CN113823090A - 一种基于多时空图卷积网络的交通流预测方法 - Google Patents
一种基于多时空图卷积网络的交通流预测方法 Download PDFInfo
- Publication number
- CN113823090A CN113823090A CN202111104764.1A CN202111104764A CN113823090A CN 113823090 A CN113823090 A CN 113823090A CN 202111104764 A CN202111104764 A CN 202111104764A CN 113823090 A CN113823090 A CN 113823090A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- graph convolution
- model
- traffic flow
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 9
- 238000009792 diffusion process Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 244000000231 Sesamum indicum Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的一种基于多时空图卷积网络的交通流预测方法，包括如下步骤：首先，利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性；其次，分别提取周相关、日相关、近期时间的序列数据，输入3个时空组件以深度挖掘不同时间窗口间的时间相关性；最后，将时空组件与编码器‑解码器网络结构(Encoder‑Decoder)融合组建MST‑GCN模型。利用多个高速公路数据集进行实验，结果表明新模型的性能明显优于门控循环单元模型、扩散卷积循环神经网络(DCRNN)模型和时空图卷积网络(T‑GCN)模型。
Description
技术领域
本发明属于交通技术领域，主要应用于路段交通流量的预测，具体涉及一种多时空图卷积相关的短时交通量预测方法。
背景技术
近年来，随着大城市贸易圈的发展，交通问题逐步增多。最严重的问题之一是人满为患，这造成公共安全和浪费时间的隐患，而解决交通拥堵的途径之一就是发展智能交通运输系统。
智能交通运输系统(ITS)是目前世界交通运输领域的最前沿，已成为世界各国极力投注资本推进的关键点之一。美国、日本及欧盟等众多先进国家特别重视ITS，它被认为是提高交通的可靠性、安全性和减少环境污染的有效手段之一。构建智能交通系统(ITS)能够有效缓解道路拥堵，缩短出行时间，降低环境污染，提高交通安全性。作为ITS的重要研究内容之一，交通量预测能够作为交通决策的重要依据，可有效地应用于交通规划、交通诱导。
短时交通量预测是交通控制与诱导的基础，是智能交通系统的重要研究内容之一。随着交通量预测相关研究的不断推进，国内外研究人员已经提出了大量短时交通量预测方法，以解决实际问题。
发明内容
发明目的：随着大数据和车联网技术的发展，交通流量预测已存在较多有效的方法，然而捕捉交通流的时空相关性，提高模型的预测性能仍然是一个具有挑战性的问题。本发明基于多时空图卷积考虑提出一种深度学习预测方法。
技术方案：一种基于多时空图卷积网络的交通流预测方法，所述方法包括如下步骤：
步骤1)利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性；
步骤2)分别提取周相关、日相关、近期时间的序列数据，输入3个时空组件以深度挖掘不同时间窗口间的时间相关性；
步骤3)将时空组件与编码器-解码器网络结构(Encoder-Decoder)融合组建MST-GCN模型；
步骤4)利用多个高速公路数据集进行实验，并与多个基准模型进行比较。
优选的，所述的步骤1)中，利用切比雪夫图卷积结合门控循环单元构建时空组件以深度挖掘节点的时空相关性的具体步骤包括：首先使用城市道路长度为T的历史时间序列数据作为输入，通过k阶切比雪夫图卷积网络捕捉城市道路网络的拓扑结构以获得空间相关性；其次，将获得的具有空间相关性的时间序列输入门控循环单元模型，通过单元之间的信息传递获得动态变化，捕捉时间相关性；最后，通过全连接层得到结果。
优选的，所述的步骤2)中，在时间维度上，使用3个不同的时空组件提取历史数据的信息来捕获交通网络的时空动态关联，按照不同时间片类型划分输入数据，选取不同长度的周序列、日序列和邻近序列作为多源同构数据。
优选的，所述的步骤3)中，采用若干个时空组件与编码器-解码器网络结构融合组建多时空图卷积网络模型，将周序列、日序列的2个时空组件作为周编码器和日编码器，其输出Cw和CdCd作为解码器记忆单元的初始值，解码器以邻近序列XmXm作输入，输出为交通流量的预测值。
