CN112927507A - 一种基于LSTM-Attention的交通流量预测方法 - Google Patents
一种基于LSTM-Attention的交通流量预测方法 Download PDFInfo
- Publication number
- CN112927507A CN112927507A CN202110156644.XA CN202110156644A CN112927507A CN 112927507 A CN112927507 A CN 112927507A CN 202110156644 A CN202110156644 A CN 202110156644A CN 112927507 A CN112927507 A CN 112927507A
- Authority
- CN
- China
- Prior art keywords
- lstm
- traffic flow
- attention
- data
- attention model
- 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 24
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 2
- 238000010801 machine learning Methods 0.000 abstract description 6
- 210000004027 cell Anatomy 0.000 description 19
- 230000006870 function Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
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
- 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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM‑Attention的交通流量预测方法,该方法采集历史数据,并对历史数据进行预处理,将处理后的数据输入至建立好的LSTM‑Attention模型中,对该LSTM‑Attention模型进行训练,采用训练好的LSTM‑Attention模型预测下一个时刻的交通流量。本发明的预测准确度高于传统的统计学和单一的LSTM等机器学习模型。
Description
技术领域
本发明属于交通大数据分析领域。
背景技术
移动对象流量预测是位置服务(location Based Services,LBS)的重要技术部分,使用时间复杂度低、准确率高的算法来处理海量的移动对象数据,并进行高效的预测,具有重要的价值和意义。
现今,随着第五代通信技术的飞速发展,高度智能化的移动设备影响着人们的衣食住行等方方面面,并且由此产生了海量的交通数据,在这些数据中快速的挖掘到移动对象运动信息,成为我们研究的重点。位置信息是移动对象最为重要的上下文信息,历史的位置信息对交通流量预测具有极其重要的意义,可为城市生活中的交通管理、出行规划等提供技术支持,例如智能导航系统(Intelligent navigation system)、推荐系统(Recommended system)、轨迹简化(Trajectory simplified)、城市大数据等。由此产生的需求以及可用性高信息量大的数据使移动对象的流量预测逐渐称为研究热点。
随着智能交通发展和5G的发展,车辆、用户、甚至一些具有时空特性的移动对象流量预测已经得到了广泛的研究,许多轨迹研究的相关技术被提出与应用。其中核心思想是利用某路口历史流量信息数据来挖掘出一般的运动模式,计算出下一个路口的流量数据,一般常用有三大种方法,一是通过数据集中发现项与项之间的关系来发现路口的交通流量规律,构建关联规则,从规则中预测下一时刻交通流量情况。二是马尔科夫链(Markovchain,MC)模型,马尔可夫模型作为一种统计模型,每一个位置状态转移只依赖于之前的一个状态,和再之前的状态无直接关系,因此通过此条性质来建立各路口交通流量状态转移矩阵来预测交通流量。最后一种则是机器学习的方法,例如循环神经网络(recurrentneural network,RNN)等机器学习模型,大量的神经元非线性的连接在一起,各节点之间权重随着数据和时间进行调整,从而学习出特定数据集下的运动模型来交通流量进行预测。但是未考虑到长时期的历史信息,造成了预测精度较低。
虽然以上的三类方法在交通预测、图像识别、轨迹数据分析等场景有了很好的效果,但是它们针对的都是时间跨度短,并没有考虑到长期历史信息对未来移动对象流量的影响,不能充分的体现路网交通流本质的问题。若忽略长期的历史信息,则不确定因素增多,对未来交通流量的预测会产生较大的影响,预测的准确则有待提高。
发明内容
发明目的:为了解决现有技术存在的问题,本发明提供了一种基于LSTM-Attention的交通流量预测方法。
技术方案:本发明提供了一种基于LSTM-Attention的交通流量预测方法,其特征在于,具体包括如下步骤:
步骤1,采集q个历史时刻路口w的交通流量数据,采集第j个历史时刻的前n个时刻路口w的交通流量数据,j=1,2,…q,n≥1;
步骤2,对所有的交通流量数据进行预处理;
步骤3,将LSTM模型与Attention模型结合,得到LSTM-Attention模型;
