CN112562339B - 基于多任务图卷积网络的鲁棒性交通流预测方法 - Google Patents
基于多任务图卷积网络的鲁棒性交通流预测方法 Download PDFInfo
- Publication number
- CN112562339B CN112562339B CN202011461804.3A CN202011461804A CN112562339B CN 112562339 B CN112562339 B CN 112562339B CN 202011461804 A CN202011461804 A CN 202011461804A CN 112562339 B CN112562339 B CN 112562339B
- Authority
- CN
- China
- Prior art keywords
- task
- model
- tasks
- multitask
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 230000005856 abnormality Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多任务图卷积网络的鲁棒性交通流预测方法。通过采用图卷积(Graph Convolutional Networks)结合时域卷积来提取交通数据的时空关系,并采用多任务学习MTL(Multi‑Task Learning)结构来增强模型的泛化能力以对抗交通数据缺失和异常。本发明设计了一种将图卷积与多任务学习相结合的多任务图卷积模型,可以使模型在数据异常情况下更加稳定地预测交通流。本发明所提出的模型具有多输出结构,可以同时输出三个任务。其中一个任务为输出目标时间段交通流数据,剩下两个任务是对同一个路网在不同时间段进行预测的辅助任务,分别为目标任务前15分钟时间段,目标任务后15分钟时间段。通过同时训练目标时间段及其早期和后期的交通流预测任务,可以实现模型参数的鲁棒性。
Description
技术领域
本发明涉及智能交通领域和深度学习领域,特别是一种基于多任务图卷积网络的鲁棒性交通流预测方法。
背景技术
交通流量预测是实现智慧城市中智能交通系统(ITS)的关键部分。交通预测的目的是基于历史的交通数据对未来道路网络的交通状况进行预测。它在许多实际应用中扮演着重要角色。准确的交通状况预测是有效管理交通的基础,是对车辆进行更加合理的引导,提高公路网的运行效率的关键方法。此外,交通流是检测交通系统中交通状况的重要指标。它将为ITS中其他重要任务提供重要的路况信息,如预计到达时间和路线规划。由于其重要意义,它受到了学术界和产业界的广泛关注。
传统的交通路况预测都是基于数据集完整且正常情况下实验的,准确的交通信息可用于交通数据的预测和长期的交通规划。然而,现实中交通传输网络延迟和传感器故障,以及天气,交通事故和大型事件(例如:国际级足球比赛,马拉松比赛等)所导致的交通异常,使交通数据产生异常值和缺失值,会导致我们错误地预测交通数据和规划长期交通路线。具体而言,智能交通系统可以从各种固定和移动传感器收集交通数据,但例如回路探测器和道路侧摄像机之类的固定式传感器具有有限的空间覆盖,而GPS传感器之类的可移动传感器以高精度收集数据也不稳定。且在通信传输方面,设备与数据中心的信息传输会受到环境与网络延时的制约,会导致交通信息缺失与异常。因此,如何解决异常数据下,模型仍可稳定了对交通状况进行预测,是一个极具挑战性的课题。
发明内容
本发明的目的在于提供一种基于多任务图卷积网络的鲁棒性交通流预测方法,将多任务学习(MTL)与图卷积网络(GCN)相结合,首先,利用图卷积方法得到交通网络的时空相关性;其次,使用一个能够通过多个输出进行多任务学习的模型,每个输出对应于同一交通网络在不同的相邻时间持续时间;从而有效提升了模型在交通数据异常情况下预测性能的鲁棒性。
为实现上述目的,本发明的技术方案是:一种基于多任务图卷积网络的鲁棒性交通流预测方法,包括如下步骤,
步骤S1、根据地理信息,分析交通网络数据的时空相关性;
步骤S2、利用图卷积GCN训练交通网络数据,并与多任务学习MTL相结合,构建多任务图卷积模型MTGCN;
步骤S3、提出一种新的损失函数计算方法,在每次迭代中根据每个任务的损失值占所有任务损失值总和的权重来重新生成新的损失值,该方法可使三个任务同时收敛;
步骤S4、根据真实值对比预测值调整每个任务的参数,降低损失,优化多任务图卷积模型MTGCN。
在本发明一实施例中,所述步骤S1中,采用皮尔森相关系数,作为衡量交通网络数据之间的相关性指标;并将交通数据处理成张量形式,来保留交通数据的时空相关性。
在本发明一实施例中,所述步骤S2中,多任务图卷积模型MTGCN的构造方式如下:
步骤S21、分别增加预测目标时间段的前15分钟时段任务和预测目标时间段的后15分钟时间段任务;
步骤S22、构建多任务图卷积模型MTGCN框架,将预测目标时间段及其前15分钟时段、后15分钟时间段的任务输入多任务图卷积模型MTGCN框架中,得到多任务图卷积模型MTGCN的模型参数,进而构建多任务图卷积模型MTGCN。
在本发明一实施例中,所述步骤S3中,新的损失函数计算方法如下:
步骤S31、计算出三个任务的总体损失值:
步骤S32、根据每个任务的损失值在所有任务中损失值的权重来重新生成新的损失值:
