CN112614336A - 一种基于量子随机游走的交通流模态拟合方法 - Google Patents

一种基于量子随机游走的交通流模态拟合方法 Download PDF

Info

Publication number
CN112614336A
CN112614336A CN202011301012.XA CN202011301012A CN112614336A CN 112614336 A CN112614336 A CN 112614336A CN 202011301012 A CN202011301012 A CN 202011301012A CN 112614336 A CN112614336 A CN 112614336A
Authority
CN
China
Prior art keywords
traffic flow
modal
random walk
quantum random
screening
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
Application number
CN202011301012.XA
Other languages
English (en)
Other versions
CN112614336B (zh
Inventor
王增杰
俞肇元
滕玉浩
周鑫鑫
袁林旺
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.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
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 Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN202011301012.XA priority Critical patent/CN112614336B/zh
Priority to PCT/CN2020/130414 priority patent/WO2022104696A1/zh
Priority to US17/607,902 priority patent/US20220300678A1/en
Publication of CN112614336A publication Critical patent/CN112614336A/zh
Application granted granted Critical
Publication of CN112614336B publication Critical patent/CN112614336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于量子随机游走的交通流模态拟合方法，包括如下步骤：(1)基于量子随机游走构建模态生成器；(2)多模态制备；(3)模态筛选；(4)构建模态与交通流量间的映射机制。本发明认为高速交通流是由多个结构各异的交通流模态混叠耦合形成的复杂地理时空过程，尝试从多尺度分析的视角实现交通流的建模模拟；在高速公路路网拓扑结构的基础框架下，利用量子随机游走生成高速交通流中所有可能的交通流模态；并在实际交通流时间序列的约束下，基于特定的筛选规则实现模态的筛选，并探索交通流模态与交通流量间的转化耦合机制，实现了对高速交通流的建模模拟。

