CN112967518A - 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 - Google Patents

一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 Download PDF

Info

Publication number
CN112967518A
CN112967518A CN202110135539.8A CN202110135539A CN112967518A CN 112967518 A CN112967518 A CN 112967518A CN 202110135539 A CN202110135539 A CN 202110135539A CN 112967518 A CN112967518 A CN 112967518A
Authority
CN
China
Prior art keywords
sequence
track
local
decoder
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.)
Granted
Application number
CN202110135539.8A
Other languages
English (en)
Other versions
CN112967518B (zh
Inventor
张楠
董红召
佘翊妮
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110135539.8A priority Critical patent/CN112967518B/zh
Publication of CN112967518A publication Critical patent/CN112967518A/zh
Application granted granted Critical
Publication of CN112967518B publication Critical patent/CN112967518B/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
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法，将复杂的车辆整体轨迹转变为多个相对简单的局部时间序列顺序组成的高维时间序列的预测建模方法，随后建立基于循环神经网络的单层和多层循环编码器‑解码器结构，从当前时段轨迹序列开始依次循环预测局部序列直到获得未来时段的整体序列。本发明利用大数据对预测模型进行训练，并且适用于通过路段的任意公交车辆的不确定性轨迹的预测，灵活性和适用性强。

Description

一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法
技术领域：
本发明属于智能交通的交通信息领域，具体涉及一种适用于公交专用道条件下的公交车辆轨迹的Seq2Seq预测方法。
背景技术：
在公交专用道的条件下，当公交车到达路段上游时候，实时预测通过路段的公交车辆轨迹，即车辆的位置坐标和对应的到达时间，可以为下游信号交叉口公交优先信号控制方案的优化提供充足的时间和更详细的交通状态信息，也可以根据车辆轨迹对不同车辆的间距进行控制，保障公交调度方案的有序实施，还可以对公交车辆运行状态进行评价等。
虽然公交专用道可以减少公交车在使用时间内道路交通流的干扰，但是公交车辆轨迹仍然受到前方车辆、公交站台通行能力、停站时间、行人过街等多种因素的影响，导致通过整个路段的未来轨迹序列的长度和序列中对应时刻的位置坐标都具有不确定性，也加剧准确预测公交车辆轨迹的难度。
在预测车辆轨迹时，由于局限于独立序列的训练和预测，传统时间序列预测方法主要有AR、ARIMA和高斯过程等难于扩展和应用到任意车辆轨迹的不确定性的时间序列和适用于公交车辆GPS轨迹大数据进行训练。
发明内容：
本发明所要克服现有技术的以上不足，提供一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法。
本发明将复杂的车辆整体轨迹转变为多个相对简单的局部时间序列顺序组成的高维时间序列的预测建模方法，随后建立基于循环神经网络的单层和多层循环编码器-解码器结构，从当前时段轨迹序列开始依次循环预测局部序列直到获得未来时段的整体序列。该方法可利用大数据对预测模型进行训练，并且适用于通过路段的任意公交车辆的不确定性轨迹的预测。
本发明所要解决的技术问题是通过以下的技术方案来实现的。本发明是一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法，包括以下步骤：
