CN112633602A - 一种基于gis地图信息的交通拥堵指数预测方法及装置 - Google Patents

一种基于gis地图信息的交通拥堵指数预测方法及装置 Download PDF

Info

Publication number
CN112633602A
CN112633602A CN202011640824.7A CN202011640824A CN112633602A CN 112633602 A CN112633602 A CN 112633602A CN 202011640824 A CN202011640824 A CN 202011640824A CN 112633602 A CN112633602 A CN 112633602A
Authority
CN
China
Prior art keywords
sequence
gis map
network
map
vector diagram
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
CN202011640824.7A
Other languages
English (en)
Other versions
CN112633602B (zh
Inventor
邢玲
余意
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202011640824.7A priority Critical patent/CN112633602B/zh
Publication of CN112633602A publication Critical patent/CN112633602A/zh
Priority to PCT/CN2021/114906 priority patent/WO2022142418A1/zh
Application granted granted Critical
Publication of CN112633602B publication Critical patent/CN112633602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29Geographical information databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/253Fusion techniques of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Instructional Devices (AREA)

Abstract

本发明实施例提供一种基于GIS地图信息的交通拥堵指数预测方法及装置,该方法包括以下步骤:获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取所述GIS地图结构化矢量图序列的时空特征,所述环境矢量序列的映射特征,并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果。本发明能够提高交通拥堵指数的预测准确度。

