CN112652167B - 一种基于多图卷积神经网络的交通速度预测方法 - Google Patents

一种基于多图卷积神经网络的交通速度预测方法 Download PDF

Info

Publication number
CN112652167B
CN112652167B CN202011472425.4A CN202011472425A CN112652167B CN 112652167 B CN112652167 B CN 112652167B CN 202011472425 A CN202011472425 A CN 202011472425A CN 112652167 B CN112652167 B CN 112652167B
Authority
CN
China
Prior art keywords
traffic
sensor
similarity
adjacency matrix
matrix
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
Application number
CN202011472425.4A
Other languages
English (en)
Other versions
CN112652167A (zh
Inventor
于瑞云
苏鹏
韩柏
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202011472425.4A priority Critical patent/CN112652167B/zh
Publication of CN112652167A publication Critical patent/CN112652167A/zh
Application granted granted Critical
Publication of CN112652167B publication Critical patent/CN112652167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于多图卷积神经网络的交通速度预测方法，按以下步骤依次进行：1、获取传感器在交通路网中的部署位置，并匹配到真实的交通路网当中；2、将每个传感器位置视为一个节点，计算任意两个节点之间的距离，与设定的阈值做比较，构建交通结构图，用邻接矩阵表示；3、获取传感器对应的路段的交通速度时间序列数据；4、根据速度时间序列数据计算不同路段的交通速度相似性，得到相应的相似性分数，与设定的阈值做比较，构建交通相似性图，用邻接矩阵表示；5、将交通速度时间序列数据、及上述两个邻接矩阵输入到多图卷积神经网络中进行训练，得到未来每个传感器上交通速度的预测结果。

