CN113496314A - 一种神经网络模型预测道路交通流量的方法 - Google Patents
一种神经网络模型预测道路交通流量的方法 Download PDFInfo
- Publication number
- CN113496314A CN113496314A CN202111041210.1A CN202111041210A CN113496314A CN 113496314 A CN113496314 A CN 113496314A CN 202111041210 A CN202111041210 A CN 202111041210A CN 113496314 A CN113496314 A CN 113496314A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- prediction
- model
- road traffic
- 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 36
- 238000003062 neural network model Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000012216 screening Methods 0.000 claims abstract description 3
- 230000000694 effects Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N3/045—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
- 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
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及大数据相关技术领域,具体为一种神经网络模型预测道路交通流量的方法,根据设定的时间间隔进行统计道路交通流量基础数据,并对数据进行清洗预处理;基于最短路径算法进行空间路网中相邻两个观测点间的距离计算;分析获取对道路交通流量预测有影响因素并量化处理;构建预测模型,并利用历史数据对MSTSGCN模型进行预测训练分析优化筛选;通过模型对各个观测点未来交通流量预测分析,最后通过计算机绘制显示得到交通流量预测曲线图。本发明提供了一种有效降低预测滞后性影响、预测因素考虑全面、预测快速准确且可基于历史数据训练优化的基于多变量时空同步图卷积网络模型预测道路交通流量的方法。
Description
技术领域
本发明属于交通信息技术领域,具体涉及一种神经网络模型预测道路交通流量的方法。
背景技术
随着经济社会的高速发展,人民生活水平得到了显著提高,我国机动车数量也在逐年递增,道路所承担的压力越来越大,尽可能准确预测道路交通流量对于交通出行、调度及管制等工作具有重要的指导意义。
时空网络是一种涉及时间和空间两个维度的数据结构,可用于描述例如交通网络、城市水系统以及移动式基站网络等现实世界中的数据。近年来,发展迅速的图卷积网络(Graph Convolutional Network,GCN)及其变体已在时空网络的数据预测中获得大量应用,但仍然缺乏有效的方法来刻画空间和时间方面的相关性和异质性。在交通流量预测的应用中往往只考虑交通流量与空间位置两个因素,而没有考虑天气、事故及节假日等因素对交通流量预测造成的影响;因此需要提出一种考虑天气、事故及节假日等影响因素在交通流量预测中的量化方法并将其与改进滞后性的STSGCN模型结合起来对空间路网各个观测点未来一段时间内的交通流量进行预测,并且基于此做出实时决策以减轻道路压力,有效提升道路管理水平及通行效率。
发明内容
本发明的目的在于提供一种有效降低预测滞后性影响、预测因素考虑全面、预测快速准确且可基于历史数据训练优化的神经网络模型预测道路交通流量的方法。
为实现上述目的,本发明提供如下技术方案:一种神经网络模型预测道路交通流量的方法,具体包括如下步骤:
步骤S1:根据设定的时间间隔t进行统计道路交通流量基础数据,并对数据进行清洗预处理,得到标准化道路交通流量数据;
步骤S2:基于最短路径算法进行空间路网中相邻两个观测点间的距离计算,得到观测点间距离数据;
步骤S3:分析获取对道路交通流量预测有影响因素,并对各个影响因素进行量化处理,进而采用熵权法对各个影响因素的关联程度进行评估并赋权,得到影响因素数据;
步骤S4:基于道路交通流量数据、观测点间距离数据以及影响因素数据,构建MSTSGCN预测模型,并利用不同时间段历史数据基于平均绝对误差(MAE)、均方根误差(RMSE)以及平均绝对百分比误差(MAPE)对MSTSGCN模型进行预测训练分析,然后再对预测结果与实际交通流量数值对比,经过调整各个输入参数对预测模型进行优化筛选;
步骤S5:通过利用所述步骤S4中筛选优化后MSTSGCN模型对各个观测点未来一段时间内的交通流量进行预测分析,最后通过计算机绘制显示得到交通流量预测曲线图。
作为本发明的进一步改进,所述步骤S1中的数据清洗预处理主要包括缺失数据及异常数据的处理,其中异常数据首先被识别并转化为缺失数据进行处理,数据标准化采用消除均值并缩小至单位方差的方法进行处理。
作为本发明的进一步改进,所述步骤S2中的距离计算,首先获取空间路网的n个观测点的经纬度坐标;再获取n个观测点在路网空间内的拓扑图,计算得到路网空间内给定的n个观测点中,任意相邻的两个观测点沿着空间拓扑的最短路径。
