CN113724504A - 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 - Google Patents

一种面向车辆轨迹大数据的城市区域流量预测系统及方法 Download PDF

Info

Publication number
CN113724504A
CN113724504A CN202110905077.3A CN202110905077A CN113724504A CN 113724504 A CN113724504 A CN 113724504A CN 202110905077 A CN202110905077 A CN 202110905077A CN 113724504 A CN113724504 A CN 113724504A
Authority
CN
China
Prior art keywords
time
flow
space
information
historical
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
CN202110905077.3A
Other languages
English (en)
Other versions
CN113724504B (zh
Inventor
陈红阳
肖大鹏
肖竹
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 Lab
Original Assignee
Zhejiang Lab
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 Lab filed Critical Zhejiang Lab
Priority to CN202110905077.3A priority Critical patent/CN113724504B/zh
Publication of CN113724504A publication Critical patent/CN113724504A/zh
Application granted granted Critical
Publication of CN113724504B publication Critical patent/CN113724504B/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
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向车辆轨迹大数据的城市区域流量预测系统及方法。首先通过采集车辆的轨迹数据和环境信息数据构成历史信息数据集，构建得到整体历史流入流出矩阵和城市区域流量转移图，然后构建基于联合特征的时空卷积‑注意力网络流量预测深度学习模型，其次基于该模型分别提取流量转移时空特征和区域间流量转移时空特征，并嵌入外部特征。最后，该模型通过流量全局时空特征和区域间流量转移特征，嵌入环境信息等外部特征，进行联合预测，得到下一时刻车流量的预测结果。

Description

一种面向车辆轨迹大数据的城市区域流量预测系统及方法
技术领域
本发明主要涉及智能交通系统领域，尤其涉及一种面向车辆轨迹大数据的城市区域流量预测系统及方法。
背景技术
随着人民生活水平不断提高，以及城市化进程的推进。作为人们出行的主要交通工具之一的私家车，其保有量也急剧增加。以中国为例，据统计，截至2019年底，私家车保有量突破2亿辆，全国66个城市汽车保有量超过百万辆，30个城市超过200万辆。各种车辆保有量的迅猛增长与有限城市空间资源之间的矛盾日益加剧，城市道路交通带来了巨大压力，也造成了拥堵、事故和停车难等问题。
城市区域交通流量预测作为智能交通领域的研究热点，旨在利用历史城市区域交通流量预测未来交通流量，具体可应用到交通资源合理配置、风险预警、城市规划和出行规划等方面。随着全球定位系统(GPS,global positioning system)等基于位置技术等服务在各种设备平台上普及，为实时收集海量的车辆轨迹数据提供了便捷方法。车辆的轨迹特征在一定程度上反映了驾驶人的出行偏好，其轨迹数据记录了驾驶人的出行规律隐含着城市车流量转移的时空特征，展现了城市各区域对人们不同的吸引力。
ARIMA和Kalman滤波等统计的方法在交通流预测领域得到了广泛应用，但是这些方法只能研究一个单一区域的交通流量，且无法提取有效的时间空间相关性。目前，机器学习方法在该领域获得了不错的成绩，仍然存在着一些缺陷：长短期记忆网络，将交通数据视为序列数据，仅能捕获时间相关性；但是仍然不能很好的捕捉整个城市区域之间复杂的时间空间关联性；卷积神经网络方法仅能处理欧几里得空间的张量结构；图结构被证明其在建模非欧几里得型空间数据时的有效性，之前研究通常将交通数据建模为时空图，并使用图神经网络提取地理位置的空间相关性，使用循环神经网络等提取序列时间相关性。但是现有的图卷积神经网络研究主要关注静态的无向图，对顶点之间的动态联系通常没有考虑，因此无法捕获各个时刻变化的全局空间关联，也忽视了各顶点区域功能区域不同而对流量产生的影响。同时现有的工作主要考虑各区域间的流入流出量，却没有对流入的来源地和流出的目的地进行研究，忽略了区域间交通流量变化相互影响，而在全局层面上来看，某个区域的流出流量终将成为其他区域的流入流量，同理该区域的流入流量是由其他区域的流出流量构成的；也忽略了天气、事件以及节假日等外部因素对交通流量的影响。
发明内容
本发明的目的在于针对现有技术的不足，提供了一种面向车辆轨迹大数据的城市区域流量预测系统及方法。
本发明的目的是通过以下技术方案来实现的：一种面向车辆轨迹大数据的城市区域流量预测系统，所述城市区域流量预测系统包括数据采集模块和流量预测模块；
所述数据采集模块采集车辆的轨迹数据和环境信息数据构成历史信息数据集，具体为：通过具有GPS或北斗定位功能的终端采集不含隐私信息的车辆轨迹数据；通过天气查询服务的API接口获得区域天气数据；通过查询日历统计时间信息和节假日数据；通过网络爬虫技术获取事件数据；通过地图服务提供商提供的店铺信息进行聚类获取空间信息和区域POI信息；所述历史信息数据集构成整体历史流入流出矩阵和城市区域流量转移图；
流量预测模块提取车辆的轨迹数据的特征，并对车流量进行预测；包括全局时空特征提取模块、流量转移特征提取模块、流量变化特征融合模块、外部特征嵌入模块、联合特征预测模块；
所述全局时空特征提取模块使用5×5的二维卷积核对每个时刻的整体历史流入流出矩阵进行局部空间特征提取，得到多个时间片段的局部空间特征；接着将提取到的多个时间片段的局部空间特征堆叠输入多层时空卷积神经网络进行卷积操作，得到历史流量时空特征；
所述流量转移特征提取模块采用基于图卷积神经网络联合长短期记忆网络提取城市区域流量转移图的流量转移时空特征；其中，图卷积神经网络用于提取流量转移的空间特征，长短期记忆网络用于提取流量转移的时间特征；
所述流量变化特征融合模块：采用一个二维的卷积层和一个激活层对全局时空特征提取模块输出的历史流量时空特征和流量转移特征提取模块输出的流量转移时空特征进行融合，输出融合的流量变化特征；
所述外部特征嵌入模块：将时间信息、空间信息和环境信息分别进行编码，并通过一个两层的全连接网络进行嵌入，得到时间嵌入向量、空间嵌入向量和环境嵌入向量，再将上述3个嵌入向量进行融合，得到嵌入的外部特征；
所述联合特征预测模块：输入为外部特征嵌入模块输出的融合的外部特征和流量变化特征融合模块输出的流量变化特征，将外部特征与对应时间地点的流量变化特征相加，得到嵌入了外部特征的流量联合特征；采用基于卷积神经网络层和多头注意力网络的卷积注意力单元进行堆叠，学习上一时刻的联合特征中的注意力权重，并以此预测下一时刻的区域流入流出流量。
一种面向车辆轨迹大数据的城市区域流量预测方法，具体包括以下步骤：
(1)通过数据采集模块记录车辆的轨迹数据，并根据相应的轨迹数据收集相关区域、相关时间的环境信息数据构成历史信息数据集；所述车辆的轨迹数据具体为不含隐私信息的车辆轨迹数据，包括历史行程轨迹数据、车辆的停留时间；所述环境信息数据包括区域天气数据、时间信息、节假日数据、事件数据、空间信息、城市地图、路网信息和区域POI信息；各个区域的全部POI信息聚类得到功能区分类信息；