Description

一种基于量子随机游走的交通流模态拟合方法
技术领域
本发明涉及城市规划、交通地理技术领域，尤其是一种基于量子随机游走的交通流模态拟合方法。
背景技术
交通流量是众多交通应用的一个重要指标，通常通过位于(高速)公路进/出站点的传感器采集获得。交通流量在识别道路拥堵程度、交通分流以及交通事故后处理等方面提供了关键信息，对交通管理、流量预测和调控等领域发挥着不可或缺的作用。然而，交通流系统是一个开放系统，不同驾驶员具有不同的驾驶模式，驾驶员的异质性使交通流的复杂程度剧增，为交通流建模模拟带来了极大挑战。
当前的交通流建模模型大致可归纳为两类：确定性模型和随机性模型。确定性模型的输出结果完全决定于模型参数及初始化条件，因此可对交通流进行准确建模。可进一步将其分为三类：宏观模型、微观模型以及智能体模型。宏观模型通常使用内生或外生变量来反映交通流的平均振荡，忽略了驾驶员的异质性，不适用于高速交通流建模。微观模型将个体抽象为粒子，通过改变粒子之间的吸引力来近似描述交通流振荡，但无法表征交通流振荡的随机性；智能体模型通过预定义演化规则来模拟交通流中个体的异质性，而这些预定义规则只能从确定性视角对交通流数据进行建模，不能较好地揭示交通流中的随机性。
随机性模型包括：宏观统计模型、统计学习模型以及动态网络模型。宏观统计模型将交通流视为随机过程，如自回归移动平均模型(ARIMA)与Markov模型，虽然此类模型参数简单、计算高效，但通常需要满足平稳性假设；统计学习模型，如长短期记忆网络(LSTM)，通过使用海量历史数据进行训练模型，并不断调整模型参数来模拟交通流。此类模型具有识别交通流非线性特征的优势，但由于“黑箱”特性，且对于训练数据过于敏感，对交通流的模拟造成了一定限制。动态网络模型将驾驶的时空过程描述为驾驶员在交通网络上的动态转移，驾驶员的异质性则通过转移概率表现。近年来，随着交通流数据的不断积累和完善，越来越多的证据表明经典随机游走可以捕获交通流的非线性与动态特性。但是，实际交通流多数情况下不能满足经典随机游走的独立性和随机性假设，使得经典随机游走在交通流模拟中失效。
发明内容
本发明所要解决的技术问题在于，提供一种基于量子随机游走的交通流模态拟合方法，实现对高速交通流的建模模拟。
为解决上述技术问题，本发明提供一种基于量子随机游走的交通流模态拟合方法，包括如下步骤：
(1)基于量子随机游走构建模态生成器；
(2)多模态制备；
(3)模态筛选；
(4)构建模态与交通流量间的映射机制。
优选的，步骤(1)中，基于量子随机游走构建模态生成器具体为：基于量子随机游走的基本假设，在具有n个站点的一维交通流中，将驾驶员所有可能的选择定义为量子随机游走的基态，记为|v>＝{|1>,|2>,…,|n>}；由于驾驶员最终只能选择一个站点驶离高速交通流，因此将基态表示为如下向量形式：
Figure BDA0002786840190000021
为了让驾驶员能够动态调整出现在不同站点的概率，首先定义一个由基态构成的希尔伯特空间H，使得由基态的线性组合而成的叠加态同样处于该空间中；因此，量子随机游走的状态
Figure BDA0002786840190000022
被定义为所有基态的线性叠加：
Figure BDA0002786840190000023
其中|aj(k)|∈[0,1]，表示驾驶员在给定时间处于状态|j>的概率幅；根据随机性假设，基于酉变换，将状态向量
Figure BDA0002786840190000024
随时间的演化表示如下：
Figure BDA0002786840190000025
如式(3)所示，状态向量的动态演变取决于邻接矩阵A，从离散点的视角将其转化为矩阵，并通过矩阵运算有效求解状态向量，构建了基于量子随机游走的模态生成器。
优选的，步骤(2)中，多模态制备具体为：量子随机游走控制参数是步骤(1)构建的模态生成器的唯一参数，直接决定了交通流模态的特征，即相应概率分布的结构特征；只需不断变化量子随机游走的控制参数，即可生成交通流中所有可能的模态。
优选的，步骤(3)中，模态筛选具体为：以逐步回归子集筛选法作为交通流模态筛选方法，在实际交通流时间序列F的约束下，对步骤(2)生成的所有可能的交通流模态
