CN112862084A - 基于深度迁移融合学习的交通流量预测方法 - Google Patents
基于深度迁移融合学习的交通流量预测方法 Download PDFInfo
- Publication number
- CN112862084A CN112862084A CN202110452609.2A CN202110452609A CN112862084A CN 112862084 A CN112862084 A CN 112862084A CN 202110452609 A CN202110452609 A CN 202110452609A CN 112862084 A CN112862084 A CN 112862084A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- deep
- prediction
- learning
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013508 migration Methods 0.000 title claims abstract description 23
- 230000005012 migration Effects 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 14
- 238000013526 transfer learning Methods 0.000 abstract description 14
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06N3/045—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
- 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
- G06Q50/40—Business processes related to the transportation industry
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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于深度迁移融合学习的交通流量预测方法，具体包括以下步骤：利用TrAdaboost算法筛选有效数据，得到有效的数据集，利用ResNet网络构建的深度网络框架对数据集进行深度学习，将深度学习后的数据集输入卷积神经网络，提取特征完成对交通流量的预测。本发明创造性地将时空特征、特征变换、深度神经网络与迁移学习算法结合，并应用到交通流量的预测中，取得了较好的预测精度，同时相对于经验模型来说，采用本发明的方法能大大缩短建模的时间。
Description
技术领域
本发明涉及一种基于深度迁移融合学习的交通流量预测方法。
背景技术
早期对于交通流量预测方法主要是基于时间序列的交通流量预测方法，而随着时间与空间的转移，基于统计概率的交通流量预测方法逐步取代之前的方法。
在近些年来，随着人工智能的高速发展，将机器学习方法融入交通流量预测已成为趋势，基于对数据特征的深度挖掘，充分研究时间、空间、地理环境等因素之间的内在联系，使得基于机器学习的交通流量预测方法取得了不错的表现。
深度学习作为近些年来机器学习领域中热门的领域之一，其概念最早由多伦多大学的G. E.Hinton等于2006年提出，基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程，传统的神经网络随机初始化网络中的权值，导致网络很容易收敛到局部最小值，为解决这一问题，Hinton提出使用无监督预训练方法优化网络权值的初值，再进行权值微调的方法，拉开了深度学习的序幕，深度学习所得到的深度网络结构包含大量的单一元素(神经元)，每个神经元与大量其他神经元相连接，神经元间的连接强度(权值)在学习过程中修改并决定网络的功能，通过深度学习得到的深度网络结构符合神经网络的特征，因此深度网络就是深层次的神经网络，即深度神经网络(deep neuralnetworks,DNN)。
迁移学习的概念是2005年杨强教授提出的，目标是让计算机把大数据领域习得的知识和方法迁移到数据不那么多的领域，这样，计算机也可以“举一反三”、“触类旁通”，而不必在每个领域都依赖大数据从头学起。迁移学习，对于人类来说，就是掌握举一反三的学习能力，比如我们学会骑自行车后，学骑摩托车就很简单了；在学会打羽毛球之后，再学打网球也就没那么难了，对于计算机而言，所谓迁移学习，就是能让现有的模型算法稍加调整即可应用于一个新的领域和功能的一项技术，迁移学习的研究来源于一个观测：人类可以将以前的学到的知识应用于解决新的问题，更快的解决问题或取得更好的效果。迁移学习被赋予这样一个任务：从以前的任务当中去学习知识（knowledge）或经验，并应用于新的任务当中，换句话说，迁移学习目的是从一个或多个源任务（source tasks）中抽取知识、经验，然后应用于一个目标领域（target 域）当中去。
深度学习技术有着对特征深度提取的能力，但其方法本身也存在着缺陷不足，比较明显的缺陷有深度学习只能根据已有的数据来学习，且数据都需要进行人工标注，方法不会判断数据正确性，深度学习可以在不理解数据的情况下模仿数据中的内容：它不会否定任何数据，不会发现社会上的偏见，而只是“学习数据”，其次，每次训练的结果无法修正学习结果，除非重新训练，耗费时间和金钱，目前的方法无法通过在训练之后添加补丁，来修复一个带有偏差的深度学习模型，深度学习是一个神经网络，与其他人工智能方法不同，无法通过局部补救来修改某个答案，而是必须使用不同的、完全平衡以及公正的、稀有的真实世界数据对该网络进行重新训练。
迁移学习技术虽然可以较好的进行迁移任务，但其方法本身也存在着缺陷不足，对于迁移的域的选择有着较高的要求，若迁移的域之间毫无关联，此时强行进行迁移，往往达不到预期效果，甚至达到了负面效果，产生“负迁移”的现象。
