CN112906945A - 一种交通流量预测方法、系统及计算机可读存储介质 - Google Patents
一种交通流量预测方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112906945A CN112906945A CN202110112264.6A CN202110112264A CN112906945A CN 112906945 A CN112906945 A CN 112906945A CN 202110112264 A CN202110112264 A CN 202110112264A CN 112906945 A CN112906945 A CN 112906945A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- training
- model
- gate
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000011084 recovery Methods 0.000 abstract description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005206 flow analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000003040 circulating cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了本发明公开了一种交通流量预测方法、系统及计算机可读存储介质,所述交通流量预测方法包括如下步骤:以预设时间间隔采集历史交通流量数据并进行预处理,获得流量数据集,并将流量数据集划分为训练集和验证集;将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练,并通过模型优化器对预测模型的参数进行优化,得到神经网络预估模型。本发明相比于ARIMA模型预估交通流量适应性更强、预测更精确,且拟合效果好、判断回收期更准确。
Description
技术领域
本发明涉及交通流量预测技术领域,尤其涉及一种交通流量预测方法、系统及计算机可读存储介质。
背景技术
原有高速公路省与省之间同行需要停车缴费,从而降低了通行效率,同时对较难统计高速公路通行流量,难判断投资回收期。我国自从撤销了高速路省界,自由流开放制式收费系统得到了广泛应用,极大地提高了车辆的通行效率,降低了物流成本,加快了全国高速公路一体化管理进程。2018年,交通运输部办公厅发布了《关于加快推进新一代国家交通控制网和智慧公路试点的通知》,其中“基于大数据的路网综合管理”专题提出构建基于大数据的高速公路运营与服务智能化管理决策平台,并将其应用到区域路网综合信息采集、运营调度、收费、资产运维养护、公众信息服务和应急指挥等领域中。将大数据分析技术应用到高速公路管理、运营和服务领域中,是智慧高速公路建设的一个重要体现。
交通大数据分析技术是构建我国智慧高速公路技术体系采用的关键技术之一,高速公路通行流量统计预估中得到广泛应用。全面、准确地进行通行流量分析和预估,不仅有助于制订和车道运营养护方案,及时向驾驶员发布道路拥堵信息,而且能为进一步规划或升级高速公路监控、收费等机电系统建设,判断投资回收期提供重要依据,是发挥大数据辅助决策功能的重要基础。省界撤销之后,不停车电子收费系统(ETC)的普及率大幅提升,城际和省际交流更加便捷,车流量进一步增加,给流量预估的应用场景带来了很大的变化。
以差分自回归移动平均(Auto Regressive Integrated Moving Average,ARIMA)模型为代表的经典线性回归模型的理论基础为:对于平稳非白噪声序列(或差分处理为平稳序列),可建立一个线性模型来拟合其发展,提取其中蕴含的有用信息。
ARIMA模型是通过差分平稳之后的时间序列ARMA模型,是目前最常用的平稳序列拟合与预估模型。ARMA系列模型最大的特点是要求时间序列是平稳的,序列的均值和方差不随时间发生变化。尽管差分可将非平稳的序列平稳化,但在实践中对误差项方差不变的假设很难达到。GARCH模型虽然能弱化误差项方差不变的假设,但这类模型在本质上还是拟合序列的线性变化随机过程,难以反映随时间发生的非线性变化。通行流量具有明显的周期性波动特征,可视其为时间的函数,但前后时刻到达流量的关联程度差异很大。在完全自由流状态下,车辆到达过程是相互独立的,是类似泊松过程的离散随机过程。随着交通流量的增大,不同时刻的交通流的关联性增强。这与下一时刻完全建立在当前时刻的基础上的其他类型时间序列不同,流量时间序列演化的非线性特征更明显。
发明内容
为了克服上述技术缺陷,本发明的目的在于提供一种相比于ARIMA模型更精确、预估流量和判断回收期更准确的交通流量预测方法、系统及计算机可读存储介质。
本发明公开了一种交通流量预测方法,包括如下步骤:以预设时间间隔采集历史交通流量数据并进行预处理,获得流量数据集,并将流量数据集划分为训练集和验证集;将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练,并通过模型优化器对预测模型的参数进行优化,得到神经网络预估模型。
优选地,所述神经网络预估模型包括遗忘门、输入门和输出门;通过遗忘门将上一时刻的输出ht-1与当前时刻的输入xt拼接之后,经过sigmod函数运算得到遗忘门输出值ft=σ(wf·[ht-1,xt]+bf),其中,σ为sigmod函数,wf为遗忘门权重矩阵,bf为遗忘门偏置项;通过输入门进行sigmod函数运算和tanh函数运算,分别得到新向量,it=σ(wi·[ht-1,xt]+bi)和其中,it决定哪些值需更新,为t时刻单元状态,Wi为输入门权重矩阵,bi为输入门偏置项;通过遗忘门和输入门将上一时刻单元状态Ct-1更新为当前时刻状态Ct,通过输出门进行sigmod函数运算得到ot,ot=σ(wo[ht-1,xt]+bo);并通过tanh函数运算得到当前输出ht,ht=ot*tanh(ct)。