步骤4,将第j个历史时刻的前n个时刻路口w的交通流量数据作为LSTM-Attention模型的输入,将第j个历史时刻路口w的交通流量数据作为LSTM-Attention模型的输出,对LSTM-Attention模型进行训练;
步骤5,对下一个时刻的前n个时刻路口w的交通流量数据进行预处理,将预处理后的数据输入至训练好的LSTM-Attention模型中,从而得到下一个时刻时路口w的交通流量数据。
进一步的,所述步骤2和步骤5中的预处理为采用拉格朗日插值法对缺失数据进行补全,然后采用小波去噪的方法剔除噪声值,再对去噪后的数据进行差分平稳化处理,最后对差分平稳化处理后的数据进行归一化处理。
进一步的,所述步骤3中LSTM-Attention模型为通过在LSTM隐藏层中引入注意力模型得到,具体为将LSTM隐藏层的输出ht输入至注意力模型中,所述注意力模型对ht非线性转化得到ut:
ut=tanh(wiht+b)
其中b为偏置向量,wi为:
其中,count(li)为计算第i个时刻li时路口w的交通流量值,β为比例系数,并且β>0;
注意力模型对ut进行训练,并采用softmax函数对训练后的ut进行归一化操作得到注意力权重矩阵at:
其中T为矩阵转置;
基于注意力权重矩阵at得到注意力模型的输出vt:
vt=∑atht
最后将注意力模型的输出vt连接softmax函数,从而得到LSTM-Attention模型,所述LSTM-Attention模型的输出为:
y=softmax(wivt+b)。
有益效果:本发明采用拉格朗日插值法和小波去噪组合的方法对原数据中缺失数据和异常数据进行补全和剔除,并进行归一化处理,提高了数据质量。此外针对在路网交通下移动对象流量受多种环境因素影响的问题,提出了一种LSTM-Attention流量预测算法,该算法基于长短期记忆网络LSTM,融入了注意力机制,在RFID数据集上关注了不同时间段流量值对预测结果的影响。实验结果表明,LSTM-Attention算法的预测准确度高于传统的统计学和单一的LSTM等机器学习模型。
附图说明
图1为本发明的流程图;
图2为LSTM神经单元的结构图;
图3为Attention模型的结构图;
图4为本发明的算法流程图;
图5为预测结果与实际值的对比折线图。
具体实施方式
构成本发明的一部+分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
如图1所示本发明提供了本发明提供了一种基于LSTM-Attention的交通流量预测方法,其特征在于,具体包括如下步骤:
步骤1,采集q个历史时刻时路口w的交通流量数据,采集第j个历史时刻的前n个时刻时路口w的交通流量数据,j=1,2,…q,n≥1;
步骤2,对所有的交通流量数据进行预处理;
步骤3,将LSTM模型与Attention模型结合,得到LSTM-Attention模型;
步骤4,将第j个历史时刻的前n个时刻的路口w的交通流量数据作为LSTM-Attention模型的输入,将第j个历史时刻时路口w的交通流量数据作为LSTM-Attention模型的输出,对LSTM-Attention模型进行训练;
步骤5,对下一个时刻的前n个时刻内路口w的交通流量数据进行预处理,将预处理后的数据输入至训练好的LSTM-Attention模型中,从而得到下一个时刻的路口w的交通流量数据。
所述步骤2中的预处理,本发明对RFID数据集的预处理,RFID原始数据集是基站监测到的通过该基站所有车辆的数据,数据是以基站为主体。需要统计预测基站和相关联基站的每个时间间隔的流量值。某个路口中某几个时间段的流量值。
本发明中LSTM是一种特殊的RNN,在RNN的基础上引入了细胞状态,根据细胞的状态可以判断哪些状态可以保留下来,哪些状态应该被遗忘,在一定程度上解决了梯度消失的问题,在处理长期历史问题比RNN有更好的表现。LSTM单元有四个不同的组件构成,遗忘门、输出门、输入门和单元状态。LSTM利用输出门来选择信息,表示为y(x)=σ(Wx+b),W为权重矩阵,x为输入,σ为sigmoid激活函数,b为偏移量。LSTM的单元结构如图2所示,其中,xt、ht为T时刻的输入和输出,ht-1为t-1时刻时LSTM单元的输出,Ct-1为t-1时刻时LSTM单元的记忆。Ct为t时刻LSTM单元的状态值。LSTM网络的各单元计算分为以下几步:
LSTM中的记忆单元对上一个时刻记忆单元传来的数据信息进行处理,决定了遗忘的信息,遗忘门接受一个长期的记忆Ct-1并决定要保留和遗忘Ct-1的哪个部分。故通过它来计算遗忘因子ft,即ft=σ(Wf·[ht-1,xt]+bf)。ht-1为前一个LSTM单元的输出,其中Wf是输入到该LSTM单元的权重矩阵,bf为其所对应偏移量。σ是sigmoid激活函数,可以产生0到1之间的值。
如公式2所示,计算得出新的单元状态,单元状态逐点乘以遗忘向量(⊙为逐点相乘)。如果它乘以接近0的值,则有可能在单元状态中丢弃值。然后从输入门获取输出并进行逐点加法,将单元状态更新为神经网络发现相关的新值。这就得到了新的单元状态。
最后确定输出值。输出门通过sigmoid函数计算决定输出的部分。如公式3所示:
ht为LSTM隐藏层的输出,Wo为输出层的权重矩阵,bo为偏置向量。
本实施例基于LSTM模型来预测移动对象流量,同时引入Attention机制来解决该体系结构在长序列上的局限性问题,丰富了上下文关键信息。Attention层的基本结构如图3所示。
由图3可知,首先将LSTM隐藏层的输出ht,经过一层非线性转化得到ut,如公式4所示。
