CN112634615A - 一种动态交通流量预测系统 - Google Patents
一种动态交通流量预测系统 Download PDFInfo
- Publication number
- CN112634615A CN112634615A CN202011482447.9A CN202011482447A CN112634615A CN 112634615 A CN112634615 A CN 112634615A CN 202011482447 A CN202011482447 A CN 202011482447A CN 112634615 A CN112634615 A CN 112634615A
- Authority
- CN
- China
- Prior art keywords
- unit
- branch
- predicted
- flow
- 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.)
- Granted
Links
- 239000013589 supplement Substances 0.000 claims abstract description 4
- 230000002093 peripheral effect Effects 0.000 claims abstract description 3
- 230000001537 neural effect Effects 0.000 claims abstract 2
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 2
- 230000006870 function Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G08G1/065—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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种动态交通流量预测系统,包括待预测单元、后支路流量单元、后支路相关单元、前支路流量单元和前支路相关单元,所述待预测单元是需要测量实时流量的主道路,待预测单元将支路分为两部分,一部分是前支路,另一部分是后支路,前支路为待预测单元前进方向的支路,后支路为待预测单元汇聚的支路,采用灰色度关联算法计算整体周边道路通断,采用LSTM建模对神经交通网络建模;本发明可以及时的将该数据以平均值的形式补充到模型中,避免算法不能进行的问题,使获得的数据更加的准确,动态系数的不断更新的方式也能够适应不断变化的激增的交通环境,使该系统可以长期使用,具有较高的使用价值。
Description
技术领域
本发明涉及交通数据预测技术领域,尤其涉及一种动态交通流量预测系统。
背景技术
交通流量预测是公路上预测一段时间的车辆总数,即交通流量预测,但是公路之间的流量是相互影响的,也就是空间之中,各个交通流量检测点,在交通路网中相互的影响,提取相互影响的特征,就是空间特征的提取。
某个时间点的交通流量,受到以前几个时间内的影响,或者与以前某个时间段内是一致的,比如上下班高峰,都是具有周期性的,还有节假日,车流量急剧上升,这就是时间上的影响,提取这些特征,就是时间特征的提取。
短时交通流量一般为15min以内的交通流量,即每间隔5min,10min,15min为一个监测点数据,这里一般选择5min为一个间隔,即为监测点的一个数据。
目前,对于交通流量的预测还没一个可以非常准确的、实时预测相对时间点的方式,大多数采用的是时间节点与车流量的视屏监控并且记数,通过对速度的测量判断某一时间点的流量,对于主通道的预测模型也只是停留在直线道路的交通状况的判断,没有时间对全局,对空间的整体影响的判断,这导致对于数据的预测与时间的流量往往差异较大,造成了错误的引导。
因此,如何利用空间上的关系,将所有的影响因素,包括支路的流量、次支路的流量、次次支路的流量等等因素均包含在模型算法的公式中,并且对于能够到达待预测道路所有道路进行相关性的代入,还能采用采用动态的系数的方式不断纠正模型的准确性,亦能够通过数据的填补作用使模型算法正常运算,得到需要的实时数据是本发明需要解决的技术问题。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的一种动态交通流量预测系统,以解决交通流量预测不准确,算法公式因为未采集到相关联的信息而不能运行的问题。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的提供了一种动态交通流量预测系统,包括待预测单元、后支路流量单元、后支路相关单元、前支路流量单元和前支路相关单元,所述待预测单元是需要测量实时流量的主道路,待预测单元将支路分为两部分,一部分是前支路,另一部分是后支路,前支路为待预测单元前进方向的支路,后支路为待预测单元汇聚的支路,采用灰色度关联算法计算整体周边道路通断,采用LSTM建模对神经交通网络建模,LSTM建模通过数据的调取补充预测点缺失的数据,其中,与前支路流量单元连通的次支路为前支路相关单元,与后支路流量单元连通的次支路为后支路相关单元,后支路流量单元、后支路相关单元、前支路流量单元和前支路相关单元构成待预测单元K的神经网络。