(2)根据步骤(1)采集的历史行程轨迹数据构建各时间片段的整体历史流入流出矩阵；
(3)根据步骤(1)采集的城市地图、路网信息和功能区信息等环境信息，结合历史行程轨迹数据构建各个区域之间的区域流量转移图；
(4)构建基于联合特征的时空卷积-注意力网络流量预测深度学习模型，包括以下步骤：
(4.1)将步骤(2)构建的各历史时间片段的整体流入流出矩阵输入全局时空特征提取模块中，输出历史流量时空特征；
(4.2)将步骤(3)中得到的各个区域之间的区域流量转移图输入流量转移特征提取模块，采用基于图卷积神经网络和长短期记忆网络提取城市区域流量转移图的流量转移时空特征；
(4.3)利用流量变化特征融合模块将步骤(4.2)得到的流量转移时空特征与步骤(4.1)得到的历史流量时空特征相融合，得到融合的流量时空特征；
(4.4)利用外部特征嵌入模块将时间信息、空间信息和环境信息分别进行编码，将步骤(1)采集的环境信息等外部特征的历史信息数据集通过一个两层的全连接网络，同时对步骤(6)输出的融合的流量时空特征的时间信息和空间信息做词嵌入操作，得到嵌入的外部特征；
(4.5)将步骤(4.3)得到的融合的流量时空特征和步骤(4.4)得到的嵌入的外部特征输入联合特征预测模块，输出嵌入了外部特征的流量联合特征，下一时刻的区域流入流出流量，得到基于联合特征的时空卷积-注意力网络流量预测深度学习模型；
(5)使用步骤(1)采集的历史行程轨迹数据训练步骤(4)输出的基于联合特征的时空卷积-注意力网络流量预测深度学习模型，将该模型训练后输出的预测与真实值进行比较，如误差函数在设定阈值之外，则采用adam优化算法更新模型的参数；如误差函数满足阈值，则保存参数，得到训练好的基于联合特征的时空卷积-注意力网络模型。
进一步地，所述步骤(2)具体为：将整个研究区域划分为个
Figure BDA0003200071000000031
矩形子区域，L和H为整个研究区域的长和宽，l和h为矩形子区域的长和宽。以τ为时间间隔，从步骤(1)采集的车辆的历史轨迹数据(y1，...，yT)中，统计第i个子区域Gi中的车辆流入流出数量，则在第a个时间段，即得到在((a-1)×τ，a×τ)时刻整个区域中的车辆流入量
Figure BDA0003200071000000041
和车辆流出量
Figure BDA0003200071000000042
则第a个时间段内整个区域的城市整体流入流出矩阵可以用两个通道n×n的二维矩阵表示为
Figure BDA0003200071000000043
将t个时间片段的车流量按照时间先后顺序排列可得到城市历史的整体流入流出矩阵Vol＝{Vol1，Vol2，...，Volt}，其中,
Figure BDA0003200071000000044
进一步地，所述步骤(3)具体为：将城市区域的路网结构建成一个图结构
Figure BDA0003200071000000045
其中
Figure BDA0003200071000000046
是以所有子区域(G1，G2，...，Gn)构成的集合，
Figure BDA0003200071000000047
Figure BDA0003200071000000048
是连接性矩阵，其中元素AC[i，j]表示的是相应的第i个和第j个子区域之间空间的连接性；各节点之间的边εk表示第k时间段中为各个子区域之间具体的流量转移数量；然后以τ时间间隔划分得到((k-1)×τ，k×τ)时间段的城市区域流量转移图
Figure BDA0003200071000000049
Figure BDA00032000710000000410
其中N＝n×n表示节点的数量，d示历史观测特征的种类数目。
进一步地，所述步骤(4.1)具体为：
先使用5×5的二维卷积核对每个时刻的城市的历史整体流入流出矩阵进行局部空间特征提取，得到多个时间片段的局部空间特征；接着将提取到的多个时间片段的局部空间特征堆叠输入多层时空卷积神经网络进行卷积操作得到历史流量时空特征；所述多层时空卷积神经网络由输入层、多个二维卷积层、三维卷积层、池化层、全连接层和输出层等基本的神经网络层构成；第i层时空卷积神经网络卷积第m个通道的卷积神经元矩阵中位于(x，y，z)的输出
Figure BDA00032000710000000411
如下：
Figure BDA00032000710000000412
其中，
Figure BDA00032000710000000413
是第i层三维卷积核的m通道的卷积神经元矩阵中位于(p，q，r)上的参数，Ri是Conv3D卷积核在时间轴上的维度，
Figure BDA00032000710000000414
是m通道中位于(x+p，y+q，z+r)的在第i-1层卷积中的输出值,bim是三维卷积核的偏差向量；ReLU为激励函数；
最终，全局时空特征提取模块输出整体历史流入流出矩阵的历史流量时空特征
Figure BDA00032000710000000415
进一步地，所述步骤(4.2)包括以下子步骤：
(4.2.1)利用流量转移特征提取模块，通过图卷积网络用于提取各子区域间的流量转移空间关联性，计算公式为：
Figure BDA00032000710000000416
其中
Figure BDA0003200071000000051
作为图卷积网络的输入，
Figure BDA0003200071000000052
为网络的输出，
Figure BDA0003200071000000053
IN为N维的单位矩阵，
Figure BDA0003200071000000054
为精细度矩阵，W为图卷积网络要学习的参数，sin为输入图卷积网络的时间片段数；
(4.2.2)利用长短期记忆网络提取各子区域间的流量转移的时间关联性和短期时间变化规律，通过一个全连接网络将流量转移空间关联性和流量转移的时间关联性融合成流量转移时空特征；历史区域流量转移图
Figure BDA0003200071000000055
作为输入，通过流量转移特征提取模块进行特征提取，输出流量转移时空特征
Figure BDA0003200071000000056
进一步地，所述步骤(4.3)具体为：
利用流量变化特征融合模块，通过融合车辆出行流量全局时空特征和区域间流量转移特征，得到流量时空特征
Figure BDA0003200071000000057
Figure BDA0003200071000000058
其中，W为融合网络层的学习参数，b为偏差向量，Concat(■)表示对括号内元素矩阵进行拼接操作。
进一步地，所述步骤(4.4)具体为：
空间信息嵌入：将节点的向量作为输入，使用两层的全连接神经网络得到空间嵌入向量
Figure BDA0003200071000000059
时间信息嵌入：将历史信息数据集中的每个时间片段进行嵌入，得到相应的时间嵌入向量：将一天划分为T个时间段，使用独热编码将星期几和每天的第几个时间段编码成
Figure BDA00032000710000000510
和
Figure BDA00032000710000000511
的向量，将其拼接成
Figure BDA00032000710000000512
的向量，使用两层的全连接神经网络得到时间嵌入向量
Figure BDA00032000710000000513
其中k表示的是第k个时间片段；
环境信息嵌入：选择天气、温度、特殊事件、节假日四个环境信息进行特征嵌入，其中，天气包含：晴、雨、雪、风、云、雷，六种气象，采用独热编码生成向量，温度为原温度值；特殊事件和节假日分别使用一个1维向量表示；将上述向量进行拼接，得到
Figure BDA00032000710000000514
的向量，使用两层的全连接神经网络得到第k时间段的环境嵌入向量
Figure BDA00032000710000000515
然后，将以上3个特征嵌入向量进行融合，得到嵌入的外部特征
Figure BDA00032000710000000516
Figure BDA00032000710000000517