优选的，所述的步骤4)中，高速公路数据集的数据来源于高速公路路网中的若干个传感器，特征包含交通流、平均车辆速度和占有率；同时，利用均方根误差、平均绝对百分比误差和决定系数作为评价标准，使用门控循环单元模型、扩散卷积循环神经网络模型和时空图卷积网络模型做对比；最后，通过对照实验得到多时空图卷积网络模型的最佳超参数。
有益结果：MST-GCN模型的性能明显优于门控循环单元模型、扩散卷积循环神经网络(DCRNN)模型和时空图卷积网络(T-GCN)模型。
附图说明
图1是T-GCN前向传播过程；
图2是T-GCN单元；
图3是时间序列的输入与输出；
图4是时空组件；
图5是多时空图卷积模型；
图6是PEMS04数据集使用不同模型的预测效果；
图7是PEMS08数据集使用不同模型的预测效果；
图8是不同超参数在PEMS04和PEMS08数据集上的预测效果。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
本发明提出的一种基于多时空图卷积网络的交通流预测方法，包括以下步骤：
步骤1)利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性。
T-GCN模型由图卷积网络和门控循环单元组成，其前向传播过程如图1所示：首先利用两层图卷积网络聚合一阶邻居和二阶邻居的空间信息，捕捉交通流的空间相关性；其次，结合门控循环单元模型，通过单元之间的信息传递捕捉时间相关性；最后，通过全连接层得到预测结果。
T-GCN单元的计算过程如图2所示，具体流程如下：
(1)首先，T-GCN利用两层GCN网络捕捉交通流的空间相关性。
图卷积操作计算如下：
式中，
为添加自连接的邻接矩阵；I为单位矩阵；
为
的度矩阵；X代表模型输入的时空矩阵；θ代表卷积核。
T-GCN对t时刻的输入Xt进行两次图卷积运算：
gcn2(Xt)＝σ(gcn(relu(gcn(Xt))))
relu(x)＝max(0,x)
式中，σ为Sigmoid函数，relu为ReLu函数，两者都是非线性激活函数。
(2)其次，结合门控循环单元模型，通过记忆单元之间的信息传递捕捉时间相关性。
ut＝σ(Wu[gcn2(Xt),ht-1]+bu)
rt＝σ(Wr[gcn2(Xt),ht-1]+br)
ct＝tanh(Wc[gcn2(Xt),rt*ht-1]+bc)
ht＝ut*ht-1+(1-ut)*ct
式中，ht-1和ht为t-1时刻和t时刻隐藏层的输出；ut为t时刻的更新门；rt为t时刻的重置门；ct为t时刻的记忆单元；W和b为训练过程中的参数；tanh为非线性激活函数。
GCN是切比雪夫图卷积在k＝1,λmax＝2时的推导结果，由于切比雪夫图卷积的k阶卷积算子能覆盖阶邻居节点，因此k＝1表示GCN仅能够提取一阶邻居间的空间相关性，忽略了一阶以上邻居节点间有效的空间信息。本发明利用k阶切比雪夫图卷积改进T-GCN单元的两层图卷积操作，k阶切比雪夫多项式函数形式为：
L＝I-D-1/2AD-1/2
其中，L为对称规范化的拉普拉斯矩阵，由不添加自连接的邻接矩阵A和度矩阵D构成，λmax为L的最大特征值；Tk为k阶的切比雪夫多项式；βk是训练的权重参数，与Tk构成卷积核。由于切比雪夫多项式的定义域在[-1,1]之间，因此将L归一化为
步骤2)分别提取周相关、日相关、近期时间的序列数据，输入3个时空组件以深度挖掘不同时间窗口间的时间相关性；
为捕获交通流的时间动态相关性，本发明使用3个不同的时空组件提取交通历史数据特征。按照不同时间片类型划分输入数据，选取最近Tw周、最近Td日的相似时间间隔的时空数据Xw和Xd，与最近Tm个近期时间间隔的时空数据Xm作为多源同构数据。
Y为图3中虚线部分，表示预测时段的交通流量值。
Xw为周序列，由最近Tw周中与预测时段相同的时间段组成，它们具有与预测周期相同的周属性和时间间隔，如图3直线部分所示。通常，在交通状况的变化趋势和峰值上，工作日的交通流量与上一周工作日的交通流量具有一定的相似性，与非工作日的不相似。因此，加入周相关数据以捕获工作日与非工作日的周期特征。
Xd为日序列，Xd由最近Td天中与预测时段相同的时间段组成，如图3双直线部分所示。由于出行者的活动轨迹具有一定的规律性，交通流呈现出周期性的波动，例如工作日的早高峰和晚高峰可能具有相似的交通流量。因此，加入日相关数据提取时空动态相关性。
Xm为邻近序列，Xm是预测时段近期的一段历史时间序列，时间步长为Tm，如图3隔行线部分所示。从宏观角度分析，交通拥堵的形成和扩散是循序渐进的，因此，加入近期时间的交通流以捕获交通流的变化趋势。
使用3个时空组件分别挖掘周相关、日相关、近期时间的序列数据的时空相关性。如图4所示，时空组件由1个切比雪夫图卷积模块、1个门控循环单元模块组成。首先，利用切比雪夫图卷积对在空间维度上交通时空数据进行k次卷积操作，并将卷积结果聚合，得到k阶扩散后的节点信息；其次，使用门控循环单元在时间维度上挖掘交通流的周期性，动态挖掘时间相关性；最后利用全连接对门控循环单元的输出规整化到预测维度。
步骤3)将时空组件与编码器-解码器网络结构(Encoder-Decoder)融合组建MST-GCN模型；