Description

一种基于GIS地图信息的交通拥堵指数预测方法及装置
技术领域
本发明涉及交通拥堵预测技术领域,尤其涉及一种基于GIS地图信息的交通拥堵指数预测方法及装置。
背景技术
随着城市经济的发展,城市车辆保有量急剧增加,随之而来的道路交通拥堵成为了城市管理的一大难题。为了量化道路交通拥堵情况,学者提出了一种利用路面浮动车数据对道路拥堵进行等级判定的指标,并将其命名为交通拥堵指数,取值范围为0-10,值越大表示拥堵越严重。通过对道路交通拥堵指数准确实时的预测,交管部门可以进行交通流量分配,提前疏导拥堵,提高路网的通行能力。
现有的交通拥堵指数预测方法有几个缺陷:
其一,传统的交通拥堵指数预测采用时间序列预测的方法,基于历史的交通情况预测未来一段时间的交通拥堵指数。这种方法往往只能学习出少数某几个路段的时变规律,而忽略了复杂的交通道路的拓扑结构,从而无法建模相邻路段/区域的影响。同时传统模型表达能力有限,无法建模天气、节假日、POI 信息等对交通的影响;随着深度学习技术的成熟,也有学者提出时空神经网络模型,能同时建模道路流量的空间关联以及时间规律。然而现有的时空神经网络模型往往是基于静态的道路连接关系(即地图)建模,不能很好地刻画不同道路之间交通流量的动态关联。
其二,传统的交通拥堵指数预测模型没有考虑到道路空间信息,最多只是考虑到道路之间的连接关系,而道路的空间信息,诸如周围是否有地铁站,公交车站,高铁站,学校,以及道路的宽窄等都是影响交通拥堵的很重要的因素。
可见,现有的交通拥堵指数预测方法存在交通拥堵指数的预测准确度低的问题。
发明内容
本发明实施例提供一种基于GIS地图信息的交通拥堵指数预测方法,能够解决现有的交通拥堵指数预测方法存在交通拥堵指数的预测准确度低的问题。
第一方面,本发明实施例提供一种基于GIS地图信息的交通拥堵指数预测方法,所述基于GIS地图信息的交通拥堵指数预测方法包括:
获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧 GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;
将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取所述GIS地图结构化矢量图序列的时空特征,所述环境矢量序列的映射特征,并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果。
可选的,所述动态图层包括交通动态数据,所述获取待预测区域的GIS 地图结构化矢量图序列的步骤包括:
获取所述待预测区域在历史时间点的GIS地图的静态图层和交通动态数据,所述静态图层包括路网图、建筑图以及兴趣点图中的一项或多项,所述交通动态数据包括与所述历史时间点对应的交通拥堵指数、车辆轨迹数据;
在所述历史时间点上,将所述交通拥堵指数映射到所述路网图中,得到交通拥堵指数图;
将所述车辆轨迹数据映射到二维网络中,计算每个网络中的车辆平均速度以及车辆数量,得到车流速度图与车辆数量图;
将所述路网图、建筑图、兴趣点图、交通拥堵指数图、车流速度图与车辆数量图作为通道进行拼接,得到所述历史时间点对应的GIS地图结构化矢量图;
将连续历史时间点对应的GIS地图结构化矢量图按所述连续历史时间点的时序进行拼接,得到所述待预测区域的GIS地图结构化矢量图序列。
可选的,所述获取待预测区域的环境矢量序列的步骤包括:
获取所述待预测区域在所述历史时间点的天气数据和日期数据;
将所述天气数据和日期数据按预设的编码规则编码为环境矢量;
对所述连续历史时间点对应的环境矢量按所述连续历史时间点的时序进行拼接,得到所述待预测区域的环境矢量序列。
可选的,所述预设的卷积神经网络包括三维卷积网络、特征映射网络、融合网络以及全连接层网络;
所述将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取所述GIS地图结构化矢量图序列的时空特征,所述环境矢量序列的映射特征,并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果的步骤,包括:
通过所述三维卷积网络对所述GIS地图结构化矢量图序列进行三维卷积计算,得到所述GIS地图结构化矢量图序列的时空特征;
通过所述特征映射网络对所述环境矢量序列进行映射计算,输出得到所述环境矢量序列的映射特征;
通过所述融合网络将所述时空特征与所述映射特征进行融合计算,输出得到融合特征;
通过所述全连接层网络对所述融合特征进行第一全连接计算,输出得到所述待预测区域在预设时间内的交通拥堵指数结果。
可选的,所述三维卷积网络根据残差网络进行构建,所述通过所述三维卷积网络对所述GIS地图结构化矢量图序列进行三维卷积计算,得到所述GIS 地图结构化矢量图序列的时空特征的步骤,包括:
在三维卷积计算过程中,结合上一卷积计算层的残差进行卷积计算,得到时空特征图;
对所述时空特征图进行第二全连接计算,得到所述GIS地图结构化矢量图序列的时空特征。
可选的,所述融合网络为门控网络,所述通过所述融合网络将所述时空特征与所述映射特征进行融合计算,输出得到融合特征的步骤,包括:
通过所述门控网络,对所述映射特征进行非线性化处理,得到门控特征;
计算所述门控特征与所述时空特征的点积,得到融合特征。
可选的,所述方法还包括:
获取训练样本集,所述训练样本集包括多个训练样本,每个训练样本中包括一个样本GIS地图结构化矢量图序列、与所述GIS地图结构化矢量图序列对应的一个样本环境矢量序列以及预测时间点的交通拥堵指数真实标签,所述样本GIS地图结构化矢量图序列与所述GIS地图结构化矢量图序列具有相同的数据结构,所述样本环境矢量序列与所述环境矢量序列具有相同的数据结构;
通过所述训练样本集,对卷积神经网络进行训练,以使所述卷积神经网络学习到对预测时间点的交通拥堵指数的预测输出,得到所述预设的卷积神经网络。
第二方面,本发明实施例还提供了一种基于GIS地图信息的交通拥堵指数预测装置,包括:
第一获取模块,用于获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;