Description

一种基于多图卷积神经网络的交通速度预测方法
技术领域
本发明属于交通预测技术领域，具体涉及一种基于多图卷积神经网络的交通速度预测方法。
背景技术
随着城市规模的逐渐扩大以及人口的迁移与增长，城市交通拥堵程度逐渐加剧，保障城市居民及时获得交通数据并调整出行规划，保障出行的效率是很有必要的，而且对于交通规划的管理人员来说，通过获得交通路网状态来及时作出评估并管控城市道路流通也是很重要的。因此更加精确的预测城市交通路网状态是很有意义以及实用价值的。
先前对于交通速度预测的方法主要有以下两种：动态建模方法以及数据驱动方法。对于动态建模方法来说一般使用数学计算或者物理相关的背景知识来模拟交通状态，通过这样的方式实现对复杂的交通路网状态进行建模，但是通过动态建模的方法需要依赖大量的背景知识，而且设计出来的方法具有相对固定的结构不能迁移到其他路网解决实际问题。
随着存储介质的发展，存储大规模数据已经成为可能，所以在交通预测领域，数据驱动的方法也逐渐成为主流。数据驱动方法进一步的可以分为统计模型方法和机器学习方法。基于统计模型的方法一般是通过统计学的相关知识来对观测到的数据进行建模，选择合适的模型参数达到预测的目的，但是这种方法因为其计算复杂度较大所以只能应用于小规模的城市路网上，而且因为其没有考虑到时空的相关关系，所以无法迁移到大城市的交通路网进行预测。机器学习方法提供了一种端到端的模式，通过将数据输送到模型当中使模型自动学习数据之间的相关关系。在深度学习中可以通过堆叠多个卷积层结合循环神经网络的方式，实现特征的提取，从而实现对交通路网中复杂的时空依赖关系进行建模。但是随着交通路网结构的复杂化，先前的一些方法通过考虑浅层信息得到的结果已经不能满足交通预测的需求。
发明内容
针对现有技术的不足，本发明提出了一种基于多图卷积神经网络的交通速度预测方法，目的在于解决仅考虑交通路网中真实的空间关系而忽略不直接相邻路段存在相关关系的问题。根据交通路网的真实结构构建交通结构图，根据传感器统计的速度数据计算不同路段之间的相似性来构建路段的相似性图，并将构建的交通结构图与交通相似性图分别输入到不同的图卷积网络中来实现对不同的空间依赖关系建模的目的，与使用循环神经网络不同这里通过门控的时序卷积来对时间关系建模，从而减少模型的参数与训练时间，提高交通速度预测的准确性。
为了实现上述目的，本发明采用以下技术方案：
首先获取交通路网中传感器的部署位置，根据传感器的部署位置构建交通结构图，这里用邻接矩阵进行表示，对传感器收集到的速度数据进行清洗并去除异常点，根据清洗异常点后的数据计算不同传感器对应路段之间的相似性构建交通相似性图。将速度序列数据，邻接矩阵和相似性图输入到图卷积神经网络中进行训练得到预测结果。
一种基于多图卷积神经网络的交通速度预测方法，按以下步骤依次进行：
步骤1：获取传感器在交通路网中的部署位置，并匹配到真实的交通路网当中；
步骤2：将每个传感器的位置视为一个节点，传感器位置用经纬度表示，计算任意两个节点之间的距离，计算公式为：
dij＝Rarccos(cos(Xi)cos(Xj)cos(Yi-Yj)+sin(Xi)sin(Xj)) (1)
其中，i和j表示任意两个传感器，dij表示传感器i和j之间的距离，Yi和Yj分别表示传感器i和j的经度，Xi和Xj分别表示传感器i和j的纬度，R为地球半径；
将计算得到的距离带入公式(2)中进行计算，得到交通结构图邻接矩阵中的值，将该值与设定的阈值进行比较，确定邻接矩阵上是否有边，如果该值大于等于阈值则认为这两个传感器之间是相互连接的，即在邻接矩阵上存在边；如果该值小于阈值则认为这两个传感器之间是不连接的，即在邻接矩阵上不存在边；
Figure BDA0002836232650000021
其中，w代表交通结构图的邻接矩阵，wij表示传感器i与传感器j在邻接矩阵w上的值，ε为设定的阈值，并与σ2共同控制邻接矩阵w的稀疏程度，dij代表传感器i与传感器j之间的距离；
步骤3：获取每个传感器对应的路段的交通速度时间序列数据；
步骤4：根据每个传感器的速度时间序列数据计算交通路网中不同路段的交通速度相似性，得到相应的相似性分数，其中：
任意两个传感器节点之间的相似性分数的计算公式如下：
S(i,j)＝-DTW(Xi,Xj) (3)
其中，S(i,j)表示传感器i和传感器j的相似性分数，Xi和Xj分别代表传感器i和传感器j的速度时间序列数据；
对传感器的相似性分数矩阵做行归一化，如果相似性分数小于设定的阈值则交通相似性图的邻接矩阵有边，如果相似性分数大于等于设定的阈值则交通相似性图的邻接矩阵没有边，计算公式如下：
Figure BDA0002836232650000031
其中，Ws表示交通相似性图的邻接矩阵，S(i,j)表示传感器i和传感器j的相似性分数，S(i,k)表示传感器i和传感器k的相似性分数，N代表传感器节点数目，ξ为设定的阈值用于控制交通相似性图的邻接矩阵的稀疏程度；
步骤5：将交通路网中的交通速度时间序列数据、交通结构图的邻接矩阵和交通相似性图的邻接矩阵输入到多图卷积神经网络中进行训练，得到未来每个传感器上交通速度的预测结果；其中交通结构图与交通相似性图使用不同的图卷积网络来训练，以获得全面的空间信息。
上述一种基于多图卷积神经网络的交通速度预测方法，其中：
所述步骤3还包括：
对获取的数据进行处理，清除异常数据，对于缺失的数据使用线性插值的方法来进行填充，计算公式如下：
Figure BDA0002836232650000032
其中，yt表示传感器获取的当前时刻的速度值，xt-1表示上一时刻，yt-1表示传感器获取的xt-1时刻的速度值，xt+1表示下一时刻，yt+1表示传感器获取的xt+1时刻的速度值。
