CN113326449B - 预测交通流量的方法、装置、电子设备和介质 - Google Patents

预测交通流量的方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN113326449B
CN113326449B CN202110587941.XA CN202110587941A CN113326449B CN 113326449 B CN113326449 B CN 113326449B CN 202110587941 A CN202110587941 A CN 202110587941A CN 113326449 B CN113326449 B CN 113326449B
Authority
CN
China
Prior art keywords
flow
traffic
information
target
function
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.)
Active
Application number
CN202110587941.XA
Other languages
English (en)
Other versions
CN113326449A (zh
Inventor
路新江
窦德景
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110587941.XA priority Critical patent/CN113326449B/zh
Publication of CN113326449A publication Critical patent/CN113326449A/zh
Priority to US17/824,966 priority patent/US20220284807A1/en
Application granted granted Critical
Publication of CN113326449B publication Critical patent/CN113326449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了一种预测交通流量的方法，涉及人工智能领域，尤其涉及大数据和深度学习领域。具体实现方案为：生成多个交通区域的功能关系图和流量关系图；根据多个交通区域中的目标交通区域的历史流量信息，生成目标交通区域的流量特征；基于功能关系图和流量关系图，生成针对目标交通区域的流量功能关系特征；以及根据流量特征和流量功能关系特征，预测目标交通区域的流量。本公开还公开了一种预测交通流量的装置、电子设备和存储介质。

Description

预测交通流量的方法、装置、电子设备和介质
技术领域
本公开涉及人工智能技术领域，尤其涉及大数据和深度学习技术。更具体地，本公开提供了一种预测交通流量的方法、装置、电子设备和存储介质。
背景技术
城市的交通流量对公路网络的运行能力、人们的出行效率以及交通事故的预测都具有重要意义。
交通流量具有的时变性和复杂性，目前的交通流量预测方法仅仅是利用历史时刻的流量来预测未来时刻的流量，预测准确性低。
发明内容
本公开提供了一种预测交通流量的方法、装置、电子设备和存储介质。
根据第一方面，提供了一种预测交通流量的方法，包括：生成多个交通区域的功能关系图和流量关系图；根据多个交通区域中的目标交通区域的历史流量信息，生成目标交通区域的流量特征；基于功能关系图和流量关系图，生成针对目标交通区域的流量功能关系特征；以及根据流量特征和流量功能关系特征，预测目标交通区域的流量。
根据第二方面，提供了一种预测交通流量的装置，包括：关系图生成模块，用于生成多个交通区域的功能关系图和流量关系图；第一特征生成模块，用于根据多个交通区域中的目标交通区域的历史流量信息，生成目标交通区域的流量特征；第二特征生成模块，用于基于功能关系图和流量关系图，生成针对目标交通区域的流量功能关系特征；以及流量预测模块，用于根据流量特征和流量功能关系特征，预测目标交通区域的流量。
根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开提供的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开的一个实施例的可以应用预测交通流量的方法的示例性系统架构示意图；
图2是根据本公开的一个实施例的预测交通流量的方法的流程图；
图3是根据本公开的一个实施例的功能关系图、流量关系图和交通关系图的示意图；
图4是根据本公开的一个实施例的生成目标交通区域的地理特征的示意图；
图5是根据本公开的一个实施例的生成目标交通区域的流量特征的示意图；
图6是根据本公开的一个实施例的生成针对目标交通区域的流量功能关系特征的示意图；
图7是根据本公开的一个实施例的生成流量功能关系图的示意图；
图8是根据本公开的一个实施例的预测目标交通区域的流量的方法的示意图；
图9是根据本公开的一个实施例的交通流量变化与区域功能变迁之间的相互影响的示意图；
图10是根据本公开的一个实施例的预测交通流量的装置的框图；
图11是根据本公开的一个实施例的预测交通流量的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开一个实施例的可以应用预测交通流量的方法的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括多个终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用终端设备101通过网络102与服务器103进行交互，以接收或发送消息等。终端设备101可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
