CN112529311A - 一种基于图卷积分析的道路流量预测方法和装置 - Google Patents
一种基于图卷积分析的道路流量预测方法和装置 Download PDFInfo
- Publication number
- CN112529311A CN112529311A CN202011492929.2A CN202011492929A CN112529311A CN 112529311 A CN112529311 A CN 112529311A CN 202011492929 A CN202011492929 A CN 202011492929A CN 112529311 A CN112529311 A CN 112529311A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- node
- training
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于图卷积分析的道路流量预测方法和装置,包括确定预测流量业务的节点,采集所述节点的特征值;将所述特征值作为输入数据对模型进行训练,得到模型;预设损失函数,将所述特征值作为输入数据对所述模型进行训练,得到模型参数;根据所述模型参数和所述输入数据对所述节点的流量进行预测。本申请利用分模型训练预测的方式,通过输入已知的道路网络连接结构以及短期历史流量数据,根据道路节点之间的连接关系,对后续流量数据的准确预测,可有效预测突发性的事件对流量的影响,从而采取有效的应对措施,避免产生治安隐患,为城市智能化治理提供依据。
Description
技术领域
本申请涉及智慧城市,尤其涉及一种基于图卷积分析的道路流量预测的方法和装置。
背景技术
城市治理和管理不仅是国家治理体系的重要组成部分,同时也是全球互联网治理体系的重要载体和构建网络空间命运共同体的重要基础。近年来,我国有很多城市开展了智慧城市建设试点,有效改善了公共服务水平,提升了管理能力,促进了城市经济发展。随着网络强国战略、国家大数据战略、“互联网+”行动计划的实施和“数字中国”建设的不断发展,城市被赋予了新的内涵和新的要求,这不仅推动了传统意义上的智慧城市向新型智慧城市演进,更为新型智慧城市建设带来了前所未有的发展机遇。
对于智慧城市一个很重要的功能体现在对于各种流量的预测,如人流预测、车辆预测、电力负荷预测、水资源调度预测等,通过对这些数据的准确预测可以有效的帮助城市管理者对城市的整体预测,提高城市治理的智慧度。例如人流量预测对城市交通管理和社会治安等方面有很大的影响,比如某地发生的踩踏事件,如果能通过一定手段事先预测什么地方什么时间可能会出现大量人群,当预测的人群数量超过警戒值时,即可事先采取相应规避措施,避免不幸。
现有对各种流量的预测主要基于采用历史数据进行各种分析,利用统计方法上实现空间、时间的分析,对未来数据进行各种预测。如采用历史相同空间、时间、附加条件如影响流量的气候、政策因素等等。这些方法需要大量历史数据的支撑,同时很少考虑各种流量之间的连接关系,对于突发性的事件影响流量无法有效的应对措施。
发明内容
本申请提供一种基于图卷积分析的道路流量预测方法和装置。
根据本申请的第一方面,本申请提供一种基于图卷积分析的道路流量预测方法,包括:
确定预测流量业务的节点,采集所述节点的特征值;
预设损失函数,将所述特征值作为输入数据对所述模型进行训练,得到模型参数;
根据所述模型参数和所述输入数据对所述节点的流量进行预测。
根据本申请的第二方面,本申请提供一种基于图卷积分析的道路流量预测装置,包括:
采集模块,用于确定预测流量业务的节点,采集所述节点的特征值;
训练模块,用于预设损失函数,将所述特征值作为输入数据对所述模型进行训练,得到模型参数;
预测模块,用于根据所述模型参数和所述输入数据对所述节点的流量进行预测。
根据本申请的第三方面,本申请提供一种基于图卷积分析的道路流量预测装置,包括:
存储器,用于存储程序;
处理器,用于通过执行所述存储器存储的程序以实现上述方法。
由于采用了以上技术方案,使本申请具备的有益效果在于:
本申请实施例提供的基于图卷积分析的道路流量预测方法和装置,包括确定预测流量业务的节点,采集所述节点的特征值;预设损失函数,将所述特征值作为输入数据对所述模型进行训练,得到模型参数;根据所述模型参数和所述输入数据对所述节点的流量进行预测。本申请利用模型训练预测的方式,通过输入已知的道路网络连接结构以及短期历史流量数据,根据道路节点之间的连接关系,对后续流量数据的准确预测,可有效预测突发性的事件对流量的影响,从而采取有效的应对措施,避免产生治安隐患,为城市智能化治理提供依据。
附图说明
图1为多阶邻节点采样汇聚示意图;
图2为本申请实施例中的方法在一种实施方式中的流程图;
图3为本申请实施例中的方法在另一种实施方式中的流程图;
图4为本申请实施例提供的多阶模型训练示意图;
图5为本申请实施例提供的预测结果示意图;
图6为本申请实施例中的装置在一种实施方式中的程序模块示意图;
图7为本申请实施例中的装置在另一种实施方式中的程序模块示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。本申请可以以多种不同的形式来实现,并不限于本实施例所描述的实施方式。提供以下具体实施方式的目的是便于对本申请公开内容更清楚透彻的理解,其中上、下、左、右等指示方位的字词仅是针对所示结构在对应附图中位置而言。
然而,本领域的技术人员可能会意识到其中的一个或多个的具体细节描述可以被省略,或者还可以采用其他的方法、组件或材料。在一些例子中,一些实施方式并没有描述或没有详细的描述。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