优选地,所述模型优化器为Adam优化器,且Adam优化器数据批量设定为256。
优选地,所述将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练步骤中,训练次数设定为10次。
优选地,所述预设时间间隔为15min。
优选地,所述神经网络预估模型隐藏层包括1个LSTM层和1个全连接层。
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的交通流量预测方法的步骤。
本发明还公开了一种交通流量预测系统,其特征在于,包括:数据采集模块,所述数据采集模块以预设时间间隔采集历史交通流量数据;数据处理模块,所述数据处理模块将采集的历史交通流量数据进行预处理,获得流量数据集,并将流量数据集划分为训练集和验证集;流量预测模块,所述流量预测模块将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练,并通过模型优化器对预测模型的参数进行优化,得到神经网络预估模型。
采用了上述技术方案后,相比于ARIMA模型预估交通流量适应性更强、预测更精确,且拟合效果好、判断回收期更准确。
附图说明
图1为本发明提供的交通流量预测方法的流程图;
图2为LSTM神经网络循环单元结;
图3为广东省某高速公路某年11月的15min通行流量变化趋势;
图4为广东省某高速公路某年11月21日06:00开始的流量数据图;
图5为广东省某高速公路某年11月21日08:00开始的流量数据图;
图6为广东省某高速公路某年11月21日06:00开始的流量数据图为基础预估的18:00至22:00流量趋势;
图7为广东省某高速公路某年11月21日08:00开始的流量数据图为基础预估的18:00至22:00流量趋势。
附图标记:1-遗忘门,2-输入门,3-输出门。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身并没有特定的意义。因此,“模块”与“部件”可以混合地使用。
本发明从新收费体制下智慧高速公路通行流量预估的应用场景出发,提出智慧高速公路通行流量的分析尺度和以时间序列预估技术为基础,适合多场景、流数据的高速公路通行流量预估算法。
时间序列预估常用方法,时间序列预估方法大体上可分为2类:
(1)以差分自回归移动平均(Auto Regressive Integrated Moving Average,ARIMA)模型为代表的经典线性回归模型;
(2)可反映非线性关系的有监督机器学习方法,如长短期记忆(Long Short TermMemory,LSTM)网络等模型。
机器学习预估模型:机器学习是使计算机根据数据自动学习,从中得到某种知识或规律的一门学科,即从观测的数据中寻找规律,并利用该规律对未知的数据或无法观测的数据进行预估。神经网络是一种强大的非线性机器学习模型,能很好地实现输入与输出之间的非线性映射。在神经网络系统中,循环神经网络(Recurrent Neural Network,RNN)能对时间维度建模是其标志性特征。RNN的每个输入向量都对应1个时间步和多个特征,通过在网络中创建循环来对数据的时间维度建模。本文采用时间序列预估中最常用的LSTM网络对通行流量进行预估。LSTM模型独特的门结构允许信息在跨多个时间步之后仍保留或遗弃,同时能克服其他多数RNN模型存在的梯度消失问题。LSTM网络是RNN最常用的变体,其主要特点是隐藏层通过门机制控制信息传递的累积速度,有选择地从前期时间状态中遗忘或加入新的信息,改善原始RNN的长程依赖问题,增强数据拟合的效果。
参见附图1,本发明公开了一种交通流量预测方法,包括如下步骤:
S1、以预设时间间隔采集历史交通流量数据并进行预处理,获得流量数据集,并将流量数据集划分为训练集和验证集;
S2、将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练,并通过模型优化器对预测模型的参数进行优化,得到神经网络预估模型。
本发明的神经网络预估模型采用LSTM预估模型,参见附图2,神经网络预估模型包括遗忘门、输入门和输出门;通过遗忘门将上一时刻的输出ht-1与当前时刻的输入xt拼接之后,经过sigmod函数运算得到遗忘门输出值ft=σ(wf·[ht-1,xt]+bf),其中,σ为sigmod函数,wf为遗忘门权重矩阵,bf为遗忘门偏置项;通过输入门进行sigmod函数运算和tanh函数运算,分别得到新向量,it=σ(wi·[ht-1,xt]+bi)和其中,it决定哪些值需更新,为t时刻单元状态,Wi为输入门权重矩阵,bi为输入门偏置项;通过遗忘门和输入门将上一时刻单元状态Ct-1更新为当前时刻状态Ct,通过输出门进行sigmod函数运算得到ot,ot=σ(wo[ht-1,xt]+bo);并通过tanh函数运算得到当前输出ht,ht=ot*tanh(ct)。
下面以云南省某高速公路2019年9-11月(共计91天)的交通流量数据为基础,建立短时流量预估和趋势预估模型,介绍本发明的具体应用。
流量统计的时间间隔设置为15min,将前81d的流量数据划分为训练集,将后10d的流量数据划分为验证集。
参见图3的广东省某高速公路某年11月的15min通行流量变化趋势,横坐标为日期,纵坐标为15分钟通行流量,单位为辆,图示可见,日通行流量分布呈现出规律性波动特征。
由于LSTM神经元特殊的门结构可有效解决长程依赖问题,为能更好地捕捉通行流量的变化趋势,模型输入层采用过去12h的15min通行流量数据作为时间窗,即,使用过去0.5天的48维输入向量预估下一个15min的通行流量。由于实例训练数据集的规模有限,为避免出现过拟合问题,隐藏层包括1个LSTM层和1个全连接层。考虑到通行流量预估是一个回归问题,模型训练的损失函数采用均方误差的形式,可更快地收敛。同时,由于通行流量本身具有随机性,EMS对离群数据的兼容性优于其他损失函数,
模型优化器采用参数自适应学习率的Adam方法,梯度更新的数据批量设定为256。对于模型训练次数,原则上认为训练次数epoch对训练结果没有明显的影响,但测试结果表明,训练次数过多会导致训练集过拟合,测试效果不佳,而当epoch设定为10次时,能达到较好的拟合效果。