作为本发明进一步的方案,所述待预测单元K前支路路口向左右方向流通的车辆分别标记为前支路流量单元G和前支路流量单元H,采用1到n的标记方式,显示从待预测单元K到远处的前方支路,其中,G1和H1标记的前支路离待预测单元K相邻,将待预测单元K后支路路口向左右方向流通的车辆分别标记为后支路流量单元E和后支路流量单元F,采用1到n的标记方式,显示从待预测单元K到远处的后方支路,其中,E1和F1标记的后支路离待预测单元K相邻,待预测单元K主道路前方的流量标记为Ka,待预测单元K主道路后方的流量标记为Kb。
作为本发明进一步的方案,所述灰色度关联算法公式:其中Kij表示第i个字序列的第j个参数与母序列(即0序列)的第j个参数的关联系数,在本发明中即表示同一时间段的时间序列和连续一段时间该待预测点的时间序列,p为分辨系数数值范围在〔0,1〕。
作为本发明进一步的方案,所述待预测单元K的神经网络数据包括后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B;并且每个后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B具有自身相应的次级单元,在次级单元中后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B为新的待预测单元。
作为本发明进一步的方案,采用BiLSTM建模时,用函数fw(·)来表示一个神经网络,其中f表示是网络的结构,用W来表示模型参数的集合。
作为本发明进一步的方案,所述函数fw(·)定N个观测值X=〔x1,x2....xn〕和Y=〔y1,y2....yn〕,找到模型参数的后验分布P(W|X,Y),给定一个新的数据点x*,在通过将后验分布边缘化之后,得到预测分布p(y*|x*)=∫p(y*|fw(x*))p(W|X,Y)dW,用总方差定律进行分解:Var(y*|x*)=Var(fw(x*))+σ2。
作为本发明进一步的方案,所述BiLSTM建模时,对不同的空间影响因子聚类,将聚类的空间节点的历史数据形成数据集,并且通过数据集的形式将模型中为采集到的数据添补。
作为本发明进一步的方案,所述聚类采用GAT网络,分别与预测数据的关系提取预测节点的空间特征,组合不同的空间特征为一个矩阵,通过卷积神经网络提取为组合的预测节点的特征向量。
作为本发明进一步的方案,所述LSTM建模预测的数据与最终该节点中形成的实际数据进行对比,将对比的误差标记为Q,并且采用算数平均值的方式计算Q的动态系数,将动态系数Q融入到灰色度关联公式中。
作为本发明进一步的方案,所述动态系数Q与灰色度关联算法是乘积的关系,并且动态系数Q的值在0-1之间。
本发明提供了一种动态交通流量预测系统,有益效果在于:本发明将不同的影响因素作为不同的参数代入到算法公式中,并且在算法公式中通过空间多维度以及神经网络中末位关联原则,对一段时间内交通流量进行预测,这种预测可以是段时间的也可以是长时间的,短时间的预测将在该时间段内能够到达预测位置的流量作为有限的因素计算,长时间的将与该预测位置相互关联的位置进行预测,本文中关联预测均是通过正常的交通通行可以到达该位置的预测,不包括特殊情况的倒车或者逆行,这是小概率事件;
通过灰色度关联算法得到所有关联数据,通过LSTM的神经网络的建模,并且对该段时间流量的长期存储记忆,在部分相关因素的数据丢失时,可以及时的将该数据以平均值的形式补充到模型中,避免算法不能进行的问题,即使在数据传输出现问题,或者不能及时传输时均可以得到有效的数据,填补的信息来自于对工作日、休息日数据的分类,并且比照相关时间连续一周或者数天的数据的平均值,使获得的数据更加的准确,不会影响整个模型的准确性。另外通过动态的数据模式,可以有效的对数据进行纠正,动态系数的不断更新的方式也能够适应不断变化的激增的交通环境,使该系统可以长期使用,具有较高的使用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的车流影响因素图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1,本发明实施例提供的一种动态交通流量预测系统,包括待预测单元K、后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B,待预测单元K是需要测量实时流量的主道路,主道路上具有多个影响其流量的支路,待预测单元K将支路分为两部分,一部分是前支路,另一部分是后支路,前支路为待预测单元K前进方向的支路,后支路为待预测单元K汇聚的支路,前支路和后支路均是可以影响待预测单元K流量的相关影响因素,即前端车流的通行情况影响待预测单元K的汇聚速度,后端车流的通行情况同样影响待预测单元K的汇聚,在此,将待预测单元K前支路路口向左右方向流通的车辆分别标记为前支路流量单元G和前支路流量单元H,采用1到n的标记方式,显示从待预测单元K到远处的前方支路,其中,G1和H1标记的前支路离待预测单元K相邻,将待预测单元K后支路路口向左右方向流通的车辆分别标记为后支路流量单元E和后支路流量单元F,采用1到n的标记方式,显示从待预测单元K到远处的后方支路,其中,E1和F1标记的后支路离待预测单元K相邻,待预测单元K主道路前方的流量标记为Ka,待预测单元K主道路后方的流量标记为Kb,Ka和Kb均为影响待预测单元K最密切的因素,为了获得更加准确的交通流量的数据,采用灰色关联算法,将能够影响到待预测单元K的所有支路均做出标记并记录在算法公式中,从而可以对路段进行更长时间的预测,其中,与前支路流量单元G连通的次支路左方向为前支路相关单元A,与前支路流量单元H连通的次支路右方向为前支路相关单元B,与后支路流量单元E连通的次支路左方向为后支路相关单元C,与后支路流量单元F连通的次支路右方向为后支路相关单元D,后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B构成待预测单元K的神经网络和能够影响到其流量的相关因素。