预测模块,用于将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取所述GIS地图结构化矢量图序列的时空特征,所述环境矢量序列的映射特征,并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果。
第三方面,本发明实施例还提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中提供的基于GIS地图信息的交通拥堵指数预测方法中的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中提供的基于GIS地图信息的交通拥堵指数预测方法中的步骤。
在本发明实施例中,通过获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取所述GIS地图结构化矢量图序列的时空特征,所述环境矢量序列的映射特征,并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果。这样可以结合待预测区域的GIS地图结构化矢量图序列中的第一预设数量的静态图层与第二预设数量的动态图层以及环境矢量序列等多维度数据输入预设的卷积神经网络中,以提取所述GIS地图结构化矢量图序列的时空特征和所述环境矢量序列的映射特征来预测待预测区域在预设时间内的交通拥堵指数,进而提高交通拥堵指数的预测准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于GIS地图信息的交通拥堵指数预测方法的流程图;
图2是本发明实施例步骤101提供的一种方法流程图;
图3是本发明实施例步骤101提供的另一种方法流程图;
图4是本发明实施例步骤102提供的一种方法流程图;
图5是本发明实施例提供的另一种基于GIS地图信息的交通拥堵指数预测方法的流程图;
图6是本发明实施例提供的一种基于GIS地图信息的交通拥堵指数预测装置的结构示意图;
图7是本发明实施例中第一获取模块提供的一种结构示意图;
图8是本发明实施例中第一获取模块提供的另一种结构示意图;
图9是本发明实施例中预测模块提供的一种结构示意图;
图10是本发明实施例提供的另一种基于GIS地图信息的交通拥堵指数预测装置的结构示意图;
图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种基于GIS地图信息的交通拥堵指数预测方法的流程图,如图1所示,该基于GIS地图信息的交通拥堵指数预测方法包括以下步骤:
步骤101、获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列。
其中,GIS地图结构化矢量图序列包括多帧GIS地图结构化矢量图,每帧 GIS(Geographic Information System,地理信息系统)地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且每一帧GIS地图结构化矢量图对应一个环境矢量序列。
上述第一预设数量的静态图层可以包括3个静态图层,每个静态图层包括一个静态通道。3个静态图层则对应3个静态通道,可以称为RBP通道,其中,R表示road(道路)通道,B表示building(建筑)通道,P表示POI(Point of interesting,兴趣点)通道。当然了,第一预设数量的静态图层可以根据实际需要设置不同数量、不同功能的静态图层,在此不对静态图层的数量及功能进行限定。对应的,也不对静态通道的数量进行限定。
上述第二预设数量的动态图层可以包括3个动态图层,每个动态图层包括一个动态通道。3个动态图层则对应3个动态通道,可以称为TSC通道,其中, T表示TTI(TravelTime Index,交通拥堵指数)通道、S表示speed(速度) 通道、C表示count(数量)通道。当然了,第二预设数量的动态图层可以根据实际需要设置不同数量、不同功能的动态图层,在此不对动态图层的数量及功能进行限定。当然,也不对动态通道的数量进行限定。
例如,上述每帧GIS地图结构化矢量图包括一个六通道RBPTSC图层,其中,六通道RBPTSC图层的N*N*6三维矢量表示空间信息,加上某个时间段的时间点个数,如6个时间点的切片,构成一个6*N*N*6的四维矢量表示时空信息。每帧GIS地图结构化矢量图均包含自身的时空信息。其中N为大于等于1的整数,N的取值可以根据实际需要进行设置。
上述待预测区域为用户需要预测交通拥堵指数的目标区域,可以是某个路口、某条道路、某个区域等。还可以是多个路口、多条道路、多个区域等。
具体的,如图2所示,图2是本发明实施例步骤101提供的一种方法流程图。动态图层包括交通动态数据,上述获取待预测区域的GIS地图结构化矢量图序列的步骤包括:
步骤201、获取待预测区域在历史时间点的GIS地图的静态图层和交通动态数据。
其中,静态图层包括路网图、建筑图以及兴趣点图中的一项或多项,交通动态数据包括与历史时间点对应的交通拥堵指数、车辆轨迹数据。每个待预测区域均有属于自己的路网图、建筑图以及兴趣点图。
步骤202、在历史时间点上,将交通拥堵指数映射到路网图中,得到交通拥堵指数图。
步骤203、将车辆轨迹数据映射到二维网络中,计算每个网络中的车辆平均速度以及车辆数量,得到车流速度图与车辆数量图。
步骤204、将路网图、建筑图、兴趣点图、交通拥堵指数图、车流速度图与车辆数量图作为通道进行拼接,得到历史时间点对应的GIS地图结构化矢量图。
步骤205、将连续历史时间点对应的GIS地图结构化矢量图按连续历史时间点的时序进行拼接,得到待预测区域的GIS地图结构化矢量图序列。
上述历史时间点可以是过去某个时间段按某时间单位所取的某时间点,比如,过去一小时,以10分钟为单位所取的某时间点,这样过去一小时以10 分钟为单位可以取6个时间点(即6个数据点),那么历史时间点就可以是这 6个时间点中的一个时间点。当然了,过去某个时间段可以设置为过去两个小时的某个时间点,还是以10分钟为单位时,即得到12个时间点(即12个数据点)等。那么历史时间点就可以是这12个时间点中的一个时间点。在本发明实施例中,主要以10分钟为单位进行说明,当然了,单位时间可以根据实际需求进行设置。
上述兴趣点图可以包括一些公交车站点、地铁站点、酒店、学校、医院、高铁站、汽车站、公园、停车场等感兴趣的点所对应的图。上述兴趣点图可以称为POI图层。
上述车辆轨迹数据可以包括车辆速度、车辆位置(GPS定位位置)等。上述车辆可以包括网约车、出租车、私家车等。
