CN112820120B - 一种基于联盟链的多方交通流时空交叉验证方法 - Google Patents

一种基于联盟链的多方交通流时空交叉验证方法 Download PDF

Info

Publication number
CN112820120B
CN112820120B CN202011608375.8A CN202011608375A CN112820120B CN 112820120 B CN112820120 B CN 112820120B CN 202011608375 A CN202011608375 A CN 202011608375A CN 112820120 B CN112820120 B CN 112820120B
Authority
CN
China
Prior art keywords
data
road section
traffic flow
acquisition
road
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
CN202011608375.8A
Other languages
English (en)
Other versions
CN112820120A (zh
Inventor
黄方蕾
汪小益
吴琛
张帅
胡麦芳
张珂杰
詹士潇
匡立中
谢杨洁
邱炜伟
蔡亮
李伟
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.)
Hangzhou Qulian Technology Co Ltd
Original Assignee
Hangzhou Qulian Technology 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 Hangzhou Qulian Technology Co Ltd filed Critical Hangzhou Qulian Technology Co Ltd
Priority to CN202011608375.8A priority Critical patent/CN112820120B/zh
Publication of CN112820120A publication Critical patent/CN112820120A/zh
Application granted granted Critical
Publication of CN112820120B publication Critical patent/CN112820120B/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
    • G08G1/065—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
    • 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
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于联盟链的多方交通流时空交叉验证方法，包括：发布交通流量数据收集任务要求，创建联盟链及奖励，采集并处理路段的采集点数据，上传至联盟链；获得验证路段在t时刻的采集点数据，通过神经网络进行整合得到t时刻的车流量数据；构建新型循环神经网络对路段的车流量数据进行处理，得到t+1时刻路段的车流量状态数据；对t+1时刻验证路段的车流量状态数据及t+1时刻路段的采集点数据进行处理，得到t+1时刻验证路段最终的车流量数据，并与t+1时刻路段的采集点数据进行相似度对比，对所述神经网络参数进行更新，得到所有时刻路段采集点的准确率；重复上述过程，处理路段的交通数据，得到准确率并根据准确率分配奖励。本发明提高了采集的交通状态的可靠性。