本公开实施例所提供的预测交通流量的方法一般可以由服务器103执行。相应地，本公开实施例所提供的预测交通流量的装置中的至少之一一般可以设置于服务器103中。本公开实施例所提供的预测交通流量的方法也可以由不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的预测交通流量的装置也可以设置于不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群中。
图2是根据本公开的一个实施例的预测交通流量的方法的流程图。
如图2所示，该预测交通流量的方法200包括操作S210～操作S240。
在操作S210，生成多个交通区域的功能关系图和流量关系图。
例如，交通区域是基于路网信息来确定的，依据路网信息可以将城市划分为多个区块(block)，每个交通区域可以对应一个区块。多个交通区域之间具有功能相关性和流量相关性。
例如，交通区域的功能可以体现在位于该交通区域内的POI(Point-of-Interest，兴趣点，例如学校、商场和医院)所具有的功能属性(如教育、购物和医疗等)。交通区域的流量体现在在该交通区域内产生的交通流量，交通流量包括流量发生量(即以该交通区域为起点的交通流量)以及流量吸引量(即以该交通区域为终点的交通流量)。
例如，可以基于各个交通区域的功能之间的相似度来衡量各个交通区域之间的功能相关性，将功能相似度高于第一预设阈值(例如0.6)的交通区域相连，生成功能关系图。并基于各个交通区域的交通流量之间的相似度来衡量各个交通区域之间的流量相似度，将流量相似度高于第二预设阈值(例如0.8)的交通区域相连，生成流量关系图。
在操作S220，根据多个交通区域中的目标交通区域的历史流量信息，生成目标交通区域的流量特征。
例如，目标交通区域(目标block)的历史流量信息可以是在历史时间段内(例如历史一周)的交通流量，对历史流量信息进行序列化处理，可以得到流量信息序列。使用神经网络模型对目标block的流量信息序列进行特征提取以及向量表征，可以生成该目标block的流量特征向量(简称流量特征)。
例如，可以使用序列化模型(如门控循环单元模型(Gated Recurrent Unit，GRU))对目标block的流量信息序列进行建模，得到目标block当前时刻的流量状态表征。又例如，可以将目标block的流量信息序列仅作为向量进行处理，使用诸如自注意力机制(Self-Attention)网络模型对目标block的流量信息序列进行表征，得到目标block的流量特征。
在操作S230，基于功能关系图和流量关系图，生成针对目标交通区域的流量功能关系特征。
功能关系图中体现了各个交通区域之间的功能相关性，流量关系图中体现了各个交通区域之间的流量相关性，针对同时位于功能关系图和流量关系图中的同一个目标block，结合功能关系图和流量关系图可以生成针对该目标block的流量功能关系特征。
例如，从功能关系图中获取与目标block关联的功能相似邻居block集合，并从流量关系图中获取与目标block关联的流量相似邻居block集合。针对这两个邻居block集合，可以获取这两个邻居block集合中每个block的历史功能信息和历史流量信息，历史功能信息反映了交通区域的功能变迁，历史流量信息反映了交通区域的交通流量变化。基于历史功能信息和历史流量信息之间的时间相关性(例如时间先后顺序)，可以确定相互影响的历史功能信息和历史流量信息，使用神经网络模型(例如注意力模型)对相互影响的历史功能信息和历史流量信息进行特征提取和向量表征，可以得到针对目标交通区域的流量功能关系特征。
可以理解，相互影响的历史功能信息和历史流量信息包括影响功能变迁的历史流量信息和影响交通流量变化的历史功能信息。例如，在某一时间段(例如某年的2月份)由于交通区域内某一位置的交通流量变小，导致该位置的餐厅变为了公园，即美食类功能变迁为了休闲类功能，则说明在该时间段(某年的2月份)交通区域的交通流量变化影响了交通区域的功能变迁。又例如，在某一时间段(例如某年的第三季度)由于交通区域内某一位置的学校变成了商场，即教育功能变迁成了购物功能，导致该位置的交通流量变大，则说明在该时间段(例如某年的第三季度)交通区域的功能变迁影响了该交通区域的交通流量。
在操作S240，根据流量特征和流量功能关系特征，预测目标交通区域的流量。
例如，可以将流量特征和流量功能关系特征进行聚合，聚合方法可以包括池化操作、加权求和等。使用神经网络模型(例如MLP(Multi-layer Perceptron，多层感知机))对聚合后的特征向量进行计算，得到预测出的目标交通区域在未来时刻的流量。
根据本公开的实施例，流量功能关系特征反映了交通区域的功能变迁和交通流量变化的相互影响，基于目标交通区域的流量特征以及功能流量关系特征预测目标交通区域的流量，相比于仅根据历史流量信息进行流量预测，能够提高流量预测的准确性。
根据多个交通区域之间的功能相关性可以构建功能关系图，根据多个交通区域之间的流量相关性可以构建流量关系图，根据多个交通区域之间的交通流量还可以构建交通关系图。
图3是根据本公开的一个实施例的功能关系图、流量关系图和交通关系图的示意图。
如图3所示，(a)是功能关系图，(b)是流量关系图，(c)是交通关系图。下面针对每个关系图的构建过程进行详细说明。