更具体的,获取待预测区域在历史时间点的GIS地图的路网图、建筑图以及兴趣点图等图层后,以GPS经纬度画网格。通过将路网图、建筑图以及兴趣点图三个图层按照GPS经纬度构建三个N*N的二维矢量图层,以构建通道,即,得到路网图、建筑图以及兴趣点图对应的RBP通道,分别为road通道、building通道、POI通道。
同时获取待预测区域在历史时间点的GIS地图的交通拥堵数据。进一步根据道路的GIS地图,基于R通道将对应道路的交通拥堵指数映射到对应的路网图中去,得到该道路的交通拥堵指数图,也即构建得到一个TTI通道,记为T通道。例如,历史时间设置为一个小时(即6个数据点),那么利用过去一小时的交通拥堵指数可以记为
Figure BDA0002880630980000081
其中,M代表待预测的道路数量。然后根据道路的GIS地图利用所构建的RBP通道中的R通道,将
Figure BDA0002880630980000082
对应道路的交通拥堵指数TTI映射到对应的路网图中去,即可得到过去一小时的交通拥堵指数图,也即构建得到过去一小时的一个TTI通道,记为T通道。
需要说明的是,在本发明实施例中,交通拥堵指数的记录主要是以10分钟为单位时间,即每条道路每10分钟会有一个交通拥堵指数的数值。若需要根据过去一小时(一个小时中每10分钟得到一个交通拥堵指数,一个小时分为6个时间点(即6个数据点),即得到6个交通拥堵指数),预测未来半小时(即3个数据点)的交通拥堵指数时,可以将未来半小时的交通拥堵指数记为
Figure BDA0002880630980000083
M代表待预测的道路数量。但对未来半小时的交通拥堵指数不做映射处理,而是当作未来半小时的交通拥堵指数的真实值。
进一步的,获取待预测区域在历史时间点的GIS地图的车辆轨迹数据中的车辆速度、车辆位置(GPS定位位置)。并根据GPS经纬度信息将车辆速度、车辆位置映射到二维网格中,并统计出每个二维网格的车辆平均速度以及车辆总数,得到车流速度图与车辆数量图,也即构建得到车流速度图与车辆数量图对应的车流速度通道以及车辆数量通道,记作SC通道,其中S表示speed 通道,C表示count通道。
这样可以基于路网图、建筑图、兴趣点图、交通拥堵指数图、车流速度图与车辆数量图等多维图结合得到待预测区域对应的GIS地图结构化矢量图序列,以对某个待预测区域在未来一段时间内的交通拥堵指数进行预测,进而提高交通拥堵指数的预测精度。
具体的,如图3所示,图3是本发明实施例步骤101提供的另一种方法流程图。上述获取待预测区域的环境矢量序列的步骤包括:
步骤301、获取待预测区域在历史时间点的天气数据和日期数据。
步骤302、将天气数据和日期数据按预设的编码规则编码为环境矢量。
步骤303、对连续历史时间点对应的环境矢量按连续历史时间点的时序进行拼接,得到待预测区域的环境矢量序列。
其中,上述天气数据可以包括温度、湿度、降雨量这三个指标。
上述日期数据可以包括节假日信息。对于日期数据可以使用一个预设的编码规则,如离散特征来对日期数据进行编码,如1代表该天为工作日,0则表示为节假日。同时也可以提取了时间相关的信息作为特征,例如周几,分钟数,小时数,是否早晚高峰等。
具体的,将获取到的待预测区域在历史时间点的天气数据和日期数据根据预设的编码规则编码为每个历史时间点的环境矢量,然后将多个连续历史时间点的环境矢量按连续历史时间点的时序拼接得到该待预测区域的环境矢量序列。这样可以把实际的天气数据和日期数据转化为计算机能够识别的环境矢量序列,进而便于对该环境矢量序列进行分析处理。这样可以结合天气数据和日期数据等多源异构数据来对某个待预测区域在未来一段时间的交通拥堵指数的预测,提高交通拥堵指数的预测精度。
步骤102、将GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取GIS地图结构化矢量图序列的时空特征,环境矢量序列的映射特征,并根据时空特征与映射特征输出待预测区域在预设时间内的交通拥堵指数结果。
其中,上述预设的卷积神经网络包括三维卷积网络、特征映射网络、融合网络以及全连接层网络。
具体的,如图4所示,图4是本发明实施例步骤102提供的一种方法流程图。步骤102包括步骤:
步骤401、通过三维卷积网络对GIS地图结构化矢量图序列进行三维卷积计算,得到GIS地图结构化矢量图序列的时空特征。
其中,上述三维卷积网络根据残差网络进行构建得到。三维卷积网络根据残差网络进行构建得到能够避免神经网络深度太深导致的信息丢失。
具体的,在三维卷积计算过程中,结合上一卷积计算层的残差进行卷积计算,得到时空特征图。对时空特征图进行第二全连接计算,得到GIS地图结构化矢量图序列的时空特征。
需要说明的是,该时空特征对应使用Z维向量来表示,Z维向量可以表示为
Figure BDA0002880630980000101
以6*N*N*6的四维的时空矢量数据为例,Z维向量可以表示为
Figure BDA0002880630980000102
步骤402、通过特征映射网络对环境矢量序列进行映射计算,输出得到环境矢量序列的映射特征。
其中,上述特征映射网络是一个两层的全连接前馈神经网络(以Relu (RectifiedLinear Unit,修正线性单元)为非线性激活函数)。特征映射网络的输入是环境矢量序列中的天气数据以及日期数据。
具体的,通过该特征映射网络把环境矢量序列中的天气数据以及日期数据进行编码映射到一个向量空间,进而得到映射特征。
步骤403、通过融合网络将时空特征与映射特征进行融合计算,输出得到融合特征。
其中,上述融合网络为门控网络。
具体的,通过门控网络,对映射特征进行非线性化处理,得到门控特征。计算门控特征与时空特征的点积,得到融合特征。
更具体的,该门控网络的输入是特征映射网络的输出,通过该门控网络经过一个sigmoid激活函数对映射特征进行非线性化处理,得到一个取值为(0,1) 之间的门控特征(门控参数向量
Figure BDA0002880630980000103
)。再结合时空特征的Z维向量
Figure BDA0002880630980000104
计算与门控特征的门控参数向量
Figure BDA0002880630980000105
之间的点积(数量积),最终门控网络输出融合特征Fout=Feature·V。
由此可知,门控参数向量