Description

一种基于联盟链的多方交通流时空交叉验证方法
技术领域
本发明涉及区块链交通技术领域，特别涉及一种基于联盟链的多方交通流时空交叉验证方法。
背景技术
现代智能交通系统可通过GPS、线圈、摄像头等多种手段采集交通数据，这些采集手段的可靠性、稳定性、采集位置和针对的区域、时段都各不相同，也时常出现不同的采集手段对同时段同路段的交通状态评估不一致的情况，而单一的通过历史数据分析某采集方式的可靠性是不全面的，数据采集方式的可靠性，受设备状态、天气、时段、采集源数量等多种因素的影响，往往是动态变化的，且此间的相关性分析非常的困难，因此相关部门常常难以抉择采信哪一方的数据并对数据贡献做出正确的评价。
现有的交通数据验证方法大多直接通过真实数据进行对比，且很少涉及多方数据源采集数据不同的问题，进行造成验证结果不佳、奖励分配效率较低的问题。
发明内容
本发明的目的在于提供一种基于联盟链的多方交通流时空交叉验证方法，使得各采集方能根据历史和未来贡献获得相应的奖励；利用区块链的可溯源和防篡改的特点，实现更公平的奖励分配机制。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于联盟链的多方交通流时空交叉验证方法，包括以下步骤：
S1、发布交通流量数据收集任务要求，并创建联盟链及奖励，通过采集方根据任务要求采集并处理采集方拥有路段的采集点数据，并通过智能合约将交通数据上传至联盟链；
S2、选取验证路段，并获得验证路段在t时刻的采集点数据，通过神经网络对采集点数据整合得到t时刻验证路段的车流量数据；构建新型循环神经网络，根据所述新型循环神经网络对t时刻验证路段的车流量数据进行处理，得到t+1时刻验证路段的车流量状态数据；
S3、采用所述神经网络对t+1时刻验证路段的车流量状态数据及t+1时刻路段的采集点采集数据进行处理，得到t+1时刻验证路段最终的车流量数据，并与t+1时刻验证路段的采集点采集数据进行相似度对比，对所述神经网络参数进行更新，最终得到所有时刻验证路段采集点的准确率；
S4、按顺序依次选取路段，重复所述步骤S2及所述步骤S3，对所有路段的交通数据进行处理，汇总得到采集方拥有路段的采集点的准确率并上传至联盟链，并根据准确率及采集范围大小分配奖励。
优选地，所述交通流量数据收集任务要求包括数据格式、数据处理方式、总历史事件及采集区域。
优选地，所述采集并处理采集方拥有路段的采集点数据的过程为：通过采集方根据其拥有路段的采集点进行车流量数据采集，将采集点采集到的车流量数据转换成道路数据，并根据道路数据构建道路节点网络并得到邻接矩阵。
优选地，所述道路交通网络矩阵包括采集点的车流量状态；
所述车流量状态包括严重拥堵状态、拥堵状态、正常状态、畅通状态、无车流量状态及无道路信息状态。
优选地，所述步骤S2中通过神经网络进行整合得到路段的车流量数据的具体过程为：将路段上各采集点在某时刻的车流量数据作为所述神经网络的输入参数，并根据所述神经网络的权重参数，得到经神经网络整合的路段的车流量状态数据。
优选地，所述神经网络的权重参数等于路段上某一采集点在某时刻的准确率，初始值为1。
优选地，所述步骤S2中根据所述新型循环神经网络对路段的车流量数据进行处理的过程为：获取验证路段道路节点网络上的一阶和二阶邻居节点在t时刻的采集点数据；从邻接矩阵中提取验证路段的一阶和二阶邻居的相应值，得到验证路段的一阶和二阶节点关系矩阵；获取验证路段上采集点的准确率，并根据验证路段在t时刻的采集点数据、验证路段道路节点网络上的一阶和二阶邻居节点在t时刻的采集点数据及所述验证路段的一阶和二阶节点关系矩阵得到t+1时刻验证路段的车流量状态数据。
优选地，所述根据准确率及采集范围大小分配奖励的过程为：将采集方拥有的采集点数量与所有采集点数量做比值，并计算所有采集点的平均准确度；根据比值及所有采集点的平均准确度得到最终评分，根据评分进行奖励分配。
本发明公开了以下技术效果：
本发明将其他道路的采集数据以及道路之间的相关性矩阵作为循环神经网络的额外输入，交叉验证各采集点各采集设备的可信度，提高了采集的交通状态的可靠性；并通过给出了一种更为合理的奖励分配机制，各采集方能根据历史和未来贡献获得相应的奖励；利用区块链的可溯源和防篡改的特点，实现更公平的奖励分配机制。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于联盟链的多方交通流时空交叉验证方法流程示意图；
图2为本发明新型神经网络结构示意图；
图3为本发明实施例某一时刻特定验证路段车流量状态计算流程示意图；
图4为本发明实施例下一时刻特定验证路段车流量状态计算流程示意图；
图5为本发明实施例选取的某地区的道路网络示意图；
图6为本发明实施例选取的某地区的道路节点网络及邻接矩阵示意图。
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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于联盟链的多方交通流时空交叉验证方法，包括以下步骤：
S1、发布交通流量数据收集任务要求，并创建联盟链及奖励，通过采集方根据任务要求采集并处理采集方拥有路段的采集点数据，并通过智能合约将交通数据上传至联盟链。
交通管理部门发布交通流量数据收集任务的基本需求，包括：数据格式、数据预处理方式、总历史时间tmax、采集区域等。