Figure BDA0002786840190000031
进行逐步回归子集筛选，将其表示为：
Figure BDA0002786840190000032
基于赤池信息量准则(AIC)，使用式(4)中的逐步回归子集筛选方法对所有可能的交通流模态
Figure BDA0002786840190000033
进行筛选，得到模态筛选结果，记为
Figure BDA0002786840190000034
优选的，步骤(4)中，构建模态与交通流量间的映射机制具体为：基于步骤(3)筛选所得模态
Figure BDA0002786840190000035
建立了交通流量与交通流模态间的混叠耦合关系，并将其表示为：
Figure BDA0002786840190000036
其中，M为步骤(3)筛选所得的模态数，F为实际交通流时间序列，αm为以模态
Figure BDA0002786840190000037
驶离高速交通流的车辆总数，km为筛选所得模态的参数，是交通流模态特征的重要表征参数。
本发明的有益效果为：本发明认为高速交通流是由多个结构各异的交通流模态混叠耦合形成的复杂地理时空过程，尝试从多尺度分析的视角实现交通流的建模模拟；在高速公路路网拓扑结构的基础框架下，利用量子随机游走生成高速交通流中所有可能的交通流模态；并在实际交通流时间序列的约束下，基于特定的筛选规则实现模态的筛选，并探索交通流模态与交通流量间的转化耦合机制，实现了对高速交通流的建模模拟。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的整体框架结构示意图。
图3为本发明三种方法的模拟结果示意图。
图4为本发明三种方法的统计指标对比示意图。
图5为本发明三种方法功率谱分析结果对比示意图。
具体实施方式
如图1所示，一种基于量子随机游走的交通流模态拟合方法，包括如下步骤：
(1)基于量子随机游走构建模态生成器；
(2)多模态制备；
(3)模态筛选；
(4)构建模态与交通流量间的映射机制。
本发明主要包括以下两个方面的理论假设：(1)模态假设：假设具有相同/相似驾驶模式的驾驶员形成的轨迹聚合形成一个交通流模态，限定了驾驶员异质性与模态的关系。(2)模型假设：假设交通流满足独立性假设和随机性假设(实际交通流基本满足此假设)，确定了使用量子随机游走而不是经典随机游走生成所有可能的交通流模态。
如图2所示，在一维高速交通流中，假设交通流中同一模态下的驾驶员在t0时刻从站点S0驶入交通流，在从如S1,S2,…,Sn的站点出站。当未对系统施加观测时，任意驾驶员在任意时刻均以一定概率出现在任意站点，不同模态具有不同的概率分布，概率大小体现了驾驶员的异质性。
为了构建基于量子随机游走的交通模态拟合方法，本发明遵循以下假设：(1)独立性假设：由个体产生的交通振荡是相互关联的，这不仅意味着个体的驾驶模式会被其他个体所影响，而且个体的驾驶模式与整体交通状况也是双向影响的。(2)随机性假设：同一交通模态的驾驶员存在随机性，即使车辆匀速行驶，在未实施观测的情况下，驾驶员在给定时间内可能出现在任何位置，满足量子随机游走的基本假设。基于以上假设，保证了运用量子随机游走制备交通流模态的可行性。
为满足量子随机游走的基本假设，将具有相同/相似驾驶模式的一类驾驶员(即同一模态下的驾驶员)抽象为量子化的粒子，则此类驾驶员在高速交通系统上的运动过程可描述为粒子在站点间的转移过程。在未对系统施加观测时，粒子会以一定的概率出现在多个可能的位置，形成该模态下粒子出现在各站点概率随时间的动态演化过程。因此，基于量子随机游走，在高速公路路网拓扑结构的约束下，构建了单一模态下的概率分布生成器。
同一交通流模态下的驾驶员在高速交通系统上的运动过程可描述为抽象化的游走者在站点间的转移过程，并可用量子随机游走加以描述。在构建模态生成器的过程中，其关键是在给定的参数下，游走者从固定的站点出发，在以研究区域的高速公路网的邻接矩阵(拓扑结构)构成的基本骨架上进行量子随机游走，形成单一模态下车辆分布概率随时间的动态演化。