(1)构建轨迹预测的高维时间序列模型；具体包括：
当前时刻为t时，设置由T个单位步长的GPS坐标组成的目标公交车辆当前轨迹序列为
Figure BDA0002926525220000021
τ个单位步长的第i个局部序列GPS轨迹坐标的预测序列为
Figure BDA0002926525220000022
和由n个局部序列的预测序列组成的未来时间段的整体序列为
Figure BDA0002926525220000023
如图1所示。未来时段车辆轨迹高维时间序列
Figure BDA0002926525220000024
是由依据需要的组合规则设计的局部序列循环计算得到的预测序列
Figure BDA0002926525220000025
组合而成。其中GPS的坐标可以是与目标车辆行驶方向相同的经度坐标、纬度坐标或者包含两者。
(2)构建多层循环编码器-解码器网络框架；具体包括：
完成以上高维时间序列的预测任务需要建立编码器-解码器网络框架结构，按照局部序列的次序组合规则，学习从当前序列
Figure BDA0002926525220000026
到任意局部预测序列
Figure BDA0002926525220000027
的非线性映射F(·)：
Figure BDA0002926525220000028
第i个输入序列为
Figure BDA0002926525220000029
到局部预测序列
Figure BDA00029265252200000210
的编码器-解码器网络框架由局部编码器(Local-Encoder)，上下文编码器(Context-Encoder)和解码器(Decoder)三部分组成，见图2。选择基于长短期记忆(Long short-term memory,LSTM)的单元构建编码器-解码器网络框架。每个LSTM用状态变量s代表记忆单元，对记忆单元的访问将由三个sigmoid门控制：遗忘门f，输入门i，输出门o。
2.1构建局部编码器；
已知当前
Figure BDA00029265252200000211
作为输入序列，局部编码器可以用来学习从
Figure BDA00029265252200000212
到隐层状态
Figure BDA00029265252200000213
的映射，其中l是隐层状态的维度。LSTM的更新过程可以表示为：
Figure BDA00029265252200000214
Figure BDA00029265252200000215
Figure BDA00029265252200000216
Figure BDA0002926525220000031
Figure BDA0002926525220000032
其中
Figure BDA0002926525220000033
为i-1个局部序列的隐层状态和第i个局部序列的输入轨迹序列的拼接。Wf,Wi,Wo,Ws和bf,bi,bo,bs是需要学习的参数，σ和⊙分别表示logisticsigmoid函数和矩阵中对应的元素相乘。
2.2构建上下文编码器；
上下文编码器学习从局部编码器的隐层状态
Figure BDA0002926525220000034
到上下文向量
Figure BDA0002926525220000035
的非线性映射，其中m是隐层状态维度。此时上下文编码器LSTM的更新过程可以表示为：
Figure BDA0002926525220000036
Figure BDA0002926525220000037
Figure BDA0002926525220000038
Figure BDA0002926525220000039
Figure BDA00029265252200000310
其中
Figure BDA00029265252200000311
为i-1个上下文编码器LSTM的隐层状态和i个局部编码器LSTM的隐层状态的拼接。Wf′,Wo′,Wi′,Ws′和b′f,b′o,b′i,b′s是需要学习的参数，σ和⊙分别表示logisticsigmoid函数和矩阵中对应的元素相乘。
2.3构建解码器；
为了得到预测序列
Figure BDA00029265252200000312
使用LSTM对编码的输入信息
Figure BDA00029265252200000313
进行解码。见图2中的解码器部分，在解码预测序列
Figure BDA00029265252200000314
时不仅利用LSTM传递隐层状态，还将每次的预测结果作为下一次预测的输入。已知上下文向量
Figure BDA00029265252200000315