联盟链则是指只针对特定某个群体的成员和有限的第三方，内部指定多个预选的节点为记账人，每个块的生成由所有的预选节点共同决定，其他接入节点可以参与交易的一种区块链。
本实施例构建的奖励包括金钱奖励及众包平台信用的提升。
以道路的单一行驶方向为节点，由某一道路的单一行驶方向直接抵达另一条道路表示连边，即可以通过直行，左右转，掉头从一道路抵达另一道路即为两道路节点的连边，从而构建道路节点网络；获得道路节点网络的邻接矩阵A：
Figure BDA0002872417920000061
其中，n表示该地区道路节点网络涵盖的道路总数；Apq表示道路节点p和q之间的关系，具体为：
Figure BDA0002872417920000062
其中：sij表示道路p和q之间的通行所需时间；E表示道路连边的集合；epq表示道路p和q的连边。
在选定的采集区域上布设若干采集点，在采集点每隔固定时刻记录所采集区域的一次车流量，一天共记录T次，得到采集数据，将采集点采集的数据转换成道路数据，构建道路交通网络矩阵，具体为：
Figure BDA0002872417920000063
其中：Qmk表示采集方m在第k天每条路段的交通流量数据；XiT表示采集点i采集的车流量状态，具体如表1所示。
表1
Figure BDA0002872417920000064
Figure BDA0002872417920000071
S2、选取道路作为验证路段，并获得验证路段在t时刻的采集点数据，通过神经网络对采集点数据进行整合得到t时刻验证路段的车流量数据；构建新型循环神经网络，根据所述新型循环神经网络对t时刻验证路段的车流量数据进行处理，得到t+1时刻验证路段的车流量状态数据。
按照道路编号顺序选择路段作为验证路段，收集验证路段上所有采集点的采集数据。
验证路段采集数据记为Xit，表示在1～t时刻验证路段i上所有采集点的车流量状态数据，具体为：
Figure BDA0002872417920000072
其中：xut表示采集点u在t时刻的车流量状态。
汇总验证路段在道路节点网络上的一阶和二阶邻居节点所代表的路段采集点数据，记为X′it，表示在1～t时刻除了验证路段i的其他路段车流量数据。同一路段拥有多个采集点时，通过神经网络进行整合成路段的车流量状态数据Vjt，具体为：
Figure BDA0002872417920000073
Vjt＝[vj1 … vjt] (6)
其中：vjt表示经过神经网络整合采集点后的路段j上t时刻车流量状态。
本实施例构建的神经网络样式如图2所示，其中权重参数
Figure BDA0002872417920000085
等于路段j上的采集点u在t时刻的准确率
Figure BDA0002872417920000086
初始准确率设为1。输入层为路段j上各采集点上t时刻的车流量状态，输出层为Rt+1，具体过程如图3所示。
St＝Acut*Xit (6)
Ot＝X′it*A′i (7)
it＝σ(f1(Ot，Rt)) (8)
qt＝σ(f2(Rt，St)) (9)
et＝σ(f3(Rt，St)) (10)
Figure BDA0002872417920000081
Figure BDA0002872417920000082
Ut＝σ(f5(Rt，St)) (13)
Rt+1＝tanh(Ct)*Ut (14)
Figure BDA0002872417920000083
其中：Ct为该阶段的模型状态；Rt+1表示模型的输出；A′i表示邻接矩阵第i行的数据；f1～fs为可训练的线性函数；St，Ot，it，qt，et，
Figure BDA0002872417920000084
为模型的中间状态；Loss为损失函数。
神经网络的输入为Xit、Acut和X′it、A′i。A′i表示仅用以路段i为节点的一阶和二阶邻居参与计算。模型最终的输出为Ri(t+1)，表示验证路段i在t+1时刻的车流量状态。
将训练得到的预测路段数据Ri(t+1)与下一时刻路段i的采集点数据进行训练，得到下一时刻路段i上的车流量状态数据Vi(t+1)，具体过程如图4所示。
S3、采用所述神经网络对t+1时刻验证路段的车流量状态数据及t+1时刻路段的采集点采集数据进行处理，得到t+1时刻验证路段最终的车流量数据，并与t+1时刻验证路段的采集点采集数据进行相似度对比，对所述神经网络参数进行更新，最终得到所有时刻验证路段采集点的准确率。
通过采用式(16)计算向量相似度s，进行数据准确率判断：
Figure BDA0002872417920000091
其中：
Figure BDA0002872417920000092
表示路段i上t+1时刻采集点u的采集准确率；α为修正系数，
Figure BDA0002872417920000093
根据准确率进行奖励分配，具体为：
Figure BDA0002872417920000094
其中：N表示所有采集点数量；Nm表示采集方m拥有的采集点数量；
Figure BDA0002872417920000095
表示采集方拥有的采集点的平均准确度。
根据评分大小进行最终奖励分配。
如图5所示，本实施例选取某地区的道路网络，选出不同采集方法中的三种但不仅限于这三种，分别用圆形、三角形、正方形表示，其含义分别为视频法、机械计数法和收费站法，用罗马数字对每条道路编号，采集点每隔2小时采集一次。由此得到的道路节点网络及邻接矩阵如图6所示。