基于量子随机游走的基本假设，在具有n个站点的一维交通流中，可将驾驶员所有可能的选择定义为量子随机游走的基态，记为|v>＝{|1>,|2>,…,|n>}。由于驾驶员最终只能选择一个站点驶离高速交通流，因此可将基态表示为如下向量形式：
Figure BDA0002786840190000051
为了让驾驶员能够动态调整出现在不同站点的概率，首先定义一个由基态构成的希尔伯特空间H，使得由基态的线性组合而成的叠加态同样处于该空间中。因此，量子随机游走的状态
Figure BDA0002786840190000052
可以被定义为所有基态的线性叠加：
Figure BDA0002786840190000053
其中|aj(k)|∈[0,1]，表示驾驶员在给定时间处于状态|j>的概率幅。不同于经典随机游走，量子随机游走不是一个马尔科夫链。根据随机性假设，基于酉变换，可将状态向量
Figure BDA0002786840190000054
随时间的演化表示如下：
Figure BDA0002786840190000055
如式(3)所示，状态向量的动态演变取决于邻接矩阵A，且含有复数系数的微分方程是难以直接求解的。因此，从离散点的视角将其转化为矩阵，并通过矩阵运算有效求解状态向量。至此，构建了基于量子随机游走的模态生成器。
在实际高速交通流中，驾驶员的驾驶模式各具特色，用单一模态表征高速交通流是不现实的。因此，考虑进行多种交通流模态的制备，这样不仅能够揭示交通流的复杂结构和众多模态的叠加耦合关系，还为高精度拟合交通流提供了基础。
量子随机游走控制参数是步骤(1)构建的模态生成器的唯一参数，它直接决定了交通流模态的特征，即相应概率分布的结构特征。因此，只需不断变化量子随机游走的控制参数，即可生成交通流中所有可能的模态，是交通流模态分解与建模模拟的“基”。
在本发明中，基于以下规则不断调整参数k：在研究区域高速公路网上进行2000次量子随机游走，k以0.01的间隔从0.01增加至20。最终，生成得到了7个站点所有可能的交通流模态，实现了量子随机游走多模态的制备。
虽然高速交通流结构复杂，模态各异，但诸如限速、实时交通状况等现实状况使得一些理想模态几乎不可能存在，且不同类型交通流(如客货占比不同的交通流)的模态完全不同。步骤(2)生成的所有可能的交通流模态只是一个通用的模态集合，还不具备描述不同类型交通流的能力。因此，在实际交通流的约束下，基于特定的模态筛选准则，解析得到不同交通流中实际存在的交通流模态，便于后续探索交通流的多模态耦合关系。
本发明以逐步回归子集筛选法作为交通流模态筛选方法，在实际交通流时间序列F的约束下，对步骤(2)生成的所有可能的交通流模态
Figure BDA0002786840190000061
进行逐步回归子集筛选，可将其表示为：
Figure BDA0002786840190000062
基于赤池信息量准则(AIC)，使用式(4)中的逐步回归子集筛选方法对所有可能的交通流模态
Figure BDA0002786840190000063
进行筛选，得到模态筛选结果，记为
Figure BDA0002786840190000064
在本发明中，模态表征的是具有相同/相似驾驶模式的一类驾驶员(即同一模态下的驾驶员)出现在各站点的概率，与交通流量还存在一个转化映射机制。因此，基于步骤(3)筛选所得模态，建立交通流量与交通流模态间的混叠耦合关系，实现模态向交通流量的映射转化，达到交通流拟合的目的。
基于步骤(3)筛选所得模态
Figure BDA0002786840190000065
建立了交通流量与交通流模态间的混叠耦合关系，并将其表示为：
Figure BDA0002786840190000066
其中，M为步骤(3)筛选所得的模态数，F为实际交通流时间序列，αm为以模态
Figure BDA0002786840190000067
驶离高速交通流的车辆总数，km为筛选所得模态的参数，是交通流模态特征的重要表征参数。