作为解码器的初始隐层状态和当前输入轨迹序列的最后一个变量作为解码器的初始输入
Figure BDA00029265252200000316
则解码器中学习从状态dt′∈Rp到dt′+1∈Rp的映射，同样LSTM更新过程为：
Figure BDA0002926525220000041
Figure BDA0002926525220000042
Figure BDA0002926525220000043
Figure BDA0002926525220000044
Figure BDA0002926525220000045
其中
Figure BDA0002926525220000046
为第i个局部序列的解码器第t′步预测时LSTM的隐层状态和对应序列中第t′步预测值的拼接，其中p为隐层状态的维度。Wf″,Wi″,Wo″,Ws″和b″f,b″i,b″o,b″s是需要学习的参数，σ和⊙分别表示logistic sigmoid函数和矩阵中对应的元素相乘。
最后利用含一层隐含层的全连接网络dense将预测解码器隐层状态dt′+1和前一个预测值
Figure BDA0002926525220000047
作为输入得到最终预测坐标
Figure BDA0002926525220000048
Figure BDA0002926525220000049
其中vy,Wy,bw,bv是需要学习的参数。
(3)进行框架训练和轨迹预测；
以上两种结构采用余弦退火和热重启以及Adam优化器进行训练。同时为了强制约束；预测和加快收敛速度，训练过程使用Teacher forcing策略。所提出的结构是光滑且可微的，因此可以通过以均方误差为目标函数的标准反向传播来学习参数：
Figure BDA00029265252200000410
其中：Yj,
Figure BDA00029265252200000411
为第j个实测和预测的轨迹序列，y,
Figure BDA00029265252200000412
为对应序列中的坐标值，N为轨迹样本数量。
得到已完成训练的多层循环编码器-解码器网络框架之后，将任意路段的轨迹数据构建为高维时间序列，路段下游停车线的坐标作为预测终止条件，到达路段上游的轨迹序列作为当前轨迹输入到以上网络框架中，即可得到未来时间段的轨迹序列。轨迹预测示例见图3(a)和图3(b)所示。
优选地，步骤(3)所述的训练的学习率从0.001开始，Teacher forcing策略的参数设置为0.1。
与现有技术相比，本发明具有以下优势：
一、本发明将长时段的序列预测转化为多个短时的局部序列预测构成的高维时间序列，可以应对因外界因素导致较长的预测轨迹序列不确定性带来的困难。
二、本发明的输入仅为轨迹的当前序列，并可以进行任意长度的轨迹预测。可适应于对通过具体路段具有不同长度的任意公交轨迹进行预测，灵活性和适用性强。
三、车辆轨迹预测的精度和准确度可以描述通过车辆路段的状态，可以为公交优先控制，间歇式公交专用道管理、公交车辆调度，到站时间预测，车辆运行评价等提供更详尽的交通运行状态信息。
附图说明：
图1本发明提出的高维时间序列模型构建示意图。
图2多层循环编码器-解码器网络框架示意图。
图3(a)和图3(b)轨迹预测示意图，其中图3(a)表示车辆受外界因素影响较弱情况下的轨迹预测，图3(b)表示车辆受外界影响较强情况下的轨迹预测，图中灰色虚线左侧为当前输入序列，右侧为预测序列。
具体实施方式：
下面结合具体实例对本发明以上过程进行说明：
实例的公交轨迹数据来自于杭州市文三路(学院路-教工路)的公交线路，时间为2019年6月至7月的每周工作日。在早晚高峰时段，该路段的公交专用道仅允许公交车辆通行。该路段包同时含了与支路的信号控制交叉口和公交站台，因此增加未来时段的预测轨迹的不确定性。
实例选择公交车辆行驶方向由西向东，所以选择经度坐标作为GPS轨迹的预测轨迹变量。设置当前轨迹局部序列的输入步长T＝6和预测轨迹序列的步长τ＝3，将实验所选路段和时段内的公交车轨迹按照步骤(1)转化为高维时间序列作为
为一个独立的训练样本,共得到9221个轨迹样本。
将以上训练样本集合划分为训练集6918个轨迹，验证集921个轨迹和测试集1382个轨迹三个部分。设置框架单次训练批量输入8个轨迹，设置局部编码器、上下文编码器和解码器中LSTM隐层状态的维度设置为：l＝m＝p＝128，依次将训练集合6918个轨迹的每个初始序列按照步骤(2)输入到框架中，计算得到整体的轨迹预测。随后执行步骤(3)对框架进行训练。最后，将测试集合1382个轨迹输入到训练后的框架中，得到的部分轨迹预测如图3(a)和图3(b)所示。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (2)