作为本发明的进一步改进,所述步骤S3中的影响因素包括但不限于节假日、交通事故、天气状况,上述影响道路交通流量预测的因素属于分类变量,即数据为类别的变量,量化处理的方法采用等级化方法。
作为本发明的进一步改进,所述步骤S4中MSTSGCN模型的输入为多变量输入,具体包括流量输入、影响因素输入与空间路网观测点位置输入三部分。
作为本发明的进一步改进,所述步骤S4中的模型预测训练的时间步长为s,将步骤S1、步骤S2与步骤S3处理得到的数据集划分为训练集、验证集和测试集,将训练集中过去一段时间内的数据作为一个输入,预测未来一段时间内以t为时间间隔的交通流量作为一个输出,以此类推,每次将时间向后平移t,按照此规律扩充训练集用于训练时间步长为s的MSTSGCN预测模型;然后,基于验证集的数据对模型的参数进行调优,确定最合适的模型参数;最后,基于测试集的数据对模型的预测效果进行测试。
与现有技术相比,本发明的有益效果是:本技术方案通过设置构建预测模型,不仅同时关注时空相关性和异质性,而且对传统预测中存在的滞后性,本发明设计的预测模型进行优化改进,包括将残差项,即真实值与预测值的差值作为预测模型的一个输入参与建模,可以实现有效提高模型预测准确率;本技术方案还增加了高速公路车流量预测过程中的输入,不仅可实现考虑历史的交通流量数据,还兼顾了相邻观测点间的影响及节假日、事故发生、天气状况等重要因素对道路交通流量预测的影响;本技术方案针对道路交通流量影响因素的等级化分类及赋权处理,合理量化节假日、事故发生、天气状况等重要因素,使得对道路交通流量的预测更加准确有效。
附图说明
图1为本发明道路交通流量预测方法的整体技术路线结构示意图。
图2为本发明实施例箱线图方法处理异常值的原理图。
图3为本发明实施例各个工作日平均15分钟车流量的统计直方图。
图4为本发明实施例中高速公路车流量预测效果曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本实施例中公开了一种神经网络模型预测道路交通流量的方法,按图1技术路线,本例实施方式如下:
1、高速公路车流量数据获取及数据预处理
本实施例使用以下三类数据:1)高速公路车流量数据;2)影响车流量预测的重要因素(节假日、事故发生、天气状况、管制等级以及工作日)数据;3)高速公路上相邻两个门架间的距离数据。其中,高速公路车流量数据基于门架抓拍获得,数据预处理过程包括:数据清洗和数据标准化,本实施例使用python技术实现;数据清洗涉及缺失数据与异常数据的处理,缺失值的识别依赖于isnull函数,该函数不仅可以判断各变量中是否存在缺失值,还可以计算变量中缺失值的数量以及定位缺失值所在的行数。
异常值的识别基于箱线图,箱线图识别异常值的原理如图2所示,当异常值位于下边缘值与上边缘值之外时则判断为异常值,而下边缘值与上边缘值的计算基于下四分位数(Q1)、上四分位数(Q3)以及四分位距IQR,下四分位数是指将数据排序后位于25%位置上的值,而上四分位数是位于75%位置的值,四分位距的计算公式如下:
进而可以计算下边缘值与上边缘值:
异常值处理的核心思想是异常值转化为缺失值进行处理,即将异常值替换为None,最后选取线性插值方法处理None值(此处的None包含两部分:本身为缺失数据以及由异常数据转化而来的缺失数据)。本实施例的数据标准化方法采用消除均值并缩小至单位方差的方法,计算公式如下:
2、相邻两个门架间的距离计算
本实施例中,高速公路上相邻两个门架间的距离基于Dijkstra算法计算得到,Dijkstra算法计算门架间最短路径的基本思想如下:路网被视作一个带权有向图G,设起点为s,终点为v,中间点用t表示,对每个顶点赋予一对标号{Q(s,t),λt},其中第一个标号Q(s,t)代表起点s到顶点t的权重,第二个标号λt代表起点s到顶点t的最短路径中的前一点,从而可以实现终点到起点的反向追踪。
3、高速公路车流量影响因素的等级化及重要性评估
高速公路车流量影响因素主要包括:节假日、事故发生、天气状况、管制等级以及工作日。其中,天气状况与管制等级的数据来源于泰州市高速恶劣天气管制等级及措施,节假日与工作日数据可由日历得到,事故发生数据来源于交通事故统计结果,这五个重要因素的数据类型均为分类数据,各个因素的详细类别如下表1所示:
高速公路车流量影响因素均为分类变量,节假日与天气状况的类别较多且类别间有明显的等级划分,首先采用等级化的方法对这些影响因素进行量化,共设置 6个影响等级:0代表无影响;1代表稍有影响;2代表有较小影响;3代表有中等影响;4代表有较大影响;5代表有严重影响。事故发生为二分类变量,事故对高速公路车流量有较大的影响,因此设置事故发生的影响等级为4,不发生事故则没有影响,设置为0。
高速公路管制是指针对恶劣天气对高速采取适当的管制措施,天气状况越差,管制程度越严重,影响等级则越大,将设置影响等级依次设置如下表2所示:
节假日对高速公路的车流量有很大的影响,综合考虑法定节假日的放假天数及不同节假日所在的季节对节假日的影响等级设置如下表3所示(其中非节假日影响等级设置为0):
天气状况不仅会影响高速公路的管制,也会影响人们对出行的主观意愿,根据天气状况的恶劣程度对各个天气状况设置影响等级如下表4所示:
不同的工作日对高速公路车流量的影响不同,基于历史数据对各个工作日的车流量进行统计,可以得到各个工作日的车流量比值,将这一比值对应到等级范围0-6,即可得到。