当今基于机器学习的交通流量预测方法普遍采用浅层神经网络结构，这些方法的不足之处源于浅层结构无法对大型交通数据的进行很好的特征表达，而对于交通流量来说，其复杂性源于交通流量具有时空特性。
发明内容
本发明提出一种基于深度迁移学习的方法对交通流量的预测方法，创造性地将特征融合、特征变换、深度神经网络与迁移学习算法结合应用到交通流量的预测中，取得了较好的预测精度，同时相对于经验模型来说，采样本发明的方法能大大缩短建模的时间。
本发明在融合交通流量时空特征的基础上，结合深度迁移学习的方法对短时交通流量进行预测，因为交通流量具有时空特性，交通流量随着时间的分布的转移与时空的迁移的变化而变化，人们无法清晰深刻的捕捉与描述时间与空间之间存在着某种非线性映射关系，不能计算出具体的关系公式进行描述，而在融合该时空特征的基础上，利用深度迁移神经网络可以任意精度拟合任何的连续映射。
为了解决上述技术问题，本发明采用的技术方案是：一种基于深度迁移融合学习的交通流量预测方法，具体包括以下步骤：利用TrAdaboost算法筛选有效数据，得到有效的数据集，利用ResNet网络构建的深度网络框架对数据集进行深度学习，将深度学习后的数据集输入卷积神经网络，提取特征完成对交通流量的预测。
在某些实施方式中，利用TrAdaboost算法筛选有效数据的具体步骤为：首先采集源域数据集和目标域数据集，利用TrAdaboost算法计算源域和目标域之间的相似度，通过Boosting方法建立一种权重调整机制，增加有效数据权重，降低无效数据权重，采用基分类器从源域数据中筛选有效数据，过滤掉与目标域不匹配的数据，过滤出源域中有助于训练目标域训练的样本。
在某些实施方式中，采用卷积神经网络提取特征的具体步骤为：对输入的数据集采用 ReLu 激活函数进行时间特征提取得到时间特征g(i)，建立预测模型m，以分析矩阵的方式找出预测点与其余点之间的空间相关性，得到空间特征，即二维空间信息矩阵Ft，融合时间特征g(i)和空间特征Ft完成对交通流量的预测。
在某些实施方式中，所述输入数据集包括当前位置的当前时间点t、经度Lng、纬度Lat、周次w、路口所占权重b、最大通过车辆数c、平均车速v。
在某些实施方式中，在完成对交通流量的预测后，采用平均绝对误差和均方根误差中的至少一种方法对预测进行误差分析，选取最优预测模型。
本发明的范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案等。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明采用深层架构的网络来捕捉交通流的时空特征,利用卷积神经网络在交通流量预测中的深度挖掘联系，选择不同预训练策略，借助迁移学习的理念，结合深度学习中充分深度挖掘捕获特征的能力，融合特征丰富的交通流量数据特征，构建深度迁移的预测体系，利用深度迁移学习的方法对交通流量进行预测的方法，创造性地将深度神经网络与迁移学习算法结合应用到交通流量的预测中，利用深度神经网络对时空非线性关系的特征刻画，减少了预测过程的运算时间同时，并提高了预测精度。
附图说明
附图1为预测流程图；
附图2为训练算法流程图；
附图3为TrAdaboost算法效果图。
具体实施方式
以下结合附图对本发明进行说明：
（1）数据集与特征选取
分别于测试区域设置监测点，监测点以路口为单位间隔采样交通数据。本实施例中的数据集一共包含 33 个交通站点信息，每一个不同的站点都收录了从 2020 年 1月1日-2020 年7月15日的交通流量数据，其中采样间隔为全天24小时每隔1分钟进行一次采样，所采集数据分别为每分钟内通过车辆量数、车辆通过速度(单位：v/s)、当前周次以及经纬度，每个样本集包含9600条数据，同时把时间点也作为模型特征之一。
（2）迁移学习
采用TrAdaboost算法用于计算域之间的相似度，算法效果图如图3所示，如图a，当有标注的训练样本很少的时候，则分类学习是非常困难的；如图b，如果能有大量的辅助训练数据，则可能可以根据数据估计出分类面（虚线），TrAdaboost算法自动调整训练比例的权重，通过 Boosting方法建立一种权重调整机制，增加有效数据权重，降低无效数据权重，滤除差异分布训练数据，从源域数据中筛选有效数据，过滤掉与目标域不匹配的数据。
本实施例采用两个数据集：苏州市区交通流量数据集Ts 和苏州高新区交通流量数据集Td，Ts作为源域，Td作为目标域，采用决策树分类器作为基分类器，最大迭代次数N，如果源域的样本预测错误，样本权重就会降低，目标域的样本预测错误，样本的权重就会增加，以此来过滤出Ts中有助于训练Td的样本，用于后续计算。
（3）深度学习
采用ResNet网络，并通过短路机制加入了残差单元，如表1。
表1ResNet网络结构
ResNet网络直接使用stride=2的卷积做下采样，并且用global average pool层替换了全连接层，当feature map大小降低一半时，feature map的数量增加一倍，保持了网络层的复杂度，ResNet相比普通网络每两层间增加了短路机制，形成了残差学习，其中虚线表示feature map数量发生了改变。
34-layer的ResNet，还可以构建更深的网络。对于18-layer和34-layer的ResNet，其进行的两层间的残差学习，当网络更深时，其进行的是三层间的残差学习，三层卷积核分别是1x1，3x3和1x1，一个值得注意的是隐含层的feature map数量是比较小的，并且是输出feature map数量的1/4。对深度网络拥有更好的拟合能力。
（4）具体方案
如图1所示，首先定义如下预测模型：
m=F(t,w,lng,lat,c,v,b),
其中，t,w,lng,lat,c,v,b分别为当前区域的参数，如当前区域的车流量与当前位置的经度、纬度、周次、路口所占权重、车辆通过率等参数，具体参数表示及范围如表2所示:
表2示例子网的输入特征数据表
| 特征名称 | 单位 | 取值范围 | 说明 |
| <i>t</i> | s | 0-24 | 当前时间点 |
| <i>w</i> | N/A | 1-7 | 当前周次 |
| <i>Lng</i> | N/A | -180-180 | 当前位置经度 |