本发明采用多个时空组件与编码器-解码器网络结构融合组建多时空图卷积网络(MST-GCN)模型，如图5所示。将周序列、日序列的2个时空组件作为周编码器和日编码器，其输出Cw和Cd作为解码器记忆单元的初始值，解码器以邻近序列Xm作输入，输出为交通流量的预测值。
MST-GCN模型首先分别提取周相关、日相关、近期时间的交通流数据，使用多个时空组件与编码器-解码器网络结构融合以深度挖掘不同时间窗口间的周期性，其中，为深度挖掘节点的时空相关性，时空组件结合切比雪夫图卷积和门控循环单元，以获取更大的感受野。
步骤4)利用多个高速公路数据集进行实验，并与多个基准模型进行比较；
为评估模型性能，以Caltrans性能评估系统(PeMS,https://pems.dot.ca.gov)中高速公路数据集PEMS04和PEMS08为例进行分析。
PEMS04为采集自旧金山湾的交通数据，其中包含29条道路上的3848个传感器，选择其中307个传感器的数据进行预测。
PEMS08为圣贝纳迪诺的交通数据，其中包含8条道路上的1979个传感器，选择其中170个传感器的数据进行预测。PEMS04和PEMS08都是每5分钟聚合一次流量数据，每个传感器每天包含288个数据记录，每一条记录包含3个特征，分别是该时间段响应传感器的交通流量、平均车辆速度和占有率。
对每一个特征进行极差归一化，将数据保持在[0,1]之间。将80％的数据用于训练，8％的数据用于验证，其余12％的数据用于测试。
如表1所示，在PEMS04和PEMS08数据集中，MST-GCN模型在精度上始终优于其它基准模型。在PEMS04和PEMS08中，MST-GCN相比GRU平均提升15.6％，相比DCRNN提升8.5％，相比T-GCN提升14.6％。此外，T-GCN在PEMS08中表现优越，在PEMS04中没有GRU和DCRNN的精度高，然而MST-GCN在两个数据集中均表现良好，表明MST-GCN的稳定性比T-GCN更佳。
表1不同模型交通流量预测的性能比较
图6和图7分别展示两个数据集使用不同模型的预测结果。可以发现，GRU和T-GCN模型的预测曲线较为平滑，DCRNN模型的预测曲线存在相位偏差，MST-GCN的曲线与真实值比较接近，表明MST-GCN在面对复杂交通网络时，能够深度挖掘节点的时空相关性，捕捉高阶邻居的信息。实验结果表明，本发明提出的模型在预测交通数据中在预测精度上均优于现有模型，取得了很好的预测效果。
此外，实验还比较MST-GCN随着超参数变化的性能变化情况，包括图卷积的阶数k、周序列长度TwTw、日序列长度Td及邻近序列长度Tm(即时间步长)。实验结果如图8所示，图卷积的阶数和邻近序列长度对预测结果影响较大，而周序列长度TwTw和日序列长度TdTd影响相对较小。因此，选定k＝3,Tw＝2,Td＝6,Tm＝8k＝3,Tw＝2,Td＝6,Tm＝8为最佳参数配置。
针对使用时空数据进行交通流预测建模的问题，本发明提出一种多时空图卷积网络模型(MST-GCN)来捕获时空依赖关系。首先，为深度挖掘节点的时空相关性，结合切比雪夫图卷积和门控循环单元以获取更大的感受野；其次，分别提取周相关、日相关、近期时间的序列数据，使用多个时空组件以深度挖掘不同时间窗口间的周期性；最后，将多个时空组件与编码器-解码器网络结构融合组建MST-GCN模型。利用Caltrans性能评估系统中的高速公路数据集PEMS04和PEMS08进行实验，结果表明新模型的性能明显优于其它模型，可以应用于实际路网，提高交通路网的通行效率。
Claims (5)
1.一种基于多时空图卷积网络的交通流预测方法，其特征在于：所述方法包括如下步骤：
步骤1)利用切比雪夫图卷积结合门控循环单元构建时空组件以深度挖掘节点的时空相关性；
步骤2)分别提取周相关、日相关、近期时间的序列数据，输入3个时空组件以深度挖掘不同时间窗口间的时间相关性；
步骤3)将时空组件与编码器-解码器网络结构融合组建多时空图卷积网络模型；
步骤4)利用若干个高速公路数据集进行实验，并与多个基准模型进行比较。
2.根据权利要求1所述的基于多时空图卷积网络的交通流预测方法，其特征在于：所述的步骤1)中，利用切比雪夫图卷积结合门控循环单元构建时空组件以深度挖掘节点的时空相关性的具体步骤包括：首先使用城市道路长度为T的历史时间序列数据作为输入，通过k阶切比雪夫图卷积网络捕捉城市道路网络的拓扑结构以获得空间相关性；其次，将获得的具有空间相关性的时间序列输入门控循环单元模型，通过单元之间的信息传递获得动态变化，捕捉时间相关性；最后，通过全连接层得到结果。
3.根据权利要求1所述的基于多时空图卷积网络的交通流预测方法，其特征在于：所述的步骤2)中，在时间维度上，使用3个不同的时空组件提取历史数据的信息来捕获交通网络的时空动态关联，按照不同时间片类型划分输入数据，选取不同长度的周序列、日序列和邻近序列作为多源同构数据。
4.根据权利要求1所述的基于多时空图卷积网络的交通流预测方法，其特征在于：所述的步骤3)中，采用若干个时空组件与编码器-解码器网络结构融合组建多时空图卷积网络模型，将周序列、日序列的2个时空组件作为周编码器和日编码器，其输出Cw和CdCd作为解码器记忆单元的初始值，解码器以邻近序列XmXm作输入，输出为交通流量的预测值。