所述步骤5中，将交通路网中的交通速度时间序列数据、交通结构图的邻接矩阵和交通相似性图的邻接矩阵输入到设计的多图卷积神经网络中进行训练。在时间维度上采用因果卷积并通过门控的方式来缓解训练过程中出现的梯度消失与爆炸现象；在空间上通过图卷积的方式对空间依赖关系进行建模，其中在交通结构图的邻接矩阵上做图卷积操作用来捕获传感器节点周围邻居的相关关系，在交通相似性图的邻接矩阵上做的图卷积操作用于捕获距离较远的传感器节点之间的相关关系，通过两个图卷积网络分别建模不同的时空关系，以达到精准预测的目的。
本发明的有益效果为：
本发明在考虑真实交通路网结构的基础上还考虑了不同传感器节点间隐藏的相似性，通过计算传感器之间的相似性构建交通相似性图，这种方式能更好的对时空依赖关系进行建模，提高了交通速度预测的准确度。
附图说明
图1本发明的基于多图卷积神经网络的交通速度预测方法的流程图。
图2本发明实施例中的研究区域示意图。
图3本发明实施例中的研究区域传感器部署位置示意图。
图4本发明具体实施方式中相似性图构建过程示意图；图中123456分别为传感器编号。
图5本发明的多图卷积神经网络结构示意图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步详细说明。
如图1所示，一种基于多图卷积神经网络的交通速度预测方法，按如下步骤依次进行：
步骤1：本发明选取加利福尼亚州的交通数据，该数据集共有228个传感器部署在加利福尼亚州交通路网的不同位置，研究区域如图2所示。
步骤2：将每个传感器的位置视为一个节点，并将其位置信息按照经纬度的形式汇总表示，通过公式(1)计算得到不同传感器之间的距离，再根据计算得到的距离按照公式(2)进行计算确定邻接矩阵上是否有边，如果两个传感器节点之间的距离大于等于阈值则认定这两个传感器之间是相互连接的，即在邻接矩阵上存在边；如果两个传感器节点之间的距离小于阈值则认定这两个传感器之间是不连接的，即在邻接矩阵上不存在边；
Figure BDA0002836232650000041
其中，w代表交通结构图的邻接矩阵，wij表示传感器i与传感器j在邻接矩阵w上的值，σ2和ε是两个参数，用来控制邻接矩阵w的稀疏程度，这里我们将σ2设置为10，ε设置为0.5，dij代表传感器i与传感器j之间的距离。这里将得到的邻接矩阵w用A∈R228×228来表示，并对邻接矩阵A进行拉普拉斯变换得到矩阵L，如下所示：
L＝D-A (6)
其中，A代表在公式(2)计算后得到的邻接矩阵，D代表交通结构图中每个传感器节点的度矩阵；将得到的拉普拉斯矩阵L进行变换，得到归一化的拉普拉斯矩阵
Figure BDA0002836232650000042
公式如下：
Figure BDA0002836232650000043
其中，I代表单位矩阵。
步骤3：利用传感器在城市中实时监测交通情况，获取交通路网的速度信息。因为在数据集中是每5分钟对数据进行汇总，故一天会收集288条速度数据，传感器的部署位置示意图如图3所示，将收集到的数据进行清洗去除异常值，其中异常值一般是因为传感器的不正常工作导致的。其次观察获取到的数据中的缺失值，其中缺失值一般有以下两种情况，第一种情况为在汇总的5分钟时段内并无车辆通过，第二种情况为传感器存在故障。通过公式(5)线性插值的方式对缺失值进行填充。
步骤4：将得到的每个传感器上的速度数据构建为时间序列数据，然后通过DTW算法计算不同传感器之间的相似性。对于每一个传感器，每5分钟进行一次汇总来获取其一天的速度数据，共计288个，并将其拼接为速度时间序列数据，然后计算整个交通路网中228个传感器中任意两个传感器节点之间的相似性分数，计算公式采用公式(3)；
对传感器的相似性分数矩阵做行归一化，如果相似性分数小于设定的阈值则交通相似性图的邻接矩阵有边，如果相似性分数大于等于设定的阈值则交通相似性图的邻接矩阵没有边，计算公式采用公式(4)：
Figure BDA0002836232650000051
其中，Ws表示交通相似性图的邻接矩阵，S(i,j)表示传感器i和传感器j的相似性分数，S(i,k)表示传感器i和传感器k的相似性分数，N代表传感器节点数目，ξ为设定的阈值用于控制交通相似性图的邻接矩阵的稀疏程度，这里将其设置为0.2。
这里随机选择数据集中5个传感器节点的序列值中的前5个值，如表1所示，根据步骤4构建的交通相似图的邻接矩阵如图4所示。
表1传感器节点的序列值
传感器编号 序列值
1 68.1,66.8,61.7,66.7,64.5
2 68.0,64.3,66.6,68.7,68.1
3 68.3,67.8,65.9,66.6,67.9
4 68.9,69.5,61.2,67.4,64.0
5 66.6,69.1,65.1,65.2,68.0
6 65.8,70.2,61.4,64.5,64.8
步骤5：将交通路网中的交通速度时间序列数据、交通结构图的邻接矩阵和交通相似性图的邻接矩阵输入到设计的多图卷积神经网络中，网络结构如图5所示。在时间维度上我们采用时间门控卷积的方式对时间相关性进行建模，与传统的卷积操作不同，这里模型采用的是因果卷积来对交通速度时间序列数据在时间上的先后顺序进行建模，并通过门控的方式来缓解训练过程中出现的梯度消失与爆炸现象。在空间上通过图卷积的方式对空间依赖关系进行建模，其中在真实路网结构构建的邻接矩阵上做图卷积操作用来捕获传感器节点周围邻居的相关关系，在相似性邻接矩阵上做的图卷积操作用于捕获距离较远的传感器节点之间的相关关系，通过两个图卷积网络分别建模不同的时空关系，以达到精准预测的目的。
综上所述，基于多图卷积神经网络的交通速度预测方法能够对真实路网建模的基础上构建路网的相似性图来对不直接相邻节点的相似性进行建模，通过这种方式可以更快的学习交通路网中时间与空间的相似性，更精准的对交通速度进行预测。

