CN112801400A - 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 - Google Patents
一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 Download PDFInfo
- Publication number
- CN112801400A CN112801400A CN202110175673.0A CN202110175673A CN112801400A CN 112801400 A CN112801400 A CN 112801400A CN 202110175673 A CN202110175673 A CN 202110175673A CN 112801400 A CN112801400 A CN 112801400A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time
- neural network
- lstm
- traffic
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，包括：获取目标车型在目标收费站的收费数据；基于所述收费数据得到目标车型的多种时间窗口的车流量时间序列；将所述目标车型的多种时间窗口的车流量时间序列输入到车流量预测模型中，预测得到目标时间窗口下的车流量时间序列；其中，所述车流量预测模型为BP神经网模型，所述BP神经网络模型通过以多个LSTM神经网络模型的输出作为输入，目标车型在某一时间窗口下的车流量时间序列作为输出训练得到。本发明利用BP神经网络层将不同时间窗口下训练得到的LSTM神经网络的输出融合起来，可以对目标时间窗口下的车流量时间序列做出了更高精度的预测。
Description
技术领域
本发明涉及流量预测领域，具体涉及一种融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法。
背景技术
随着国民经济的高速发展，机动车保有量不断上升，高速公路系统承载的车流量也不断攀升，由此也出现了一系列问题，例如高速公路拥堵、收费站车辆排队等待等。为了解决这一系列的问题，政府部门除了扩大路网规模，也会采取另外一种高效智能的手段——智能交通系统，而交通流量预测是智能交通系统中的关键技术之一。交通流量预测技术可以根据交通系统的历史车流量状态，准确地预测出某个地点未来的短时车流量。这样的一项技术，不仅可以及时地给高速公路旅行者提供路况信息，帮助他们做出更好的路线规划从而节省旅行时间，也可以为高速公路管理部门提供运营管控的决策依据，例如：在道路发生拥堵时，交管部门可以根据预测到的周边收费站的车流量状况，实施引流措施从而减缓道路拥堵；收费站运营部门也可以根据站点的未来车流量情况，制定更加合理高效的收费站运营模式。因此，对于个人以及高速公路管理部门，一种准确的交通流量预测技术都有着重要的作用和意义。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，用于解决现有技术中的至少一个缺陷。
为实现上述目的及其他相关目的，本发明提供一种融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，包括：
获取目标车型在目标收费站的收费数据；
基于所述收费数据得到目标车型的多种时间窗口的车流量时间序列；
将所述目标车型的多种时间窗口的车流量时间序列输入到车流量预测模型中，预测得到目标时间窗口下的车流量时间序列；
其中，所述车流量预测模型为BP神经网模型，所述BP神经网络模型通过以多个LSTM神经网络模型的输出作为输入，目标车型在某一时间窗口下的车流量时间序列作为输出训练得到；
多个所述LSTM神经网络模型是基于目标车型在不同时间窗口下的车流量时间序列训练得到，不同LSTM神经网络模型对应不同尺度时间窗口下的车流量时间序列。
可选地，所述多种时间窗口至少包括：60min时间窗口、30min时间窗口、15min时间窗口。
可选地，所述目标车型在某一时间窗口下的车流量时间序列为目标车型在30min时间窗口下的车流量时间序列。
可选地，所述多个LSTM神经网络模型包括通过60min时间窗口、30min时间窗口、15min时间窗口下的车流序列训练得到的LSTM神经网络模型。
可选地，在训练所述LSTM神经网络模型过程中，通过随机搜索算法得到LSTM神经网络模型的最优超参数，通过所述最优超参数训练LSTM神经网络模型。
可选地，所述目标时间窗口下的车流量时间序列为30min时间窗口下的车流量时间序列。
可选地，在训练所述LSTM神经网络模型的过程中，对所述不同尺度时间窗口下的车流量时间序列进行归一化，其中，通过下式进行归一化操作：
其中，
为归一化后的车流量时间序列，Q为原始的车流量时间序列，Qmin为对应车流量时间序列中的最小值，Qmax为对应车流量时间序列中的最大值。
可选地，根据车流量时间序列的自相关系数确定LSTM神经网络模型的输入特征，当所述自相关系数大于设定值的最大自相关阶数为n时，选取包括当前时段在内的前n个时段的车流量时间序列作为LSTM神经网络模型的输入Qin。
可选地，在利用车流量预测模型预测车流量时间序列时，将BP神经网络的输出进行反归一化，预测得到目标时间窗口下的车流量时间序列；其中，反归一化公式如下：
Qpre＝Q”*(Qmax-Qmin)+Qmin
其中，Qpre是预测得到目标时间窗口下的车流量时间序列，Q”是BP神经网络的输出，Qmax是目标时间窗口下的车流量时间序列中的最大值，Qmin是目标时间窗口下的车流量时间序列下的最小值。
如上所述，本发明的一种融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，具有以下有益效果：