5.根据权利要求1所述的基于多时空图卷积网络的交通流预测方法，其特征在于：所述的步骤4)中，高速公路数据集的数据来源于高速公路路网中的若干个传感器，特征包含交通流、平均车辆速度和占有率；同时，利用均方根误差、平均绝对百分比误差和决定系数作为评价标准，使用门控循环单元模型、扩散卷积循环神经网络模型和时空图卷积网络模型做对比；最后，通过对照实验得到多时空图卷积网络模型的最佳超参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111104764.1A CN113823090A (zh) | 2021-09-22 | 2021-09-22 | 一种基于多时空图卷积网络的交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111104764.1A CN113823090A (zh) | 2021-09-22 | 2021-09-22 | 一种基于多时空图卷积网络的交通流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113823090A true CN113823090A (zh) | 2021-12-21 |
Family
ID=78914999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111104764.1A Pending CN113823090A (zh) | 2021-09-22 | 2021-09-22 | 一种基于多时空图卷积网络的交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113823090A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114360254A (zh) * | 2022-03-17 | 2022-04-15 | 湖南工商大学 | 一种基于时空的交通流量预测方法及相关设备 |
| CN115311864A (zh) * | 2022-08-11 | 2022-11-08 | 华东交通大学 | 一种基于多视角动态图卷积网络的交通流预测方法 |
| CN115422694A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路段缺失流量推算方法、电子设备及存储介质 |
| CN115482666A (zh) * | 2022-09-13 | 2022-12-16 | 杭州电子科技大学 | 基于数据融合的多图卷积神经网络交通预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
| CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
| CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
| CN112926452A (zh) * | 2021-02-25 | 2021-06-08 | 东北林业大学 | 一种基于GCN和GRU增强U-Net特征的高光谱分类方法及系统 |
| CN113327417A (zh) * | 2021-05-28 | 2021-08-31 | 南通大学 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
-
2021
- 2021-09-22 CN CN202111104764.1A patent/CN113823090A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
| CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
| CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
| CN112926452A (zh) * | 2021-02-25 | 2021-06-08 | 东北林业大学 | 一种基于GCN和GRU增强U-Net特征的高光谱分类方法及系统 |
| CN113327417A (zh) * | 2021-05-28 | 2021-08-31 | 南通大学 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZIYU JIA，YOUFANG LIN，JING WANG: "《Multi-View Spatial-Temporal Graph Convolutional Networks With Domain Generalization for Sleep Stage Classification》", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》, vol. 29, 6 September 2021 (2021-09-06) * |