ut=tanh(wiht+b) (4)
其中b为注意力机制中的偏置向量。
wi为权重矩阵,在路网交通中,路口的交通流量值与之前各时间段的流量值相关,不同时间段对未来流量值的预测的影响重要程度不同,一些重要时刻的交通流量值显然对预测的影响权重较大,计算方式如公式5所示。
随着模型训练不断更新,然后通过一层softmax函数进行归一化操作得到注意力权重矩阵at,如公式6所示。
其中T为矩阵转置;
将at和ht经过注意力机制得到最终向量vt,如公式7所示。
vt=∑atht (7)
通过概率权重的分配,对不同时间段的路口流量值,分配以不同的权重,使得一些关键时间点的交通流量值能够得到更多的关注,提高了预测的准确率。最后在Attention机制的输出vt:连接一个softmax函数来输出预测数值,输出如公式8所示:
y=softmax(wivt+b) (8)
交通流数据是一个时序序列,正可以用LSTM-Attention进行处理。
本实施例中的数据预处理为,将原始RFID数据集转化为符合机器学习处理的有监督学习的数据。本实施例在于预测未来的交通流量,因此可以使用前t-1时刻的交通流量数据作为LSTM的输入数据,对t时刻的交通流量数据作为输出标签进行学习来预测LSTM网络。首先通过拉格朗日插值法补全缺失值,然后小波去噪剔除噪声数据,然后对数据进行差分平稳化处理。最后将数据进行归一化处理,保证数据的范围在(-1,1)的区间之内,这样就将原始的RFID数据集转化为LSTM可以处理的数据。
在本实施例中,将预处理的交通流量数据输入到模型中进行学习。LSTM记忆单元对上一LSTM单元传来的数据信息进行处理,决定了遗忘的信息,遗忘门接受一个长期的记忆Ct-1并决定要保留和遗忘Ct-1的哪个部分。输入门通过计算出it来控制当前的输入对接下来记忆单元的影响。然后从输入门获取输出并进行逐点加法,将单元状态更新为神经网络发现相关的新值。这就得到了新的单元状态。最后确定输出值。输出值输入到注意力机制当中,学习出不同时间段流量值对预测的不同重要权重经过大量的数据训练后,LSTM-Attention各层各神经元之间的权重改变,得到一个全局的预测模型。
在本实施例中。LSTM-Attention网络使用pytorch实现,pytorch是一个开源的python机器学习库,具有强大的GPU加速的张量计算,包含自动求导系统的深度网络。本实施例的具体计算流程如图4所示;
为了明显的分析流量预测结果,在交通流量预测中,我们常用均方误差(MSE)和平均绝对百分比误差(MAPE)来衡量模型的性能和预测结果。分别定义为:
本实施例的技术方案对于RFID统计的交通流量预测比较准确。本实施例对南京市RFID收集的交通流数据进行预测,利用LSTM可以学习长期历史信息的特点,挖掘出交通流量时间序列的本质,可以更好的预测交通流量。通过实验表明,LSTM-Attention的预测MSE和MAPE相比于传统的方法,有明显降低。如图5所示本实施例的预测结果和实际的交通流量数据偏差基本吻合。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种基于LSTM-Attention的交通流量预测方法,其特征在于,具体包括如下步骤:
步骤1,采集q个历史时刻路口w的交通流量数据,采集第j个历史时刻的前n个时刻路口w的交通流量数据,j=1,2,…q,n≥1;
步骤2,对所有的交通流量数据进行预处理;
步骤3,将LSTM模型与Attention模型结合,得到LSTM-Attention模型;
步骤4,将第j个历史时刻的前n个时刻路口w的交通流量数据作为LSTM-Attention模型的输入,将第j个历史时刻路口w的交通流量数据作为LSTM-Attention模型的输出,对LSTM-Attention模型进行训练;
步骤5,对下一个时刻的前n个时刻路口w的交通流量数据进行预处理,将预处理后的数据输入至训练好的LSTM-Attention模型中,从而得到下一个时刻时路口w的交通流量数据。
2.根据权利要求1所述的一种基于LSTM-Attention的交通流量预测方法,其特征在于,所述步骤2和步骤5中的预处理为采用拉格朗日插值法对缺失数据进行补全,然后采用小波去噪的方法剔除噪声值,再对去噪后的数据进行差分平稳化处理,最后对差分平稳化处理后的数据进行归一化处理。
3.根据权利要求1所述的一种基于LSTM-Attention的交通流量预测方法,其特征在于,所述步骤3中LSTM-Attention模型为通过在LSTM隐藏层中引入注意力模型得到,具体为将LSTM隐藏层的输出ht输入至注意力模型中,所述注意力模型对ht非线性转化得到ut:
ut=tanh(wiht+b)
其中b为偏置向量,wi为:
其中,count(li)为计算第i个时刻li时路口w的交通流量值,β为比例系数,并且β>0;
注意力模型对ut进行训练,并采用softmax函数对训练后的ut进行归一化操作得到注意力权重矩阵at:
其中T为矩阵转置;
基于注意力权重矩阵at得到注意力模型的输出vt:
vt=∑atht
最后将注意力模型的输出vt连接softmax函数,从而得到LSTM-Attention模型,所述LSTM-Attention模型的输出为:
y=softmax(wivt+b)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156644.XA CN112927507B (zh) | 2021-02-04 | 2021-02-04 | 一种基于LSTM-Attention的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156644.XA CN112927507B (zh) | 2021-02-04 | 2021-02-04 | 一种基于LSTM-Attention的交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927507A true CN112927507A (zh) | 2021-06-08 |
CN112927507B CN112927507B (zh) | 2022-12-23 |
Family
ID=76170522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110156644.XA Active CN112927507B (zh) | 2021-02-04 | 2021-02-04 | 一种基于LSTM-Attention的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927507B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888862A (zh) * | 2021-09-15 | 2022-01-04 | 成都四方伟业软件股份有限公司 | 一种单个路口的车流量预测方法及装置 |
CN113935555A (zh) * | 2021-12-15 | 2022-01-14 | 华录易云科技有限公司 | 一种基于路网结构的状况自适应交通预测方法及其模型 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN109800915A (zh) * | 2019-01-16 | 2019-05-24 | 同济大学 | 一种基于缺失数据集的交通流量预测方法 |
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
KR20200063943A (ko) * | 2018-11-23 | 2020-06-05 | 포항공과대학교 산학협력단 | 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법 |
CN111260124A (zh) * | 2020-01-11 | 2020-06-09 | 大连理工大学 | 一种基于注意力机制深度学习的混沌时间序列预测方法 |
CN111275971A (zh) * | 2020-02-18 | 2020-06-12 | 山西交通控股集团有限公司 | 一种高速公路交通流量预测方法 |
CN111612254A (zh) * | 2020-05-22 | 2020-09-01 | 中国科学院合肥物质科学研究院 | 基于改进注意力双向长短期记忆网络的道路机动车尾气排放预测方法 |
US10803387B1 (en) * | 2019-09-27 | 2020-10-13 | The University Of Stavanger | Deep neural architectures for detecting false claims |
CN111815046A (zh) * | 2020-07-06 | 2020-10-23 | 北京交通大学 | 基于深度学习的交通流量预测方法 |
CN112257918A (zh) * | 2020-10-19 | 2021-01-22 | 中国科学院自动化研究所 | 基于内嵌注意力机制的循环神经网络的交通流量预测方法 |
-
2021
- 2021-02-04 CN CN202110156644.XA patent/CN112927507B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
KR20200063943A (ko) * | 2018-11-23 | 2020-06-05 | 포항공과대학교 산학협력단 | 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법 |
CN109800915A (zh) * | 2019-01-16 | 2019-05-24 | 同济大学 | 一种基于缺失数据集的交通流量预测方法 |
US10803387B1 (en) * | 2019-09-27 | 2020-10-13 | The University Of Stavanger | Deep neural architectures for detecting false claims |
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
CN111260124A (zh) * | 2020-01-11 | 2020-06-09 | 大连理工大学 | 一种基于注意力机制深度学习的混沌时间序列预测方法 |
CN111275971A (zh) * | 2020-02-18 | 2020-06-12 | 山西交通控股集团有限公司 | 一种高速公路交通流量预测方法 |
CN111612254A (zh) * | 2020-05-22 | 2020-09-01 | 中国科学院合肥物质科学研究院 | 基于改进注意力双向长短期记忆网络的道路机动车尾气排放预测方法 |