这种预测可以是段时间的也可以是长时间的,短时间的预测将在该时间段内能够到达预测位置的流量作为有限的因素计算,长时间的将与该预测位置相互关联的位置进行预测,本文中关联预测均是通过正常的交通通行可以到达该位置的预测,不包括特殊情况的倒车或者逆行,这是小概率事件。
优选的,待预测单元K采用多维度的空间类聚的方式叠加,采用具有记忆和存储作用的LSTM方式对数据采集中某一点未准确采集或者采集信息不能及时传输到系统中进行补缺,补缺的数据是大量在同一时段该测量点的平均值,并且根据工作日、休息日和节假日分成三类不同的数据信息流,对当日的客观因素的影响填充。
优选的,将不同时间节点的交通路况标记在不同的数据库中,例如,工作日中星期一到星期五标记为R1-R5,将星期六和星期日标记为R6和R7,并且将星期六和星期日标记为S6和S7的双重标记,S6和S7标记表示是休息日,另外将法定节假日标记为T1,T2,或者Tn,根据法定节假日的休息天数设定,这些标记记录在LSTM的函数模型中,在调取相关数据时考虑特殊请款下的交通流量,并且将这一数据代入带灰色度的计算中。通过灰色度关联算法得到所有关联数据,通过LSTM的神经网络的建模,并且对该段时间流量的长期存储记忆,在部分相关因素的数据丢失时,可以及时的将该数据以平均值的形式补充到模型中,避免算法不能进行的问题,即使在数据传输出现问题,或者不能及时传输时均可以得到有效的数据,填补的信息来自于对工作日、休息日数据的分类,并且比照相关时间连续一周或者数天的数据的平均值,使获得的数据更加的准确,不会影响整个模型的准确性。
优选的,采用该系统预测交通流量的过程如下:
第一步,采用灰色度算法或改进的灰色度算法,确定前几个时刻的数据对当前预测点影响因素,作为时间向量,时间节点取5分钟、10分钟、15分钟、30分钟等,灰色度关联算法公式:其中Kij表示第i个字序列的第j个参数与母序列(即0序列)的第j个参数的关联系数,在本发明中即表示同一时间段的时间序列和连续一段时间该待预测点的时间序列,p为分辨系数数值范围在〔0,1〕,其取值越小求得的关联系数之间的差异性越显著,在实验中通常在此取0.5进行计算,在实际中这个值是变化的,也不是固定的;
第二步,将不同的空间影响因子进行聚类,得到不同类别的空间节点的历史数据集,通过聚类的数据集,对缺失的预测点数据集进行重新的添补,聚类的数据包括后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B;并且每个后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B具有自身相应的次级单元,在次级单元中后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B为新的待预测单元,形成影响因素的循环;
交通流量影响因子:交通速度,周围节点相关性,车与车的间距,红绿灯的时长,每个红绿灯平均可放行车辆数据,道路中有无故障车或者事故占到,实际连接的点(X>Y>Z,表示车从X监测点行驶到Y监测点,则XYZ在实际中为上下游直接连接点)等,每一个因素都作为一个重点计算代入,特殊因素影响较大时可以完全取代无实质影响因素。
第三步,利用不同的GAT网络对不同聚类,分别与预测数据的关系提取预测节点的空间特征,组合不同的空间特征为一个矩阵,然后统一使用卷积神经网络提取为组合的预测节点的特征向量;
第四步,利用BiLSTM建模的形式对网络上一步的特征向量进行时间特征提取,并且获得相应之间节点的流量预测;
第五步,对BiLSTM输出的多个时间特征向量使用注意力机制聚焦主要时空特征,输出预测结果,并且排除空间中没有发生的特征,当每一个节点出现影响特征时及时对预测结果进行调整。
优选的,在使用BiLSTM建模时,用函数fw(·)来表示一个神经网络,其中f表示是网络的结构,用W来表示模型参数的集合,在LSTM模型中,引入了权重参数的先验,并且模型的目标是去拟合最优的后验分布,比如,高斯先验通常假设:W~N(0,1),进一步数据生成分布定为p(y|fw(x))。
优选的,给函数fw(·)定N个观测值X=〔x1,x2....xn〕和Y=〔y1,y2....yn〕,贝叶斯推理的目标是找到模型参数的后验分布P(W|X,Y),最后给定一个新的数据点x*,在通过将后验分布边缘化之后,可以得到预测分布p(y*|x*)=∫p(y*|fw(x*))p(W|X,Y)dW,其中,方差量化了预测的不确定性,可以用总方差定律进行分解:Var(y*|x*)=Var(fw(x*))+σ2,通过上述公式可以知道该方差被分解为两项,Var(fw(x*))(反映了我们对模型参数W的规格的不确定性,称为模型不确定性)和σ2(表示固有的噪声)。
优选的,BiLSTM建模是将缺失的数据部分作为最情况最差的一种情况的数据输入到模型中,并且在该数据最差的情况下通过灰色度算法得待预测单元K的交通流量的平均值。