本发明实验配置包含两部分：(1)实验数据配置：本发明选择沪宁高速南京至常州段7个典型高速出入站点(汤山站(N1)、句容站(N2)、河阳站(N3)、丹阳站(N4)、罗墅湾站(N5)、薛家站(N6)和常州北站(N7))驶出高速公路的交通流时间序列数据作为实验数据(数据采集频率/时间窗口为10分钟)；(2)对比实验配置：本发明选择自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)和长短期记忆网络(LongShort Term Memory，LSTM)作为对比模型，并定义相应的对比指标来评价模型建模效果。
基于以上实验配置，本发明的结果分为如下两部分：(1)基于量子随机游走的交通流模态拟合方法的建模结果；(2)不同模型的建模结果的对比与验证。
在多模态制备时，本发明在研究区域高速公路网上进行2000次量子随机游走，量子随机游走参数以0.01的间隔从0.01增加至20。同时，本发明选择自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)和长短期记忆网络(LongShort Term Memory，LSTM)作为对比模型。为了评价建模效果，选取平均绝对误差(MeanAbsolute Error，MAE)、均方根误差(Root Mean Square Error，RMSE)和决定系数(Coefficient of Determination，R2)来衡量模型的拟合效果，具体定义如表1所示。其中，yi为实际高速交通流量；
Figure BDA0002786840190000073
为高速交通流量平均值；
Figure BDA0002786840190000071
为拟合得到的高速交通流量；m为拟合样本个数。
表1模型建模效果评价指标定义
Figure BDA0002786840190000072
以10分钟时间窗口的交通流序列作为实验数据，完成了交通流的模态拟合实验。各站点交通流模态数和相应的统计量(表2)显示，七个站点的交通流模态数在54(N4)到167(N7)之间，表明沪宁高速南京至常州段的交通流模态结构复杂，存在复杂的多尺度振荡。七个站点的平均模拟精度(R2)为0.80，表明基于量子随机游走的交通模态拟合方法具有较高的建模精度，能够重建和反演不同频率组分的交通流随机振荡。七个站点中，N1站点车流量最大，其MAE和RMSE范围为4～5，其余站的MAE与RMSE均小于2.5，表明基于量子随机游走的交通模态拟合方法对不同规模的交通流量的模拟误差普遍较低，可以捕获交通流的结构特征，具有较高的模拟精度。
表2各站点的交通流模态数及统计量
Figure BDA0002786840190000081
基于量子随机游走的交通模态拟合方法与ARIMA、LSTM模型的建模结果对比如图3所示。交通流时间序列在全局时间尺度上由多个准周期波动混叠组合而成，在小时间尺度上呈现剧烈波动。在大时间尺度上，三个模型均能反映交通流的整体波动趋势和结构特征。在小时间尺度(局部结构)上，基于量子随机游走的交通模态拟合方法能够以较高精度模拟其中的高频振荡和流量突变，对波峰、波谷及突变的捕获能力较强，而ARIMA与LSTM在此方面稍显不足。
如图4所示，模拟结果的统计指标显示，除N1站点外，基于量子随机游走的交通模态拟合方法对其他六个站点交通流的模拟精度(R2)均高于对比模型。七个站点中，N7站点的模拟精度最高，为0.88。与ARIMA和LSTM相比，基于量子随机游走的交通模态拟合方法的MAE分别降低了18.81％与15.52％，RMSE分别降低了23.6％与19.14％，建模精度(R2)分别提高了60.93％与45.93％。不同模型的对比进一步验证基于量子随机游走的交通模态拟合方法在交通流建模模拟中的优良性能和稳定性。
此外，本发明还从频域分析的视角验证了三种方法对不同频率交通流振荡的重建反演能力，三种方法的模拟结果和实际交通流时间序列的功率谱分析结果如图5所示。在低频区域，三种方法模拟结果与实际交通流时间序列的谱分析曲线保持一致，能揭示交通流的低频振荡。在高频区域，基于量子随机游走的交通模态拟合方法模拟结果与实际交通流时间序列的谱分析曲线基本一致，而LSTM与ARIMA却存在较大差异，表明基于量子随机游走的交通模态拟合方法能够模拟交通流的高频振荡，具有揭示交通流复杂结构特征的优势。