进一步地，所述步骤(4.5)具体为：
采用注意力网络进行预测，各个节点的注意力Attention(Q，K，V)为：
Figure BDA0003200071000000061
其中Q，
Figure BDA0003200071000000062
表示各个节点的查询、键和值，dk是每个节点的查询和键的维度，dv是每个节点的值的维度；
在将流量变化特征融合模块输出的流量时空特征
Figure BDA0003200071000000063
和外部特征
Figure BDA0003200071000000064
进行合并
Figure BDA0003200071000000065
得到(h1，...，hk)并将其堆叠为
Figure BDA0003200071000000066
上标vi表示其对应的节点；接着对矩阵
Figure BDA0003200071000000067
线性变换为各个节点的查询、键和值：
Figure BDA0003200071000000068
Figure BDA0003200071000000069
是变换矩阵需要学习的参数，由全部节点共享。注意力结构为：
Figure BDA00032000710000000610
进一步地，所述步骤(5)具体为：
通过f()表示整个区域流量预测的模型，(y1，...，yk)为历史数据，第k+1时刻到k+T′的城市区域流量的预测值
Figure BDA00032000710000000611
T为模型输入数据的滑动窗口长度，T′为预测序列的时间长度：
Figure BDA00032000710000000612
本发明的有益效果是：本发明能够提供提取有效的时间空间相关性，能够长时间的进行城市区域流量预测。本发明不仅可以应用到城市车辆流量预测，同时可以应用到其他类型的流量预测，比如高速车流量、景区人流量等。甚至是其他领域的时空事件预测的场景，比如外卖订单量预测、网约车乘车需求等。本发明将区域间交通流量变化、天气等外部特征纳入考虑，使得城市区域流量预测结果更加准确。
附图说明
图1为本发明一种面向车辆轨迹大数据的城市区域流量预测系统方法的流程图；
图2为基于联合特征的时空卷积-注意力网络流量预测深度学习模型的基本结构。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
城市车辆的交通流量由车驶入和驶离城市区域的数量组成。其流量的产生受到区域功能和区域间出行流量动态交互的影响，也与车辆在该段轨迹内停车时长有关。同一时间不同的功能区域有着不一样的交通流量特征：比如早晨时间段流量主要是由住宅区向工作区转移，而傍晚时间段，则是由工作区向住宅区流入。且不同区域的同一种类型功能区域也有着不同的时间特征：同样是学校，小学初中和高中区域由于放学时间不同，它们有着截然不同的时间特征。如何提取各区域车辆出行的时空特征是准确预测交通流量的关键，同时也要将天气、节假日等其他外部特征对交通流量的影响纳入考虑。
本发明公开了一种面向车辆轨迹大数据的城市区域流量预测系统，包括数据采集模块和流量预测模块。
所述数据采集模块负责采集车辆的轨迹数据和环境信息数据，具体为：通过包含GPS或者北斗定位功能的终端采集不含隐私信息的车辆轨迹数据；通过天气查询服务的API接口获得区域天气数据；通过查询日历统计节假日数据；通过网络爬虫技术获取事件数据；通过地图服务提供商提供的店铺信息进行聚类获取区域POI信息。所述历史信息数据集构成整体历史流入流出矩阵
流量预测模块负责提取历史轨迹数据的多种特征，并对车流量进行预测；包括全局时空特征提取模块、流量转移特征提取模块、流量变化特征融合模块、外部特征嵌入模块、联合特征预测模块。
所述全局时空特征提取模块通过多层时空卷积神经网络提取整体历史流入流出矩阵的流量时空特征，所述多层时空卷积神经网络由输入层、二维卷积层、三维卷积层、池化层、全连接层和输出层等基本的神经网络层构成。
所述流量转移特征提取模块：采用基于图卷积神经网络和长短期记忆网络提取城市区域流量转移图的流量转移时空特征，其中，图卷积神经网络用于提取流量转移的空间关联性，长短期记忆网络用于提取流量转移的时间关联性，最通过全连接层综合以上两种关联性输出流量转移时空特征。
所述流量变化特征融合模块：采用一个二维的卷积层和一个激活层对流量时空特征和流量全局时空转移特征进行融合，输出流量变化特征。
所述外部特征嵌入模块：将时间特征、空间特征和环境特征分别进行编码，并通过一个两层的全连接网络进行嵌入，得到时间嵌入向量、空间嵌入向量和环境嵌入向量，再将上述3个嵌入向量进行融合，得到融合的外部特征。
所述联合特征预测模块：输入为外部特征嵌入模块输出的融合的外部特征和流量变化特征融合模块输出的流量变化特征，将外部特征与对应时间地点的流量变化特征相加，得到嵌入了外部特征的流量联合特征。之后采用基于卷积神经网络层和多头注意力网络的卷积注意力单元进行堆叠，学习之前时刻的联合特征中的注意力权重，并以此预测下一时刻的区域流入流出流量。
本发明提出了一种面向车辆轨迹大数据的城市区域流量预测方法，如图1流程图所示，具体包括以下步骤：
(1)通过数据采集模块记录车辆的轨迹数据，并根据相应的轨迹数据收集相关区域相关时间的环境信息数据构成历史信息数据集；所述车辆的轨迹数据具体为不含隐私信息的车辆轨迹数据，包含时间、经纬度和车辆的停留时间；所述环境信息数据包括区域天气数据、节假日数据、事件数据、城市地图、路网信息和区域POI信息；各个区域的全部POI信息聚类得到功能区分类信息。
(2)根据步骤(1)输出的历史信息数据集构建各时间片段的整体历史流入流出矩阵，其具体步骤如下；
本发明将整个研究区域划分为
Figure BDA0003200071000000081
个矩形子区域，L和H为整个研究区域的长和宽，l和h为矩形子区域的长和宽，
Figure BDA0003200071000000082
以τ为时间间隔，从步骤(1)采集的车辆的历史轨迹数据(y1，...，yT)中，统计第i个子区域Gi中的车辆流入流出数量，则在第a个时间段，即得到在((a-1)×τ，a×τ)时刻整个区域中的车辆流入量
Figure BDA0003200071000000083
和车辆流出量
Figure BDA0003200071000000084
则第a个时间段内整个区域的城市整体流入流出矩阵可以用两个通道n×n的二维矩阵表示为
Figure BDA0003200071000000085
将t个时间片段的车流量按照时间先后顺序排列可得到城市历史的整体流入流出矩阵Vol＝{Vol1，Vol2，...，Volt}，其中，
Figure BDA0003200071000000086
(3)根据步骤(1)采集的城市地图、路网信息和功能区信息等环境信息，结合历史行程轨迹数据构建各个区域之间的区域流量转移图，其具体方法如下；
先构建城市区域流量转移图，将城市区域的路网结构建成一个图结构
Figure BDA0003200071000000087
其中
Figure BDA0003200071000000088
是以所有子区域(G1，G2，...，Gn)构成的集合，
Figure BDA0003200071000000089
Figure BDA00032000710000000810
是连接性矩阵，其中元素AC[i，j]表示的是相应的第i个和第j个子区域之间空间的连接性，根据区域之间相连的道路数量和距离计算得到；各节点之间的边εk表示第k时间段中为各个子区域之间具体的流量转移数量，并结合每段轨迹的停留时间以及功能区分类等作为边εk的一个权值。若两个节点之间的边εk不存在，则表示子区域之间没有流量转移关系。然后以τ时间间隔划分，可得到((k-1)×τ，k×τ)时间段的城市区域流量转移图
Figure BDA00032000710000000811
其中，N＝n×n表示节点的数量，d表示历史观测特征的种类数目。
(4)构建基于联合特征的时空卷积-注意力网络流量预测深度学习模型，所述基于联合特征的时空卷积-注意力网络流量预测深度学习模型的结构图如图2所示，包括以下步骤：
(4.1)将步骤(2)构建的整体历史流入流出矩阵输入全局时空特征提取模块，输出历史流量时空特征，其具体方法如下；