本发明针对交通系统的非线性特性，使用LSTM神经网络作为模型的基本结构，学习下道流量时间序列的非线性特征，捕捉流量时间序列在长期和短期上的时间关联。同时，不仅针对需要预测的车流量时间序列建立LSTM神经网络模型，在更大的时间窗口和更小的时间窗口上也建立了LSTM神经网络模型，并利用BP神经网络层将它们融合起来，更加充分地利用了原始的单车数据，能够更好地应对车流量的异常波动变化，对目标时间窗口下的车流量时间序列做出了更高精度的预测。
附图说明
图1为本发明一实施例一种融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法的流程图；
图2为本发明的多尺度LSTM融合神经网络结构示意图；
图3为本发明一实施例不同时间窗口下车流量统计。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，一种融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，包括：
S11获取目标车型在目标收费站的收费数据；
S12基于所述收费数据得到目标车型的多种时间窗口的车流量时间序列；
S12将所述目标车型的多种时间窗口的车流量时间序列输入到车流量预测模型中，预测得到目标时间窗口下的车流量时间序列；
其中，所述车流量预测模型为BP神经网模型，所述BP神经网络模型通过以多个LSTM神经网络模型的输出作为输入，目标车型在某一时间窗口下的车流量时间序列作为输出训练得到；
多个所述LSTM神经网络模型是基于目标车型在不同时间窗口下的车流量时间序列训练得到，不同LSTM神经网络模型对应不同尺度时间窗口下的车流量时间序列。
本发明针对需要预测的车流量时间序列建立LSTM神经网络模型，在更大的时间窗口和更小的时间窗口上也建立了LSTM神经网络模型，并利用BP神经网络层将它们融合起来，更加充分地利用了原始的单车数据，能够更好地应对车流量的异常波动变化，对目标时间窗口下的车流量时间序列做出了更高精度的预测。
在步骤S11中，收费站的收费数据记录了每一辆经过该站点的车辆的相关信息，包括收费时间、车牌号、车辆类型，该数据为车流量的预测提供了有力支撑。收费数据是通过高速公路有关部门获得，不在本研究之列。
在步骤S12中，收费数据包含了不同车型的单车记录，由于不同车型车辆对道路状况以及收费站的影响不同，并且各种车型的流量变化情况不同，所以为了使预测的车流量更有实际参考意义，同时保证预测结果更加准确，需要单独提取某一种车型的通行数据并对其建立预测模型。根据高速公路相关部门的业务要求，车辆大致分为三种车型：客车、货车和专项作业车，目标车型即为前述三种车中的一种或多种。
在一些实施方式中，所述多种时间窗口至少包括：60min时间窗口、30min时间窗口、15min时间窗口。所述目标车型在某一时间窗口下的车流量时间序列为目标车型在30min时间窗口下的车流量时间序列。
由于本方法的最终目的是预测时长为30min的统计流量，所以对提取到的单车数据进行流量统计，时间窗口为30min，步长也为30min，形成车流量时间序列Q1＝{q1,q2,q3,q4,q5…},其中q1,q2,q3…按照时间前后顺序排列，分别为30分钟时长的统计流量。本发明要建立多尺度的LSTM神经网络，所以还需要统计不同时间窗口下的车流量时间序列，时间窗口分别为60min和15min，步长都为30min，统计方法和30min流量统计类似，从而形成流量序列Q2,Q3。Q1、Q2,、Q3,的折线图大致如图3。
为了保证在不同的车流量时间序列上训练的LSTM神经网络能够收敛，需要对三条车流量时间序列Q1,Q2,Q3分别做归一化，并将归一化后的序列按照一定的比列划分为训练集和测试集，归一化公式如下：
其中，
为归一化后的车流量时间序列，Q为原始的车流量时间序列，Qmin为对应车流量时间序列中的最小值，Qmax为对应车流量时间序列中的最大值。
在三条车流量时间序列的训练集上分别建立LSTM神经网络模型。根据车流量时间序列的自相关系数来确定模型的输入特征，当自相关系数大于0.6的最大自相关阶数为n时，选取包括当前时段在内的前n个时段的流量作为LSTM神经网络模型的输入特征Qin＝{qt,qt-1,qt-2…qt-n+1}。对于60min车流量时间序列和30min车流量时间序列，LSTM神经网络模型输出标签是下一时段的流量，对于15min的车流量时间序列，模型输出标签是下两个时段的流量。
在训练LSTM神经网络模型过程中，使用随机搜索算法，分别对三个LSTM神经网络模型进行超参数寻优，使用寻找到的最优超参数重新训练LSTM神经网络模型。
在训练BP神经网络过程中，将三个LSTM神经网络模型在训练集上的输出合并，构建一个新的数据特征bpin＝{l60min,l30min,l15min1,l15min2,}，作为BP神经网络的输入特征，30min时间序列的训练集标签作为BP神经网络的输出标签，训练BP神经网络。
利用测试集测试多尺度LSTM-BP融合神经网络的预测性能，或在利用车流量预测模型预测车流量时间序列时，将BP神经网络的输出做反归一化，作为最终30min车流量的最终预测值，反归一化公式如下：
Qpre＝Q”*(Qmax-Qmin)+Qmin (2)
其中，Qpre是预测得到目标时间窗口下的车流量时间序列，Q”是BP神经网络的输出，Qmax是目标时间窗口下的车流量时间序列中的最大值，Qmin是目标时间窗口下的车流量时间序列下的最小值。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，包括：
获取目标车型在目标收费站的收费数据；
基于所述收费数据得到目标车型的多种时间窗口的车流量时间序列；
将所述目标车型的多种时间窗口的车流量时间序列输入到车流量预测模型中，预测得到目标时间窗口下的车流量时间序列；