多任务图卷积模型MTGCN根据每个特定任务新的损失值来对模型参数进行调优,可以使多个任务同时收敛。
在本发明一实施了中,所述步骤S4具体实现方式为:将多任务图卷积模型MTGCN的预测输出与真实值对比,计算损失值,对三个任务优化,采用均方误差MSE为损失函数,然后使用反向传播算法对三个任务的参数进行不断优化,反向传播算法中不断计算参数梯度,并使用RMSprop不断自适应学习率,RMSprop能够根据之前的梯度变化的情况来更新学习率,RMSprop使用变量MeanSquare(w,t)来保存第t次更新学习率时每个权值w前一段时间的梯度平方的平均值,根据这个变量来自适应学习率,不断优化参数,使模型达到最优解:其中,
均方误差函数:
其中n为样本的个数,predicted为模型的预测值,observed为实际观测值;
RMSprop公式:
相较于现有技术,本发明具有以下有益效果:本发明提出的一种基于多任务图卷积网络的鲁棒性交通流预测方法,克服现有模型对异常数据的容忍性。通过增加与目标任务相关的两个学习任务,三个任务共享参数,同时通过不断更新损失函数的权值,模型可以使三个任务同时收敛,有效提高了模型的鲁棒性。
附图说明
图1是本发明实施例中的整体模型框架。
图2是本发明实施例中多任务时间序列例子。
图3、图4是本发明实施例中利用本发明所提出的方法在数据具有不同噪声率下预测交通流数据的各模型MAE值和R2值比较。
图5是本发明实施例中利用本发明所提出的方法在数据具有不同缺失率下用简单填充方法后预测交通流数据的各模型MAE比较。
图6、图7是本发明实施例中利用本发明所提出的方法在数据具有不同缺失率下预测交通流数据的各模型MAE值和R2值比较。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的一种基于深度学习的交通流鲁棒性预测方法,具体按照如下步骤实现,
步骤S1:根据地理信息,分析交通网络的时空相关性;
在本实例中,使用皮尔森相关系数,作为衡量数据各模式之间的相关性指标。发现数据存在周相关性、天相关性、时间相关性和空间相关性。
步骤S2:将图卷积GCN(Graph Convolutional Networks)型与多任务学习MTL(Multi-Task Learning)相结合,组成多任务图卷积模型MTGCN(Multi-Task GraphConvolutional Networks),同时训练多个任务,使模型更具鲁棒性;具体如下:
在图卷积的基础上嵌入与目标任务相关的一些其他任务,来共同学习目标任务。通过分别增加预测目标时间段的前15分钟时段任务和目标时间段的后15分钟时间段任务。通过共享相关任务之间的表征,可以使我们的模型更好地概括原始任务。
图卷积如下所示;
gθ*Gx=gθ(UΛUT)x=UgΘ(L)xUTx;
上式中*G表示图卷积操作,gθ为卷积核,x为交通流序列,x采用的是预测点前一天、一周、一小时的数据进行预测。L为拉普拉斯矩阵A是S2中的邻接矩阵,D为邻接矩阵的度。通过图卷积可以提取出不同节点的空间特征,然后通过时域的卷积CNN,可以提取时间相似性。最后再经过一个全连接层和卷积层融合特征。
步骤S3:提出了一种新的损失函数计算方法,在每次迭代中根据每个任务的损失值占所有任务损失值总和的权重来重新生成新的损失值,该方法可以使三个任务同时收敛。
步骤S4:根据真实值对比预测值调整每个边缘端的参数,降低损失,优化模型
本实例中采用均方误差MSE为损失函数,计算框架输出的预测值和实际交通流数据之间的特征,然后使用反向传播算法对框架的参数进行不断优化,反向传播算法中不断计算参数梯度,并使用RMSprop不断自适应学习率,RMSprop可以根据之前的梯度变化的情况来更新学习率,RMSprop算法使用变量MeanSquare(w,t)来保存第t次更新学习率时每个权值w前一段时间的梯度平方的平均值,根据这个变量来自适应学习率,不断优化参数,使结构达到最优解。
均方误差函数(MSE):
其中n为样本的个数,predicted为模型的预测值,observed为实际观测值。
RMSprop公式:
为了让本领域技术人员进一步了解本发明所提出的一种基于深度学习的交通流鲁棒性预测方法,下面结合具体实施例作详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程。
如图1所示,所示展示了整个框架的实施方法。
本实施例包括如下具体步骤:
步骤一:收集交通数据,然后对交通数据进行时空相关性分析,对交通数据进行切片处理,分别获取目标时间段交通数据的前两周数据、前一天数据和前一个小时数据,将数据处理成张量形式。
步骤二:将获取到的数据输入到ASTGCN模型框架中进行训练。
步骤三:设置了一个输入多个输出的多任务学习MTL(Multi-Task Learning)模型框架,将图卷积GCN(Graph Convolutional Networks)训练后的数据输入到多任务学习框架中,同时训练多个任务,使模型更具鲁棒性。其中实验中的三个输出如图2所示,分别目标预测时间段、目标预测时间段的前15分钟和目标预测时间段的后十五分钟。最终模型为多任务图卷积模型MTGCN(Multi-Task Graph Convolutional Networks),且提出在每次迭代中根据每个任务的损失值占所有任务损失值总和的权重来重新生成新的损失值,不断更新每个任务的损失权重,该方法可以使三个任务同时收敛。
