CN112991721A - 基于图卷积网络节点关联度的城市路网交通速度预测方法 - Google Patents

基于图卷积网络节点关联度的城市路网交通速度预测方法 Download PDF

Info

Publication number
CN112991721A
CN112991721A CN202110155148.2A CN202110155148A CN112991721A CN 112991721 A CN112991721 A CN 112991721A CN 202110155148 A CN202110155148 A CN 202110155148A CN 112991721 A CN112991721 A CN 112991721A
Authority
CN
China
Prior art keywords
road
model
road network
network
traffic speed
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
Application number
CN202110155148.2A
Other languages
English (en)
Inventor
施振佺
冯思芸
施佺
曹阳
邵叶秦
曹志超
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202110155148.2A priority Critical patent/CN112991721A/zh
Publication of CN112991721A publication Critical patent/CN112991721A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于图卷积网络节点关联度的城市路网交通速度预测方法，步骤如下：1.确定需要进行预测的路网范围，聚合每条道路上的车辆速度作为该道路节点的特征值。对车辆速度进行预处理并拆分数据集；2.对路网中的路段进行分析，利用相关性分析方法构造关联度矩阵；3.构建基于图卷积网络节点关联度的城市路网交通速度预测模型，确定网络结构；4.确定模型的各个参数，利用拆分好的数据集对模型进行训练优化及测试；5.利用不同的评价指标对模型性能进行分析。本发明考虑全局路网中远距离路段间的空间相关性，将关联度矩阵嵌入到图卷积网络中，提高对城市路网空间依赖性捕获的能力，从而提高模型预测性能。