针对(a)功能关系图，对于城市中的所有block，每个block包括多个POI(例如学校、商场、医院等等)，每个POI具有位置信息和类别信息，不同类别的POI反映了block的功能属性(例如教育、购物、医疗等等)，不同类别的功能属性可以组成该交通区域的功能分布向量。例如，block中包含三种类别的POI，分别是6个商场、1个医院和1个学校，则该block的功能分布向量的长度是3，功能分布向量的每个元素对应三种类别之一，每个元素可以是不同类别的功能属性的占比。
可以计算每两个block的功能分布向量之间的余弦相似度，作为该两个block的功能相似度，将功能相似度大于第一预设阈值(例如0.6)的两个block通过一条边相连，形成(a)功能关系图。如(a)所示，功能关系图中每个节点代表一个block，位于中心的block可以作为目标block，每条边连接了两个节点，通过边相连的两个节点之间的功能相似度大于第一预设阈值(例如0.6)，边的权重可以是连接该边的两个block之间的功能相似度。
针对(b)流量关系图，获取每个block在预设历史时间段内(例如历史一周内)的交通流量(包括发生量和吸引量)，将历史流量信息进行序列化处理，得到该block的流量信息序列。可以取每个block的长度为24小时的流量信息序列作为基本流量片段，计算每两个block之间的基本流量片段之间的相似度，作为该两个block的流量相似度，将流量相似度大于第二预设阈值(例如0.8)的两个block通过一条边相连，形成(b)流量关系图。如(b)所示，流量关系图中每个节点代表一个block，位于中心的block可以作为目标block，每条边连接了两个节点，通过边相连的两个节点之间的流量相似度大于第二预设阈值(例如0.8)，边的权重可以是连接该边的两个block之间的流量相似度。
针对(c)交通关系图，将多个block中存在交通流量的两个block进行连接可以得到交通关系图。例如，若存在从block A到block B的交通流量，则存在从block A到block B的有向边，且边的权重为A到B的交通流量。如(c)所示，交通关系图中每个节点代表一个block，位于中心的block可以作为目标block，交通关系图中的边包括从block A到block B的有向边以及从block B到block A的有向边。
根据本公开的实施例，根据多个交通区域之间的功能关系图、流量关系图和交通关系图，便于分析多个交通区域之间在功能和交通流量等方面的关系。
功能关系图、流量关系图和交通关系图中的目标block可以是同一个block，基于该三个关系图，利用神经网络模型(例如注意力网络，Node Attention)可以计算出针对目标block的地理特征。
图4是根据本公开的一个实施例的生成目标交通区域的地理特征的示意图。
如图4所示，基于功能关系图411、流量关系图412和交通关系图413可以构成邻居关系图421，邻居关系图421中以目标block为中心，并且包含来自功能关系图411、流量关系图412和交通关系图413中的节点。例如，分别从功能关系图411、流量关系图412和交通关系图413中获取与目标block相邻的邻居block，按照各个关系图的规模以及所要构建的邻居关系图的规模，可以分别设置从不同关系图中获取的邻居block的数量阈值，例如从功能关系图411中获取的邻居block个数小于10个、从流量关系图412中获取的邻居block的个数小于23个，以及从交通关系图413中获取的邻居block的个数小于15个等等。将目标block以及从不同关系图中获取的邻居block的特征向量按照如下公式(1)进行映射，实现将目标block以及邻居block映射到邻居关系图421中。
h′i＝Mφi·hi (1)
其中，hi是第i个节点(即block)在关系图中的特征向量，φi是节点i的与目标节点之间的边的类型(承载功能相似度的边、承载流量相似度的边以及承载交通流量的边中的之一)，Mφi表示基于φi类型边的线性映射方法，h′i是映射后的节点i的特征向量，即节点i在邻居关系图421中的特征向量。
针对邻居关系图421中各个节点(block)，使用第一注意力模型(Node Attention)对各个节点的特征向量进行如下公式(2)～(4)的计算，可以得到针对目标block的地理特征。
其中，表示节点i的邻居j(基于边Φ的邻居)对于节点i的重要程度，可以由神经网络来计算，/>表示归一化之后的邻居节点j对节点i的重要程度，aΦ是神经网络的参数向量，||表示向量拼接操作，/>表示利用激活函数σ对节点i的邻居特征向量进行加权求和，得到的节点i的聚合表征，即节点i的地理特征。
根据本公开的实施例，在预测流量时除了考虑目标交通区域的流量特征和功能流量关系特征之外，还还考虑了地理特征，从而进一步提高流量预测的准确性。
图5是根据本公开的一个实施例的生成目标交通区域的流量特征的示意图。
如图5所示，目标交通区域的历史流量信息510可以是历史一周内的交通流量(Traffic Volume)，对历史流量信息进行序列化处理，可以得到目标交通区域的流量信息序列。图5中“Label”表示流量的类型，例如假设流量被分为六种类型，Label5表示流量属于第五种类型，Label2表示流量属于第二种类型，等等。可以使用序列化模型(如门控循环单元模型(Gated Recurrent Unit，GRU))对目标block的历史流量序列进行特征提取以及向量表征，可以生成该目标block的流量特征。在一些实施例中，可以将目标block的历史流量序列作为向量进行处理，基于诸如自注意力机制(Self-Attention)对目标block的历史流量序列进行表征，得到目标block的流量特征。
根据本公开的实施例，基于目标交通区域的流量特征和功能流量关系特征预测目标交通区域的流量，相比于仅根据历史流量信息进行流量预测，能够提高流量预测的准确性。