Claims (5)

1.一种基于量子随机游走的交通流模态拟合方法，其特征在于，包括如下步骤：
(1)基于量子随机游走构建模态生成器；
(2)多模态制备；
(3)模态筛选；
(4)构建模态与交通流量间的映射机制。
2.如权利要求1所述的基于量子随机游走的交通流模态拟合方法，其特征在于，步骤(1)中，基于量子随机游走构建模态生成器具体为：基于量子随机游走的基本假设，在具有n个站点的一维交通流中，将驾驶员所有可能的选择定义为量子随机游走的基态，记为|v>＝{|1>,|2>,…,|n>}；由于驾驶员最终只能选择一个站点驶离高速交通流，因此将基态表示为如下向量形式：
Figure FDA0002786840180000011
为了让驾驶员能够动态调整出现在不同站点的概率，首先定义一个由基态构成的希尔伯特空间H，使得由基态的线性组合而成的叠加态同样处于该空间中；因此，量子随机游走的状态
Figure FDA0002786840180000012
被定义为所有基态的线性叠加：
Figure FDA0002786840180000013
其中|aj(k)|∈[0,1]，表示驾驶员在给定时间处于状态|j>的概率幅；根据随机性假设，基于酉变换，将状态向量
Figure FDA0002786840180000014
随时间的演化表示如下：
Figure FDA0002786840180000015
如式(3)所示，状态向量的动态演变取决于邻接矩阵A，从离散点的视角将其转化为矩阵，并通过矩阵运算有效求解状态向量，构建了基于量子随机游走的模态生成器。
3.如权利要求1所述的基于量子随机游走的交通流模态拟合方法，其特征在于，步骤(2)中，多模态制备具体为：量子随机游走控制参数是步骤(1)构建的模态生成器的唯一参数，直接决定了交通流模态的特征，即相应概率分布的结构特征；只需不断变化量子随机游走的控制参数，即可生成交通流中所有可能的模态。
4.如权利要求1所述的基于量子随机游走的交通流模态拟合方法，其特征在于，步骤(3)中，模态筛选具体为：以逐步回归子集筛选法作为交通流模态筛选方法，在实际交通流时间序列F的约束下，对步骤(2)生成的所有可能的交通流模态
Figure FDA0002786840180000021
进行逐步回归子集筛选，将其表示为：
Figure FDA0002786840180000022
基于赤池信息量准则，使用式(4)中的逐步回归子集筛选方法对所有可能的交通流模态
Figure FDA0002786840180000023
进行筛选，得到模态筛选结果，记为
Figure FDA0002786840180000024
5.如权利要求1所述的基于量子随机游走的交通流模态拟合方法，其特征在于，步骤(4)中，构建模态与交通流量间的映射机制具体为：基于步骤(3)筛选所得模态
Figure FDA0002786840180000025
建立了交通流量与交通流模态间的混叠耦合关系，并将其表示为：
Figure FDA0002786840180000026
其中，M为步骤(3)筛选所得的模态数，F为实际交通流时间序列，αm为以模态
Figure FDA0002786840180000027
驶离高速交通流的车辆总数，km为筛选所得模态的参数，是交通流模态特征的重要表征参数。
CN202011301012.XA 2020-11-19 2020-11-19 一种基于量子随机游走的交通流模态拟合方法 Active CN112614336B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011301012.XA CN112614336B (zh) 2020-11-19 2020-11-19 一种基于量子随机游走的交通流模态拟合方法
PCT/CN2020/130414 WO2022104696A1 (zh) 2020-11-19 2020-11-20 一种基于量子随机游走的交通流模态拟合方法
US17/607,902 US20220300678A1 (en) 2020-11-19 2020-11-20 Method for fitting modes of traffic flow based on quantum walk