此外,本文中记载的技术特征、技术方案还可以在一个或多个实施例中以任意合适的方式组合。对于本领域的技术人员来说,易于理解与本文提供的实施例有关的方法的步骤或操作顺序还可以改变。因此,附图和实施例中的任何顺序仅仅用于说明用途,并不暗示要求按照一定的顺序,除非明确说明要求按照某一顺序。
流量数据之间的连接关系是进行流量预测的一个限制条件,以城市各个路口的人数动态变化分析,其短期变化的内在隐含的规律必然与其相邻的路口的人数相关,中期变化规律与其多阶(如图1所示,直接相连为1阶,间接相连为2、3...阶)相邻路口的人数有关。这种作为限制条件的连接关系对于流量预测异常重要,将这些连接关系显式的融入流量预测可以有效的提高预测结果的准确性。
本申请采用GCN(Graph Convolutional Network,图卷积网络)中的GraphSage算法,利用分模型训练预测的方式,通过输入已知的网络连接结构以及短期历史流量数据,实现对后续流量数据的准确预测,为城市智能化治理提供依据。GraphSage是一种数据处理算法,可以高效的针对各种具有连接关系的数据进行分析处理预测,通过对节点的多阶邻居的数据分析,实现对节点数据的更新。主要包括两部分内容:对于邻居节点的采样,对采样数据的聚合进行预测本节点的数据,图1为具体的采样实施示意图,首先确定需要预测的第n组数据,则对n阶邻节点的进行采样,节点○作为需要预测的节点,其1阶邻节点为△,2阶邻节点3阶邻节点□,依次见图。然后将n阶邻节点进行数据汇聚,节点值与权重参数相乘,权重参数通过对模型的训练得到。
实施例一:
如图2所示,本申请实施例提供的基于图卷积分析的道路流量预测方法,其一种实施方式,包括以下步骤:
步骤202:确定预测流量业务的节点,采集所述节点的特征值。
步骤204:预设损失函数,将所述特征值作为输入数据对所述模型进行训练,得到模型参数。
步骤206:根据所述模型参数和所述输入数据对所述节点的流量进行预测。
本申请实施例提供的基于图卷积分析的道路流量预测方法,通过输入已知的道路网络连接结构以及短期历史流量数据,根据道路节点之间的连接关系,对后续流量数据的准确预测,可有效预测突发性的事件对流量的影响,从而采取有效的应对措施,避免产生治安隐患,为城市智能化治理提供依据。
如图3所示,本申请实施例提供的基于图卷积分析的道路流量预测方法,其另一种实施方式,包括以下步骤:
步骤302:确定与预测流量业务相关的节点关联图。
确定预测流量业务相关的节点关联图G=(V,E),V:节点集合,E:边集合。
步骤304:绘制节点和边形成的图邻接矩阵。
步骤306:假设获取数据时间间隔为T,即每隔T时间段进行一次数据采集,按照时间顺序采集所述节点的特征值。
如图4所示,按照时间顺序采集m组各个节点的特征值(如采集数量)。以当前时刻为t,m组数据为(dt-mT,dt-(m-1)T,...,dt)时刻数据,其中,m,n∈[1,2,3,...),dt表示t时刻的数据。
步骤308:根据需预测的数据,在关联节点采集数据对模型进行训练。
预测t+nT时刻数据dt+nT,对n阶关联节点进行采集,模型训练采用(dt-(m+n)T,dt-(m+n-1)T,...,dt-(n+1)T)数据作为输入数据,dt时刻数据作为输出数据进行训练。
如图5所示,利用训练好的模型参数,结合最近时刻(dt-(m-1)T,dt-(m-2)T,...,dt)时刻数据作为输入节点特征值结合邻接矩阵对下一时刻dt+T的节点数据进行预测。
步骤312:在确定的损失函数(可以为平方损失、均方差损失)的条件下,通过上述m组数据对模型进行训练,得到期望得到的模型参数,即训练出模型参数W,b。
步骤314:通过t+n的预测模型,以(dt-(m-1)T,dt-(m-2)T,...,dt)对dt+nT进行预测。
随着时间的增长,当采集到新的数据时,更新m组数据,重新训练模型进行预测。
当前智慧城市的飞速发展,各种前端采集设备智能化程度愈来愈高,如视频采集、无线信号采集、声音采集等。这些采集数据都可以获取到城市中各种流量信息,如通过摄像头的智能算法可以有效的获取采集点的人数等,通过采集手机IMSI、MAC地址也可以有效的进行采集点的人数、车辆数推测,利用这些采集设备获取实时的流量信息,通过本发明中多模型预测方式,结合节点网络结构实现对各个采集的未来数据进行预测。
在本实施例中,主要采用WiFi信号采集模块进行空间中的无线WiFi信号的采集,通过采集单点的无线信号数据信息,利用对MAC地址的有效性分析,推测出该采集点的人数信息。通过利用布置各个路口的WiFi信号采集模块,可以同时采集到多个路口的人数信息。将各个路口的自然连接关系形成一个空间连接关系图,各个放置的WiFi信号采集模块的空间位置作为节点,利用空间位置的自然连接关系作为边,形成一个完整的图。图中每个节点的同时采集到的数据作为一组数据。
利用等间隔数据采集,如10分钟,在时间轴上获取多组数据。利用本发明中的算法,根据需要预测n组数据训练出n个模型,利用模型进行预测节点后续n个时间点可能出现的人数等,为城市管理提供重要的信息。
实施例二:
如图6所示,本申请实施例二提供的基于图卷积分析的道路流量预测装置,其一种实施方式,包括采集模块610、训练模块620和预测模块630。
采集模块610,用于确定预测流量业务的节点,采集所述节点的特征值。
训练模块620,用于预设损失函数,将所述特征值作为输入数据对所述模型进行训练,得到模型参数。
预测模块630,用于根据所述模型参数和所述输入数据对所述节点的流量进行预测。
本申请实施例提供的基于图卷积分析的道路流量预测装置,利用模型训练预测的方式,通过输入已知的道路网络连接结构以及短期历史流量数据,根据道路节点之间的连接关系,对后续流量数据的准确预测,可有效预测突发性的事件对流量的影响,从而采取有效的应对措施,避免产生治安隐患,为城市智能化治理提供依据。