图6是根据本公开的一个实施例的生成针对目标交通区域的流量功能关系特征的示意图。
如图6所示，位于功能关系图611中心的目标block和位于流量关系图612中心的目标block可以是同一个block。基于功能关系图611中的各个节点的历史功能信息和流量关系图612的各个节点的历史流量信息可以确定相互影响的功能信息和流量信息，从而生成影响功能变迁的流量信息片段集合621和影响交通流量变化的功能信息片段集合622。基于流量信息片段集合621和功能信息片段集合622可以生成流量功能关系图631。使用第二注意力模型(例如，Node Attention)对流量功能关系图631进行特征提取和向量表征，可以得到针对目标交通区域的流量功能关系特征。
例如，从功能关系图611中获取与目标block关联的功能相似邻居block集合，并从流量关系图612中获取与目标block关联的流量相似邻居block集合。针对这两个邻居block集合，可以获取这两个邻居block集合中每个block的历史功能信息和历史流量信息，历史功能信息反映了交通区域的功能变迁，历史流量信息反映了交通区域的交通流量变化。将历史功能信息和历史流量信息进行序列化处理，得到功能信息序列和流量信息序列。
从功能信息序列中截取出预设长度(例如长度是10)的功能信息片段，功能信息序列包括多种不同类型(如医疗、教育和购物等)，因此功能信息片段也有多种不同类型。并从流量信息序列中截取出相同预设长度(例如长度是10)的流量信息片段，由于流量信息序列也包括多种不同类型(如早高峰、晚高峰和平峰等)，因此，流量信息片段也有多种不同类型。
将各个类型的功能信息片段与各个类型的流量信息片段进行时间先后顺序的对比，从多种类型的流量信息序列片段中挑选出影响功能变迁的至少一个流量信息片段(例如流量信息片段的发生时间在先，与之相比较的功能信息片段发生在后，则确定流量信息片段影响了功能变迁)，挑选出的至少一个流量信息序列片段组成流量信息片段集合621。并从多种类型的功能信息片段中挑选出影响交通流量变化的至少一个功能信息片段(例如功能信息片段的发生时间在先，与之相比的流量信息片段的发生时间在后，则说明功能信息片段影响了交通流量变化)，挑选出的至少一个功能信息片段组成功能信息片段集合622。
将流量信息片段集合621和功能信息片段集合622进行融合，可以生成包含相互影响的信息片段集合的流量功能关系图631。使用第二注意力模型(例如，Node Attention)对流量功能关系图631进行特征提取和向量表征，可以得到针对目标交通区域的流量功能关系特征。
根据本公开的实施例，通过基于功能关系图和流量关系图来生成与目标区域在功能上关联的第一交通区域以及在流量上关联的第二交通区域，并基于目标交通区域、第一交通区域和第二交通区域的历史功能信息和历史流量信息来生成流量功能关系图，使得生成的流量功能关系特征能够准确反映交通区域的功能变迁和交通流量变化的相互影响。
图7是根据本公开的一个实施例的生成流量功能关系图的示意图。
如图7所示，历史流量信息711是t1～tn历史时间段(例如，历史某年内的1～30天，n＝30)的流量信息。将历史流量信息711进行序列化处理，得到流量信息序列712，历史流量信息可以包括早高峰、晚高峰和平峰等不同类型，因此，流量信息序列712也包括不同类型(例如，共6种类型，c1～c5，分别对应早高峰、晚高峰和平峰等)。使用预设尺寸(例如长度为10)的滑动窗口对多个类型的流量信息序列712进行滑动处理，截取得到预设尺寸的多个流量信息片段，每个流量信息片段对应一种类型，多个流量信息片段组成第一矩阵713。
历史功能信息721是T1～Tx历史时间段(例如，历史某年的1～12个月，x＝12)的功能变迁信息。将历史功能信息721进行序列化处理，得到功能信息序列722，历史功能信息可以包括医疗、医院和购物等不同类型，因此，功能信息序列722也包括不同类型(例如，共17种类型，f1～f17，分别对应医疗、医院和购物等)。使用预设尺寸(例如长度为10)的滑动窗口对多个类型的功能信息序列722进行滑动处理，截取得到预设尺寸的多个功能信息片段，每个功能信息片段对应一种类型，多个功能信息片段组成第二矩阵723。
将第一矩阵713的每一行分别与第二矩阵723的每一行进行时间先后顺序的对比，确定影响功能变迁的流量信息片段，以及影响交通流量变化的功能信息片段。
例如，将第一矩阵713的第一行分别与第二矩阵723的每一行进行时间信息的对比，如果第一矩阵713的第一行的发生时间在第二矩阵723中的某一行(例如第10行)之前，则将第一矩阵713的第一行挑选出来，作为对功能信息片段产生影响的流量信息片段。然后将第一矩阵713的第二行分别与第二矩阵723的每一行进行信息的对比，如果第一矩阵713的第二行的时间与第二矩阵723中的任一行的时间相比，均不是发生在前，则不对第一矩阵713的第二行进行处理，以此类推，直至将第一矩阵713的最后一行分别与第二矩阵723的每一行进行时间先后顺序的对比。最终挑选出来的第一矩阵713中的行作为流量信息片段集合。同理，针对第二矩阵723中的每一行，分别与第一矩阵713的每一行进行时间先后顺序的对比，根据对比结果从第二矩阵723中挑选出至少一行作为影响了流量信息片段的功能信息片段集合。将流量信息片段集合和功能信息片段集合相结合，以目标block为中心，生成流量功能关系图。在一些实施例中，在将第一矩阵713与第二矩阵723进行实践信息的比较之前，还可以依据第一矩阵的每一行与第二矩阵的每一行之间的互信息熵的大小，去除一部分彼此不相关的流量信息片段和功能信息片段。