Figure BDA0002880630980000106
的取值的大小表示通过门控网络的数值的程度,取值越接近1表示通过的越多,相反则越少。
步骤404、通过全连接层网络对融合特征进行第一全连接计算,输出得到待预测区域在预设时间内的交通拥堵指数结果。
其中,上述全连接层网络包括两层全连接层网络。上述全连接层网络的输入是门控网络的输出(融合特征)。
具体的,将融合特征输入两层的全连接层网络进行全连接计算,进而输出待预测区域在预设时间内的交通拥堵指数结果。比如,想要预测各个路段未来半小时的交通拥堵指数时,则可以根据全连接层网络实际输出各路段未来半小时的交通拥堵指数
Figure BDA0002880630980000111
并将该
Figure BDA0002880630980000112
与预设的各路段未来半小时的真实交通拥堵指数
Figure BDA0002880630980000113
进行比较,若
Figure BDA0002880630980000114
Figure BDA0002880630980000115
越接近,则说明预测结果越准确。
在本发明实施例中,通过获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;将GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取GIS地图结构化矢量图序列的时空特征,环境矢量序列的映射特征,并根据时空特征与映射特征输出待预测区域在预设时间内的交通拥堵指数结果。这样可以结合待预测区域的GIS地图结构化矢量图序列中的第一预设数量的静态图层与第二预设数量的动态图层以及环境矢量序列等多维度数据输入预设的卷积神经网络中,以提取GIS地图结构化矢量图序列的时空特征和环境矢量序列的映射特征来预测待预测区域在预设时间内的交通拥堵指数,进而提高交通拥堵指数的预测准确度。
参见图5,图5是本发明实施例提供的另一种基于GIS地图信息的交通拥堵指数预测方法的流程图。该基于GIS地图信息的交通拥堵指数预测方法还包括步骤:
步骤501、获取训练样本集。
其中,训练样本集包括多个训练样本,每个训练样本中包括一个样本GIS 地图结构化矢量图序列、与GIS地图结构化矢量图序列对应的一个样本环境矢量序列以及预测时间点的交通拥堵指数真实标签。
样本GIS地图结构化矢量图序列与GIS地图结构化矢量图序列具有相同的数据结构,样本环境矢量序列与环境矢量序列具有相同的数据结构。
具体的,训练样本集可以是预先采集、处理并存储在数据库中用于训练的样本集。当然了,也可以是在某预测区域现场,实时的采集、处理得到的训练样本集。
步骤502、通过训练样本集,对卷积神经网络进行训练,以使卷积神网络经学习到对预测时间点的交通拥堵指数的预测输出,得到预设的卷积神经网络。
具体的,在获取到训练样本集后,即可将训练样本集输入卷积神经网络中进行预测训练,以使卷积神网络经学习到对预测时间点的交通拥堵指数的预测输出,进而得到预设的卷积神经网络。这样就可以通过该预设的卷积神经网络基于GIS地图信息对某个预测区域的未来一段时间内的交通拥堵指数进行预测,从而提高预测结果的准确度。
在本发明实施例中,对卷积神经网络进行训练时,卷积神经网络采用的损失函数是均方误差(MSE,Mean Square error),并且可以通过SGD(Stochastic GradientDescent,随机梯度下降)算法进行端到端地学习,进而提高预设的卷积神经网络的预测结果的准确度。
在本发明实施例中,通过训练样本集对卷积神经网络进行训练得到预设的卷积神经网络对某个预测区域的未来一段时间的交通拥堵指数进行预测,提高预设的卷积神经网络的预测性能,进一步提高预设的卷积神经网络的预测准确度。
参见图6,图6是本发明实施例提供的一种基于GIS地图信息的交通拥堵指数预测装置的结构示意图,该基于GIS地图信息的交通拥堵指数预测装置 600包括:
第一获取模块601,用于获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;
预测模块602,用于将GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取GIS地图结构化矢量图序列的时空特征,环境矢量序列的映射特征,并根据时空特征与映射特征输出待预测区域在预设时间内的交通拥堵指数结果。
可选的,如图7所示,图7是本发明实施例中第一获取模块提供的一种结构示意图。动态图层包括交通动态数据,第一获取模块601包括:
第一获取单元6011,用于获取待预测区域在历史时间点的GIS地图的静态图层和交通动态数据,静态图层包括路网图、建筑图以及兴趣点图中的一项或多项,交通动态数据包括与历史时间点对应的交通拥堵指数、车辆轨迹数据;
第一映射单元6012,用于在历史时间点上,将交通拥堵指数映射到路网图中,得到交通拥堵指数图;
第二映射单元6013,用于将车辆轨迹数据映射到二维网络中,计算每个网络中的车辆平均速度以及车辆数量,得到车流速度图与车辆数量图;
第一拼接单元6014,用于将路网图、建筑图、兴趣点图、交通拥堵指数图、车流速度图与车辆数量图作为通道进行拼接,得到历史时间点对应的GIS 地图结构化矢量图;
第二拼接单元6015,用于将连续历史时间点对应的GIS地图结构化矢量图按连续历史时间点的时序进行拼接,得到待预测区域的GIS地图结构化矢量图序列。
可选的,如图8所示,图8是本发明实施例中第一获取模块提供的另一种结构示意图。第一获取模块601包括:
第二获取单元6016,用于获取待预测区域在历史时间点的天气数据和日期数据;
编码单元6017,用于将天气数据和日期数据按预设的编码规则编码为环境矢量;
第三拼接单元6018,用于对连续历史时间点对应的环境矢量按连续历史时间点的时序进行拼接,得到待预测区域的环境矢量序列。
可选的,预设的卷积神经网络包括三维卷积网络、特征映射网络、融合网络以及全连接层网络;
如图9所示,图9是本发明实施例中预测模块提供的一种结构示意图。预测模块602包括:
卷积计算单元6021,用于通过三维卷积网络对GIS地图结构化矢量图序列进行三维卷积计算,得到GIS地图结构化矢量图序列的时空特征;
映射计算单元6022,用于通过特征映射网络对环境矢量序列进行映射计算,输出得到环境矢量序列的映射特征;
融合计算单元6023,用于通过融合网络将时空特征与映射特征进行融合计算,输出得到融合特征;
