征在于，包括：
通过处理器，从多个计算设备获取分别与所述多个计算设备相关联的多个车辆的时间序列位置，其中：
所述时间序列位置至少形成包括在第一时间间隔内至少通过第一点对的相应轨迹的轨迹数据i和包括在所述第一时间间隔内至少通过第二点对的相应轨迹的轨迹数据j；
所述第一点对和所述第二点对各自包括一个点O和一个点D，车流量从所述点O流向所述点D；以及
所述第一点对和所述第二点对具有以下至少之一：不同的O点或不同的D点；
通过检测器，获取所述第一点对之间在第二时间间隔内的车流量，所述第二时间间隔在时间上在所述第一时间间隔之后；通过所述处理器，将所述轨迹数据i、所述轨迹数据j和所述车流量输入到神经网络模型，训练所述神经网络模型的一个或多个权重，以获得训练后的神经网络模型，其中所述神经网络模型包括轨迹数据i和轨迹数据j之间的相关性；其中：
所述神经网络模型包括：串联连接的输入层、第一LSTM层、第一BN层、第二LSTM层、第二BN层、全连接层、和输出层；
所述第一BN层进一步输出到第三LSTM层；
所述第三LSTM层输出到第三BN层；以及
所述第三BN层输出到另一个输出层，以获得投影轨迹数据；
训练所述神经网络模型的所述一个或多个权重包括使总损失最小化，所述总损失包括与所述轨迹数据i和所述投影轨迹数据的差值相关的第一损失参数、与所述相关性相关联的第二损失参数、与预测的车流量和获得的所述车流量之间的差值相关的第三损失参数，所述预测的车流量基于所述轨迹数据i预测，所述第二损失参数与所述第一点对的预测车流量和所述第二点对的预测车流量的差值相关，其中所述第二点对的预测车流量通过随机森林模型训练的比率进行调整；以及
通过所述处理器，将所述第二点对之间的轨迹数据k输入到所述训练后的神经网络模型，以预测在一个未来时间间隔内通过所述第二点对的未来车流量。
2.根据权利要求1所述的方法，其特征在于：
所述车流量包括在所述第二时间间隔内驶过所述第一点对的车辆数量；以及
获取所述车流量包括：
获取在所述第二时间间隔内通过所述第一点对的O点的第一数量的所有车辆的车牌的第一图像，并获取在所述第二时间间隔内通过所述第一点对的D点的第二数量的所有车辆的车牌的第二图像；以及
确定具有从所述第一图像并且随后从所述第二图像检测到的车牌的车辆的数量作为所述车辆数量。
3.根据权利要求1所述的方法，其特征在于，还包括：
响应于确定所述预测的未来车流量超过阈值，由所述处理器向交通信号控制器发送信号，以允许更多的车辆在所述未来时间间隔内通过。
4.一种用于点对点流量预测的系统，其特征在于，包括：
检测器，被配置为获取在第二时间间隔内第一点对之间的车流量，所述第二时间间隔在时间上在第一时间间隔之后；以及
处理器，被配置为：
从所述检测器获取所述车流量，并从多个计算设备获取分别与所述多个计算设备相关联的多个车辆的时间序列位置，其中：
所述时间序列位置至少形成包括在所述第一时间间隔内至少通过第一点对的相应轨迹的轨迹数据i和包括在所述第一时间间隔内至少通过第二点对的相应轨迹的轨迹数据j；
所述第一点对和所述第二点对各自包括一个点O和一个点D，车流量从所述点O流向所述点D；以及
所述第一点对和所述第二点对具有以下至少之一：不同的O点或不同的D点；
将所述轨迹数据i、所述轨迹数据j和所述车流量输入到神经网络模型，训练所述神经网络模型的一个或多个权重，以获得训练后的神经网络模型，其中，所述神经网络模型包括轨迹数据i和轨迹数据j之间的相关性；其中：
所述神经网络模型包括：串联连接的输入层、第一LSTM层、第一BN层、第二LSTM层、第二BN层、全连接层、和输出层；
所述第一BN层进一步输出到第三LSTM层；
所述第三LSTM层输出到第三BN层；以及
所述第三BN层输出到另一个输出层，以获得投影轨迹数据；
训练所述神经网络模型的所述一个或多个权重包括使总损失最小化，所述总损失包括与所述轨迹数据i和所述投影轨迹数据的差值相关的第一损失参数、与所述相关性相关联的第二损失参数、与预测的车流量和获得的所述车流量之间的差值相关的第三损失参数，所述预测的车流量基于所述轨迹数据i预测，所述第二损失参数与所述第一点对的预测车流量和所述第二点对的预测车流量的差值相关，其中所述第二点对的预测车流量通过随机森林模型训练的比率进行调整；以及
将所述第二点对之间的轨迹数据k输入到所述训练后的神经网络模型，以预测在未来时间间隔内通过所述第二点对的未来车流量。
5.根据权利要求4所述的系统，其特征在于：
所述车流量包括在第二时间间隔内驶过所述第一点对的车辆数量；以及
为了获得所述车流量，所述处理器被配置为：
获取在所述第二时间间隔内经过所述第一点对的O点的第一数量的所有车辆的车牌的第一图像，并获取在所述第二时间间隔内经过所述第一点对的D点的第二数量的所有车辆的车牌的第二图像；以及
确定具有从所述第一图像并且随后从所述第二图像检测到的车牌的车辆的数量作为所述车辆数量。
6.根据权利要求4所述的系统，其特征在于，所述处理器还被配置为：
响应于确定所述预测的未来车流量超过阈值，向交通信号控制器发送信号，以允许更多的车辆在所述未来时间间隔内通过。
CN201880095942.9A 2018-07-31 2018-12-28 用于点对点流量预测的系统和方法 Active CN112470199B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862712891P 2018-07-31 2018-07-31
US62/712,891 2018-07-31
PCT/US2018/067823 WO2020027864A1 (en) 2018-07-31 2018-12-28 System and method for point-to-point traffic prediction