根据本公开的实施例，通过针对所述目标交通区域及其在功能和流量上关联的交通区域中的至少之一，基于其历史功能信息和历史流量信息来生成多个功能信息片段和多个流量信息片段，并根据功能信息片段与流量信息片段之间的时间相关性来选择功能信息片段和流量信息片段，使得流量功能关系图包含了相互影响的流量信息片段和功能信息片段，从而可以准确地反映交通区域的功能变迁和交通流量变化的相互作用规律。根据本公开的实施例，通过利用预设尺寸的滑动窗分别对功能信息序列和流量信息序列进行滑动处理，能够使功能信息片段能够与流量信息片段对齐，从而能够实现二者之间的比较。
图8是根据本公开的一个实施例的预测目标交通区域的流量的方法的示意图。
如图8所示，将流量特征、流量功能关系特征以及地理特征进行聚合，得到聚合特征，聚合方法可以包括均值池化方法和注意力池化方法等等。使用多层感知网络模型810基于聚合特征进行交通流量的预测，输出目标交通block在未来时刻的交通流量。
根据本公开的实施例，利用流量特征、流量功能关系特征以及地理特征相结合来预测交通流量，能够进一步提高交通流量预测的准确性。
交通区域的交通流量变化往往是与该区域的功能变迁相互作用的，根据目标交通区域的流量功能关系特征，还可以针对目标交通区域确定由于流量变化导致功能变化的事件信息以及由于功能变化导致流量变化的事件信息。
图9是根据本公开的一个实施例的交通流量变化与区域功能变迁之间的相互影响的示意图。
如图9所示，展示出了交通区域内的美食类功能和服务类功能变化在不同时间段(19年3月～19年10)对该区域的交通流量的影响，表格中的数值的大小表示影响程度的大小。则该区域内美食类功能的变化在2019年4月-7月和2019年6-9月对该区域的交通流量影响较大，该区域内服务类功能的变化在2019年6-9月对该区域的交通流量影响较大。
根据本公开的实施例，根据目标交通区域的流量功能关系特征，针对目标交通区域确定由于流量变化导致功能变化的事件信息以及由于功能变化导致流量变化的事件信息，从而得出交通区域的交通流量变化和功能变迁之间的相互作用规律，有助于城市区域的智能化管理。
图10是根据本公开的一个实施例的预测交通流量的装置的框图。
如图10所示，该预测交通流量的装置1000可以包括第一关系图生成模块1001、第一特征生成模块1002、第二特征生成模块1003和流量预测模块1004。
第一关系图生成模块1001用于生成多个交通区域的功能关系图和流量关系图。
第一特征生成模块1002用于根据多个交通区域中的目标交通区域的历史流量信息，生成目标交通区域的流量特征。
第二特征生成模块1003用于基于功能关系图和流量关系图，生成针对目标交通区域的流量功能关系特征。
流量预测模块1004用于根据流量特征和流量功能关系特征，预测目标交通区域的流量。
根据本公开的实施例，预测交通流量的装置1000还包括第二关系图生成模块、第三关系图生成模块和第三特征生成模块。
第二关系图生成模块用于生成多个交通区域的交通关系图。
第三关系图生成模块用于基于功能关系图、流量关系图和交通关系图，生成多个交通区域中目标交通区域的邻居关系图。
第三特征生成模块用于基于邻居关系图，利用第一注意力网络模型来生成目标交通区域的地理特征。
根据本公开的实施例，流量预测模块1004用于根据流量特征、流量功能关系特征以及地理特征，预测目标交通区域的流量。
根据本公开的实施例，流量预测模块1004包括池化处理单元和预测单元。
池化处理单元用于对流量特征、流量功能关系特征以及地理特征进行池化处理，得到目标交通区域的聚合特征。
预测单元用于利用多层感知网络模型，基于目标交通区域的聚合特征来预测目标交通区域的流量。
根据本公开的实施例，第二特征生成模块1003包括第一确定单元、第二确定单元、关系图生成单元和特征生成单元。
第一确定单元用于基于功能关系图，在多个交通区域中确定与目标交通区域在功能上关联的第一交通区域。
第二确定单元用于基于流量关系图，在多个交通区域中确定与目标交通区域在流量上关联的第二交通区域。
关系图生成单元用于基于目标交通区域、第一交通区域和第二交通区域的历史功能信息和历史流量信息，生成针对目标交通区域的流量功能关系图。
特征生成单元用于基于流量功能关系图，利用第二注意力网络模型来生成针对目标交通区域的流量功能关系特征。
根据本公开的实施例，关系图生成单元包括第一生成子单元和第二生成子单元。
第一生成子单元用于针对目标交通区域、第一交通区域和第二交通区域中至少一个交通区域，基于至少一个交通区域的历史功能信息来生成多个功能信息片段，基于至少一个交通区域的历史流量信息来生成多个流量信息片段，并根据每个功能信息片段与每个流量信息片段之间的时间相关性，从多个功能信息片段选择至少一个功能信息片段以及从多个流量信息片段中选择至少一个流量信息片段。
第二生成子单元用于基于目标交通区域、所选择的功能信息片段和所选择的流量信息片段，生成针对目标交通区域的流量功能关系图。
根据本公开的实施例，第一生成子单元具体用于基于历史功能信息生成功能信息序列，通过利用预设尺寸的滑动窗对功能信息序列进行滑动处理，得到多个功能信息片段；以及基于历史流量信息生成流量信息序列，通过利用预设尺寸的滑动窗对流量信息序列进行滑动处理，得到多个流量信息片段。
根据本公开的实施例，第一特征生成模块1002用于根据多个交通区域中的目标交通区域的历史流量信息，利用序列化网络模型来生成目标交通区域的流量特征。
根据本公开的实施例，预测交通流量的装置1000还包括交通区域确定模块。
交通区域确定模块用于基于路网信息来确定多个交通区域，其中每个交通区域对应路网信息中的一个区块。
根据本公开的实施例，预测交通流量的装置1000还包括事件信息确定模块。