各个工作日的影响等级。本实施例基于2020年5月至12月期间的15分钟级车流量历史数据,对各个工作日的平均15分钟车流量的统计直方图如图2所示,周五的车流量是最多的,而周日的车流量最少,其余工作日的车流量差距较小,因此将本实施例的工作日影响等级设置如下表5所示:
此外,节假日、事故发生、天气状况、管制等级以及工作日这五个因素对车流量的影响程度是不同的,为了衡量它们的重要程度,基于历史数据采用熵权法对它们的重要程度进行评价。为了便于清晰描述评价过程,设n为样本数量,m为指标数量,Xij为第i个样本的第j个指标的数值,本发明共有5个高速公路车流量影响因素,因此指标数量为5。首先计算第j个指标下第i个样本占该指标的权重Pij:
然后计算第j个指标的熵值ej:
其中,k=1/ln(n)>0. 满足ej≥0;
进而计算信息熵冗余度dj:
最后计算得到各项指标的权值wj,用来评估各个指标的重要性程度:
4、MSTSGCN预测模型的设计
交通流量预测属于时空网络数据预测问题,在图3所示的时空网络中,该网络共涉及三种不同的影响,对于图3中的灰色门架来说,在同一时间步长中,会影响其相邻节点;在下一个时间步长中,会直接影响到自己;甚至在下一个时间步长中会直接影响其相邻节点。此外,交通流量还受到天气,节假日等外在因素的影响,本实施例综合考虑了时空相关性及外在影响因素。
基于高速公路车流量数据、影响车流量预测的重要因素数据以及高速公路上相邻两个门架间的距离数据,本实施例建立了多变量时空同步图卷积网络模型(MSTSGCN),具体建模流程如图1所示。MSTSGCN模型的时间步长为12,将步骤S1、S2与S3处理得到的数据集以6:2:2的比例划分为训练集、验证集和测试集,将训练集中过去3小时(12*15分钟)的数据作为一个输入,预测未来3小时中每15分钟的车流量作为一个输出,以此类推,每次将时间向后平移15分钟,按照此规律扩充训练集用于训练时间步长为12的MSTSGCN预测模型。然后,基于验证集的数据对模型的参数进行调优,确定最合适的模型参数。最后,基于测试集的数据对模型的预测效果进行测试,即输入测试集中过去3小时的数据,预测未来3小时每15分钟的车流量。MSTSGCN模型的输入包括流量矩阵、门架矩阵、节假日矩阵、事故矩阵、天气矩阵、管制矩阵及工作日矩阵,然后连接三个时空同步图卷积模块(STSGCM),用于捕获局部时空相关性,如图1中步骤S4所示。平方误差损失对异常值较为敏感,相比之下,Huber损失函数对于异常值的敏感性较小,因此我们选取Huber损失函数:
5、模型预测效果评估指标的设计
为了评估预测高速公路车流量预测模型的预测效果,在模型训练及模型验证之后,应用测试集数据对MSTSGCN预测模型的性能进行评估。模型性能评估的核心思想是:将训练好的模型用于对测试集数据做预测,进而评估测试集的预测结果与测试集的真实结果之间的差距,差距越小,则认为预测值与真实值越接近,即模型的预测效果越好;反之,差距越大,则预测值与真实值越背离,认为模型的预测效果越差。本发明选取了三个衡量预测值与真实值差距的指标:平均绝对误差(MAE,Mean Absolute Error),均方根误差(RMSE,RootMean Squared Error)以及平均绝对百分比误差(MAPE,Mean Absolute PercentageError)作为高速公路车流量预测模型评估的主要标准。它们的计算公式如下:
6、模型预测与评估
基于MSTSGCN预测模型对泰州市各个门架未来3小时每15分钟的车流量进行预测,其中2021年4月13日的预测效果如图4所示。基于20%的测试集数据以及MAE、RMSE与MAPE三个指标对MSTSGCN预测模型的预测效果进行评估,结果如下表6所示:
经过对比可见,其中MAE与RMSE都较小,且MAPE为0.5063,即预测平均偏离约0.5%,因此我们的模型有效且准确率较高。
以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种神经网络模型预测道路交通流量的方法,其特征在于,具体包括如下步骤:
步骤S1:根据设定的时间间隔t进行统计道路交通流量基础数据,并对数据进行清洗预处理,得到标准化道路交通流量数据;
步骤S2:基于最短路径算法进行空间路网中相邻两个观测点间的距离计算,得到观测点间距离数据;
步骤S3:分析获取对道路交通流量预测有影响因素,并对各个影响因素进行量化处理,进而采用熵权法对各个影响因素的关联程度进行评估并赋权,得到影响因素数据;
步骤S4:基于道路交通流量数据、观测点间距离数据以及影响因素数据,构建MSTSGCN预测模型,并利用不同时间段历史数据基于平均绝对误差MAE、均方根误差RMSE以及平均绝对百分比误差MAPE对MSTSGCN模型进行预测训练分析,然后再对预测结果与实际交通流量数值对比,经过调整各个输入参数对预测模型进行优化筛选;
步骤S5:通过利用所述步骤S4中筛选优化后MSTSGCN模型对各个观测点未来一段时间内的交通流量进行预测分析,最后通过计算机绘制显示得到交通流量预测曲线图。
2.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法,其特征在于:所述步骤S1中的数据清洗预处理主要包括缺失数据及异常数据的处理,其中异常数据首先被识别并转化为缺失数据进行处理,数据标准化采用消除均值并缩小至单位方差的方法进行处理。
3.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法,其特征在于:所述步骤S2中的距离计算,首先获取空间路网的n个观测点的经纬度坐标;再获取n个观测点在路网空间内的拓扑图,计算得到路网空间内给定的n个观测点中,任意相邻的两个观测点沿着空间拓扑的最短路径。