Description

基于图卷积网络节点关联度的城市路网交通速度预测方法
技术领域
本发明属于智能交通技术领域，涉及一种基于图卷积网络节点关联度的城市路网交通速度预测方法。
背景技术
随着经济的快速发展，机动车保有量逐年上升，城市中的交通拥堵状况越来越严重，同时也导致空气污染加重、交通管理难度上升、通勤成本增加等社会热点问题。交通预测能够利用科学的技术方法，从历史交通序列中提取数据特征，准确地预测未来短时间内的交通状况，能够在一定程度上缓解城市交通压力，为有关交通部门提供科学的指导。
近年来，随着人工智能技术的快速发展，越来越多的学者利用深度学习方法解决交通预测问题。目前，研究的主要内容重点在于如何提取时间依赖性和空间依赖性。对时间依赖性提取的研究相对成熟，如循环神经网络(RNN)，可以较好的分析时间序列数据。其变体长短期记忆网络(LSTM)和门控循环单元(GRU)的预测效果也表现良好。空间依赖性方面，如利用相关性分析，提取相关性高的路段组成输入进行预测；利用卷积神经网络(CNN)进行空间建模等。混合模型是近期研究的重点，利用不同的模型对交通数据的不同特征进行提取，最后综合输出作为模型的预测值。图神经网络(GCN)能够很好的对城市的拓扑空间结构进行特征分析和提取。当前已有相关学者将GCN和GRU等模型结合进行预测，但是远距离路段关联度这一重要因素未被考虑。
发明内容
发明目的：为克服现有技术中存在的不足，本发明在于提供了一种基于图卷积网络节点关联度的城市路网交通速度预测方法，解决传统模型没有考虑远距离道路之间空间影响的问题，通过皮尔逊相关系数方法建立关联度矩阵，利用图卷积神经网络提取交通数据的空间特征，最后利用门控单元循环网络提取数据的时间特征并进行预测。
技术方案：基于图卷积网络节点关联度的城市路网交通速度预测方法，包括如下步骤：
步骤1：确定需要进行预测的路网范围，聚合每条道路上的车辆速度作为该道路节点的特征值；对车辆速度进行预处理，并拆分数据集；
步骤2：利用皮尔逊相关系数对路网中路段关联性进行分析，构建关联度矩阵；
步骤3：构建基于图卷积网络节点关联度的城市路网交通速度预测模型，确定网络结构；
步骤4：确定城市路网交通速度预测模型的各个参数，利用拆分好的数据集对城市路网交通速度预测模型进行训练优化及测试；
步骤5：利用不同的评价指标对本模型性能进行分析，并与其余主流模型进行比较。
进一步，所述步骤1的具体步骤如下：
将交通速度时间序列作为节点的特征值，则整个路网的特征值矩阵形式表示为X∈RM×N,如下所示：
Figure BDA0002933097380000021
其中，M为时间序列长度，N为路网道路数量。
为了提高模型训练过程中的收敛速率，防止梯度爆炸等问题发生，利用最大最小归一化对特征值进行处理，计算方式如下：x*＝(x-xmin)/(xmax-xmin)，其中x*为归一化后的特征值，x为原始特征值，xmax为原始最大特征值，xmin为原始最小特征值。归一化后将数据集按照8:2的比例分别划分为训练集和测试集。
进一步，所述步骤2的具体步骤如下：
利用皮尔逊相关系数法分析路段间的关联度，具体步骤如下：
步骤2-1：初始化N×N且值为0的关联度矩阵Cor，其中N为路段数量；
步骤2-2：任意两条路段间的关联度计算方法如下：从输入的特征值矩阵中取出第i条路段Ri和第j条路段Rj对应的时间序列，利用皮尔逊相关系数计算公式进行计算：
Figure BDA0002933097380000022
其中，
Figure BDA0002933097380000023
为两条路段特征平均值，
Figure BDA0002933097380000024
分别为两条道路特征的样本标准差，ρ为两条道路间的关联度；
步骤2-3：取任一路段i，利用步骤2-2的方法计算i与路网中其余路段的关联度。取出关联度高的前k个路段j，将值更新到Cor[i][j]；
步骤2-4：利用步骤2-3的方法，遍历路网中的所有路段，得到关联度矩阵Cor。
进一步，所述步骤3的具体步骤如下：
步骤3-1：建立两层图卷积网络模型，提取交通流数据的空间依赖性，计算方式如下：output＝σ(CorRelu(CorXW0)W1)，其中，Cor为关联度矩阵；X为输入的车速特征值；W0为第一层的训练权重矩阵；W1为第二层的训练权重矩阵；σ(·)为激活函数，output即为通过两层图卷积网络计算的输出；
步骤3-2：利用门控单元循环(Gated Recurrent Unit,GRU)捕获车辆速度数据间的时间依赖性，确定GRU时间片中神经元数量，输入步长及输出步长。计算过程如下：zt＝σ(Wz·[ht-1,Xt])；rt＝σ(Wr·[ht-1,Xt])；
Figure BDA0002933097380000031
Figure BDA0002933097380000032
其中，ht-1为上一时刻隐藏层输出，Xt为当前时刻特征值。
进一步，所述步骤4的具体步骤如下：
步骤4-1：将训练集输入图卷积网络节点关联度的城市路网交通速度预测的模型中，得到输出值y′；
步骤4-2：确定模型损失函数，利用Adam算法对模型参数权重反向更新；设置迭代次数，确定模型参数；
步骤4-3：利用测试集对模型准确度进行测试，将测试集输入模型得到预测的路网速度数据。
进一步，所述步骤5的具体步骤如下：
利用均方根误差、平均绝对误差和测定系数对模型性能进行分析。
本发明考虑远距离路段间的空间影响，利用关联度矩阵加强模型对交通流的空间特征的挖掘能力。同时利用门控单元循环网络捕获交通流的时间依赖性。
附图说明