由于车辆流入流出轨迹的连续性，任何的流量转移都会经过该区域周围的几个区域，所以先使用5×5的二维卷积核对每个时刻的城市的历史整体流入流出矩阵进行局部空间特征提取，得到多个时间片段的局部空间特征；接着将提取到的多个时间片段的局部空间特征堆叠作为输入，使用多层时空卷积神经网络进行卷积操作，提取车辆流量的全局时空特征。所述多层时空卷积神经网络由输入层、多个二维卷积层、三维卷积层、池化层、全连接层和输出层等基本的神经网络层构成，其中卷积核可以选用大小为3×3×3和3×3×12的Conv3D三维卷积核。第i层时空卷积神经网络卷积第m个通道的卷积神经元矩阵中位于(x，y，z)的输出
Figure BDA0003200071000000091
由公式(1)得到。
Figure BDA0003200071000000092
其中，
Figure BDA0003200071000000093
是第i层三维卷积核的m通道的卷积神经元矩阵中位于(p，q，r)上的参数，Ri是Conv3D卷积核在时间轴上的维度，
Figure BDA0003200071000000094
是m通道中位于(x+p，y+q，z+r)的在第i-1层卷积中的输出值，bim是三维卷积核的偏差向量。激励函数ReLU具体表示如公式(2)：
ReLU(x)＝max(0,x) (2)
最终，全局时空特征提取模块输出整体历史流入流出矩阵的历史流量时空特征
Figure BDA0003200071000000095
(4.2)将步骤(3)中得到的历史区域流量转移图输入流量转移特征提取模块，利用基于图卷积的长短期记忆网络结构提取区域间的流量转移时空特征，包括以下子步骤；
(4.2.1)利用流量转移特征提取模块，通过图卷积网络(GCN)用于提取各子区域间的流量转移空间关联性，详细见公式(3)：
Figure BDA0003200071000000096
其中
Figure BDA0003200071000000097
作为图卷积网络的输入，
Figure BDA0003200071000000098
为网络的输出，
Figure BDA0003200071000000099
IN为N维的单位矩阵，
Figure BDA00032000710000000910
为精细度矩阵，W为图卷积网络要学习的参数，sin为输入图卷积网络的时间片段数。
(4.2.2)长短期记忆网络(LSTM)负责提取各子区域间的流量转移的时间关联性和短期时间变化规律，详细见公式(4)、(5)；
ft＝σ(Wxfxt+Whfht-1+bf)
it＝σ(Wxixt+Whiht-1+bi)
ot＝σ(Wxoxt+Whoht-1+bo)
ct＝ft⊙ct-1+it⊙tanh(Wxcxt+Whcht-1+bc
ht＝ot⊙tanh(ct) (4)
其中t表示为第t个LSTM记忆单元，ft，it和ot是第t个LSTM记忆单元的门向量，分别控制该LSTM记忆单元的遗忘、更新和输出，ct和
Figure BDA0003200071000000101
为该记忆单元的状态向量和隐藏状态，ct-1和ht-1为上一个记忆单元的状态向量和隐藏状态，激活函数为
Figure BDA0003200071000000102
⊙表示矩阵对应元素相乘，xt为记忆单元的输入向量，Wxf，Whf，Wxi，Whi，Wxo，Who，Wxc，Whc为线性变换矩阵中要学习的参数，bf，bi，bo，bc是相应的偏差向量，Xout为为该记忆单元的输入，图卷积网络的输出。
LSTM层的表达式简化为公式(5)：
ht，ct＝LSTM(xt，ht-1，ct-1) (5)
流量转移特征提取模块由图卷积网络和长短期记忆力网络结合堆叠构成；最后，通过一个全连接网络将流量转移空间关联性和流量转移的时间关联性融合成流量转移时空特征；历史区域流量转移图
Figure BDA0003200071000000103
作为输入，通过流量转移特征提取模块进行特征提取，输出流量转移时空特征
Figure BDA0003200071000000104
(4.3)利用流量变化特征融合模块将步骤(4.2)得到的流量转移的时空特征与步骤(4.1)得到的历史流量时空特征相融合，得到融合的流量时空特征，其具体方法如下；
从区域全局和划分的较长时间片段来看，某个区域的流入流量是由其他一些区域的流出流量构成的，同样的，它的流出流量将会转化为其他一些区域的流入流量。利用流量变化特征融合模块，通过融合车辆出行流量全局时空特征和区域间流量转移特征，得到流量时空特征
Figure BDA0003200071000000105
如公式(6)：
Figure BDA0003200071000000106
其中，W为融合网络层的学习参数，b为偏差向量，Concat(■)表示对括号内元素矩阵进行拼接操作。
(4.4)利用外部特征嵌入模块将时间信息、空间信息和环境信息分别进行编码，将步骤(1)采集的环境信息等外部特征的历史信息数据集通过一个两层的全连接网络做词嵌入(embedding)操作，同时对步骤(4.3)输出的流量时空特征中的时间信息和空间信息做词嵌入(embedding)操作，得到嵌入的外部特征，其具体方法如下：
空间信息嵌入：为了建模各个子区域之间的空间联系，并将路网结构信息传入联合预测模块，将节点的向量作为输入，使用两层的全连接神经网络得到空间嵌入向量
Figure BDA0003200071000000111
时间信息嵌入：同时将历史信息数据集中的每个时间片段进行嵌入，得到相应的时间嵌入向量：将一天划分为T个时间段，就可以使用独热编码(One-hot coding)将星期几和每天的第几个时间段编码成
Figure BDA0003200071000000112
和
Figure BDA0003200071000000113
的向量，将其拼接成
Figure BDA0003200071000000114
的向量，使用两层的全连接神经网络得到时间嵌入向量
Figure BDA0003200071000000115
其中k表示的是第k个时间片段。
环境信息嵌入：在此部分，选择天气、温度、特殊事件、节假日四个环境信息进行特征嵌入，其中，天气包含：晴、雨、雪、风、云、雷，六种气象，采用独热编码生成向量；温度为原温度值，为2维向量；特殊事件和节假日分别使用一个1维向量表示，0表示否，1表示是；将以上向量进行拼接，得到
Figure BDA0003200071000000116
的向量，使用两层的全连接神经网络得到第k时间段的环境嵌入向量
Figure BDA0003200071000000117
然后，将以上3个特征嵌入向量进行融合，得到嵌入的外部特征
Figure BDA0003200071000000118
如公式(7)所示：
Figure BDA0003200071000000119
(4.5)将步骤(4.3)得到的融合的流量时空特征和步骤(4.4)得到的嵌入的外部特征输入联合特征预测模块，输出嵌入了外部特征的流量联合特征，下一时刻的区域流入流出流量，得到基于联合特征的时空卷积-注意力网络流量预测深度学习模型，其具体方法如下：
在联合特征预测模块中，采用注意力网络进行预测，各个节点的注意力Attention(Q，K，V)由以下公式进行计算，如公式(8)所示
Figure BDA00032000710000001110
其中Q，
Figure BDA00032000710000001111
表示各个节点的查询、键和值，dk是每个节点的查询和键的维度，dv是每个节点的值的维度。
在将流量变化特征融合模块输出的流量时空特征
Figure BDA0003200071000000121
和外部特征
Figure BDA0003200071000000122
进行合并
Figure BDA0003200071000000123
得到(h1，...，hk)并将其堆叠为
Figure BDA0003200071000000124
上标表示其对应的节点为vi。接着对矩阵
Figure BDA0003200071000000125
线性变换为查询
Figure BDA0003200071000000126