4.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法,其特征在于:所述步骤S3中的影响因素包括但不限于节假日、交通事故、天气状况,上述影响道路交通流量预测的因素属于分类变量,即数据为类别的变量,量化处理的方法采用等级化方法。
5.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法,其特征在于:所述步骤S4中MSTSGCN模型的输入为多变量输入,具体包括流量输入、影响因素输入与空间路网观测点位置输入三部分。
6.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法,其特征在于:所述步骤S4中的模型预测训练的时间步长为s,将步骤S1、步骤S2与步骤S3处理得到的数据集划分为训练集、验证集和测试集,将训练集中过去一段时间内的数据作为一个输入,预测未来一段时间内以t为时间间隔的交通流量作为一个输出,以此类推,每次将时间向后平移t,按照此规律扩充训练集用于训练时间步长为s的MSTSGCN预测模型;然后,基于验证集的数据对模型的参数进行调优,确定最合适的模型参数;最后,基于测试集的数据对模型的预测效果进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111041210.1A CN113496314B (zh) | 2021-09-07 | 2021-09-07 | 一种神经网络模型预测道路交通流量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111041210.1A CN113496314B (zh) | 2021-09-07 | 2021-09-07 | 一种神经网络模型预测道路交通流量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496314A true CN113496314A (zh) | 2021-10-12 |
CN113496314B CN113496314B (zh) | 2021-12-03 |
Family
ID=77997168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111041210.1A Active CN113496314B (zh) | 2021-09-07 | 2021-09-07 | 一种神经网络模型预测道路交通流量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496314B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944057A (zh) * | 2022-04-21 | 2022-08-26 | 中山大学 | 一种路网交通流量数据的修复方法与系统 |
CN115907181A (zh) * | 2022-12-01 | 2023-04-04 | 郑州铁路职业技术学院 | 一种城市轨道交通乘客流量预测方法及系统 |
CN116703008A (zh) * | 2023-08-02 | 2023-09-05 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
CN117423238A (zh) * | 2023-12-19 | 2024-01-19 | 北京华录高诚科技有限公司 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011060730A1 (zh) * | 2009-11-19 | 2011-05-26 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN103116808A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路短时交通流实时预测的方法 |
WO2015020687A1 (en) * | 2013-08-08 | 2015-02-12 | Iteris, Inc. | Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN111932898A (zh) * | 2020-09-23 | 2020-11-13 | 南京感动科技有限公司 | 一种基于etc门架系统的短时流量预测方法 |
CN113159856A (zh) * | 2021-04-30 | 2021-07-23 | 山东旗帜信息有限公司 | 一种收费站出站口流量预测方法及系统 |
-
2021
- 2021-09-07 CN CN202111041210.1A patent/CN113496314B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011060730A1 (zh) * | 2009-11-19 | 2011-05-26 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN103116808A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路短时交通流实时预测的方法 |