Publications (2)

Publication Number Publication Date
CN112470199A CN112470199A (zh) 2021-03-09
CN112470199B true CN112470199B (zh) 2023-05-02

Family

ID=69228110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880095942.9A Active CN112470199B (zh) 2018-07-31 2018-12-28 用于点对点流量预测的系统和方法

Country Status (3)

Country Link
US (1) US10963705B2 (zh)
CN (1) CN112470199B (zh)
WO (1) WO2020027864A1 (zh)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020027864A1 (en) * 2018-07-31 2020-02-06 Didi Research America, Llc System and method for point-to-point traffic prediction
JP7261022B2 (ja) * 2019-01-30 2023-04-19 キヤノン株式会社 情報処理システム、端末装置及びその制御方法、プログラム、記憶媒体
JP7086021B2 (ja) * 2019-03-14 2022-06-17 本田技研工業株式会社 挙動予測装置
DE102019209736A1 (de) * 2019-07-03 2021-01-07 Robert Bosch Gmbh Verfahren zur Bewertung möglicher Trajektorien
JP7267874B2 (ja) * 2019-08-27 2023-05-02 本田技研工業株式会社 交通流推定装置、交通流推定方法、およびプログラム
US11869535B1 (en) * 2019-12-12 2024-01-09 Amazon Technologies, Inc. Character-level emotion detection
CN111460277B (zh) * 2020-02-19 2023-04-18 派欧云计算(上海)有限公司 一种基于移动社交网络树状传输路径的个性化推荐方法
CN111324990A (zh) * 2020-03-19 2020-06-23 长江大学 基于多层长短期记忆神经网络模型的孔隙度预测方法
CN113497717B (zh) * 2020-03-19 2023-03-31 中国移动通信有限公司研究院 网络流量的预测方法、装置、设备及存储介质
US12001958B2 (en) * 2020-03-19 2024-06-04 Nvidia Corporation Future trajectory predictions in multi-actor environments for autonomous machine
CN112073255B (zh) * 2020-03-25 2021-07-20 长扬科技（北京）有限公司 基于深度学习的工控网络流量预测方法、装置
CN111507380B (zh) * 2020-03-30 2023-10-31 中国平安财产保险股份有限公司 基于聚类的图片分类方法、系统、装置及存储介质
WO2021195830A1 (zh) * 2020-03-30 2021-10-07 深圳市欢太数字科技有限公司 行为分析方法及装置、终端、存储介质
CN111524358B (zh) * 2020-05-22 2022-04-15 云南大学 一种区域辐射性交通流量预测方法
CN111815046B (zh) * 2020-07-06 2024-03-22 北京交通大学 基于深度学习的交通流量预测方法
CN111784084B (zh) * 2020-08-17 2021-12-28 北京市城市规划设计研究院 基于梯度提升决策树的出行生成预测方法、系统及装置
US11751056B2 (en) 2020-08-31 2023-09-05 Oracle International Corporation Methods, systems, and computer readable media for 5G user equipment (UE) historical mobility tracking and security screening using mobility patterns
US11212195B1 (en) * 2020-09-11 2021-12-28 Microsoft Technology Licensing, Llc IT monitoring recommendation service
US11825310B2 (en) 2020-09-25 2023-11-21 Oracle International Corporation Methods, systems, and computer readable media for mitigating 5G roaming spoofing attacks
US11832172B2 (en) 2020-09-25 2023-11-28 Oracle International Corporation Methods, systems, and computer readable media for mitigating spoofing attacks on security edge protection proxy (SEPP) inter-public land mobile network (inter-PLMN) forwarding interface
US11622255B2 (en) 2020-10-21 2023-04-04 Oracle International Corporation Methods, systems, and computer readable media for validating a session management function (SMF) registration request
CN112561119B (zh) * 2020-10-29 2023-05-30 西安理工大学 一种使用arima-rnn组合模型的云服务器资源性能预测方法
CN112330961B (zh) * 2020-11-03 2022-11-08 厦门理工学院 一种基于时序规律的交通指示红黄绿灯的图像识别方法
US11770694B2 (en) 2020-11-16 2023-09-26 Oracle International Corporation Methods, systems, and computer readable media for validating location update messages
US11818570B2 (en) 2020-12-15 2023-11-14 Oracle International Corporation Methods, systems, and computer readable media for message validation in fifth generation (5G) communications networks
US11812271B2 (en) 2020-12-17 2023-11-07 Oracle International Corporation Methods, systems, and computer readable media for mitigating 5G roaming attacks for internet of things (IoT) devices based on expected user equipment (UE) behavior patterns
US20220198925A1 (en) * 2020-12-21 2022-06-23 Huawei Technologies Canada Co., Ltd. Temporal detector scan image method, system, and medium for traffic signal control
CN112712695B (zh) * 2020-12-30 2021-11-26 桂林电子科技大学 一种交通流预测方法、装置及存储介质