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011301012.XA CN112614336B (zh) 2020-11-19 2020-11-19 一种基于量子随机游走的交通流模态拟合方法

Publications (2)

Publication Number Publication Date
CN112614336A true CN112614336A (zh) 2021-04-06
CN112614336B CN112614336B (zh) 2021-12-07

Family

ID=75224892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011301012.XA Active CN112614336B (zh) 2020-11-19 2020-11-19 一种基于量子随机游走的交通流模态拟合方法

Country Status (3)

Country Link
US (1) US20220300678A1 (zh)
CN (1) CN112614336B (zh)
WO (1) WO2022104696A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393488A (zh) * 2021-06-08 2021-09-14 南京师范大学 一种基于量子游走的行为轨迹序列多特征模拟方法
CN113392583A (zh) * 2021-06-08 2021-09-14 南京师范大学 一种基于量子游走的海面高度模拟方法
CN113657014A (zh) * 2021-08-10 2021-11-16 南京师范大学 一种基于量子游走的临近空间大气状态模拟方法及装置
CN114648433A (zh) * 2022-03-21 2022-06-21 南京师范大学 一种基于量子游走的网约车流量多尺度特征解析方法
CN115759306A (zh) * 2022-11-14 2023-03-07 首约科技(北京)有限公司 模拟游走方法、装置、电子设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117634363B (zh) * 2024-01-23 2024-04-19 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于量子Koopman分析的流场重构方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070203789A1 (en) * 2006-02-27 2007-08-30 Microsoft Corporation Designing hyperlink structures
US20080101234A1 (en) * 2006-10-30 2008-05-01 Juniper Networks, Inc. Identification of potential network threats using a distributed threshold random walk
US20080270549A1 (en) * 2007-04-26 2008-10-30 Microsoft Corporation Extracting link spam using random walks and spam seeds
KR101139537B1 (ko) * 2011-10-31 2012-05-02 한국인터넷진흥원 이동통신망의 스캐닝 트래픽 탐지방법
CN102800197A (zh) * 2012-02-27 2012-11-28 东南大学 一种城市道路路段动态交通流基础数据的预处理方法
CN104504897A (zh) * 2014-09-28 2015-04-08 北京工业大学 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法
CN106131154A (zh) * 2016-06-30 2016-11-16 福州大学 移动无线传感器网络中基于核函数的压缩数据收集方法
CN107978148A (zh) * 2017-11-13 2018-05-01 上海电科智能系统股份有限公司 一种基于多源交通数据动态可靠性的交通状态预测方法
US20180129912A1 (en) * 2016-11-07 2018-05-10 Nec Laboratories America, Inc. System and Method for Learning Random-Walk Label Propagation for Weakly-Supervised Semantic Segmentation
CN109002856A (zh) * 2018-07-20 2018-12-14 西安交通大学 一种基于随机游走的流量特征自动生成方法与系统
CN109448370A (zh) * 2018-10-29 2019-03-08 东南大学 一种基于车辆轨迹数据的交通控制子区划分方法
CN110297875A (zh) * 2019-05-15 2019-10-01 北京邮电大学 一种评估城市各功能区之间联系需求紧密度的方法和装置
CN110383302A (zh) * 2017-02-28 2019-10-25 微软技术许可有限责任公司 小马约拉纳费米子代码
CN110889546A (zh) * 2019-11-20 2020-03-17 浙江省交通规划设计研究院有限公司 一种基于注意力机制的交通流量模型训练方法
CN110895878A (zh) * 2019-10-09 2020-03-20 浙江工业大学 一种基于ge-gan的交通状态虚拟检测器的生成方法
CN111126611A (zh) * 2019-12-09 2020-05-08 南京师范大学 一种顾及目的地选择的高速通行流量分布模拟量子计算方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017143195A1 (en) * 2016-02-18 2017-08-24 Microsoft Technology Licensing, Llc Randomized gap and amplitude estimation
CN107832663B (zh) * 2017-09-30 2020-03-06 天津大学 一种基于量子理论的多模态情感分析方法
CN111260118B (zh) * 2020-01-10 2022-08-23 天津理工大学 一种基于量子粒子群优化策略的车联网交通流量预测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070203789A1 (en) * 2006-02-27 2007-08-30 Microsoft Corporation Designing hyperlink structures
US20080101234A1 (en) * 2006-10-30 2008-05-01 Juniper Networks, Inc. Identification of potential network threats using a distributed threshold random walk
US20080270549A1 (en) * 2007-04-26 2008-10-30 Microsoft Corporation Extracting link spam using random walks and spam seeds
KR101139537B1 (ko) * 2011-10-31 2012-05-02 한국인터넷진흥원 이동통신망의 스캐닝 트래픽 탐지방법
CN102800197A (zh) * 2012-02-27 2012-11-28 东南大学 一种城市道路路段动态交通流基础数据的预处理方法
CN104504897A (zh) * 2014-09-28 2015-04-08 北京工业大学 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法
CN106131154A (zh) * 2016-06-30 2016-11-16 福州大学 移动无线传感器网络中基于核函数的压缩数据收集方法
US20180129912A1 (en) * 2016-11-07 2018-05-10 Nec Laboratories America, Inc. System and Method for Learning Random-Walk Label Propagation for Weakly-Supervised Semantic Segmentation
CN110383302A (zh) * 2017-02-28 2019-10-25 微软技术许可有限责任公司 小马约拉纳费米子代码
CN107978148A (zh) * 2017-11-13 2018-05-01 上海电科智能系统股份有限公司 一种基于多源交通数据动态可靠性的交通状态预测方法