全连接计算单元6024,用于通过全连接层网络对融合特征进行第一全连接计算,输出得到待预测区域在预设时间内的交通拥堵指数结果。
可选的,三维卷积网络根据残差网络进行构建,卷积计算单元6021包括:
卷积计算子单元,用于在三维卷积计算过程中,结合上一卷积计算层的残差进行卷积计算,得到时空特征图;
全连接计算子单元,用于对时空特征图进行第二全连接计算,得到GIS 地图结构化矢量图序列的时空特征。
可选的,融合网络为门控网络,融合计算单元6023包括:
线性化处理子单元,用于通过门控网络,对映射特征进行非线性化处理,得到门控特征;
点极计算子单元,用于计算门控特征与时空特征的点积,得到融合特征。
可选的,如图10所示,图10是本发明实施例提供的另一种基于GIS地图信息的交通拥堵指数预测装置的结构示意图,该基于GIS地图信息的交通拥堵指数预测装置600还包括:
第二获取模块603,用于获取训练样本集,训练样本集包括多个训练样本,每个训练样本中包括一个样本GIS地图结构化矢量图序列、与GIS地图结构化矢量图序列对应的一个样本环境矢量序列以及预测时间点的交通拥堵指数真实标签,样本GIS地图结构化矢量图序列与GIS地图结构化矢量图序列具有相同的数据结构,样本环境矢量序列与环境矢量序列具有相同的数据结构;
训练模块604,用于通过训练样本集,对卷积神经网络进行训练,以使卷积神经网络学习到对预测时间点的交通拥堵指数的预测输出,得到预设的卷积神经网络。
本发明实施例提供的基于GIS地图信息的交通拥堵指数预测装置600能够实现上述方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
参见图11,图11是本发明实施例提供的一种电子设备的结构示意图,该电子设备700包括:存储器702、处理器701及存储在存储器702上并可在处理器701上运行的计算机程序,处理器701执行计算机程序时实现上述实施例提供的基于GIS地图信息的交通拥堵指数预测方法中的步骤,处理器701执行以下步骤:
获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧 GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;
将GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取GIS地图结构化矢量图序列的时空特征,环境矢量序列的映射特征,并根据时空特征与映射特征输出待预测区域在预设时间内的交通拥堵指数结果。
可选的,动态图层包括交通动态数据,处理器701执行的获取待预测区域的GIS地图结构化矢量图序列的步骤包括:
获取待预测区域在历史时间点的GIS地图的静态图层和交通动态数据,静态图层包括路网图、建筑图以及兴趣点图中的一项或多项,交通动态数据包括与历史时间点对应的交通拥堵指数、车辆轨迹数据;
在历史时间点上,将交通拥堵指数映射到路网图中,得到交通拥堵指数图;
将车辆轨迹数据映射到二维网络中,计算每个网络中的车辆平均速度以及车辆数量,得到车流速度图与车辆数量图;
将路网图、建筑图、兴趣点图、交通拥堵指数图、车流速度图与车辆数量图作为通道进行拼接,得到历史时间点对应的GIS地图结构化矢量图;
将连续历史时间点对应的GIS地图结构化矢量图按连续历史时间点的时序进行拼接,得到待预测区域的GIS地图结构化矢量图序列。
可选的,处理器701执行的获取待预测区域的环境矢量序列的步骤包括:
获取待预测区域在历史时间点的天气数据和日期数据;
将天气数据和日期数据按预设的编码规则编码为环境矢量;
对连续历史时间点对应的环境矢量按连续历史时间点的时序进行拼接,得到待预测区域的环境矢量序列。
可选的,预设的卷积神经网络包括三维卷积网络、特征映射网络、融合网络以及全连接层网络;
处理器701执行的将GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取GIS地图结构化矢量图序列的时空特征,环境矢量序列的映射特征,并根据时空特征与映射特征输出待预测区域在预设时间内的交通拥堵指数结果的步骤,包括:
通过三维卷积网络对GIS地图结构化矢量图序列进行三维卷积计算,得到GIS地图结构化矢量图序列的时空特征;
通过特征映射网络对环境矢量序列进行映射计算,输出得到环境矢量序列的映射特征;
通过融合网络将时空特征与映射特征进行融合计算,输出得到融合特征;
通过全连接层网络对融合特征进行第一全连接计算,输出得到待预测区域在预设时间内的交通拥堵指数结果。
可选的,三维卷积网络根据残差网络进行构建,处理器701执行的通过三维卷积网络对GIS地图结构化矢量图序列进行三维卷积计算,得到GIS地图结构化矢量图序列的时空特征的步骤,包括:
在三维卷积计算过程中,结合上一卷积计算层的残差进行卷积计算,得到时空特征图;
对时空特征图进行第二全连接计算,得到GIS地图结构化矢量图序列的时空特征。
可选的,融合网络为门控网络,处理器701执行的通过融合网络将时空特征与映射特征进行融合计算,输出得到融合特征的步骤,包括:
通过门控网络,对映射特征进行非线性化处理,得到门控特征;
计算门控特征与时空特征的点积,得到融合特征。
可选的,处理器701还执行以下步骤:
获取训练样本集,训练样本集包括多个训练样本,每个训练样本中包括一个样本GIS地图结构化矢量图序列、与GIS地图结构化矢量图序列对应的一个样本环境矢量序列以及预测时间点的交通拥堵指数真实标签,样本GIS地图结构化矢量图序列与GIS地图结构化矢量图序列具有相同的数据结构,样本环境矢量序列与环境矢量序列具有相同的数据结构;
通过训练样本集,对卷积神经网络进行训练,以使卷积神经网络学习到对预测时间点的交通拥堵指数的预测输出,得到预设的卷积神经网络。
本发明实施例提供的电子设备700能够实现上述方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的基于 GIS地图信息的交通拥堵指数预测方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM) 或随机存取存储器(Random Access Memory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。