| <i>Lat</i> | N/A | -180-180 | 当前位置纬度 |
| <i>c</i> | % | 0-n | 当前最大通过车辆数 |
| <i>v</i> | v/s | 0-120 | 当前平均车速 |
| <i>b</i> | N/A | 0-1 | 当前路口权重 |
将上述参数输入卷积网络中，提取时间特征，公式如下：
其中，
是输入节点的卷积值，w是节点的滤波器权重，B是偏置项，g(i)为卷积后
的时间，使用ReLu激活函数进行激活输出，R即为激活函数。
模型以分析矩阵的方式找出预测点与其余点之间空间相关性，提取空间特征，即二维空间信息矩阵表示如下：
其中t代表某一时刻，r表示某一区域由经度lng和纬度lat确定，Ft表示t时刻该区域的交通流量。
在深度迁移框架下的神经网络如图2所述，预测流程如图1。我们把N个样本作为N个包数据，把1小时内每隔1分钟所测的数据作为1个示例，则每个包中有60个示例，每个示例均为一个多维的特征向量，融合时间特征g(i)和空间特征Ft。
（5）误差分析
在深层迁移神经网络的问题中，本实施例采用均方误差函数：
其中，Fp为对应的输出误差。
为证明本文方法的准确性，使用平均绝对误差( MAE) 和均方根误差(RMSE) 两个评价指标来评估预测结果，MAE 能更好地反映出预测值误差的实际情况，RMSE 是均方误差的算术平方根，RMSE 的值越小，说明预测模型描述实验数据具有更好的精确度。
通过实验对比迁移学习方法和非迁移学习方法，发现采用迁移学习方法更有利于交通流量的预测，实验结果见下表3。
表3结果对比
| 方法名称 | MAE | RMSE |
| 非迁移学习方法 | 27.486 | 37.252 |
| 深度迁移学习方法（本发明） | 20.891 | 28.962 |
从表3中可以看到本发明在MAE,RMSE指标上有了明显的降低，说明预测精度有着更准确的结果，可通过MAE,RMSE两者中其一的方法选取不同模型中的优选方案。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于深度迁移融合学习的交通流量预测方法，其特征在于：具体包括以下步骤：利用TrAdaboost算法筛选有效数据，得到有效的数据集，利用ResNet网络构建的深度网络框架对数据集进行深度学习，将深度学习后的数据集输入卷积神经网络，提取特征完成对交通流量的预测。
2.根据权利要求1所述的基于深度迁移融合学习的交通流量预测方法，其特征在于：利用TrAdaboost算法筛选有效数据的具体步骤为：首先采集源域数据集和目标域数据集，利用TrAdaboost算法计算源域和目标域之间的相似度，通过 Boosting方法建立一种权重调整机制，增加有效数据权重，降低无效数据权重，采用基分类器从源域数据中筛选有效数据，过滤掉与目标域不匹配的数据，过滤出源域中有助于训练目标域训练的样本。
3.根据权利要求1所述的基于深度迁移融合学习的交通流量预测方法，其特征在于：采用卷积神经网络提取特征的具体步骤为：对输入的数据集采用 ReLu 激活函数进行时间特征提取得到时间特征g(i)，建立预测模型m，以分析矩阵的方式找出预测点与其余点之间的空间相关性，得到空间特征，即二维空间信息矩阵Ft，融合时间特征g(i)和空间特征Ft完成对交通流量的预测。
4.根据权利要求3所述的基于深度迁移融合学习的交通流量预测方法，其特征在于：所述输入的数据集包括当前位置的当前时间点t、经度Lng、纬度Lat、周次w、路口所占权重b、最大通过车辆数c、平均车速v。
5.根据权利要求1所述的基于深度迁移融合学习的交通流量预测方法，其特征在于：在完成对交通流量的预测后，采用平均绝对误差和均方根误差中的至少一种方法对预测进行误差分析，选取最优预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452609.2A CN112862084B (zh) | 2021-04-26 | 2021-04-26 | 基于深度迁移融合学习的交通流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452609.2A CN112862084B (zh) | 2021-04-26 | 2021-04-26 | 基于深度迁移融合学习的交通流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862084A true CN112862084A (zh) | 2021-05-28 |
| CN112862084B CN112862084B (zh) | 2021-11-30 |
Family
ID=75992942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110452609.2A Active CN112862084B (zh) | 2021-04-26 | 2021-04-26 | 基于深度迁移融合学习的交通流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862084B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115150840A (zh) * | 2022-05-18 | 2022-10-04 | 西安交通大学 | 一种基于深度学习的移动网络流量预测方法 |
| CN116128049A (zh) * | 2023-04-04 | 2023-05-16 | 厦门大学 | 一种基于XGBoost模型的水质预测模型迁移条件选择方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764537A (zh) * | 2018-05-14 | 2018-11-06 | 浙江工业大学 | 一种基于A-TrAdaboost算法的多源社区标签发展趋势预测方法 |
| CN109635872A (zh) * | 2018-12-17 | 2019-04-16 | 上海观安信息技术股份有限公司 | 身份识别方法、电子设备及计算机程序产品 |