其中，所述车流量预测模型为BP神经网模型，所述BP神经网络模型通过以多个LSTM神经网络模型的输出作为输入，目标车型在某一时间窗口下的车流量时间序列作为输出训练得到；
多个所述LSTM神经网络模型是基于目标车型在不同时间窗口下的车流量时间序列训练得到，不同LSTM神经网络模型对应不同尺度时间窗口下的车流量时间序列。
2.根据权利要求1所述的融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，所述多种时间窗口至少包括：60min时间窗口、30min时间窗口、15min时间窗口。
3.根据权利要求1所述的融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，所述目标车型在某一时间窗口下的车流量时间序列为目标车型在30min时间窗口下的车流量时间序列。
4.根据权利要求2所述的融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，所述多个LSTM神经网络模型包括通过60min时间窗口、30min时间窗口、15min时间窗口下的车流序列训练得到的LSTM神经网络模型。
5.根据权利要求4所述的融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，在训练所述LSTM神经网络模型过程中，通过随机搜索算法得到LSTM神经网络模型的最优超参数，通过所述最优超参数训练LSTM神经网络模型。
6.根据权利要求1所述的融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，所述目标时间窗口下的车流量时间序列为30min时间窗口下的车流量时间序列。
7.根据权利要求1所述的融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，在训练所述LSTM神经网络模型的过程中，对所述不同尺度时间窗口下的车流量时间序列进行归一化，其中，通过下式进行归一化操作：
其中，
为归一化后的车流量时间序列，Q为原始的车流量时间序列，Qmin为对应车流量时间序列中的最小值，Qmax为对应车流量时间序列中的最大值。
8.根据权利要求7所述的融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，根据车流量时间序列的自相关系数确定LSTM神经网络模型的输入特征，当所述自相关系数大于设定值的最大自相关阶数为n时，选取包括当前时段在内的前n个时段的车流量时间序列作为LSTM神经网络模型的输入Qin。
9.根据权利要求8所述的融合多尺度LSTM与BP神经网络的收费站下道流量短时预测方法，其特征在于，在利用车流量预测模型预测车流量时间序列时，将BP神经网络的输出进行反归一化，预测得到目标时间窗口下的车流量时间序列；其中，反归一化公式如下：
Qpre＝Q”*(Qmax-Qmin)+Qmin
其中，Qpre是预测得到目标时间窗口下的车流量时间序列，Q”是BP神经网络的输出，Qmax是目标时间窗口下的车流量时间序列中的最大值，Qmin是目标时间窗口下的车流量时间序列下的最小值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110175673.0A CN112801400A (zh) | 2021-02-09 | 2021-02-09 | 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110175673.0A CN112801400A (zh) | 2021-02-09 | 2021-02-09 | 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801400A true CN112801400A (zh) | 2021-05-14 |
Family
ID=75814964
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110175673.0A Pending CN112801400A (zh) | 2021-02-09 | 2021-02-09 | 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801400A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113345252A (zh) * | 2021-06-08 | 2021-09-03 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
| CN114044022A (zh) * | 2021-10-28 | 2022-02-15 | 上海工程技术大学 | 一种轨道车辆轴箱温度零碳感知系统 |
| DE102022114218B3 (de) | 2022-06-07 | 2023-09-14 | Audi Aktiengesellschaft | Verfahren zum Schätzen einer Zeitangabe eines Eintritts eines zukünftigen Ereignisses, insbesondere eines Verkehrsereignisses, sowie Kraftfahrzeug |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
| CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