WO2015020687A1 (en) * | 2013-08-08 | 2015-02-12 | Iteris, Inc. | Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN111932898A (zh) * | 2020-09-23 | 2020-11-13 | 南京感动科技有限公司 | 一种基于etc门架系统的短时流量预测方法 |
CN113159856A (zh) * | 2021-04-30 | 2021-07-23 | 山东旗帜信息有限公司 | 一种收费站出站口流量预测方法及系统 |
Non-Patent Citations (5)
Title |
---|
CHAO SONG: "Spatial-Temporal Synchronous Graph Convolutional Networks:A New Framework for Spatial-Temporal Network Data Forecasting", 《THE THIRTY-FOURTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE (AAAI-20)》 * |
JUN HU: "Multi-Attention Based Spatial-Temporal Graph Convolution Networks for Traffic Flow Forecasting", 《2021 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
李莉杰等: "基于时空特性的高速路短时交通流预测", 《数字技术与应用》 * |
王敏等: "基于复杂网络理论的空中交通流时间序列分析", 《航空计算技术》 * |
王贵槐等: "不利天气条件道路交通路况自动检测技术述评", 《武汉交通职业学院学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944057A (zh) * | 2022-04-21 | 2022-08-26 | 中山大学 | 一种路网交通流量数据的修复方法与系统 |
CN115907181A (zh) * | 2022-12-01 | 2023-04-04 | 郑州铁路职业技术学院 | 一种城市轨道交通乘客流量预测方法及系统 |
CN116703008A (zh) * | 2023-08-02 | 2023-09-05 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
CN116703008B (zh) * | 2023-08-02 | 2023-10-31 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
CN117423238A (zh) * | 2023-12-19 | 2024-01-19 | 北京华录高诚科技有限公司 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113496314B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN106951976B (zh) | 一种基于模式分类的公交客流预测方法 | |
CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
CN109117883B (zh) | 基于长短时记忆网络的sar影像海冰分类方法及系统 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN114783183B (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN113177657B (zh) | 轨道交通客流预测方法及装置 | |
CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN105069537A (zh) | 一种组合式空气质量预报模型的构建方法 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
CN113239971B (zh) | 一种面向风场的临近预报与短期预报的融合系统 | |
CN113449905A (zh) | 一种基于门控循环单元神经网络的交通拥堵预警方法 | |
CN117171546A (zh) | 一种结合污染扩散指数的城市空气质量预测方法 | |
CN111861206A (zh) | 一种基于企业电力大数据的工业行业景气指数获取方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN112149902A (zh) | 一种基于客流特征分析的地铁短时进站客流预测方法 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
CN116992305A (zh) | 一种基于大数据的气象预报方法及系统 | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 |
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 |