以附图4中11月21日06:00开始的时间序列和附图5中11月28日08:00开始的时间序列为例,分别给出12h之后的15min通行流量预估结果。图中,横坐标为日期,纵坐标为15分钟通行流量,单位为辆;线条代表历史数据,叉号代表真实值,实心圆点代表预测值。预估结果在整个验证集上的平均准确率为0.85。
附图6-7示出了未来4h的通行流量拟合结果,图中,横坐标为日期,纵坐标为15分钟通行流量,单位为辆;线条代表历史数据,叉号代表真实值,实心圆点代表预测值。从图中可看出,预估结果基本与附图3-4相符合,反映了流量的实际变化趋势。
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的交通流量预测方法的步骤。
本发明还公开了一种交通流量预测系统,包括:数据采集模块,数据采集模块以预设时间间隔采集历史交通流量数据;数据处理模块,数据处理模块将采集的历史交通流量数据进行预处理,获得流量数据集,并将流量数据集划分为训练集和验证集;流量预测模块,流量预测模块将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练,并通过模型优化器对预测模型的参数进行优化,得到神经网络预估模型。
应当注意的是,本发明的实施例有较佳的实施性,且并非对本发明作任何形式的限制,任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例,但凡未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种交通流量预测方法,其特征在于,包括如下步骤:
以预设时间间隔采集历史交通流量数据并进行预处理,获得流量数据集,并将流量数据集划分为训练集和验证集;
将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练,并通过模型优化器对预测模型的参数进行优化,得到神经网络预估模型。
2.根据权利要求1所述的交通流量预测方法,其特征在于,所述神经网络预估模型包括遗忘门、输入门和输出门;
通过遗忘门将上一时刻的输出ht-1与当前时刻的输入xt拼接之后,经过sigmod函数运算得到遗忘门输出值ft=σ(wf·[ht-1,xt]+bf),其中,σ为sigmod函数,wf为遗忘门权重矩阵,bf为遗忘门偏置项;
通过输入门进行sigmod函数运算和tanh函数运算,分别得到新向量,it=σ(wi·[ht-1,xt]+bi)和其中,it决定哪些值需更新,为t时刻单元状态,Wi为输入门权重矩阵,bi为输入门偏置项;
通过输出门进行sigmod函数运算得到ot,ot=σ(wo[ht-1,xt]+bo);并通过tanh函数运算得到当前输出ht,ht=ot*tanh(ct)。
3.根据权利要求1所述的交通流量预测方法,其特征在于,所述模型优化器为Adam优化器,且Adam优化器数据批量设定为256。
4.根据权利要求1所述的交通流量预测方法,其特征在于,所述将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练步骤中,训练次数设定为10次。
5.根据权利要求1所述的交通流量预测方法,其特征在于,所述预设时间间隔为15min。
7.根据权利要求1所述的交通流量预测方法,其特征在于,所述神经网络预估模型隐藏层包括1个LSTM层和1个全连接层。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述权利要求1-7任一所述交通流量预测方法的步骤。
9.一种交通流量预测系统,其特征在于,包括:
数据采集模块,所述数据采集模块以预设时间间隔采集历史交通流量数据;
数据处理模块,所述数据处理模块将采集的历史交通流量数据进行预处理,获得流量数据集,并将流量数据集划分为训练集和验证集;
流量预测模块,所述流量预测模块将训练集流量数据作为待训练预测模型的输入和输出,进行预测模型训练,并通过模型优化器对预测模型的参数进行优化,得到神经网络预估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112264.6A CN112906945A (zh) | 2021-01-27 | 2021-01-27 | 一种交通流量预测方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112264.6A CN112906945A (zh) | 2021-01-27 | 2021-01-27 | 一种交通流量预测方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906945A true CN112906945A (zh) | 2021-06-04 |
Family
ID=76118964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110112264.6A Pending CN112906945A (zh) | 2021-01-27 | 2021-01-27 | 一种交通流量预测方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906945A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283584A (zh) * | 2021-12-31 | 2022-04-05 | 云控智行(上海)汽车科技有限公司 | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 |
CN114756977A (zh) * | 2022-06-16 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质 |