优选的,BiLSTM建模时,对不同的空间影响因子聚类,将聚类的空间节点的历史数据形成数据集,并且通过数据集的形式将模型中为采集到的数据添补,形成完整的数据模型和使函数可以继续运行,避免在数据缺失时,函数停止运行,到时无法刷新新的数据的情况。
优选的,将LSTM建模预测的数据与最终该节点中形成的实际数据进行对比,将对比的误差标记为Q,通过大量的数据对比,获得一个常用的变化系数Q1,该系数是根据所有的预测数据与实际数据对比获得,并且是动态的,可以有效的提高在不同时间节点对突发情况的精准预测,使预测的流量模型更加接近于实际的流量,不断优化的数据也是使模型更加完整的必要手段。
优选的,动态系数Q与灰色度关联算法是乘积的关系,并且动态系数Q的值在0-1之间,动态的数据模式,可以有效的对数据进行纠正,动态系数的不断更新的方式也能够适应不断变化的激增的交通环境,使该系统可以长期使用,具有较高的使用价值。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种动态交通流量预测系统,其特征在于,包括待预测单元、后支路流量单元、后支路相关单元、前支路流量单元和前支路相关单元,所述待预测单元是需要测量实时流量的主道路,待预测单元将支路分为两部分,一部分是前支路,另一部分是后支路,前支路为待预测单元前进方向的支路,后支路为待预测单元汇聚的支路,采用灰色度关联算法计算整体周边道路通断,采用LSTM建模对神经交通网络建模,LSTM建模通过数据的调取补充预测点缺失的数据,其中,与前支路流量单元连通的次支路为前支路相关单元,与后支路流量单元连通的次支路为后支路相关单元,后支路流量单元、后支路相关单元、前支路流量单元和前支路相关单元构成待预测单元K的神经网络。
2.根据权利要求1所述的动态交通流量预测系统,其特征在于,所述待预测单元K前支路路口向左右方向流通的车辆分别标记为前支路流量单元G和前支路流量单元H,采用1到n的标记方式,显示从待预测单元K到远处的前方支路,其中,G1和H1标记的前支路离待预测单元K相邻,将待预测单元K后支路路口向左右方向流通的车辆分别标记为后支路流量单元E和后支路流量单元F,采用1到n的标记方式,显示从待预测单元K到远处的后方支路,其中,E1和F1标记的后支路离待预测单元K相邻,待预测单元K主道路前方的流量标记为Ka,待预测单元K主道路后方的流量标记为Kb。
4.根据权利要求3所述的动态交通流量预测系统,其特征在于,所述待预测单元K的神经网络数据包括后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B;并且每个后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B具有自身相应的次级单元,在次级单元中后支路流量单元E\F、后支路相关单元C\D、前支路流量单元G\H和前支路相关单元A\B为新的待预测单元。
5.根据权利要求4所述的动态交通流量预测系统,其特征在于,采用BiLSTM建模时,用函数fw(·)来表示一个神经网络,其中f表示是网络的结构,用W来表示模型参数的集合。
6.根据权利要求5所述的动态交通流量预测系统,其特征在于,所述函数fw(·)定N个观测值X=〔x1,x2....xn〕和Y=〔y1,y2....yn〕,找到模型参数的后验分布P(W|X,Y),给定一个新的数据点x*,在通过将后验分布边缘化之后,得到预测分布p(y*|x*)=∫p(y*|fw(x*))p(W|X,Y)dW,用总方差定律进行分解:Var(y*|x*)=Var(fw(x*))+σ2。
7.根据权利要求6所述的动态交通流量预测系统,其特征在于,所述BiLSTM建模时,对不同的空间影响因子聚类,将聚类的空间节点的历史数据形成数据集,并且通过数据集的形式将模型中为采集到的数据添补。
8.根据权利要求7所述的动态交通流量预测系统,其特征在于,所述聚类采用GAT网络,分别与预测数据的关系提取预测节点的空间特征,组合不同的空间特征为一个矩阵,通过卷积神经网络提取为组合的预测节点的特征向量。
9.根据权利要求8所述的动态交通流量预测系统,其特征在于,所述LSTM建模预测的数据与最终该节点中形成的实际数据进行对比,将对比的误差标记为Q,并且采用算数平均值的方式计算Q的动态系数,将动态系数Q融入到灰色度关联公式中。
10.根据权利要求9所述的动态交通流量预测系统,其特征在于,所述动态系数Q与灰色度关联算法是乘积的关系,并且动态系数Q的值在0-1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482447.9A CN112634615B (zh) | 2020-12-15 | 2020-12-15 | 一种动态交通流量预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482447.9A CN112634615B (zh) | 2020-12-15 | 2020-12-15 | 一种动态交通流量预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634615A true CN112634615A (zh) | 2021-04-09 |
CN112634615B CN112634615B (zh) | 2022-07-05 |