US11700510B2 (en) 2021-02-12 2023-07-11 Oracle International Corporation Methods, systems, and computer readable media for short message delivery status report validation
GB2605130B (en) 2021-03-17 2023-08-16 Xan Labs Int Ltd Method and system of predictive traffic flow and of traffic light control
CN113033695B (zh) * 2021-04-12 2023-07-25 北京信息科技大学 一种电子器件故障的预测方法
US11689912B2 (en) * 2021-05-12 2023-06-27 Oracle International Corporation Methods, systems, and computer readable media for conducting a velocity check for outbound subscribers roaming to neighboring countries
WO2023031926A2 (en) * 2021-08-31 2023-03-09 Itc Intelligent Traffic Control Ltd Traffic light control based on traffic pattern prediction
IT202100023144A1 (it) * 2021-09-08 2023-03-08 Telecom Italia Spa Metodo e sistema per generare dati di riferimento per la previsione di condizioni di traffico, e metodo e sistema per prevedere condizioni di traffico
CN114049765B (zh) * 2021-11-03 2022-07-19 扬州大学 基于自动车辆号牌识别数据的城市路网车流od估计方法
CN113792945B (zh) * 2021-11-17 2022-02-08 西南交通大学 一种营运车辆的派遣方法、装置、设备及可读存储介质
CN114677835A (zh) * 2021-11-30 2022-06-28 浪潮集团有限公司 一种基于微控制器设备和微型机器学习的自适用交通调度的系统及方法
CN114330120B (zh) * 2021-12-28 2024-04-23 武汉大学 一种基于深度神经网络预测24小时pm2.5浓度的方法
CN114495490B (zh) * 2021-12-31 2023-03-28 联通智网科技股份有限公司 交通情况预测方法、设备终端及存储介质
US20230410490A1 (en) * 2022-05-11 2023-12-21 Aptiv Technologies Limited Deep Association for Sensor Fusion
KR102573526B1 (ko) * 2022-07-08 2023-09-06 주식회사 노타 강화학습 모델을 이용하여 연동 그룹 내 신호기의 교통신호를 제어하는 장치 및 방법
CN115457764B (zh) * 2022-08-24 2023-07-18 华南理工大学 基于车辆轨迹数据的路段交通密度估测方法、装置及介质
CN115620510B (zh) * 2022-08-25 2023-12-05 重庆邮电大学 一种基于自适应窗口注意力提取时空依赖的交通流预测方法
CN115862320B (zh) * 2022-11-08 2023-07-25 济南澎湃信息技术有限公司 一种交通动态监测管理系统
CN116189425B (zh) * 2022-12-30 2024-10-01 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于车联网大数据的交通路况预测方法及系统
US20240304081A1 (en) * 2023-03-10 2024-09-12 Mitsubishi Electric Research Laboratories, Inc. System and Method for Estimating a Future Traffic Density in an Environment
CN116665439B (zh) * 2023-04-28 2024-05-07 东南大学 基于车牌识别数据的城市路网车流od不确定性估计方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU4950899A (en) * 1998-07-31 2000-02-21 Cet Technologies Pte Ltd Automatic freeway incident detection system using artificial neural networks andgenetic algorithms
US9552726B2 (en) * 2009-08-24 2017-01-24 Here Global B.V. Providing driving condition alerts using road attribute data
JP2011113547A (ja) * 2009-11-30 2011-06-09 Sumitomo Electric Ind Ltd 交通情報推定装置、交通情報推定のためのコンピュータプログラム、及び交通情報推定方法
JP6610669B2 (ja) * 2015-08-27 2019-11-27 日本電気株式会社 渋滞予防システム、渋滞予防方法、及び、プログラム
US10042055B2 (en) * 2016-04-20 2018-08-07 Here Global B.V. Traffic volume estimation
CN106447119A (zh) * 2016-10-11 2017-02-22 济南观澜数据技术有限公司 一种基于卷积神经网络的短期交通流量预测方法及系统
CA3047398A1 (en) * 2016-12-19 2018-06-28 ThruGreen, LLC Connected and adaptive vehicle traffic management system with digital prioritization
EP3340204B1 (en) * 2016-12-22 2019-03-20 Urban Software Institute GmbH Computer system and method for determining reliable vehicle control instructions
US10127811B2 (en) * 2017-03-29 2018-11-13 Here Global B.V. Method, apparatus and computer program product for comprehensive management of signal phase and timing of traffic lights
CN107154150B (zh) * 2017-07-25 2019-07-02 北京航空航天大学 一种基于道路聚类和双层双向lstm的交通流量预测方法
US20190279082A1 (en) * 2018-03-07 2019-09-12 Movidius Ltd. Methods and apparatus to determine weights for use with convolutional neural networks
US10762364B2 (en) * 2018-04-19 2020-09-01 Here Global B.V. Method, apparatus, and system for traffic sign learning
WO2020027864A1 (en) * 2018-07-31 2020-02-06 Didi Research America, Llc System and method for point-to-point traffic prediction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Improved Deep Hybrid Networks for Urban Traffic Flow Prediction Using Trajectory Data";段宗涛;《IEEE》;20180629;第31820-31827页 *