CN116823572A (zh) * | 2023-06-16 | 2023-09-29 | 中国联合网络通信有限公司深圳市分公司 | 人口流动数据的获取方法、装置及计算机可读存储介质 |
-
2021
- 2021-01-27 CN CN202110112264.6A patent/CN112906945A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283584A (zh) * | 2021-12-31 | 2022-04-05 | 云控智行(上海)汽车科技有限公司 | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 |
CN114756977A (zh) * | 2022-06-16 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质 |
CN116823572A (zh) * | 2023-06-16 | 2023-09-29 | 中国联合网络通信有限公司深圳市分公司 | 人口流动数据的获取方法、装置及计算机可读存储介质 |
CN116823572B (zh) * | 2023-06-16 | 2023-12-19 | 中国联合网络通信有限公司深圳市分公司 | 人口流动数据的获取方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906945A (zh) | 一种交通流量预测方法、系统及计算机可读存储介质 | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
Liu et al. | Bus arrival time prediction based on LSTM and spatial-temporal feature vector | |
Zhou et al. | Urban flow prediction with spatial–temporal neural ODEs | |
Wang et al. | Lane work-schedule of toll station based on queuing theory and PSO-LSTM model | |
CN101593424A (zh) | 一种短时交通流智能组合预测方法 | |
Zou et al. | Use of skew-normal and skew-t distributions for mixture modeling of freeway speed data | |
CN114463972B (zh) | 一种基于etc门架通信数据的路段区间交通分析预测方法 | |
CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
CN115359659B (zh) | 一种车道开闭配置方法和系统 | |
Zhou et al. | A multiscale and high-precision LSTM-GASVR short-term traffic flow prediction model | |
CN113674524A (zh) | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统 | |
Yang et al. | Truck parking pattern aggregation and availability prediction by deep learning | |
Xie et al. | Multistep prediction of bus arrival time with the recurrent neural network | |
CN111524349B (zh) | 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法 | |
Liu et al. | Short-term subway inbound passenger flow prediction based on AFC Data and PSO-LSTM optimized model | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN113345252B (zh) | 一种收费站下道流量短时预测方法与装置 | |
CN115796030A (zh) | 一种基于图卷积的交通流量预测方法 | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
Bao et al. | How do metro station crowd flows influence the taxi demand based on deep spatial-temporal network? | |
Shi et al. | CPT-DF: Congestion Prediction on Toll-Gates Using Deep Learning and Fuzzy Evaluation for Freeway Network in China | |
Afandizadeh et al. | Prediction of traffic flow based on calendar data on suburban roads (case study: chalus road) | |
Huo et al. | A variable tolling scheme for highway tolls based on traffic forecasting | |
Wang et al. | Deep learning for bus passenger demand prediction using big data |
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 |