Family
ID=75313379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011482447.9A Expired - Fee Related CN112634615B (zh) | 2020-12-15 | 2020-12-15 | 一种动态交通流量预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634615B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127716A (zh) * | 2021-04-29 | 2021-07-16 | 南京大学 | 一种基于显著性图的情感时间序列异常检测方法 |
CN113689694A (zh) * | 2021-07-28 | 2021-11-23 | 山东中创软件商用中间件股份有限公司 | 一种车流量预测方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004021303A1 (de) * | 2002-08-26 | 2004-03-11 | Technische Universität Dresden | Verfahren und anordnung zur ermittlung von verkehrszustandsgrössen |
CN108399744A (zh) * | 2018-02-24 | 2018-08-14 | 上海理工大学 | 基于灰色小波神经网络的短时交通流预测方法 |
CN108417034A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 一种基于多变量灰色模型的高速公路节假日车流量预测方法 |
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 |
CN111523706A (zh) * | 2020-04-06 | 2020-08-11 | 武汉理工大学 | 一种基于深度学习组合模型的断面车道级短时交通流预测方法 |
-
2020
- 2020-12-15 CN CN202011482447.9A patent/CN112634615B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004021303A1 (de) * | 2002-08-26 | 2004-03-11 | Technische Universität Dresden | Verfahren und anordnung zur ermittlung von verkehrszustandsgrössen |
DE10239675A1 (de) * | 2002-08-26 | 2004-03-11 | Technische Universität Dresden | Verfahren und Anordnung zur Ermittlung von Verkehrszustandsgrößen |
CN108399744A (zh) * | 2018-02-24 | 2018-08-14 | 上海理工大学 | 基于灰色小波神经网络的短时交通流预测方法 |
CN108417034A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 一种基于多变量灰色模型的高速公路节假日车流量预测方法 |
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 |
CN111523706A (zh) * | 2020-04-06 | 2020-08-11 | 武汉理工大学 | 一种基于深度学习组合模型的断面车道级短时交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
ZHENJIN HUANG 等: "Short-term Traffic Flow Combined Forecasting Based on Nonparametric Regression", 《2011 INTERNATIONAL CONFERENCE OF INFORMATION TECHNOLOGY, COMPUTER ENGINEERING AND MANAGEMENT SCIENCES》 * |
殷礼胜 等: "基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测", 《电子与信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127716A (zh) * | 2021-04-29 | 2021-07-16 | 南京大学 | 一种基于显著性图的情感时间序列异常检测方法 |
CN113127716B (zh) * | 2021-04-29 | 2023-07-28 | 南京大学 | 一种基于显著性图的情感时间序列异常检测方法 |
CN113689694A (zh) * | 2021-07-28 | 2021-11-23 | 山东中创软件商用中间件股份有限公司 | 一种车流量预测方法、装置、设备及可读存储介质 |