图1是本发明的步骤示意图；
图2是两层图卷积网络模型；
图3是本发明的流程图；
图4是本发明的测试集上一天时间的模型拟合效果。
具体实施方式
下面结合附图对本发明进一步说明。
如图1及图3所示，一种基于图卷积网络节点关联度的城市路网交通速度预测方法，该方法包括以下步骤：
步骤1：确定需要进行预测的路网范围，聚合每条道路上的车辆速度作为该道路节点的特征值；对车辆速度进行预处理，并拆分数据集；
具体步骤如下：
将交通速度时间序列作为节点的特征值，则整个路网的特征值矩阵形式表示为X∈RM×N，如下所示：
Figure BDA0002933097380000041
其中，M为时间序列长度，N为路网中路段数量；
为了提高模型训练过程中的收敛速率，防止梯度爆炸等问题发生，利用最大最小归一化对特征值进行处理，计算方式如下：x*＝(x-xmin)/(xmax-xmin)，其中x*为归一化后的特征值，x为原始特征值，xmax为原始最大特征值，xmin为原始最小特征值。归一化后将数据集按照8:2的比例分别划分为训练集和测试集。
步骤2：利用皮尔逊相关系数对路网中路段关联性进行分析，构建关联度矩阵；
具体步骤如下：
步骤2-1：初始化N×N且值为0的关联度矩阵Cor，其中N为路段数量；
步骤2-2：任意两条路段间的关联度计算方法如下：从输入的特征值矩阵中取出第i条路段Ri和第j条路段Rj对应的时间序列，利用皮尔逊相关系数计算公式进行计算：
Figure BDA0002933097380000042
其中，
Figure BDA0002933097380000043
为两条路段特征平均值，
Figure BDA0002933097380000044
分别为两条道路特征的样本标准差，ρ为两条道路间的关联度；
步骤2-3：取任一路段i，利用步骤2-2的方法计算i与路网中其余路段的关联度。取出关联度高的前k个路段j，将值更新到Cor[i][j]；
步骤2-4：利用步骤2-3的方法，遍历路网中的所有路段，得到关联度矩阵Cor。
步骤3：构建基于图卷积网络节点关联度的城市路网交通速度预测模型，确定网络结构；
具体步骤如下：
步骤3-1：建立两层图卷积网络模型，提取交通流数据的空间依赖性，如图2所示。计算方式如下：output＝σ(CorRelu(CorXW0)W1)，其中，Cor为关联度矩阵；X为输入的车速特征值；W0为第一层的训练权重矩阵；W1为第二层的训练权重矩阵；σ(·)为激活函数，为了提高模型训练效率，本层中选择tanh函数，计算方式为：
Figure BDA0002933097380000051
output即为通过两层图卷积网络计算的输出；
步骤3-2：利用门控单元循环(Gated Recurrent Unit,GRU)捕获车辆速度数据间的时间依赖性，确定GRU时间片中神经元数量，输入步长及输出步长。计算过程如下：zt＝σ(Wz·[ht-1,Xt])；rt＝σ(Wr·[ht-1,Xt])；
Figure BDA0002933097380000052
Figure BDA0002933097380000053
其中，ht-1为上一时刻隐藏层输出，Xt为当前时刻特征值。
步骤4：确定城市路网交通速度预测模型的各个参数，利用拆分好的数据集对城市路网交通速度预测模型进行训练优化及测试。
具体步骤如下：
步骤4-1：将训练集输入图卷积网络节点关联度的城市路网交通速度预测的模型中，得到输出值y′；
步骤4-2：确定模型损失函数，计算方式如下：loss＝||y-y′||+λLreg。为了防止模型参数过多造成过拟合，在损失函数中加入L2正则项。λ取值为0.0015。利用Adam算法对模型参数权重进行反向更新；设置迭代次数为1000，确定模型参数；
步骤4-3：利用测试集对模型准确度进行测试，将测试集输入模型得到预测的路网速度数据。
步骤5：利用不同的评价指标对本模型性能进行分析，并与其余主流模型进行比较。
具体步骤如下：
将预测结果与真实结果进行对比。如图4，为测试集上某一天的实验拟合效果。利用均方根误差、平均绝对误差和测定系数计算模型性能，计算方法如下：
(1)均方根误差(Root Mean Square Error,RMSE)
Figure BDA0002933097380000061
(2)平均绝对误差(Mean Absolute Error,MAE)
Figure BDA0002933097380000062
(3)测定系数(Coefficient of Determination,R2)
Figure BDA0002933097380000063
采用支持向量回归(SVR)、图卷积网络(GCN)、门控循环单元(GRU)、T-GCN四种模型与本模型T-CGCN进行比较，实验结果对比如下：
模型 RMSE MAE R<sup>2</sup>
SVR 4.138 2.716 0.843
GCN 5.347 3.929 0.627
GRU 4.193 2.783 0.841
T-GCN 4.079 2.736 0.849
T-CGCN 3.996 2.663 0.853
分析实验结果可以发现，本模型性能最优。与普通的非参数方法SVR相比，误差降低14.2％，说明神经网络模型预测的能力要高于普通参数方法。与单一的神经网络模型(GCN、GRU)相比，本模型性能有较高提升，说明混合网络模型对交通数据的挖掘相对较为全面。与T-GCN相比，本模型误差下降8.3％，表示本发明方法对路段间的关联度进行重新构建，能够挖掘远距离路段间的空间关联度，进一步捕获交通数据的空间依赖性。