进一步地,如图7所示,采集模块610可以包括处理单元611、绘制单元612和采集单元613。
处理单元611,用于确定与预测流量业务相关的节点关联图。在一种实施方式中,可确定预测流量业务相关的节点关联图G=(V,E),V:节点集合,E:边集合。
采集单元613,用于按照时间顺序采集所述节点的特征值。如图4所示,按照时间顺序采集m组各个节点的特征值(如采集数量)。以当前时刻为t,获取数据时间间隔为T,m组数据为(dt-mT,dt-(m-1)T,...,dt)时刻数据,其中,m,n∈[1,2,3,...),dt表示t时刻的数据
进一步地,训练模块620可以包括训练单元621和转化单元622。
训练单元621,用于根据需预测的数据,在关联节点采集数据对模型进行训练。预测t+nT时刻数据dt+nT,对n阶关联节点进行采集,模型训练采用(dt-(m+n)T,dt-(m+n-1)T,...,dt-(n+1)T)数据作为输入数据,dt时刻数据作为输出数据进行训练。
进一步地,预测模块630还可以用于通过t+nT的预测模型,以(dt-(m-1)T,dt-(m-2)T,...,dt)时刻数据对dt+nT时刻数据进行预测。
如图5所示,利用训练好的模型参数,结合最近时刻(dt-(m-1)T,dt-(m-2)T,...,dt)时刻数据作为输入节点特征值结合邻接矩阵对下一时刻dt+T的节点数据进行预测。
实施例三:
本申请实施例三提供的基于图卷积分析的道路流量预测装置,其一种实施方式,包括存储器和处理器。
存储器,用于存储程序。
处理器,用于通过执行存储器存储的程序以实现实施例一中的方法。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分步骤可以通过程序来指令相关硬件完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等。以上内容是结合具体的实施方式对本申请所作的进一步详细说明,不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干简单推演或替换。
Claims (10)
1.一种基于图卷积分析的道路流量预测方法,其特征在于,包括:
确定预测流量业务的节点,采集所述节点的特征值;
预设损失函数,将所述特征值作为输入数据对所述模型进行训练,得到模型参数;
根据所述模型参数和所述输入数据对所述节点的流量进行预测。
2.如权利要求1所述的方法,其特征在于,所述确定预测流量业务的节点,采集所述节点的特征值,包括:
确定与预测流量业务相关的节点关联图;
绘制节点和边形成的图邻接矩阵;
按照时间顺序采集所述节点的特征值。
4.如权利要求3所述的方法,其特征在于,
所述损失函数包括平方损失函数或均方损失函数。
5.如权利要求4所述的方法,其特征在于,所述根据所述模型参数和所述输入数据对所述节点的流量进行预测,包括:
通过t+n的预测模型,以(dt-(m-1)T,dt-(m-2)T,...,dt)对dt+nT进行预测。
6.一种基于图卷积分析的道路流量预测装置,其特征在于,包括:
采集模块,用于确定预测流量业务的节点,采集所述节点的特征值;
训练模块,用于预设损失函数,将所述特征值作为输入数据对所述模型进行训练,得到模型参数;
预测模块,用于根据所述模型参数和所述输入数据对所述节点的流量进行预测。
7.如权利要求6所述的装置,其特征在于,所述采集模块,包括:
处理单元,用于确定与预测流量业务相关的节点关联图;
绘制单元,用于绘制节点和边形成的图邻接矩阵;
采集单元,用于按照时间顺序采集所述节点的特征值。
9.如权利要求8所述的装置,其特征在于,所述预测模块,还用于通过t+n的预测模型,以(dt-(m-1)T,dt-(m-2)T,...,dt)对dt+nT进行预测。
10.一种基于图卷积分析的道路流量预测装置,其特征在于,包括:
存储器,用于存储程序;
处理器,用于通过执行所述存储器存储的程序以实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492929.2A CN112529311B (zh) | 2020-12-16 | 2020-12-16 | 一种基于图卷积分析的道路流量预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492929.2A CN112529311B (zh) | 2020-12-16 | 2020-12-16 | 一种基于图卷积分析的道路流量预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529311A true CN112529311A (zh) | 2021-03-19 |
CN112529311B CN112529311B (zh) | 2024-05-24 |
Family
ID=75000868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011492929.2A Active CN112529311B (zh) | 2020-12-16 | 2020-12-16 | 一种基于图卷积分析的道路流量预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529311B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495492A (zh) * | 2021-12-31 | 2022-05-13 | 中国科学院软件研究所 | 一种基于图神经网络的交通流预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN109740785A (zh) * | 2018-10-22 | 2019-05-10 | 北京师范大学 | 基于图卷积神经网络的节点状态预测的方法 |