键
Figure BDA0003200071000000127
和值V，如公式(9)所示：
Figure BDA0003200071000000128
Figure BDA0003200071000000129
是变换矩阵需要学习的参数，由全部节点共享。注意力结构
Figure BDA00032000710000001215
能被写为以下形式如公式(10)所示：
Figure BDA00032000710000001210
(5)使用历史数据对步骤(4)构建的基于联合特征的时空卷积-注意力网络(MSTC-AN)流量预测深度学习模型进行训练，将模型训练后输出的预测与真实值进行比较，如误差函数在设定阈值之外，则采用adam优化算法更新模型的参数；如误差函数满足阈值，则保存参数，得到训练好的基于联合特征的时空卷积-注意力网络模型。
通过f()表示整个区域流量预测的模型如公式(11)，(y1，...yk)为历史数据，第k+1时刻到k+T′的城市区域流量的预测值
Figure BDA00032000710000001211
T为模型输入数据的滑动窗口长度，T′为预测序列的时间长度：
Figure BDA00032000710000001212
本实施例中阈值设定为1，可以根据预测精确度的要求调整阈值。模型通过训练使得输出的预测值与真实值的loss函数最小，该模型中，loss函数采用以下方法计算，如公式(12)：
Figure BDA00032000710000001213
如表1所示为基于联合特征的时空卷积注意力网络的城市车流量预测框架方法在深圳数据集上进行多步预测(即预测序列的长度T′＝3时)，与ARIMA(差分自回归移动平均模型)、SVR(支持向量机线性回归模型)、StepDeep(基于3维卷积的流量预测模型)、FC-LSTM(全连接长短期记忆网络模型)、T-GCN(时间图卷积网络模型)、MDL的RMSE(均方根误差)和MAPE(平均绝对百分比误差)对比；
表1
Figure BDA00032000710000001214
Figure BDA0003200071000000131
由表1可知，基于联合特征的时空卷积-注意力网络(MSTC-AN)流量预测深度学习模型，在时间间隔为30分钟和60分钟的实验中的RMSE和MAPE都最小，与其他预测模型相比有着更为精确的预测结果。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而以限定本发明。任何熟悉并非用本领域的技术人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种面向车辆轨迹大数据的城市区域流量预测系统，其特征在于，所述城市区域流量预测系统包括数据采集模块和流量预测模块；
所述数据采集模块采集车辆的轨迹数据和环境信息数据构成历史信息数据集，具体为：通过具有GPS或北斗定位功能的终端采集不含隐私信息的车辆轨迹数据；通过天气查询服务的API接口获得区域天气数据；通过查询日历统计时间信息和节假日数据；通过网络爬虫技术获取事件数据；通过地图服务提供商提供的店铺信息进行聚类获取空间信息和区域POI信息；所述历史信息数据集构成整体历史流入流出矩阵和城市区域流量转移图；
所述流量预测模块提取车辆的轨迹数据的特征，并对车流量进行预测；包括全局时空特征提取模块、流量转移特征提取模块、流量变化特征融合模块、外部特征嵌入模块、联合特征预测模块；
所述全局时空特征提取模块使用5×5的二维卷积核对每个时刻的整体历史流入流出矩阵进行局部空间特征提取，得到多个时间片段的局部空间特征；接着将提取到的多个时间片段的局部空间特征堆叠输入多层时空卷积神经网络进行卷积操作，得到历史流量时空特征；
所述流量转移特征提取模块采用基于图卷积神经网络联合长短期记忆网络提取城市区域流量转移图的流量转移时空特征；其中，图卷积神经网络用于提取流量转移的空间特征，长短期记忆网络用于提取流量转移的时间特征；
所述流量变化特征融合模块：采用一个二维的卷积层和一个激活层对全局时空特征提取模块输出的历史流量时空特征和流量转移特征提取模块输出的流量转移时空特征进行融合，输出融合的流量变化特征；
所述外部特征嵌入模块：将时间信息、空间信息和环境信息分别进行编码，并通过一个两层的全连接网络进行嵌入，得到时间嵌入向量、空间嵌入向量和环境嵌入向量，再将上述3个嵌入向量进行融合，得到嵌入的外部特征；
所述联合特征预测模块：输入为外部特征嵌入模块输出的融合的外部特征和流量变化特征融合模块输出的流量变化特征，将外部特征与对应时间地点的流量变化特征相加，得到嵌入了外部特征的流量联合特征；采用基于卷积神经网络层和多头注意力网络的卷积注意力单元进行堆叠，学习之前时刻的联合特征中的注意力权重，并以此预测下一时刻的区域流入流出流量。
2.一种应用权利要求1所述系统的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，具体包括以下步骤：
(1)通过数据采集模块记录车辆的轨迹数据，并根据相应的轨迹数据收集相关区域、相关时间的环境信息数据构成历史信息数据集；所述车辆的轨迹数据具体为不含隐私信息的车辆轨迹数据，包括历史行程轨迹数据、车辆的停留时间；所述环境信息数据包括区域天气数据、时间信息、节假日数据、事件数据、空间信息、城市地图、路网信息和区域POI信息；各个区域的全部POI信息聚类得到功能区分类信息；
(2)根据步骤(1)采集的历史行程轨迹数据构建各时间片段的整体历史流入流出矩阵；
(3)根据步骤(1)采集的城市地图、路网信息和功能区信息等环境信息，结合历史行程轨迹数据构建各个区域之间的区域流量转移图；
(4)构建基于联合特征的时空卷积-注意力网络流量预测深度学习模型，包括以下步骤：
(4.1)将步骤(2)构建的各历史时间片段的整体流入流出矩阵输入全局时空特征提取模块中，输出历史流量时空特征；
(4.2)将步骤(3)中得到的各个区域之间的区域流量转移图输入流量转移特征提取模块，采用基于图卷积神经网络和长短期记忆网络提取城市区域流量转移图的流量转移时空特征；
(4.3)利用流量变化特征融合模块将步骤(4.2)得到的流量转移时空特征与步骤(4.1)得到的历史流量时空特征相融合，得到融合的流量时空特征；
(4.4)利用外部特征嵌入模块将时间信息、空间信息和环境信息分别进行编码，将步骤(1)采集的环境信息等外部特征的历史信息数据集通过一个两层的全连接网络，同时对步骤(4.3)输出的融合的流量时空特征的时间信息和空间信息做词嵌入操作，得到嵌入的外部特征；
(4.5)将步骤(4.3)得到的融合的流量时空特征和步骤(4.4)得到的嵌入的外部特征输入联合特征预测模块，输出嵌入了外部特征的流量联合特征，下一时刻的区域流入流出流量，得到基于联合特征的时空卷积-注意力网络流量预测深度学习模型；
(5)使用步骤(1)采集的历史行程轨迹数据训练步骤(4)输出的基于联合特征的时空卷积-注意力网络流量预测深度学习模型，将该模型训练后输出的预测与真实值进行比较，如误差函数在设定阈值之外，则采用adam优化算法更新模型的参数；如误差函数满足阈值，则保存参数，得到训练好的基于联合特征的时空卷积-注意力网络模型。
3.根据权利要求2所述的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，所述步骤(2)具体为：将整个研究区域划分为
Figure FDA0003200070990000021
个矩形子区域，L和H为整个研究区域的长和宽，l和h为矩形子区域的长和宽，
Figure FDA0003200070990000022
以τ为时间间隔，从步骤(1)采集的车辆的历史轨迹数据
Figure FDA0003200070990000031
中，统计第i个子区域Gi中的车辆流入流出数量，则在第a个时间段，即得到在((a-1)×τ，a×τ)时刻整个区域中的车辆流入量
Figure FDA0003200070990000032
和车辆流出量
Figure FDA0003200070990000033
则第a个时间段内整个区域的城市整体流入流出矩阵可以用两个通道n×n的二维矩阵表示为