| CN110148296A (zh) * | 2019-04-16 | 2019-08-20 | 南京航空航天大学 | 一种基于深度迁移学习的跨城市交通流量联合预测方法 |
| CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
| 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 |
| CN112418358A (zh) * | 2021-01-14 | 2021-02-26 | 苏州博宇鑫交通科技有限公司 | 一种强化深度融合网络的车辆多属性分类方法 |
-
2021
- 2021-04-26 CN CN202110452609.2A patent/CN112862084B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764537A (zh) * | 2018-05-14 | 2018-11-06 | 浙江工业大学 | 一种基于A-TrAdaboost算法的多源社区标签发展趋势预测方法 |
| CN109635872A (zh) * | 2018-12-17 | 2019-04-16 | 上海观安信息技术股份有限公司 | 身份识别方法、电子设备及计算机程序产品 |
| CN110148296A (zh) * | 2019-04-16 | 2019-08-20 | 南京航空航天大学 | 一种基于深度迁移学习的跨城市交通流量联合预测方法 |
| CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
| 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 |
| CN112418358A (zh) * | 2021-01-14 | 2021-02-26 | 苏州博宇鑫交通科技有限公司 | 一种强化深度融合网络的车辆多属性分类方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115150840A (zh) * | 2022-05-18 | 2022-10-04 | 西安交通大学 | 一种基于深度学习的移动网络流量预测方法 |
| CN115150840B (zh) * | 2022-05-18 | 2024-03-12 | 西安交通大学 | 一种基于深度学习的移动网络流量预测方法 |
| CN116128049A (zh) * | 2023-04-04 | 2023-05-16 | 厦门大学 | 一种基于XGBoost模型的水质预测模型迁移条件选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862084B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
| CN108399406A (zh) | 基于深度学习的弱监督显著性物体检测的方法及系统 | |
| CN107229914B (zh) | 一种基于深度q学习策略的手写数字识别方法 | |
| CN112862084B (zh) | 基于深度迁移融合学习的交通流量预测方法 | |
| CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
| CN107133974A (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
| CN106874688A (zh) | 基于卷积神经网络的智能化先导化合物发现方法 | |
| CN104615983A (zh) | 基于递归神经网络和人体骨架运动序列的行为识别方法 | |
| CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
| CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
| CN104077613A (zh) | 一种基于级联多级卷积神经网络的人群密度估计方法 | |
| CN109671102A (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
| CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
| CN111506835A (zh) | 一种融合用户时间特征和个性特征的数据特征提取方法 | |
| CN112766280A (zh) | 一种基于图卷积的遥感图像道路提取方法 | |
| CN106980830A (zh) | 一种基于深度卷积网络自亲缘关系识别方法与装置 | |
| CN108647682A (zh) | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 | |
| CN106980831A (zh) | 基于自编码器的自亲缘关系识别方法 | |
| CN109613178A (zh) | 一种基于递归神经网络预测空气污染的方法及系统 | |
| Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
| CN106296734A (zh) | 基于极限学习机和boosting多核学习的目标跟踪算法 | |
| CN112598165A (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
| CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
| CN109389246A (zh) | 一种基于神经网络的交通工具目的地区域范围预测方法 | |
| CN112733602A (zh) | 关系引导的行人属性识别方法 |
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 |