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 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
CN110717627A (zh) * | 2019-09-29 | 2020-01-21 | 浙江大学 | 一种基于对偶图框架的全量交通预测方法 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
CN111612206A (zh) * | 2020-03-30 | 2020-09-01 | 清华大学 | 一种基于时空图卷积神经网络的街区人流预测方法及系统 |
CN112053560A (zh) * | 2020-08-27 | 2020-12-08 | 武汉理工大学 | 基于神经网络的短时交通流量预测方法、系统和存储介质 |
-
2020
- 2020-12-16 CN CN202011492929.2A patent/CN112529311B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN109740785A (zh) * | 2018-10-22 | 2019-05-10 | 北京师范大学 | 基于图卷积神经网络的节点状态预测的方法 |
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 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
CN110717627A (zh) * | 2019-09-29 | 2020-01-21 | 浙江大学 | 一种基于对偶图框架的全量交通预测方法 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
CN111612206A (zh) * | 2020-03-30 | 2020-09-01 | 清华大学 | 一种基于时空图卷积神经网络的街区人流预测方法及系统 |
CN112053560A (zh) * | 2020-08-27 | 2020-12-08 | 武汉理工大学 | 基于神经网络的短时交通流量预测方法、系统和存储介质 |
Non-Patent Citations (1)
Title |
---|
(意)吉安卡洛·扎克尼(GIANCARLOZACCONE),(德)礼萨·卡里姆(MD.REZAULKARIM)著: "《智能风控 Python金融风险管理与评分卡建模》", 北京:北京邮电大学出版社, pages: 148 - 249 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495492A (zh) * | 2021-12-31 | 2022-05-13 | 中国科学院软件研究所 | 一种基于图神经网络的交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112529311B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
Shao et al. | Traffic flow prediction with long short-term memory networks (LSTMs) | |
WO2022241802A1 (zh) | 复杂路网下的短时交通流量预测方法、存储介质和系统 | |
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
CN111861274A (zh) | 一种水环境风险预测预警方法 | |
CN110910659A (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN113792929A (zh) | 交通流量预测方法、电子设备及存储介质 | |
CN111564053A (zh) | 车辆调度方法、装置、车辆调度设备和存储介质 | |
CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
CN112487724B (zh) | 基于分区和改进cnn-ca模型的城市动态扩张模拟方法 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
CN110399537B (zh) | 一种基于人工智能技术的警情时空预测方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
CN112766240B (zh) | 基于时空关系的残差多图卷积人群分布预测方法及系统 | |
CN115116227A (zh) | 一种交通流量预测方法、系统、装置及可读存储介质 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN113506000A (zh) | 一种计算城市汇水区域暴雨溢流风险的方法 | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 |
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 |