事件信息确定模块用于根据流量功能关系特征，针对目标交通区域确定由于流量变化导致功能变化的事件信息以及由于功能变化导致流量变化的事件信息。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如预测交通流量的方法。例如，在一些实施例中，预测交通流量的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的预测交通流量的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行预测交通流量的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (22)

1.一种预测交通流量的方法，包括：
生成多个交通区域的功能关系图和流量关系图；
根据所述多个交通区域中的目标交通区域的历史流量信息，生成所述目标交通区域的流量特征；
基于所述功能关系图和所述流量关系图，生成针对所述目标交通区域的流量功能关系特征；其中，所述流量功能关系特征反映了交通区域的功能变迁和交通流量变化的相互影响；以及
根据所述流量特征和所述流量功能关系特征，预测所述目标交通区域的流量。
2.根据权利要求1所述的方法，还包括：
生成所述多个交通区域的交通关系图；
基于所述功能关系图、所述流量关系图和所述交通关系图，生成所述多个交通区域中目标交通区域的邻居关系图；以及
基于所述邻居关系图，利用第一注意力网络模型来生成所述目标交通区域的地理特征。
3.根据权利要求2所述的方法，其中，所述预测所述目标交通区域的流量包括：
根据所述流量特征、所述流量功能关系特征以及所述地理特征，预测所述目标交通区域的流量。
4. 根据权利要求3所述的方法，其中，所述预测所述目标交通区域的流量包括：
对所述流量特征、所述流量功能关系特征以及所述地理特征进行池化处理，得到目标交通区域的聚合特征；以及
利用多层感知网络模型，基于所述目标交通区域的聚合特征来预测所述目标交通区域的流量。
5.根据权利要求1至4中任一项所述的方法，其中，所述生成针对所述目标交通区域的流量功能关系特征包括：
基于所述功能关系图，在所述多个交通区域中确定与目标交通区域在功能上关联的第一交通区域；
基于所述流量关系图，在所述多个交通区域中确定与所述目标交通区域在流量上关联的第二交通区域；
基于所述目标交通区域、所述第一交通区域和所述第二交通区域的历史功能信息和历史流量信息，生成针对目标交通区域的流量功能关系图；以及
基于所述流量功能关系图，利用第二注意力网络模型来生成针对所述目标交通区域的流量功能关系特征。
6. 根据权利要求5所述的方法，其中，所述生成针对目标交通区域的流量功能关系图包括：
针对所述目标交通区域、所述第一交通区域和所述第二交通区域中至少一个交通区域，基于所述至少一个交通区域的历史功能信息来生成多个功能信息片段，基于所述至少一个交通区域的历史流量信息来生成多个流量信息片段，并根据每个功能信息片段与每个流量信息片段之间的时间相关性，从所述多个功能信息片段选择至少一个功能信息片段以及从多个流量信息片段中选择至少一个流量信息片段；以及
基于所述目标交通区域、所选择的功能信息片段和所选择的流量信息片段，生成针对目标交通区域的流量功能关系图。
7.根据权利要求6所述的方法，其中，
所述生成多个功能信息片段包括：基于所述历史功能信息生成功能信息序列，通过利用预设尺寸的滑动窗对所述功能信息序列进行滑动处理，得到所述多个功能信息片段；
所述生成多个流量信息片段包括：基于所述历史流量信息生成流量信息序列，通过利用所述预设尺寸的滑动窗对所述流量信息序列进行滑动处理，得到所述多个流量信息片段。
8.根据权利要求1至7中任一项所述的方法，其中，所述生成所述目标交通区域的流量特征包括：
根据所述多个交通区域中的目标交通区域的历史流量信息，利用序列化网络模型来生成所述目标交通区域的流量特征。
9.根据权利要求1至8中任一项所述的方法，还包括：基于路网信息来确定所述多个交通区域，其中每个交通区域对应路网信息中的一个区块。
10.根据权利要求1至9中任一项所述的方法，还包括：根据所述流量功能关系特征，针对所述目标交通区域确定由于流量变化导致功能变化的事件信息以及由于功能变化导致流量变化的事件信息。
11.一种预测交通流量的装置，包括：
第一关系图生成模块，用于生成多个交通区域的功能关系图和流量关系图；
第一特征生成模块，用于根据所述多个交通区域中的目标交通区域的历史流量信息，生成所述目标交通区域的流量特征；
第二特征生成模块，用于基于所述功能关系图和所述流量关系图，生成针对所述目标交通区域的流量功能关系特征；其中，所述流量功能关系特征反映了交通区域的功能变迁和交通流量变化的相互影响；以及
流量预测模块，用于根据所述流量特征和所述流量功能关系特征，预测所述目标交通区域的流量。
12.根据权利要求1所述的装置，还包括：
第二关系图生成模块，用于生成所述多个交通区域的交通关系图；
第三关系图生成模块，用于基于所述功能关系图、所述流量关系图和所述交通关系图，生成所述多个交通区域中目标交通区域的邻居关系图；以及
第三特征生成模块，用于基于所述邻居关系图，利用第一注意力网络模型来生成所述目标交通区域的地理特征。
13.根据权利要求12所述的装置，其中，所述流量预测模块用于根据所述流量特征、所述流量功能关系特征以及所述地理特征，预测所述目标交通区域的流量。
14. 根据权利要求13所述的装置，其中，所述流量预测模块包括：
池化处理单元，用于对所述流量特征、所述流量功能关系特征以及所述地理特征进行池化处理，得到目标交通区域的聚合特征；以及
预测单元，用于利用多层感知网络模型，基于所述目标交通区域的聚合特征来预测所述目标交通区域的流量。