如图3、4所示,为本发明中在数据具有无缺失到0.9缺失情况下的预测性能指标对比图。
本实施例包括如下具体步骤:
步骤一:在原始完整的数据集基础上,本实验造成原始数据随机缺失。
步骤二:利用本发明中的模型框架对随机缺失的数据进行预测,并与其他模型算法进行对比。图3、4分别显示了数据从无缺失到0.9缺失情况下MAE值和R2值变化,可以看出两个不同的预测性能指标均能表明我们模型是最优、最稳定的。可以看出对比算法对异常数据的抗干扰能力较差,在低缺失率的时候,预测性能就特别差,表明了我们的模型对异常数据的稳定性和容忍性。
如图5所示,为本发明中对缺失数据先进行前向填充,后均值填充的情况下的预测性能指标对比图。
本实例包括如下具体步骤:
步骤一:在构造随机缺失数据之后,本发明对缺失数据进行了简单填充,先用缺失位置的前一个值填充,若前一个值也缺失,则用整个路网的均值填充缺失位置。
步骤二:利用本发明中的模型框架对填充后的缺失数据进行预测,并与其他模型算法进行对比。图5显示了预测一小时内交通流的各种模型的MAE值。可以看出,在缺失率为0.3之前,本发明的模型优于除ASTGCN之外的所有模型,在0.3缺失率之后,本发明的模型优于所有模型。
如图6、7所示,为本发明中在数据具有高斯噪声情况下的预测性能指标对比图。
本实例包括如下具体步骤:
步骤一:在完整的数据集中加入不同噪声率且信噪比为1的高斯噪声。
步骤二:利用本发明中的模型框架对随机噪声的数据进行预测,并与其他模型算法进行对比。图6、7分别显示了从无噪声到0.9噪声率的MAE值和R2值变化。随着噪声率的增加,各模型的预测精度会降低。但可以看出,本发明的模型仍然一直优于其他对比模型。
上述分析说明,本发明所提出的一种基于深度学习的鲁棒性交通流预测方法,在数据异常时能获得比现有方法预测更稳定,提高了模型对异常数据的容忍性,具有一定的参考价值和实际经济效益。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种基于多任务图卷积网络的鲁棒性交通流预测方法,其特征在于,包括如下步骤,
步骤S1、根据地理信息,分析交通网络数据的时空相关性;
步骤S2、利用图卷积GCN训练交通网络数据,并与多任务学习MTL相结合,构建多任务图卷积模型MTGCN;
步骤S3、提出一种新的损失函数计算方法,在每次迭代中根据每个任务的损失值占所有任务损失值总和的权重来重新生成新的损失值,该方法可使三个任务同时收敛;新的损失函数计算方法如下:
步骤S31、计算出三个任务的总体损失值:
步骤S32、根据每个任务的损失值在所有任务中损失值的权重来重新生成新的损失值:
多任务图卷积模型MTGCN根据每个特定任务新的损失值来对模型参数进行调优,可以使多个任务同时收敛;
步骤S4、根据真实值对比预测值调整每个任务的参数,降低损失,优化多任务图卷积模型MTGCN。
2.根据权利要求1所述的基于多任务图卷积网络的鲁棒性交通流预测方法,其特征在于,所述步骤S1中,采用皮尔森相关系数,作为衡量交通网络数据之间的相关性指标;并将交通数据处理成张量形式,来保留交通数据的时空相关性。
3.根据权利要求1所述的基于多任务图卷积网络的鲁棒性交通流预测方法,其特征在于,所述步骤S2中,多任务图卷积模型MTGCN的构造方式如下:
步骤S21、分别增加预测目标时间段的前15分钟时段任务和预测目标时间段的后15分钟时间段任务;
步骤S22、构建多任务图卷积模型MTGCN框架,将预测目标时间段及其前15分钟时段、后15分钟时间段的任务输入多任务图卷积模型MTGCN框架中,得到多任务图卷积模型MTGCN的模型参数,进而构建多任务图卷积模型MTGCN。
4.根据权利要求1所述的基于多任务图卷积网络的鲁棒性交通流预测方法,其特征在于,所述步骤S4具体实现方式为:将多任务图卷积模型MTGCN的预测输出与真实值对比,计算损失值,对三个任务优化,采用均方误差MSE为损失函数,然后使用反向传播算法对三个任务的参数进行不断优化,反向传播算法中不断计算参数梯度,并使用RMSprop不断自适应学习率,RMSprop能够根据之前的梯度变化的情况来更新学习率,RMSprop使用变量MeanSquare(w,t)来保存第t次更新学习率时每个权值w前一段时间的梯度平方的平均值,根据这个变量来自适应学习率,不断优化参数,使模型达到最优解:其中,
均方误差函数:
其中n为样本的个数,predicted为模型的预测值,observed为实际观测值;
RMSprop公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011461804.3A CN112562339B (zh) | 2020-12-09 | 2020-12-09 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011461804.3A CN112562339B (zh) | 2020-12-09 | 2020-12-09 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112562339A CN112562339A (zh) | 2021-03-26 |