Claims (1)

1.一种基于多图卷积神经网络的交通速度预测方法，其特征在于，按以下步骤依次进行：
步骤1：获取传感器在交通路网中的部署位置，并匹配到真实的交通路网当中；
步骤2：将每个传感器的位置视为一个节点，传感器位置用经纬度表示，计算任意两个节点之间的距离，计算公式为：
dij＝Rarccos(cos(Xi)cos(Xj)cos(Yi-Yj)+sin(Xi)sin(Xj))
其中，i和j表示任意两个传感器，dij表示传感器i和j之间的距离，Yi和Yj分别表示传感器i和j的经度，Xi和Xj分别表示传感器i和j的纬度，R为地球半径；
将计算得到的距离带入如下公式中进行计算，得到交通结构图邻接矩阵中的值，将该值与设定的阈值进行比较，确定邻接矩阵上是否有边，如果该值大于等于阈值则认为这两个传感器之间是相互连接的，即在邻接矩阵上存在边；如果该值小于阈值则认为这两个传感器之间是不连接的，即在邻接矩阵上不存在边；
Figure FDA0003403029130000011
其中，w代表交通结构图的邻接矩阵，wij表示传感器i与传感器j在邻接矩阵w上的值，ε为设定的阈值，并与σ2共同控制邻接矩阵w的稀疏程度，dij代表传感器i与传感器j之间的距离；
步骤3：获取每个传感器对应的路段的交通速度时间序列数据；
对获取的数据进行处理，清除异常数据，对于缺失的数据使用线性插值的方法来进行填充，计算公式如下：
Figure FDA0003403029130000012
其中，yt表示传感器获取的当前时刻的速度值，xt-1表示上一时刻，yt-1表示传感器获取的xt-1时刻的速度值，xt+1表示下一时刻，yt+1表示传感器获取的xt+1时刻的速度值；
步骤4：根据每个传感器的速度时间序列数据计算交通路网中不同路段的交通速度相似性，得到相应的相似性分数，其中：
任意两个传感器节点之间的相似性分数的计算公式如下：
S(i，j)＝-DTW(Xi，Xj)
其中，S(i，j)表示传感器i和传感器j的相似性分数，Xi和Xj分别代表传感器i和传感器j的速度时间序列数据；
对传感器的相似性分数矩阵做行归一化，如果相似性分数小于设定的阈值则交通相似性图的邻接矩阵有边，如果相似性分数大于等于设定的阈值则交通相似性图的邻接矩阵没有边，计算公式如下：
Figure FDA0003403029130000021
其中，Ws表示交通相似性图的邻接矩阵，S(i，j)表示传感器i和传感器j的相似性分数，S(i，k)表示传感器i和传感器k的相似性分数，N代表传感器节点数目，ξ为设定的阈值用于控制交通相似性图的邻接矩阵的稀疏程度；
步骤5：将交通路网中的交通速度时间序列数据、交通结构图的邻接矩阵和交通相似性图的邻接矩阵输入到多图卷积神经网络中进行训练，得到未来每个传感器上交通速度的预测结果；其中交通结构图与交通相似性图使用不同的图卷积网络来训练，以获得全面的空间信息；
将交通路网中的交通速度时间序列数据、交通结构图的邻接矩阵和交通相似性图的邻接矩阵输入到设计的多图卷积神经网络中进行训练时，在时间维度上采用因果卷积来对交通速度时间序列数据在时间上的先后顺序进行建模，并通过门控的方式来缓解训练过程中出现的梯度消失与爆炸现象，在空间上通过图卷积的方式对空间依赖关系进行建模；用交通结构图与交通相似性图共同表示交通路网的空间关系，其中在交通结构图的邻接矩阵上做图卷积操作用来捕获传感器节点周围邻居的相关关系，在交通相似性图的邻接矩阵上做图卷积操作用于捕获距离远的传感器节点之间的相关关系。
CN202011472425.4A 2020-12-15 2020-12-15 一种基于多图卷积神经网络的交通速度预测方法 Active CN112652167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011472425.4A CN112652167B (zh) 2020-12-15 2020-12-15 一种基于多图卷积神经网络的交通速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011472425.4A CN112652167B (zh) 2020-12-15 2020-12-15 一种基于多图卷积神经网络的交通速度预测方法