| 冯宁等: "《面向交通流量预测的多组件时空图卷积网络》", 《软件学报》, vol. 30, no. 3, 31 March 2019 (2019-03-31), pages 759 - 769 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114360254A (zh) * | 2022-03-17 | 2022-04-15 | 湖南工商大学 | 一种基于时空的交通流量预测方法及相关设备 |
| CN115311864A (zh) * | 2022-08-11 | 2022-11-08 | 华东交通大学 | 一种基于多视角动态图卷积网络的交通流预测方法 |
| CN115482666A (zh) * | 2022-09-13 | 2022-12-16 | 杭州电子科技大学 | 基于数据融合的多图卷积神经网络交通预测方法 |
| CN115482666B (zh) * | 2022-09-13 | 2024-05-07 | 杭州电子科技大学 | 基于数据融合的多图卷积神经网络交通预测方法 |
| CN115422694A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路段缺失流量推算方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113823090A (zh) | 一种基于多时空图卷积网络的交通流预测方法 | |
| CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
| CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
| CN109544911B (zh) | 一种基于lstm-cnn的城市路网交通状态预测方法 | |
| CN110222873A (zh) | 一种基于大数据的地铁站客流量预测方法 | |
| CN108417033B (zh) | 基于多维因素的高速路交通事故分析预测方法 | |
| CN106816008B (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
| CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
| CN113222218B (zh) | 基于卷积长短时记忆神经网络的交通事故风险预测方法 | |
| CN112466117A (zh) | 基于深度时空残差网络的路网短时交通流预测方法 | |
| CN115691137B (zh) | 一种基于因果马尔科夫模型的多模态数据预测方法 | |
| CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
| CN112863182A (zh) | 基于迁移学习的跨模态数据预测方法 | |
| CN115841080A (zh) | 多视图动态时空语义嵌入的露天矿卡车运输时间预测方法 | |
| Zhang et al. | Spatiotemporal residual graph attention network for traffic flow forecasting | |
| Ma et al. | Short-term traffic flow prediction based on genetic artificial neural network and exponential smoothing | |
| CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
| Linchao et al. | Traffic speed prediction for highway operations based on a symbolic regression algorithm | |
| Jomaa et al. | A hybrid convolutional approach for parking availability prediction | |
| CN116993391A (zh) | 一种站点式共享单车系统使用需求预测方法 | |
| CN117037461A (zh) | 一种基于多权重图三维卷积的路网交通拥堵预测方法 | |
| CN103617726B (zh) | 粗粒度交通状态转换为细粒度速度的方法 | |
| CN111798663B (zh) | 一种路网关键路段辨识方法 | |
| AT&T | ||
| Lv et al. | A history data based traffic incident impact analyzing and predicting method |
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: 20211221 |