CN112562339B true CN112562339B (zh) | 2022-01-04 |
Family
ID=75062535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011461804.3A Active CN112562339B (zh) | 2020-12-09 | 2020-12-09 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112562339B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326974B (zh) * | 2021-05-01 | 2024-04-09 | 北京工业大学 | 一种基于多任务超图卷积网络的多源交通流预测方法 |
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 |
CN115798216B (zh) * | 2023-02-03 | 2023-04-28 | 以萨技术股份有限公司 | 一种获取目标车流量的数据处理系统 |
CN118097934A (zh) * | 2024-01-15 | 2024-05-28 | 东南大学 | 面向突发事件下路网流量实时预测的在线学习图卷积方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN109598939A (zh) * | 2018-12-24 | 2019-04-09 | 中国科学院地理科学与资源研究所 | 一种基于多任务多视图学习模型的短时交通预测方法 |
CN110299008A (zh) * | 2019-07-19 | 2019-10-01 | 浙江工业大学 | 一种基于强化学习的交通流多步预测方法 |
CN110443364A (zh) * | 2019-06-21 | 2019-11-12 | 深圳大学 | 一种深度神经网络多任务超参数优化方法及装置 |
CN110517482A (zh) * | 2019-07-29 | 2019-11-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
CN110909909A (zh) * | 2019-09-03 | 2020-03-24 | 南京理工大学 | 基于深度学习和多层时空特征图的短时交通流预测方法 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
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 |
CN111626490A (zh) * | 2020-05-20 | 2020-09-04 | 南京航空航天大学 | 一种基于对抗学习的多任务城市时空预测方法 |
CN111653088A (zh) * | 2020-04-21 | 2020-09-11 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN111860951A (zh) * | 2020-06-12 | 2020-10-30 | 北京工业大学 | 一种基于动态超图卷积网络的轨道交通客流预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079780B (zh) * | 2019-11-06 | 2023-06-23 | 中国科学院深圳先进技术研究院 | 空间图卷积网络的训练方法、电子设备及存储介质 |
CN111932874B (zh) * | 2020-07-27 | 2022-09-06 | 中国科学技术大学 | 一种利用机动车gps轨迹预测空气污染趋势的方法及系统 |
-
2020
- 2020-12-09 CN CN202011461804.3A patent/CN112562339B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN109598939A (zh) * | 2018-12-24 | 2019-04-09 | 中国科学院地理科学与资源研究所 | 一种基于多任务多视图学习模型的短时交通预测方法 |
CN110443364A (zh) * | 2019-06-21 | 2019-11-12 | 深圳大学 | 一种深度神经网络多任务超参数优化方法及装置 |
CN110299008A (zh) * | 2019-07-19 | 2019-10-01 | 浙江工业大学 | 一种基于强化学习的交通流多步预测方法 |
CN110517482A (zh) * | 2019-07-29 | 2019-11-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
CN110909909A (zh) * | 2019-09-03 | 2020-03-24 | 南京理工大学 | 基于深度学习和多层时空特征图的短时交通流预测方法 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