如图6所示，将路段Ⅰ作为验证路段，收集该路段的6小时内的采集点数据，得到：
Figure BDA0002872417920000101
通过神经网络汇总的路段Ⅰ的一阶和二阶邻居节点对应的采集路段数据，即路段2，3，4，5，7，8，9，13。
假设训练得到的车流量状态如下：
Figure BDA0002872417920000102
VIIt＝[2 2 2]
新型循环神经网络的其他参数如下，其中A′I表示邻接矩阵A中参与计算的AII，AIII，AIIII……AIIX，AIXIII，初始准确率设为1。
Figure BDA0002872417920000103
Figure BDA0002872417920000104
经过新型神经网络训练后得到最终6-8时刻推测的车流量。
假设训练得到的车流量状态如下：
Figure BDA0002872417920000105
再次通过神经网络训练，假设的训练值如下：
VI(t+1)＝[3 3 3]
将下一时刻路段Ⅰ采集点的采集数据与上述的训练结果进行相似度对比：
Figure BDA0002872417920000111
Figure BDA0002872417920000112
更新模型参数，继续下一时刻的训练，即推测8-10时刻的车流量状态直至t＝tmax，此时已获得采集点1，2所有时刻的采集准确率。
更换路段Ⅱ作为验证路段，重复上述操作。直至十四条路段都训练完毕，根据采集方拥有的采集点编号对采集方的采集准确率进行汇总并上传至区块链。众包平台根据采集方的准确率与采集范围大小分配奖励。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于联盟链的多方交通流时空交叉验证方法，其特征在于，包括以下步骤：
S1、发布交通流量数据收集任务要求，并创建联盟链及奖励，通过采集方根据任务要求采集并处理采集方拥有路段的采集点数据，并通过智能合约将交通数据上传至联盟链；
所述采集并处理采集方拥有路段的采集点数据的过程为：通过采集方根据其拥有路段的采集点进行车流量数据采集，将采集点采集到的车流量数据转换成道路数据，并根据道路数据构建道路节点网络并得到邻接矩阵和道路交通网络矩阵；
S2、选取道路作为验证路段，并获得验证路段在t时刻的采集点数据，通过神经网络对采集点数据进行整合得到t时刻验证路段的车流量数据；构建新型循环神经网络，根据所述新型循环神经网络对t时刻验证路段的车流量数据进行处理，得到t+1时刻验证路段的车流量状态数据；
通过神经网络进行整合得到路段的车流量数据的具体过程为：将路段上各采集点在某时刻的车流量数据作为所述神经网络的输入参数，并根据所述神经网络的权重参数，得到经神经网络整合的路段的车流量状态数据；
所述神经网络的权重参数等于路段上某一采集点在某时刻的准确率，初始值为1；
根据所述新型循环神经网络对路段的车流量数据进行处理的过程为：获取验证路段道路节点网络上的一阶和二阶邻居节点在t时刻的采集点数据；从邻接矩阵中提取验证路段的一阶和二阶邻居的相应值，得到验证路段的一阶和二阶节点关系矩阵；获取验证路段上采集点的准确率，并根据验证路段在t时刻的采集点数据、验证路段道路节点网络上的一阶和二阶邻居节点在t时刻的采集点数据及所述验证路段的一阶和二阶节点关系矩阵得到t+1时刻验证路段的车流量状态数据；
S3、采用所述神经网络对t+1时刻验证路段的车流量状态数据及t+1时刻路段的采集点采集数据进行处理，得到t+1时刻验证路段最终的车流量数据，并与t+1时刻验证路段的采集点采集数据进行相似度对比，对神经网络参数进行更新，最终得到所有时刻验证路段采集点的准确率；
S4、按顺序依次选取路段，重复所述步骤S2及所述步骤S3，对所有路段的交通数据进行处理，汇总得到各采集方拥有路段的采集点的准确率并上传至联盟链，并根据准确率及采集范围大小分配奖励。
2.根据权利要求1所述的基于联盟链的多方交通流时空交叉验证方法，其特征在于，所述交通流量数据收集任务要求包括数据格式、数据处理方式、总历史事件及采集区域。
3.根据权利要求1所述的基于联盟链的多方交通流时空交叉验证方法，其特征在于，所述道路交通网络矩阵包括采集点的车流量状态；
所述车流量状态包括严重拥堵状态、拥堵状态、正常状态、畅通状态、无车流量状态及无道路信息状态。
4.根据权利要求1所述的基于联盟链的多方交通流时空交叉验证方法，其特征在于，所述根据准确率及采集范围大小分配奖励的过程为：将采集方拥有的采集点数量与所有采集点数量做比值，并计算所有采集点的平均准确度；根据比值及所有采集点的平均准确度得到最终评分，根据评分进行奖励分配。
CN202011608375.8A 2020-12-30 2020-12-30 一种基于联盟链的多方交通流时空交叉验证方法 Active CN112820120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011608375.8A CN112820120B (zh) 2020-12-30 2020-12-30 一种基于联盟链的多方交通流时空交叉验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011608375.8A CN112820120B (zh) 2020-12-30 2020-12-30 一种基于联盟链的多方交通流时空交叉验证方法