Figure FDA0003200070990000034
将t个时间片段的车流量按照时间先后顺序排列可得到城市历史的整体流入流出矩阵Vol＝{Vol1，Vol2，...，Volt}，其中，
Figure FDA0003200070990000035
4.根据权利要求2所述的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，所述步骤(3)具体为：将城市区域的路网结构建成一个图结构
Figure FDA0003200070990000036
其中
Figure FDA0003200070990000037
是以所有子区域(G1，G2，...，Gn)构成的集合，
Figure FDA0003200070990000038
Figure FDA0003200070990000039
是连接性矩阵，其中元素AC[i，j]表示的是相应的第i个和第j个子区域之间空间的连接性；各节点之间的边εk表示第k时间段中为各个子区域之间具体的流量转移数量；然后以τ时间间隔划分得到((k-1)×τ，k×τ)时间段的城市区域流量转移图
Figure FDA00032000709900000310
其中N＝n×n表示节点的数量，d示历史观测特征的种类数目。
5.根据权利要求2所述的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，所述步骤(4.1)具体为：
先使用5×5的二维卷积核对每个时刻的城市的历史整体流入流出矩阵进行局部空间特征提取，得到多个时间片段的局部空间特征；接着将提取到的多个时间片段的局部空间特征堆叠输入多层时空卷积神经网络进行卷积操作得到历史流量时空特征；所述多层时空卷积神经网络由输入层、多个二维卷积层、三维卷积层、池化层、全连接层和输出层等基本的神经网络层构成；第i层时空卷积神经网络卷积第m个通道的卷积神经元矩阵中位于(x，y，z)的输出
Figure FDA00032000709900000311
如下：
Figure FDA00032000709900000312
其中，
Figure FDA00032000709900000313
是第i层三维卷积核的m通道的卷积神经元矩阵中位于(p，q，r)上的参数，Ri是Conv3D卷积核在时间轴上的维度，
Figure FDA00032000709900000314
是m通道中位于(x+p，y+q，z+r)的在第i-1层卷积中的输出值，bim是三维卷积核的偏差向量；ReLU为激励函数；
最终，全局时空特征提取模块输出整体历史流入流出矩阵的历史流量时空特征
Figure FDA00032000709900000315
6.根据权利要求2所述的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，所述步骤(4.2)包括以下子步骤：
(4.2.1)利用流量转移特征提取模块，通过图卷积网络用于提取各子区域间的流量转移空间关联性，计算公式为：
Figure FDA0003200070990000041
其中
Figure FDA0003200070990000042
作为图卷积网络的输入，
Figure FDA0003200070990000043
为网络的输出，
Figure FDA0003200070990000044
lN为N维的单位矩阵，
Figure FDA0003200070990000045
为精细度矩阵，W为图卷积网络要学习的参数，sin为输入图卷积网络的时间片段数；
(4.2.2)利用长短期记忆网络提取各子区域间的流量转移的时间关联性和短期时间变化规律，通过一个全连接网络将流量转移空间关联性和流量转移的时间关联性融合成流量转移时空特征；历史区域流量转移图
Figure FDA0003200070990000046
作为输入，通过流量转移特征提取模块进行特征提取，输出流量转移时空特征
Figure FDA0003200070990000047
7.根据权利要求2所述的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，所述步骤(4.3)具体为：
利用流量变化特征融合模块，通过融合车辆出行流量全局时空特征和区域间流量转移特征，得到流量时空特征
Figure FDA0003200070990000048
Figure FDA0003200070990000049
其中，W为融合网络层的学习参数，b为偏差向量，Concat(■)表示对括号内元素矩阵进行拼接操作。
8.根据权利要求2所述的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，所述步骤(4.4)具体为：
空间信息嵌入：将节点的向量作为输入，使用两层的全连接神经网络得到空间嵌入向量
Figure FDA00032000709900000410
时间信息嵌入：将历史信息数据集中的每个时间片段进行嵌入，得到相应的时间嵌入向量：将一天划分为T个时间段，使用独热编码将星期几和每天的第几个时间段编码成
Figure FDA00032000709900000411
和
Figure FDA00032000709900000412
的向量，将其拼接成
Figure FDA00032000709900000413
的向量，使用两层的全连接神经网络得到时间嵌入向量
Figure FDA00032000709900000414
其中k表示的是第k个时间片段；
环境信息嵌入：选择天气、温度、特殊事件、节假日四个环境信息进行特征嵌入，其中，天气包含：晴、雨、雪、风、云、雷，六种气象，采用独热编码生成向量，温度为原温度值；特殊事件和节假日分别使用一个1维向量表示；将上述向量进行拼接，得到
Figure FDA00032000709900000415
的向量，使用两层的全连接神经网络得到第k时间段的环境嵌入向量
Figure FDA00032000709900000416
然后，将以上3个特征嵌入向量进行融合，得到嵌入的外部特征
Figure FDA0003200070990000051
Figure FDA0003200070990000052
9.根据权利要求2所述的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，所述步骤(4.5)具体为：
采用注意力网络进行预测，各个节点的注意力Attention(Q，K，V)为：
Figure FDA0003200070990000053
其中Q，
Figure FDA0003200070990000054
表示各个节点的查询、键和值，dk是每个节点的查询和键的维度，dv是每个节点的值的维度；
在将流量变化特征融合模块输出的流量时空特征
Figure FDA0003200070990000055
和外部特征
Figure FDA0003200070990000056
进行合并
Figure FDA0003200070990000057
得到(h1，...，hk)并将其堆叠为
Figure FDA0003200070990000058
上标vi表示其对应的节点；接着对矩阵
Figure FDA0003200070990000059
线性变换为各个节点的查询
Figure FDA00032000709900000510
键
Figure FDA00032000709900000511
和值V：
Figure FDA00032000709900000512
Figure FDA00032000709900000513
是变换矩阵需要学习的参数，由全部节点共享；注意力结构为：
Figure FDA00032000709900000514
。
10.根据权利要求2所述的面向车辆轨迹大数据的城市区域流量预测方法，其特征在于，所述步骤(5)具体为：
通过f()表示整个区域流量预测的模型，
Figure FDA00032000709900000515
为历史数据，第k+1时刻到k+T′的城市区域流量的预测值
Figure FDA00032000709900000516
T为模型输入数据的滑动窗口长度，T′为预测序列的时间长度：