1.一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法，包括以下步骤：
(1)构建轨迹预测的高维时间序列模型；具体包括：
当前时刻为t时，设置由T个单位步长的GPS坐标组成的目标公交车辆当前轨迹序列为
Figure FDA0002926525210000011
τ个单位步长的第i个局部序列GPS轨迹坐标的预测序列为
Figure FDA0002926525210000012
和由n个局部序列的预测序列组成的未来时间段的整体序列为
Figure FDA0002926525210000013
如图1所示；未来时段车辆轨迹高维时间序列
Figure FDA0002926525210000014
是由依据需要的组合规则设计的局部序列循环计算得到的预测序列
Figure FDA0002926525210000015
组合而成；其中GPS的坐标可以是与目标车辆行驶方向相同的经度坐标、纬度坐标或者包含两者；
(2)构建多层循环编码器-解码器网络框架；具体包括：
完成以上高维时间序列的预测任务需要建立编码器-解码器网络框架结构，按照局部序列的次序组合规则，学习从当前序列
Figure FDA0002926525210000016
到任意局部预测序列
Figure FDA0002926525210000017
的非线性映射F(·)：
Figure FDA0002926525210000018
第i个输入序列为
Figure FDA0002926525210000019
到局部预测序列
Figure FDA00029265252100000110
的编码器-解码器网络框架由局部编码器(Local-Encoder)，上下文编码器(Context-Encoder)和解码器(Decoder)三部分组成；选择基于长短期记忆(Long short-term memory,LSTM)的单元构建编码器-解码器网络框架；每个LSTM用状态变量s代表记忆单元，对记忆单元的访问将由三个sigmoid门控制：遗忘门f，输入门i，输出门o；
2.1构建局部编码器；
已知当前
Figure FDA00029265252100000111
作为输入序列，局部编码器可以用来学习从
Figure FDA00029265252100000112
到隐层状态
Figure FDA00029265252100000113
的映射，其中l是隐层状态的维度；LSTM的更新过程可以表示为：
Figure FDA00029265252100000114
Figure FDA00029265252100000115
Figure FDA00029265252100000116
Figure FDA0002926525210000021
Figure FDA0002926525210000022
其中
Figure FDA0002926525210000023
为i-1个局部序列的隐层状态和第i个局部序列的输入轨迹序列的拼接；Wf,Wi,Wo,Ws和bf,bi,bo,bs是需要学习的参数，σ和⊙分别表示logistic sigmoid函数和矩阵中对应的元素相乘；
2.2构建上下文编码器；
上下文编码器学习从局部编码器的隐层状态
Figure FDA0002926525210000024
到上下文向量
Figure FDA0002926525210000025
的非线性映射，其中m是隐层状态维度；此时上下文编码器LSTM的更新过程可以表示为：
Figure FDA0002926525210000026
Figure FDA0002926525210000027
Figure FDA0002926525210000028
Figure FDA0002926525210000029
Figure FDA00029265252100000210
其中
Figure FDA00029265252100000211
为i-1个上下文编码器LSTM的隐层状态和i个局部编码器LSTM的隐层状态的拼接；W′f,W′o,W′i,W′s和b′f,b′o,b′i,b′s是需要学习的参数，σ和⊙分别表示logistic sigmoid函数和矩阵中对应的元素相乘；
2.3构建解码器；
为了得到预测序列
Figure FDA00029265252100000212
使用LSTM对编码的输入信息
Figure FDA00029265252100000213
进行解码；见图2中的解码器部分，在解码预测序列
Figure FDA00029265252100000214
时不仅利用LSTM传递隐层状态，还将每次的预测结果作为下一次预测的输入；已知上下文向量
Figure FDA00029265252100000215
作为解码器的初始隐层状态和当前输入轨迹序列的最后一个变量作为解码器的初始输入
Figure FDA00029265252100000216
则解码器中学习从状态dt′∈Rp到dt′+1∈Rp的映射，同样LSTM更新过程为：
Figure FDA0002926525210000031
Figure FDA0002926525210000032
Figure FDA0002926525210000033
Figure FDA0002926525210000034
Figure FDA0002926525210000035
其中
Figure FDA0002926525210000036
为第i个局部序列的解码器第t′步预测时LSTM的隐层状态和对应序列中第t′步预测值的拼接，其中p为隐层状态的维度；W″f,W″i,W″o,W″s和b″f,b″i,b″o,b″s是需要学习的参数，σ和⊙分别表示logistic sigmoid函数和矩阵中对应的元素相乘；
最后利用含一层隐含层的全连接网络dense将预测解码器隐层状态dt′+1和前一个预测值
Figure FDA0002926525210000037
作为输入得到最终预测坐标
Figure FDA0002926525210000038
Figure FDA0002926525210000039
其中vy,Wy,bw,bv是需要学习的参数；
(3)进行框架训练和轨迹预测；
以上两种结构采用余弦退火和热重启以及Adam优化器进行训练；同时为了强制约束；预测和加快收敛速度，训练过程使用Teacher forcing策略；所提出的结构是光滑且可微的，因此可以通过以均方误差为目标函数的标准反向传播来学习参数：
Figure FDA00029265252100000310
其中：Yj,
Figure FDA00029265252100000311
为第j个实测和预测的轨迹序列，y,
Figure FDA00029265252100000312
为对应序列中的坐标值，N为轨迹样本数量；
得到已完成训练的多层循环编码器-解码器网络框架之后，将任意路段的轨迹数据构建为高维时间序列，路段下游停车线的坐标作为预测终止条件，到达路段上游的轨迹序列作为当前轨迹输入到以上网络框架中，即可得到未来时间段的轨迹序列。
2.如权利要求1所述的公交专用道条件下公交车辆轨迹的Seq2Seq预测方法，其特征在于：步骤(3)所述的训练的学习率从0.001开始，Teacher forcing策略的参数设置为0.1。
CN202110135539.8A 2021-02-01 2021-02-01 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法 Active CN112967518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110135539.8A CN112967518B (zh) 2021-02-01 2021-02-01 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110135539.8A CN112967518B (zh) 2021-02-01 2021-02-01 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法