CN111815046A (zh) * | 2020-07-06 | 2020-10-23 | 北京交通大学 | 基于深度学习的交通流量预测方法 |
CN112257918A (zh) * | 2020-10-19 | 2021-01-22 | 中国科学院自动化研究所 | 基于内嵌注意力机制的循环神经网络的交通流量预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888862A (zh) * | 2021-09-15 | 2022-01-04 | 成都四方伟业软件股份有限公司 | 一种单个路口的车流量预测方法及装置 |
CN113935555A (zh) * | 2021-12-15 | 2022-01-14 | 华录易云科技有限公司 | 一种基于路网结构的状况自适应交通预测方法及其模型 |
CN113935555B (zh) * | 2021-12-15 | 2022-03-18 | 华录易云科技有限公司 | 一种基于路网结构的状况自适应交通预测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112927507B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
Wang et al. | Long-term traffic prediction based on lstm encoder-decoder architecture | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
CN112270355B (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
CN114495507B (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
CN112927507B (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
CN111598325A (zh) | 基于层次聚类和分层注意力机制的交通速度预测方法 | |
CN113487856B (zh) | 基于图卷积网络及注意力机制的交通流组合预测模型 | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN113420868A (zh) | 一种基于深度强化学习的旅行商问题求解方法及求解系统 | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
Hu et al. | Air quality prediction using spatio-temporal deep learning | |
CN115376103A (zh) | 一种基于时空图注意力网络的行人轨迹预测方法 | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
Tian et al. | Pattern-adaptive generative adversarial network with sparse data for traffic state estimation | |
Lu et al. | Mul-DesLSTM: An integrative multi-time granularity deep learning prediction method for urban rail transit short-term passenger flow | |
Rasaizadi et al. | Short‐Term Prediction of Traffic State for a Rural Road Applying Ensemble Learning Process | |
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 | |
Mead | Hybrid CNN and LSTM Model (HCLM) for Short-Term Traffic Volume Prediction | |
He et al. | Dyna-PTM: OD-enhanced GCN for metro passenger flow prediction | |
Yu et al. | A fuzzy-based convolutional LSTM network approach for citywide traffic flow prediction | |
Das et al. | A Comparative Analysis on Traffic Flow Prediction | |
Bi et al. | Multi-indicator water time series imputation with autoregressive generative adversarial networks | |
Ku et al. | Toward Directed Spatiotemporal Graph: A New Idea for Heterogeneous Traffic Prediction |
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 |