CN109002856A (zh) * 2018-07-20 2018-12-14 西安交通大学 一种基于随机游走的流量特征自动生成方法与系统
CN109448370A (zh) * 2018-10-29 2019-03-08 东南大学 一种基于车辆轨迹数据的交通控制子区划分方法
CN110297875A (zh) * 2019-05-15 2019-10-01 北京邮电大学 一种评估城市各功能区之间联系需求紧密度的方法和装置
CN110895878A (zh) * 2019-10-09 2020-03-20 浙江工业大学 一种基于ge-gan的交通状态虚拟检测器的生成方法
CN110889546A (zh) * 2019-11-20 2020-03-17 浙江省交通规划设计研究院有限公司 一种基于注意力机制的交通流量模型训练方法
CN111126611A (zh) * 2019-12-09 2020-05-08 南京师范大学 一种顾及目的地选择的高速通行流量分布模拟量子计算方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A. SUMALEE,R.X. ZHONG,T.L. PAN,W.Y. SZETO: "Stochastic cell transmission model （SCTM）: A stochastic dynamic traffic model for traffic state surveillance and assignment", 《TRANSPORTATION RESEARCH PART B》 *
JABARI S E, LIU H X: "A stochastic model of traffic flow: Theoretical foundations", 《TRANSPORTATION RESEARCH, PART B》 *
RUI SHI;MAYANK GOSWAMI;JIE GAO;XIANFENG GU: "Is random walk truly memoryless — Traffic analysis and source location privacy under random walks", 《2013 PROCEEDINGS IEEE INFOCOM》 *
刘翔宇: "基于随机游走算法的交通诱导小区划分方法", 《吉林大学学报（工学版）》 *
许廷霆，李克平: "应用EMD方法分析交通流量的动态特性", 《科学技术与工程》 *
许廷霆: "随机行走模型在交通中的应用", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
陈喜群: "交通流动态随机演化模型研究", 《中国优秀博硕士学位论文全文数据库(博士)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393488A (zh) * 2021-06-08 2021-09-14 南京师范大学 一种基于量子游走的行为轨迹序列多特征模拟方法
CN113392583A (zh) * 2021-06-08 2021-09-14 南京师范大学 一种基于量子游走的海面高度模拟方法
WO2022257189A1 (zh) * 2021-06-08 2022-12-15 南京师范大学 一种基于量子游走的海面高度模拟方法
WO2022257190A1 (zh) * 2021-06-08 2022-12-15 南京师范大学 一种基于量子游走的行为轨迹序列多特征模拟方法
CN113657014A (zh) * 2021-08-10 2021-11-16 南京师范大学 一种基于量子游走的临近空间大气状态模拟方法及装置
WO2023015588A1 (zh) * 2021-08-10 2023-02-16 南京师范大学 一种基于量子游走的临近空间大气状态模拟方法及装置
CN113657014B (zh) * 2021-08-10 2024-08-23 南京师范大学 一种基于量子游走的临近空间大气状态模拟方法及装置
CN114648433A (zh) * 2022-03-21 2022-06-21 南京师范大学 一种基于量子游走的网约车流量多尺度特征解析方法
WO2023178581A1 (zh) * 2022-03-21 2023-09-28 南京师范大学 一种基于量子游走的网约车流量多尺度特征解析方法
CN114648433B (zh) * 2022-03-21 2024-08-02 南京师范大学 一种基于量子游走的网约车流量多尺度特征解析方法
CN115759306A (zh) * 2022-11-14 2023-03-07 首约科技(北京)有限公司 模拟游走方法、装置、电子设备及存储介质
CN115759306B (zh) * 2022-11-14 2023-11-24 首约科技(北京)有限公司 模拟游走方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112614336B (zh) 2021-12-07
US20220300678A1 (en) 2022-09-22
WO2022104696A1 (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN112614336B (zh) 一种基于量子随机游走的交通流模态拟合方法
WO2021114594A1 (zh) 一种顾及目的地选择的高速通行流量分布模拟量子计算方法
Xu et al. Accurate and interpretable bayesian mars for traffic flow prediction
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN113487061A (zh) 一种基于图卷积-Informer模型的长时序交通流量预测方法
CN112614335B (zh) 一种基于生成-滤波机制的交通流特征模态分解方法
CN105513350A (zh) 基于时空特性的分时段多参数短时交通流预测方法
WO2022257190A1 (zh) 一种基于量子游走的行为轨迹序列多特征模拟方法
CN113762338B (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN113435658B (zh) 一种基于时空融合相关性和注意力机制的交通流预测方法
WO2023178581A1 (zh) 一种基于量子游走的网约车流量多尺度特征解析方法
CN114611814B (zh) 聚合多尺度时空相似信息的城市交通流预测方法
CN112966853A (zh) 基于时空残差混合模型的城市路网短时交通流预测方法
CN115392554A (zh) 基于深度图神经网络和环境融合的轨道客流预测方法
Wang et al. A novel time efficient machine learning-based traffic flow prediction method for large scale road network
CN116913088A (zh) 一种用于高速公路的智能流量预测方法
US20220309377A1 (en) Method for simulating stochastic oscillation in individual-granularity long-distance expressway traffic flow using quantum harmonic oscillator
CN114444922A (zh) 一种群体智能控制下的混合交通效能评估方法
Hu et al. Quantum harmonic oscillator model for fine-grained expressway traffic volume simulation considering individual heterogeneity
CN113627676A (zh) 一种基于多注意力因果关系的交通预测方法及系统
CN113392583A (zh) 一种基于量子游走的海面高度模拟方法
Xue et al. Traffic status evolution trend prediction based on congestion propagation effects under rainy weather
CN112487349A (zh) 一种基于量子谐振子模型的交通流特征表达方法
Tao et al. An attention-based approach for traffic conditions forecasting considering spatial-temporal features
Yu et al. Modeling small-granularity expressway traffic volumes with quantum walks

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