Publications (2)

Publication Number Publication Date
CN112652167A CN112652167A (zh) 2021-04-13
CN112652167B true CN112652167B (zh) 2022-03-25

Family

ID=75353943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011472425.4A Active CN112652167B (zh) 2020-12-15 2020-12-15 一种基于多图卷积神经网络的交通速度预测方法

Country Status (1)

Country Link
CN (1) CN112652167B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256985B (zh) * 2021-06-28 2021-09-17 智道网联科技(北京)有限公司 一种交通拥堵预测方法、装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法
CN111126704A (zh) * 2019-12-25 2020-05-08 河海大学常州校区 基于多图卷积和记忆网络的多区域降水量预测模型构建方法
CN111696355A (zh) * 2020-06-29 2020-09-22 中南大学 动态图卷积交通速度预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法
CN111126704A (zh) * 2019-12-25 2020-05-08 河海大学常州校区 基于多图卷积和记忆网络的多区域降水量预测模型构建方法
CN111696355A (zh) * 2020-06-29 2020-09-22 中南大学 动态图卷积交通速度预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Temporal Graph Convolutional Networks for Traffic Speed Prediction Considering External Factors;Liang Ge等;《20th IEEE International Conference on Mobile Data Management (MDM)》;20191231;第234-242页 *

Also Published As

Publication number Publication date
CN112652167A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN112241814B (zh) 一种基于强化时空图神经网络的交通预测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN111223301B (zh) 一种基于图注意力卷积网络的交通流量预测方法
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN112988723A (zh) 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN109829236A (zh) 一种基于XGBoost特征提取的压缩机故障诊断方法
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN112149898B (zh) 故障率预测模型的训练、故障率预测方法及相关装置
CN114299723B (zh) 一种交通流量预测方法
CN114802296A (zh) 一种基于动态交互图卷积的车辆轨迹预测方法
CN112949828A (zh) 一种基于图学习的图卷积神经网络交通预测方法及系统
CN111639823A (zh) 一种基于特征集构建的建筑冷热负荷预测方法
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
CN115376317B (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN116596151B (zh) 基于时空图注意力的交通流量预测方法及计算设备
CN112652167B (zh) 一种基于多图卷积神经网络的交通速度预测方法
CN112712169A (zh) 基于图卷积的全残差深度网络的模型建立方法及应用
CN114266278A (zh) 一种基于双重注意力网络的设备剩余使用寿命预测方法
CN115935796A (zh) 一种基于时空异质的和同步的图卷积网络交通流预测方法
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN115862324A (zh) 一种智慧交通的时空同步图卷积神经网络及交通预测方法
CN115376318A (zh) 一种基于多属性融合神经网络的交通数据补偿方法
CN116011684A (zh) 一种基于时空图卷积网络的交通流量预测方法
CN114693064A (zh) 一种建筑群方案生成性能评价方法

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