Claims (6)

1.一种基于图卷积网络节点关联度的城市路网交通速度预测方法，其特征在于，包括如下步骤：
步骤1：确定需要进行预测的路网范围，聚合每条道路上的车辆速度作为该道路节点的特征值；对车辆速度进行预处理，并拆分数据集；
步骤2：利用皮尔逊相关系数对路网中路段关联性进行分析，构建关联度矩阵；
步骤3：构建基于图卷积网络节点关联度的城市路网交通速度预测模型，确定网络结构；
步骤4：确定城市路网交通速度预测模型的各个参数，利用拆分好的数据集对城市路网交通速度预测模型进行训练优化及测试；
步骤5：利用不同的评价指标对本模型性能进行分析，并与其余主流模型进行比较。
2.根据权利要求1所述的基于图卷积网络节点关联度的城市路网交通速度预测方法，其特征在于：所述步骤1的具体步骤如下：
将交通速度时间序列作为节点的特征值，则整个路网的特征值矩阵形式表示为X∈RM ×N，如下所示：
Figure FDA0002933097370000011
其中，M为时间序列长度，N为路网中路段数量；
利用最大最小归一化对特征值进行处理，计算方式如下：x*＝(x-xmin)/(xmax-xmin)，其中x*为归一化后的特征值，x为原始特征值，xmax为原始最大特征值，xmin为原始最小特征值；归一化后将数据集划分为训练集和测试集。
3.根据权利要求1所述的基于图卷积网络节点关联度的城市路网交通速度预测方法，其特征在于：所述步骤2的具体步骤如下：
利用皮尔逊相关系数法分析路段间的关联度，具体步骤如下：
步骤2-1：初始化N×N且值为0的关联度矩阵Cor，其中N为路段数量；
步骤2-2：任意两条路段间的关联度计算方法如下：从输入的特征值矩阵中取出第i条路段Ri和第j条路段Rj对应的时间序列，利用皮尔逊相关系数计算公式进行计算：
Figure FDA0002933097370000021
其中，
Figure FDA0002933097370000022
为两条路段特征平均值，
Figure FDA0002933097370000023
分别为两条道路特征的样本标准差，ρ为两条道路间的关联度；
步骤2-3：取任一路段i，利用步骤2-2的方法计算i与路网中其余路段的关联度，取出关联度高的前k个路段j，将值更新到Cor[i][j]；
步骤2-4：利用步骤2-3的方法，遍历路网中的所有路段，得到关联度矩阵Cor。
4.根据权利要求1所述的基于图卷积网络节点关联度的城市路网交通速度预测方法，其特征在于：所述步骤3的具体步骤如下：
步骤3-1：建立两层图卷积网络模型，提取交通流数据的空间依赖性，计算方式如下：output＝σ(CorRelu(CorXW0)W1)，其中，Cor为关联度矩阵；X为输入的车速特征值；W0为第一层的训练权重矩阵；W1为第二层的训练权重矩阵；σ(·)为激活函数，output即为通过两层图卷积网络计算的输出；
步骤3-2：利用门控单元循环捕获车辆速度数据间的时间依赖性，确定GRU时间片中神经元数量，输入步长及输出步长；计算过程如下：zt＝σ(Wz·[ht-1,Xt])；rt＝σ(Wr·[ht-1,Xt])；
Figure FDA0002933097370000024
Figure FDA0002933097370000025
其中，ht-1为上一时刻隐藏层输出，Xt为当前时刻特征值。
5.根据权利要求1所述的基于图卷积网络节点关联度的城市路网交通速度预测方法，其特征在于：所述步骤4的具体步骤如下：
步骤4-1：将训练集输入图卷积网络节点关联度的城市路网交通速度预测的模型中，得到输出值y′；
步骤4-2：确定模型损失函数，利用Adam算法对模型参数权重反向更新；设置迭代次数，确定模型参数；
步骤4-3：利用测试集对模型准确度进行测试，将测试集输入模型得到预测的路网速度数据。
6.根据权利要求1所述的基于图卷积网络节点关联度的城市路网交通速度预测方法，其特征在于：所述步骤5的具体步骤如下：利用均方根误差、平均绝对误差和测定系数对模型性能进行分析。
CN202110155148.2A 2021-02-04 2021-02-04 基于图卷积网络节点关联度的城市路网交通速度预测方法 Pending CN112991721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110155148.2A CN112991721A (zh) 2021-02-04 2021-02-04 基于图卷积网络节点关联度的城市路网交通速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110155148.2A CN112991721A (zh) 2021-02-04 2021-02-04 基于图卷积网络节点关联度的城市路网交通速度预测方法