15.根据权利要求11至14中任一项所述的装置，其中，所述第二特征生成模块包括：
第一确定单元，用于基于所述功能关系图，在所述多个交通区域中确定与目标交通区域在功能上关联的第一交通区域；
第二确定单元，用于基于所述流量关系图，在所述多个交通区域中确定与所述目标交通区域在流量上关联的第二交通区域；
关系图生成单元，用于基于所述目标交通区域、所述第一交通区域和所述第二交通区域的历史功能信息和历史流量信息，生成针对目标交通区域的流量功能关系图；以及
特征生成单元，用于基于所述流量功能关系图，利用第二注意力网络模型来生成针对所述目标交通区域的流量功能关系特征。
16. 根据权利要求15所述的装置，其中，所述关系图生成单元包括：
第一生成子单元，用于针对所述目标交通区域、所述第一交通区域和所述第二交通区域中至少一个交通区域，基于所述至少一个交通区域的历史功能信息来生成多个功能信息片段，基于所述至少一个交通区域的历史流量信息来生成多个流量信息片段，并根据每个功能信息片段与每个流量信息片段之间的时间相关性，从所述多个功能信息片段选择至少一个功能信息片段以及从多个流量信息片段中选择至少一个流量信息片段；以及
第二生成子单元，用于基于所述目标交通区域、所选择的功能信息片段和所选择的流量信息片段，生成针对目标交通区域的流量功能关系图。
17.根据权利要求16所述的装置，其中，所述第一生成子单元具体用于基于所述历史功能信息生成功能信息序列，通过利用预设尺寸的滑动窗对所述功能信息序列进行滑动处理，得到所述多个功能信息片段；以及基于所述历史流量信息生成流量信息序列，通过利用所述预设尺寸的滑动窗对所述流量信息序列进行滑动处理，得到所述多个流量信息片段。
18.根据权利要求11至17中任一项所述的装置，其中，所述第一特征生成模块用于根据所述多个交通区域中的目标交通区域的历史流量信息，利用序列化网络模型来生成所述目标交通区域的流量特征。
19.根据权利要求11至18中任一项所述的装置，还包括：
交通区域确定模块，用于基于路网信息来确定所述多个交通区域，其中每个交通区域对应路网信息中的一个区块。
20.根据权利要求11至19中任一项所述的装置，还包括：
事件信息确定模块，用于根据所述流量功能关系特征，针对所述目标交通区域确定由于流量变化导致功能变化的事件信息以及由于功能变化导致流量变化的事件信息。
21. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
CN202110587941.XA 2021-05-27 2021-05-27 预测交通流量的方法、装置、电子设备和介质 Active CN113326449B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110587941.XA CN113326449B (zh) 2021-05-27 2021-05-27 预测交通流量的方法、装置、电子设备和介质
US17/824,966 US20220284807A1 (en) 2021-05-27 2022-05-26 Method of predicting traffic volume, electronic device, and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110587941.XA CN113326449B (zh) 2021-05-27 2021-05-27 预测交通流量的方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN113326449A CN113326449A (zh) 2021-08-31
CN113326449B true CN113326449B (zh) 2023-07-25

Family

ID=77421856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110587941.XA Active CN113326449B (zh) 2021-05-27 2021-05-27 预测交通流量的方法、装置、电子设备和介质

Country Status (2)

Country Link
US (1) US20220284807A1 (zh)
CN (1) CN113326449B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230175851A1 (en) * 2021-12-07 2023-06-08 Kyndryl, Inc. Data-analysis-based navigation system assistance
CN115359657B (zh) * 2022-08-16 2023-10-13 青岛海信网络科技股份有限公司 一种交通管理方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276023A (zh) * 2019-06-20 2019-09-24 北京百度网讯科技有限公司 Poi变迁事件发现方法、装置、计算设备和介质
CN110910659A (zh) * 2019-11-29 2020-03-24 腾讯云计算（北京）有限责任公司 一种交通流量预测方法、装置、设备以及存储介质
CN110969275A (zh) * 2018-09-30 2020-04-07 杭州海康威视数字技术股份有限公司 交通流量预测方法、装置、可读存储介质及电子设备