Publications (2)

Publication Number Publication Date
CN112820120A CN112820120A (zh) 2021-05-18
CN112820120B true CN112820120B (zh) 2022-03-01

Family

ID=75855622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011608375.8A Active CN112820120B (zh) 2020-12-30 2020-12-30 一种基于联盟链的多方交通流时空交叉验证方法

Country Status (1)

Country Link
CN (1) CN112820120B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496284A (zh) * 2011-12-24 2012-06-13 重庆大学 一种道路交通流量采集及预测方法
CN104142680A (zh) * 2014-05-09 2014-11-12 东南大学 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法
WO2018126984A2 (zh) * 2017-01-06 2018-07-12 江南大学 一种基于mea-bp神经网络wsn异常检测方法
CN108428340A (zh) * 2018-05-11 2018-08-21 深圳市图灵奇点智能科技有限公司 道路交通状况分析方法和系统
CN109166336A (zh) * 2018-10-19 2019-01-08 福建工程学院 一种基于区块链技术的实时路况信息采集推送方法
CN111127888A (zh) * 2019-12-23 2020-05-08 广东工业大学 一种基于多源数据融合的城市交通流预测方法
WO2020134513A1 (zh) * 2018-12-29 2020-07-02 南京慧尔视智能科技有限公司 一种基于毫米波雷达和视频的交通检测装置
CN111510496A (zh) * 2020-04-16 2020-08-07 山东交通学院 基于区块链信息共享的交通诱导系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105788249B (zh) * 2014-12-16 2018-09-28 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
CN107705556A (zh) * 2017-09-01 2018-02-16 南京邮电大学 一种基于支持向量机和bp神经网络结合的交通流预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496284A (zh) * 2011-12-24 2012-06-13 重庆大学 一种道路交通流量采集及预测方法
CN104142680A (zh) * 2014-05-09 2014-11-12 东南大学 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法
WO2018126984A2 (zh) * 2017-01-06 2018-07-12 江南大学 一种基于mea-bp神经网络wsn异常检测方法
CN108428340A (zh) * 2018-05-11 2018-08-21 深圳市图灵奇点智能科技有限公司 道路交通状况分析方法和系统
CN109166336A (zh) * 2018-10-19 2019-01-08 福建工程学院 一种基于区块链技术的实时路况信息采集推送方法
WO2020134513A1 (zh) * 2018-12-29 2020-07-02 南京慧尔视智能科技有限公司 一种基于毫米波雷达和视频的交通检测装置
CN111127888A (zh) * 2019-12-23 2020-05-08 广东工业大学 一种基于多源数据融合的城市交通流预测方法
CN111510496A (zh) * 2020-04-16 2020-08-07 山东交通学院 基于区块链信息共享的交通诱导系统及方法

Also Published As

Publication number Publication date
CN112820120A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN110991713B (zh) 基于多图卷积和gru的不规则区域流量预测方法
CN111653088B (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN106875314B (zh) 一种城市轨道交通线网客流od动态估计方法
CN110491129A (zh) 基于时空图的发散卷积循环神经网络的交通流预测方法
CN110210644A (zh) 基于深度神经网络集成的交通流量预测方法
CN107103754A (zh) 一种道路交通状况预测方法及系统
Wu et al. A novel nonparametric regression ensemble for rainfall forecasting using particle swarm optimization technique coupled with artificial neural network
US20240054321A1 (en) Traffic prediction
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN115951014A (zh) 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法
CN112071062A (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
Issa et al. A decision support model for civil engineering projects based on multi-criteria and various data
Kao et al. Forecasts using neural network versus Box-Jenkins methodology for ambient air quality monitoring data
CN109191181B (zh) 一种基于神经网络和Huff模型的数字标牌广告受众人群分类方法
CN111737826B (zh) 一种基于增强学习的轨道交通自动仿真建模方法及装置
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN115660147A (zh) 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统
CN110413722B (zh) 地址选择方法、装置以及非瞬时性存储介质
CN112820120B (zh) 一种基于联盟链的多方交通流时空交叉验证方法
CN116884222B (zh) 一种卡口节点的短时交通流预测方法
CN111815075B (zh) 一种重大公共卫生事件下交通出行需求的预测方法
CN109741597A (zh) 一种基于改进深度森林的公交车路段运行时间预测方法
Ding Neural-network prediction with noisy predictors
CN111476357B (zh) 基于三重融合卷积gru的共享单车需求预测方法

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