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 |
CN111653088A (zh) * | 2020-04-21 | 2020-09-11 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN111626490A (zh) * | 2020-05-20 | 2020-09-04 | 南京航空航天大学 | 一种基于对抗学习的多任务城市时空预测方法 |
CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN111860951A (zh) * | 2020-06-12 | 2020-10-30 | 北京工业大学 | 一种基于动态超图卷积网络的轨道交通客流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112562339A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112562339B (zh) | 基于多任务图卷积网络的鲁棒性交通流预测方法 | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN113792929B (zh) | 交通流量预测方法、电子设备及存储介质 | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN112561199A (zh) | 天气参数预测模型训练方法、天气参数预测方法及装置 | |
CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
CN117134978A (zh) | 基于局部和全局行为模式分析的车辆身份验证方法及系统 | |
CN115662142A (zh) | 基于车联网稀疏信息的深度学习交通状态估计方法及系统 | |
Wei et al. | Study of self-organizing control of traffic signals in an urban network based on cellular automata | |
Fathurrahman et al. | Urban network traffic analysis, data imputation, and flow prediction based on probabilistic PCA model of traffic volume data | |
Picano et al. | Passengers demand forecasting based on chaos theory | |
CN116542374B (zh) | 基于神经网络和卡尔曼滤波的公交到站时间预测方法 | |
Yue et al. | Engineering Traffic Prediction With Online Data Imputation: A Graph-Theoretic Perspective | |
CN114758311B (zh) | 一种基于异质特征融合的交通流量预测方法及系统 | |
Cong et al. | Research on Satellite Network Traffic Prediction Algorithm Based on Gray Wolf Algorithm Optimizing GRU and Spatiotemporal Analysis | |
CN117437776B (zh) | 一种智能交通系统中交通流预测方法及其系统 | |
Amudha et al. | DTKFA: Limiting the amount of needless file transfers by predicting the data gathering requirements of sensor nodes | |
Ye et al. | Large scale trajectory data management | |
Aziz | Machine Learning Models for Pattern Identification and Predictive Analytics | |
CN118245791A (zh) | 一种用于虚拟交通流的船舶轨迹插值预报方法 | |
Farhan Fathurrahman et al. | Urban network traffic analysis, data imputation, and flow prediction based on probabilistic PCA model of traffic volume data | |
CN118629209A (zh) | 一种基于张量分解重构融合图的交通流预测方法 | |
Steen Danielsson | Modelling of Inflow and Infiltration into Wastewater Systems with Regression and Random Forest |
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 |