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111462489A (zh) * 2020-04-01 2020-07-28 腾讯云计算（北京）有限责任公司 交通拥堵区域预测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110050300B (zh) * 2017-11-13 2021-08-17 北京嘀嘀无限科技发展有限公司 交通拥堵监控系统和方法
US11423775B2 (en) * 2019-07-18 2022-08-23 International Business Machines Corporation Predictive route congestion management
US11499838B2 (en) * 2019-10-25 2022-11-15 Here Global B.V. Method, system, and computer program product for providing traffic data
US20220058944A1 (en) * 2020-08-24 2022-02-24 Quantela Inc Computer-based method and system for traffic congestion forecasting

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969275A (zh) * 2018-09-30 2020-04-07 杭州海康威视数字技术股份有限公司 交通流量预测方法、装置、可读存储介质及电子设备
CN110276023A (zh) * 2019-06-20 2019-09-24 北京百度网讯科技有限公司 Poi变迁事件发现方法、装置、计算设备和介质
CN110910659A (zh) * 2019-11-29 2020-03-24 腾讯云计算（北京）有限责任公司 一种交通流量预测方法、装置、设备以及存储介质
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111462489A (zh) * 2020-04-01 2020-07-28 腾讯云计算（北京）有限责任公司 交通拥堵区域预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
城市中心区圈核结构模式的空间增长过程研究――对南京中心区30年演替的定量分析;杨俊宴;史北祥;;城市规划(第09期);全文 *

Also Published As

Publication number Publication date
CN113326449A (zh) 2021-08-31
US20220284807A1 (en) 2022-09-08

Similar Documents

Publication Publication Date Title
CN112801164A (zh) 目标检测模型的训练方法、装置、设备及存储介质
CN113326449B (zh) 预测交通流量的方法、装置、电子设备和介质
US20170017882A1 (en) Copula-theory based feature selection
CN111191040A (zh) 城市运行知识图谱构建方法、装置和计算机设备
CN114357105B (zh) 地理预训练模型的预训练方法及模型微调方法
CN113222942A (zh) 多标签分类模型的训练方法和预测标签的方法
CN112580733B (zh) 分类模型的训练方法、装置、设备以及存储介质
JP2023547002A (ja) ケイ線パターンの識別方法及び電子機器
EP4040421B1 (en) Method and apparatus for predicting traffic data and electronic device
CN109947874B (zh) 移动轨迹的聚合方法、装置及设备
CN112818013A (zh) 时序数据库查询优化方法、装置、设备以及存储介质
US11822581B2 (en) Region information processing method and apparatus
CN113657596B (zh) 训练模型和图像识别的方法和装置
CN113792876B (zh) 骨干网络的生成方法、装置、设备以及存储介质
CN112966192B (zh) 区域地址命名方法、装置、电子设备及可读存储介质
CN112784102B (zh) 视频检索方法、装置和电子设备
CN113904943A (zh) 账号检测方法、装置、电子设备和存储介质
CN116524165B (zh) 三维表情模型的迁移方法、装置、设备和存储介质
US20220383064A1 (en) Information processing method and device
CN117522614B (zh) 一种数据的处理方法、装置、电子设备及存储介质
CN113051470B (zh) 位置精度评估方法及装置、电子设备、计算机可读介质
CN118333620B (zh) 一种数据的处理方法、装置、电子设备及存储介质
CN118503651B (zh) 基于树形高阶图卷积的交通状态预测方法、训练方法及装置
CN115018009B (zh) 对象描述方法、网络模型的训练方法及装置
CN115860077B (zh) 状态数据的处理方法、装置、设备以及存储介质

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