| CN110378052A (zh) * | 2019-07-25 | 2019-10-25 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
-
2021
- 2021-02-09 CN CN202110175673.0A patent/CN112801400A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
| CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
| CN110378052A (zh) * | 2019-07-25 | 2019-10-25 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113345252A (zh) * | 2021-06-08 | 2021-09-03 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
| CN113345252B (zh) * | 2021-06-08 | 2022-07-22 | 重庆大学 | 一种收费站下道流量短时预测方法与装置 |
| CN114044022A (zh) * | 2021-10-28 | 2022-02-15 | 上海工程技术大学 | 一种轨道车辆轴箱温度零碳感知系统 |
| DE102022114218B3 (de) | 2022-06-07 | 2023-09-14 | Audi Aktiengesellschaft | Verfahren zum Schätzen einer Zeitangabe eines Eintritts eines zukünftigen Ereignisses, insbesondere eines Verkehrsereignisses, sowie Kraftfahrzeug |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801400A (zh) | 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 | |
| Nagy et al. | Survey on traffic prediction in smart cities | |
| Ping et al. | Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning | |
| Zhang et al. | Big data research on driving behavior model and auto insurance pricing factors based on UBI | |
| CN112700072A (zh) | 交通状况预测方法、电子设备和存储介质 | |
| CN111301426A (zh) | 基于gru网络模型预测未来行驶过程能耗的方法 | |
| CN113380043B (zh) | 一种基于深度神经网络计算的公交到站时间预测方法 | |
| CN110232820A (zh) | 一种路况预测模型的建立方法及装置 | |
| CN110889558A (zh) | 路况预测方法及装置 | |
| CN115080638B (zh) | 微观仿真的多源数据融合分析方法、电子设备及存储介质 | |
| CN113570867A (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
| CN104599002A (zh) | 预测订单价值的方法及设备 | |
| Zhao et al. | Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots | |
| CN112906945A (zh) | 一种交通流量预测方法、系统及计算机可读存储介质 | |
| CN106295868A (zh) | 交通出行数据处理方法及装置 | |
| CN112738729A (zh) | 一种用手机信令数据判别探亲返乡游客的方法及系统 | |
| Pramanik et al. | Modeling traffic congestion in developing countries using google maps data | |
| CN112579915B (zh) | 一种出行链的分析方法及装置 | |
| CN113298309A (zh) | 用于交通拥堵状态预测的方法、装置及终端 | |
| CN108053646A (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
| CN113345252B (zh) | 一种收费站下道流量短时预测方法与装置 | |
| Zhong et al. | Finite mixture survival model for examining the variability of urban arterial travel time for buses, passenger cars and taxis | |
| CN111680707A (zh) | 基于公交系统的刷卡数据分析方法、电子终端及存储装置 | |
| Barlovic et al. | Online traffic simulation with cellular automata | |
| CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 |
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 |