Figure FDA00032000709900000517
CN202110905077.3A 2021-08-06 2021-08-06 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 Active CN113724504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110905077.3A CN113724504B (zh) 2021-08-06 2021-08-06 一种面向车辆轨迹大数据的城市区域流量预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110905077.3A CN113724504B (zh) 2021-08-06 2021-08-06 一种面向车辆轨迹大数据的城市区域流量预测系统及方法

Publications (2)

Publication Number Publication Date
CN113724504A true CN113724504A (zh) 2021-11-30
CN113724504B CN113724504B (zh) 2023-04-07

Family

ID=78675275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110905077.3A Active CN113724504B (zh) 2021-08-06 2021-08-06 一种面向车辆轨迹大数据的城市区域流量预测系统及方法

Country Status (1)

Country Link
CN (1) CN113724504B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139836A (zh) * 2022-01-29 2022-03-04 北京航空航天大学杭州创新研究院 基于重力学多层三维残差网络的城市od人流预测方法
CN114267173A (zh) * 2021-12-13 2022-04-01 河北雄安京德高速公路有限公司 高速公路时空特征的多源数据融合方法、装置及设备
CN114360242A (zh) * 2021-12-10 2022-04-15 重庆邮电大学 一种基于混合卷积lstm的城市短时交通流预测方法及系统
CN114827904A (zh) * 2022-05-10 2022-07-29 山东大学 一种移动服务用户轨迹预测方法及系统
CN114863699A (zh) * 2022-06-14 2022-08-05 电子科技大学 一种基于数字孪生的城市车路协同交通流预测方法
CN114997543A (zh) * 2022-08-03 2022-09-02 通号通信信息集团有限公司 人流量预测方法、模型训练方法、电子设备、可读介质
CN115018553A (zh) * 2022-06-30 2022-09-06 东南大学 基于深度学习的区域物流单量预测系统及方法
CN115394088A (zh) * 2022-10-31 2022-11-25 江苏博宇鑫信息科技股份有限公司 基于时空注意力机制的路口通行时间预测方法
CN115482467A (zh) * 2022-09-29 2022-12-16 河南省景观规划设计研究院有限公司 一种智慧园林的自动灌溉系统
CN115565376A (zh) * 2022-09-30 2023-01-03 福州大学 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
CN116052427A (zh) * 2023-02-03 2023-05-02 湖南大学深圳研究院 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN116385970A (zh) * 2023-04-07 2023-07-04 暨南大学 基于时空序列数据的人流聚集预测模型
CN116822706A (zh) * 2023-05-16 2023-09-29 苏州大学 一种候选地址流行度预测方法
CN117852730A (zh) * 2024-03-08 2024-04-09 北京阿帕科蓝科技有限公司 车辆流转预测方法、装置、计算机设备和存储介质
CN116052427B (zh) * 2023-02-03 2024-05-31 湖南大学深圳研究院 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819954A (zh) * 2012-08-28 2012-12-12 南京大学 交通区域动态地图监控预测系统
CN106935034A (zh) * 2017-05-08 2017-07-07 西安电子科技大学 面向车联网的区域交通流量预测系统及方法
CN111091295A (zh) * 2019-12-20 2020-05-01 银江股份有限公司 一种城市区域边界控制系统
CN112200351A (zh) * 2020-09-24 2021-01-08 深圳市综合交通运行指挥中心 一种基于手机信令数据的城市区域客流量预测方法
CN112488185A (zh) * 2020-11-27 2021-03-12 湖南大学 包含时空特性的车辆运行参数预测方法，系统，电子设备及可读存储介质
CN112598165A (zh) * 2020-12-11 2021-04-02 湖南大学 基于私家车数据的城市功能区转移流量预测方法及装置
CN112862177A (zh) * 2021-02-02 2021-05-28 湖南大学 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819954A (zh) * 2012-08-28 2012-12-12 南京大学 交通区域动态地图监控预测系统
CN106935034A (zh) * 2017-05-08 2017-07-07 西安电子科技大学 面向车联网的区域交通流量预测系统及方法
CN111091295A (zh) * 2019-12-20 2020-05-01 银江股份有限公司 一种城市区域边界控制系统
CN112200351A (zh) * 2020-09-24 2021-01-08 深圳市综合交通运行指挥中心 一种基于手机信令数据的城市区域客流量预测方法
CN112488185A (zh) * 2020-11-27 2021-03-12 湖南大学 包含时空特性的车辆运行参数预测方法，系统，电子设备及可读存储介质
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN112598165A (zh) * 2020-12-11 2021-04-02 湖南大学 基于私家车数据的城市功能区转移流量预测方法及装置
CN112862177A (zh) * 2021-02-02 2021-05-28 湖南大学 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周明等: "基于时空信息的交通流预测", 《工业控制计算机》, no. 04 *
薛佳瑶等: "基于卷积循环神经网络的城市区域车流量预测模型", 《信息工程大学学报》, no. 02 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114360242A (zh) * 2021-12-10 2022-04-15 重庆邮电大学 一种基于混合卷积lstm的城市短时交通流预测方法及系统
CN114267173A (zh) * 2021-12-13 2022-04-01 河北雄安京德高速公路有限公司 高速公路时空特征的多源数据融合方法、装置及设备
CN114139836A (zh) * 2022-01-29 2022-03-04 北京航空航天大学杭州创新研究院 基于重力学多层三维残差网络的城市od人流预测方法