CN113689694B (zh) * | 2021-07-28 | 2023-06-02 | 山东中创软件商用中间件股份有限公司 | 一种车流量预测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112634615B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634615B (zh) | 一种动态交通流量预测系统 | |
Di Piazza et al. | Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy | |
CN109448361B (zh) | 居民交通出行流量预测系统及其预测方法 | |
Lütkepohl et al. | Comparison of methods for constructing joint confidence bands for impulse response functions | |
CN107610464A (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN104217002B (zh) | 一种基于高质量数据获取的路况信息填补方法 | |
CN107610021A (zh) | 环境变量时空分布的综合分析方法 | |
Punzo et al. | Steady-state solutions and multiclass calibration of Gipps microscopic traffic flow model | |
Torija et al. | A general procedure to generate models for urban environmental-noise pollution using feature selection and machine learning methods | |
CN110969857A (zh) | 一种交通信息处理方法及装置 | |
KR20150072471A (ko) | 시공간 확률 모델을 이용한 교통 흐름 예측 시스템 | |
CN108520325A (zh) | 一种基于多变环境下加速退化数据的集成寿命预测方法 | |
JP2022022106A (ja) | コンピュータが実施する、ルートのエネルギ使用を予測する方法 | |
Nakayama et al. | Consistent formulation of network equilibrium with stochastic flows | |
CN114882696B (zh) | 道路容量的确定方法、装置及存储介质 | |
CN114120635B (zh) | 基于张量分解的城市路网线状缺失流量估计方法及系统 | |
Vieira et al. | Integrated assessment of water reservoir systems performance with the implementation of ecological flows under varying climatic conditions | |
Schnitzler et al. | Combining a Gauss-Markov model and Gaussian process for traffic prediction in Dublin city center. | |
Shan et al. | Probabilistic model for vehicle trajectories reconstruction using sparse mobile sensor data on freeways | |
Antoniou et al. | Kalman filter applications for traffic management | |
El Faouzi | Data-driven aggregative schemes for multisource estimation fusion: A road travel time application | |
CN114841461B (zh) | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 | |
CN114023074B (zh) | 基于多信号源的交通拥堵预测方法、设备及介质 | |
Wong et al. | Estimation of origin‐destination matrices for a multimodal public transit network | |
Hubert-Moy et al. | Land use and land cover change prediction with the theory of evidence: a case study in an intensive agricultural region of france |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220705 |
|
CF01 | Termination of patent right due to non-payment of annual fee |