Claims (10)

1.一种基于GIS地图信息的交通拥堵指数预测方法,其特征在于,所述方法包括以下步骤:
获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;
将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取所述GIS地图结构化矢量图序列的时空特征,所述环境矢量序列的映射特征,并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果。
2.如权利要求1所述的基于GIS地图信息的交通拥堵指数预测方法,其特征在于,所述动态图层包括交通动态数据,所述获取待预测区域的GIS地图结构化矢量图序列的步骤包括:
获取所述待预测区域在历史时间点的GIS地图的静态图层和交通动态数据,所述静态图层包括路网图、建筑图以及兴趣点图中的一项或多项,所述交通动态数据包括与所述历史时间点对应的交通拥堵指数、车辆轨迹数据;
在所述历史时间点上,将所述交通拥堵指数映射到所述路网图中,得到交通拥堵指数图;
将所述车辆轨迹数据映射到二维网络中,计算每个网络中的车辆平均速度以及车辆数量,得到车流速度图与车辆数量图;
将所述路网图、建筑图、兴趣点图、交通拥堵指数图、车流速度图与车辆数量图作为通道进行拼接,得到所述历史时间点对应的GIS地图结构化矢量图;
将连续历史时间点对应的GIS地图结构化矢量图按所述连续历史时间点的时序进行拼接,得到所述待预测区域的GIS地图结构化矢量图序列。
3.如权利要求2所述的基于GIS地图信息的交通拥堵指数预测方法,其特征在于,所述获取待预测区域的环境矢量序列的步骤包括:
获取所述待预测区域在所述历史时间点的天气数据和日期数据;
将所述天气数据和日期数据按预设的编码规则编码为环境矢量;
对所述连续历史时间点对应的环境矢量按所述连续历史时间点的时序进行拼接,得到所述待预测区域的环境矢量序列。
4.如权利要求1至3中任一项所述的基于GIS地图信息的交通拥堵指数预测方法,其特征在于,所述预设的卷积神经网络包括三维卷积网络、特征映射网络、融合网络以及全连接层网络;
所述将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取所述GIS地图结构化矢量图序列的时空特征,所述环境矢量序列的映射特征,并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果的步骤,包括:
通过所述三维卷积网络对所述GIS地图结构化矢量图序列进行三维卷积计算,得到所述GIS地图结构化矢量图序列的时空特征;
通过所述特征映射网络对所述环境矢量序列进行映射计算,输出得到所述环境矢量序列的映射特征;
通过所述融合网络将所述时空特征与所述映射特征进行融合计算,输出得到融合特征;
通过所述全连接层网络对所述融合特征进行第一全连接计算,输出得到所述待预测区域在预设时间内的交通拥堵指数结果。
5.如权利要求4所述的基于GIS地图信息的交通拥堵指数预测方法,其特征在于,所述三维卷积网络根据残差网络进行构建,所述通过所述三维卷积网络对所述GIS地图结构化矢量图序列进行三维卷积计算,得到所述GIS地图结构化矢量图序列的时空特征的步骤,包括:
在三维卷积计算过程中,结合上一卷积计算层的残差进行卷积计算,得到时空特征图;
对所述时空特征图进行第二全连接计算,得到所述GIS地图结构化矢量图序列的时空特征。
6.如权利要求5所述的基于GIS地图信息的交通拥堵指数预测方法,其特征在于,所述融合网络为门控网络,所述通过所述融合网络将所述时空特征与所述映射特征进行融合计算,输出得到融合特征的步骤,包括:
通过所述门控网络,对所述映射特征进行非线性化处理,得到门控特征;
计算所述门控特征与所述时空特征的点积,得到融合特征。
7.如权利要求6所述的基于GIS地图信息的交通拥堵指数预测方法,其特征在于,所述方法还包括:
获取训练样本集,所述训练样本集包括多个训练样本,每个训练样本中包括一个样本GIS地图结构化矢量图序列、与所述GIS地图结构化矢量图序列对应的一个样本环境矢量序列以及预测时间点的交通拥堵指数真实标签,所述样本GIS地图结构化矢量图序列与所述GIS地图结构化矢量图序列具有相同的数据结构,所述样本环境矢量序列与所述环境矢量序列具有相同的数据结构;
通过所述训练样本集,对卷积神经网络进行训练,以使所述卷积神经网络学习到对预测时间点的交通拥堵指数的预测输出,得到所述预设的卷积神经网络。
8.一种基于GIS地图信息的交通拥堵指数预测装置,其特征在于,包括:
第一获取模块,用于获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列,每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层,且一帧GIS地图结构化矢量图对应一个环境矢量序列;
预测模块,用于将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中,分别提取所述GIS地图结构化矢量图序列的时空特征,所述环境矢量序列的映射特征,并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于GIS地图信息的交通拥堵指数预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于GIS地图信息的交通拥堵指数预测方法中的步骤。
CN202011640824.7A 2020-12-31 2020-12-31 一种基于gis地图信息的交通拥堵指数预测方法及装置 Active CN112633602B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011640824.7A CN112633602B (zh) 2020-12-31 2020-12-31 一种基于gis地图信息的交通拥堵指数预测方法及装置
PCT/CN2021/114906 WO2022142418A1 (zh) 2020-12-31 2021-08-27 一种基于gis地图信息的交通拥堵指数预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011640824.7A CN112633602B (zh) 2020-12-31 2020-12-31 一种基于gis地图信息的交通拥堵指数预测方法及装置