CN114139836B (zh) * 2022-01-29 2022-05-31 北京航空航天大学杭州创新研究院 基于重力学多层三维残差网络的城市od人流预测方法
CN114827904A (zh) * 2022-05-10 2022-07-29 山东大学 一种移动服务用户轨迹预测方法及系统
CN114827904B (zh) * 2022-05-10 2022-09-27 山东大学 一种移动服务用户轨迹预测方法及系统
CN114863699A (zh) * 2022-06-14 2022-08-05 电子科技大学 一种基于数字孪生的城市车路协同交通流预测方法
CN114863699B (zh) * 2022-06-14 2023-05-23 电子科技大学 一种基于数字孪生的城市车路协同交通流预测方法
CN115018553B (zh) * 2022-06-30 2024-05-07 东南大学 基于深度学习的区域物流单量预测系统及方法
CN115018553A (zh) * 2022-06-30 2022-09-06 东南大学 基于深度学习的区域物流单量预测系统及方法
CN114997543B (zh) * 2022-08-03 2023-01-13 通号通信信息集团有限公司 人流量预测方法、电子设备、可读介质
CN114997543A (zh) * 2022-08-03 2022-09-02 通号通信信息集团有限公司 人流量预测方法、模型训练方法、电子设备、可读介质
CN115482467B (zh) * 2022-09-29 2023-09-05 河南省景观规划设计研究院有限公司 一种智慧园林的自动灌溉系统
CN115482467A (zh) * 2022-09-29 2022-12-16 河南省景观规划设计研究院有限公司 一种智慧园林的自动灌溉系统
CN115565376A (zh) * 2022-09-30 2023-01-03 福州大学 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
CN115565376B (zh) * 2022-09-30 2024-05-03 福州大学 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
CN115394088A (zh) * 2022-10-31 2022-11-25 江苏博宇鑫信息科技股份有限公司 基于时空注意力机制的路口通行时间预测方法
CN116052427A (zh) * 2023-02-03 2023-05-02 湖南大学深圳研究院 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN116052427B (zh) * 2023-02-03 2024-05-31 湖南大学深圳研究院 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN116385970A (zh) * 2023-04-07 2023-07-04 暨南大学 基于时空序列数据的人流聚集预测模型
CN116385970B (zh) * 2023-04-07 2024-05-28 暨南大学 基于时空序列数据的人流聚集预测模型
CN116822706A (zh) * 2023-05-16 2023-09-29 苏州大学 一种候选地址流行度预测方法
CN116822706B (zh) * 2023-05-16 2024-06-07 苏州大学 一种候选地址流行度预测方法
CN117852730A (zh) * 2024-03-08 2024-04-09 北京阿帕科蓝科技有限公司 车辆流转预测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN113724504B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN113724504B (zh) 一种面向车辆轨迹大数据的城市区域流量预测系统及方法
Liu et al. Contextualized spatial–temporal network for taxi origin-destination demand prediction
Mori et al. A review of travel time estimation and forecasting for advanced traveller information systems
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN107016851A (zh) 一种量化分析城市建成环境对道路行程时间影响的方法
CN110322064B (zh) 城市出行需求预测方法
CN109872535A (zh) 一种智慧交通通行预测方法、装置及服务器
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
CN112863182B (zh) 基于迁移学习的跨模态数据预测方法
CN113239198B (zh) 一种地铁客流预测方法、装置及计算机存储介质
Zhang et al. Crowd flow forecasting with multi-graph neural networks
Wu et al. A flood-discharge-based spatio-temporal diffusion method for multi-target traffic hotness construction from trajectory data
CN116665448A (zh) 一种基于图卷积网络的交通速度实时预测方法及系统
CN115545758A (zh) 城市服务设施自适应增量选址的方法和系统
Kong et al. Charging pile siting recommendations via the fusion of points of interest and vehicle trajectories
CN115456238A (zh) 一种基于动态多视图耦合图卷积的城市出行需求预测方法
Tran et al. Tleta: Deep transfer learning and integrated cellular knowledge for estimated time of arrival prediction
Yidan et al. Learning congestion propagation behaviors for traffic prediction
CN114139984A (zh) 基于流量与事故协同感知的城市交通事故风险预测方法
Li et al. How spatial features affect urban rail transit prediction accuracy: a deep learning based passenger flow prediction method
Hu et al. Temporal-spatial prediction of trip demand using neural networks and points of interest
Wang et al. Route selection for opportunity-sensing and prediction of waterlogging
Pozdnukov et al. Demand Forecasting and Activity-based Mobility Modelling from Cell Phone Data
Holm et al. Utilizing Mixture Density Networks for Travel Time Probability Distribution Predictions

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