Publications (1)

Publication Number Publication Date
CN112991721A true CN112991721A (zh) 2021-06-18

Family

ID=76347019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110155148.2A Pending CN112991721A (zh) 2021-02-04 2021-02-04 基于图卷积网络节点关联度的城市路网交通速度预测方法

Country Status (1)

Country Link
CN (1) CN112991721A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570861A (zh) * 2021-07-26 2021-10-29 浙江财经大学 一种基于合成数据的交通流量预测方法及装置
CN113591380A (zh) * 2021-07-28 2021-11-02 浙江大学 基于图高斯过程的交通流预测方法、介质及设备
CN114463977A (zh) * 2022-02-10 2022-05-10 北京工业大学 一种基于车路协同多源数据融合交通流预测的路径规划方法
CN114511154A (zh) * 2022-02-22 2022-05-17 南通大学 一种基于时空复杂图卷积网络的交通流预测方法
CN115526382A (zh) * 2022-09-09 2022-12-27 扬州大学 一种路网级交通流预测模型可解释性分析方法
CN117312807A (zh) * 2023-11-29 2023-12-29 浙江万胜智能科技股份有限公司 一种断路器的控制状态分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN111080029A (zh) * 2019-12-26 2020-04-28 山东大学 基于多路段时空相关的城市交通路段速度预测方法及系统
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN111612243A (zh) * 2020-05-18 2020-09-01 湖南大学 交通速度预测方法、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN111080029A (zh) * 2019-12-26 2020-04-28 山东大学 基于多路段时空相关的城市交通路段速度预测方法及系统
CN111612243A (zh) * 2020-05-18 2020-09-01 湖南大学 交通速度预测方法、系统及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570861A (zh) * 2021-07-26 2021-10-29 浙江财经大学 一种基于合成数据的交通流量预测方法及装置
CN113591380A (zh) * 2021-07-28 2021-11-02 浙江大学 基于图高斯过程的交通流预测方法、介质及设备
CN113591380B (zh) * 2021-07-28 2022-03-22 浙江大学 基于图高斯过程的交通流预测方法、介质及设备
CN114463977A (zh) * 2022-02-10 2022-05-10 北京工业大学 一种基于车路协同多源数据融合交通流预测的路径规划方法
CN114463977B (zh) * 2022-02-10 2023-06-23 北京工业大学 一种基于车路协同多源数据融合交通流预测的路径规划方法
CN114511154A (zh) * 2022-02-22 2022-05-17 南通大学 一种基于时空复杂图卷积网络的交通流预测方法
CN115526382A (zh) * 2022-09-09 2022-12-27 扬州大学 一种路网级交通流预测模型可解释性分析方法
CN117312807A (zh) * 2023-11-29 2023-12-29 浙江万胜智能科技股份有限公司 一种断路器的控制状态分析方法及系统
CN117312807B (zh) * 2023-11-29 2024-02-06 浙江万胜智能科技股份有限公司 一种断路器的控制状态分析方法及系统

Similar Documents

Publication Publication Date Title
CN112991721A (zh) 基于图卷积网络节点关联度的城市路网交通速度预测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN112418547B (zh) 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
CN111612243B (zh) 交通速度预测方法、系统及存储介质
CN110782093B (zh) 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN112949828A (zh) 一种基于图学习的图卷积神经网络交通预测方法及系统
CN109978253B (zh) 一种基于增量学习的电力系统短期负荷预测方法
CN107704970A (zh) 一种基于Spark的需求侧负荷预测方法
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN113808396B (zh) 基于交通流量数据融合的交通速度预测方法和系统
CN113516304A (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN112966871A (zh) 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
Tan et al. A new ensemble spatio-temporal PM2. 5 prediction method based on graph attention recursive networks and reinforcement learning
CN112465199A (zh) 空域态势评估系统
CN113947182B (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN115564114A (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN116702959A (zh) 一种基于分布自适应图注意力网络的洪水预报方法
CN115496257A (zh) 基于时空融合的短时车速预测
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN114970946A (zh) 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN113988415A (zh) 一种中长期电力负荷预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210618