Publications (2)

Publication Number Publication Date
CN112633602A true CN112633602A (zh) 2021-04-09
CN112633602B CN112633602B (zh) 2023-03-03

Family

ID=75291557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011640824.7A Active CN112633602B (zh) 2020-12-31 2020-12-31 一种基于gis地图信息的交通拥堵指数预测方法及装置

Country Status (2)

Country Link
CN (1) CN112633602B (zh)
WO (1) WO2022142418A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022142418A1 (zh) * 2020-12-31 2022-07-07 深圳云天励飞技术股份有限公司 一种基于gis地图信息的交通拥堵指数预测方法及装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018073A (zh) * 2022-08-09 2022-09-06 之江实验室 一种基于图神经网络的时空感知信息预测方法和系统
CN117037499B (zh) * 2023-10-09 2024-01-05 腾讯科技(深圳)有限公司 拥堵路段预测方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140222321A1 (en) * 2013-02-06 2014-08-07 Iteris, Inc. Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data
CN108629976A (zh) * 2018-05-17 2018-10-09 同济大学 基于gps的城市交通拥堵预测深度学习方法
CN110428500A (zh) * 2019-07-29 2019-11-08 腾讯科技(深圳)有限公司 轨迹数据处理方法、装置、存储介质以及设备
CN110766942A (zh) * 2019-10-18 2020-02-07 北京大学 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
WO2020040411A1 (ko) * 2018-08-21 2020-02-27 한국과학기술정보연구원 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11100793B2 (en) * 2019-01-15 2021-08-24 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
CN109887283B (zh) * 2019-03-07 2021-01-26 东莞数汇大数据有限公司 一种基于卡口数据的道路拥堵预测方法、系统及装置
CN110570651B (zh) * 2019-07-15 2020-10-30 浙江工业大学 一种基于深度学习的路网交通态势预测方法及系统
CN111540198B (zh) * 2020-04-17 2021-07-27 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法
CN112633602B (zh) * 2020-12-31 2023-03-03 深圳云天励飞技术股份有限公司 一种基于gis地图信息的交通拥堵指数预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140222321A1 (en) * 2013-02-06 2014-08-07 Iteris, Inc. Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data
CN108629976A (zh) * 2018-05-17 2018-10-09 同济大学 基于gps的城市交通拥堵预测深度学习方法
WO2020040411A1 (ko) * 2018-08-21 2020-02-27 한국과학기술정보연구원 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체
CN110428500A (zh) * 2019-07-29 2019-11-08 腾讯科技(深圳)有限公司 轨迹数据处理方法、装置、存储介质以及设备
CN110766942A (zh) * 2019-10-18 2020-02-07 北京大学 一种基于卷积长短期记忆网络的交通路网拥堵预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022142418A1 (zh) * 2020-12-31 2022-07-07 深圳云天励飞技术股份有限公司 一种基于gis地图信息的交通拥堵指数预测方法及装置

Also Published As

Publication number Publication date
WO2022142418A1 (zh) 2022-07-07
CN112633602B (zh) 2023-03-03

Similar Documents

Publication Publication Date Title
CN109670277B (zh) 一种基于多模态数据融合与多模型集成的旅行时间预测方法
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN107967532B (zh) 融合区域活力的城市交通流量预测方法
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
CN111080029B (zh) 基于多路段时空相关的城市交通路段速度预测方法及系统
CN111696355A (zh) 动态图卷积交通速度预测方法
CN112071062B (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
Yang et al. How fast you will drive? predicting speed of customized paths by deep neural network
CN113204718A (zh) 一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法
CN112017436B (zh) 城市市内交通旅行时间的预测方法及系统
CN114881356A (zh) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
CN114495500B (zh) 一种基于对偶动态时空图卷积的交通预测方法
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN114202120A (zh) 一种针对多源异构数据的城市交通行程时间预测方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
Yang et al. Feature selection in conditional random fields for map matching of GPS trajectories
CN115393745A (zh) 一种基于无人机与深度学习的桥梁形象进度自动识别方法
CN116913088A (zh) 一种用于高速公路的智能流量预测方法
CN117407711A (zh) 基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法
CN112100163A (zh) 一种基于三维卷积神经网络的路网状态时空预测方法
CN116612633A (zh) 一种基于车路协同感知下的自适应动态路径规划方法
CN115985132A (zh) 一种基于图神经网络的路边停车可用性预测方法
CN112634620B (zh) 基于Encoder-Decoder深度神经网络的路网动态交通分配方法

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