Publications (2)

Publication Number Publication Date
CN112967518A true CN112967518A (zh) 2021-06-15
CN112967518B CN112967518B (zh) 2022-06-21

Family

ID=76273577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110135539.8A Active CN112967518B (zh) 2021-02-01 2021-02-01 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法

Country Status (1)

Country Link
CN (1) CN112967518B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117593907A (zh) * 2024-01-19 2024-02-23 北京交研智慧科技有限公司 车辆到达时间预测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070224A (zh) * 2019-04-20 2019-07-30 北京工业大学 一种基于多步骤递归预测的空气质量预测方法
CN110163439A (zh) * 2019-05-24 2019-08-23 长安大学 一种基于注意力机制的城市规模出租车轨迹预测方法
CN110619427A (zh) * 2019-08-26 2019-12-27 北京建筑大学 基于序列到序列学习模型的交通指数预测方法和装置
CN110956341A (zh) * 2019-12-31 2020-04-03 京东城市(北京)数字科技有限公司 停车场流量预测方法、装置、电子设备及存储介质
CN111091708A (zh) * 2019-12-13 2020-05-01 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
CN111144469A (zh) * 2019-12-20 2020-05-12 复旦大学 基于多维关联时序分类神经网络的端到端多序列文本识别方法
CN111353620A (zh) * 2018-12-20 2020-06-30 顺丰科技有限公司 构建网点件量预测模型的方法、装置、设备及存储介质
CN112053004A (zh) * 2020-09-14 2020-12-08 胜斗士(上海)科技技术发展有限公司 用于时间序列预测的方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353620A (zh) * 2018-12-20 2020-06-30 顺丰科技有限公司 构建网点件量预测模型的方法、装置、设备及存储介质
CN110070224A (zh) * 2019-04-20 2019-07-30 北京工业大学 一种基于多步骤递归预测的空气质量预测方法
CN110163439A (zh) * 2019-05-24 2019-08-23 长安大学 一种基于注意力机制的城市规模出租车轨迹预测方法
CN110619427A (zh) * 2019-08-26 2019-12-27 北京建筑大学 基于序列到序列学习模型的交通指数预测方法和装置
CN111091708A (zh) * 2019-12-13 2020-05-01 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
CN111144469A (zh) * 2019-12-20 2020-05-12 复旦大学 基于多维关联时序分类神经网络的端到端多序列文本识别方法
CN110956341A (zh) * 2019-12-31 2020-04-03 京东城市(北京)数字科技有限公司 停车场流量预测方法、装置、电子设备及存储介质
CN112053004A (zh) * 2020-09-14 2020-12-08 胜斗士(上海)科技技术发展有限公司 用于时间序列预测的方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117593907A (zh) * 2024-01-19 2024-02-23 北京交研智慧科技有限公司 车辆到达时间预测方法、装置、电子设备及存储介质
CN117593907B (zh) * 2024-01-19 2024-04-09 北京交研智慧科技有限公司 车辆到达时间预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112967518B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
Jiang et al. Traffic and vehicle speed prediction with neural network and hidden markov model in vehicular networks
CN109508751B (zh) 高速铁路列车晚点时间预测的深度神经网络模型建模方法
Tian et al. Connected vehicle-based lane selection assistance application
CN111145552A (zh) 基于5g网络的车辆动态换道轨迹的规划方法
Yin et al. Data-driven models for train control dynamics in high-speed railways: LAG-LSTM for train trajectory prediction
CN114333361B (zh) 一种信号灯配时方法及装置
Sun et al. Vehicle turning behavior modeling at conflicting areas of mixed-flow intersections based on deep learning
Jabamony et al. IoT Based Bus Arrival Time Prediction Using Artificial Neural Network (ANN) for Smart Public Transport System (SPTS).
CN112967518B (zh) 一种公交专用道条件下公交车辆轨迹的Seq2Seq预测方法
Othman et al. Machine learning aided simulation of public transport utilization
CN114202120A (zh) 一种针对多源异构数据的城市交通行程时间预测方法
CN111798687A (zh) 一种基于5g技术的远程控制车辆的方法及系统
CN112633602A (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN112559585A (zh) 交通时空序列单步预测方法、系统及存储介质
CN116153125A (zh) 一种基于ida-rnn模型的空间维度公交到达时间预测方法
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN112990536B (zh) 一种基于分位数卷积网络的公交到站时间预测方法
CN113536692A (zh) 一种不确定环境下的高铁列车智能调度方法及系统
Panovski et al. A neural network-based approach for public transportation prediction with traffic density matrix
Zhong et al. A new method for short-term traffic congestion forecasting based on LSTM
CN114495486A (zh) 一种基于层次强化学习的微观交通流预测系统及方法
CN114912669A (zh) 基于多源数据的公交客流组合图神经网络预测方法
CN114169463A (zh) 一种自主预测车道信息模型训练方法及装置
Liu et al. Research on the short-term traffic flow prediction method based on BP neural networks
Gilmore et al. A neural networks system for traffic congestion forecasting

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