Also Published As

Publication number Publication date
CN112470199A (zh) 2021-03-09
WO2020027864A1 (en) 2020-02-06
US10963705B2 (en) 2021-03-30
US20200042799A1 (en) 2020-02-06

Similar Documents

Publication Publication Date Title
CN112470199B (zh) 用于点对点流量预测的系统和方法
Ma et al. Bus travel time prediction with real-time traffic information
CN111033535B (zh) 用于乘车订单调度的系统和方法
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
US20210064999A1 (en) Multi-scale multi-granularity spatial-temporal traffic volume prediction
CN110073426B (zh) 估计到达时间的系统和方法
US11507894B2 (en) System and method for ride order dispatching
CN112400192B (zh) 多模态深度交通信号控制的方法和系统
JP4796167B2 (ja) イベント判断装置
JP2015125775A (ja) システムでの需要の予測のためのマルチタスク学習システムおよび方法
CN115440032B (zh) 一种长短期公共交通流量预测方法
US9959339B2 (en) Journey time estimation
KR20200084750A (ko) 심층 신경망을 이용한 도로망 통행속도 예측 방법 및 장치
CN110991607B (zh) 一种地铁客流预测方法、装置、电子设备及存储介质
Azevedo et al. Dealing with uncertainty in detailed calibration of traffic simulation models for safety assessment
CN113223293B (zh) 路网仿真模型的构建方法、装置及电子设备
Mihaita et al. Traffic congestion anomaly detection and prediction using deep learning
Kumar et al. Bus travel time prediction: a log-normal auto-regressive (AR) modeling approach
Lu An adaptive system for predicting freeway travel times
US20220277652A1 (en) Systems and methods for repositioning vehicles in a ride-hailing platform
CN115660156A (zh) 一种用于交通站点客流拥堵延误预测的方法及系统
Rahman Applications of deep learning models for traffic prediction problems
Ara et al. Predicting Ride Hailing Service Demand Using Autoencoder and Convolutional Neural Network
US20220277329A1 (en) Systems and methods for repositioning vehicles in a ride-hailing platform
US20240242600A1 (en) Infrastructure Sensor Processing

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