CN113870565B - 基于迁移学习模型的城市路网未知流量估计方法及系统 - Google Patents

基于迁移学习模型的城市路网未知流量估计方法及系统 Download PDF

Info

Publication number
CN113870565B
CN113870565B CN202111248478.2A CN202111248478A CN113870565B CN 113870565 B CN113870565 B CN 113870565B CN 202111248478 A CN202111248478 A CN 202111248478A CN 113870565 B CN113870565 B CN 113870565B
Authority
CN
China
Prior art keywords
taxi
road section
road
license plate
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.)
Active
Application number
CN202111248478.2A
Other languages
English (en)
Other versions
CN113870565A (zh
Inventor
邢吉平
张奇
史云阳
韩旭
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111248478.2A priority Critical patent/CN113870565B/zh
Publication of CN113870565A publication Critical patent/CN113870565A/zh
Application granted granted Critical
Publication of CN113870565B publication Critical patent/CN113870565B/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
    • G08G1/01—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (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

本发明涉及一种基于迁移学习模型的城市路网未知流量估计方法及系统，为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相似路段及近乎相似路段；对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征的标签，形成相似路段和近乎相似路段样本集；训练每个未安装车牌照片识别的路段的基于迁移学习的支持向量回归模型。采集未安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获取每辆出租车的平均速度，提取特征后，输入该路段对应的支持向量回归模型，输出估计的车流量。实现了未安装车牌照片识别的路段车流量的准确估计。

Description

基于迁移学习模型的城市路网未知流量估计方法及系统
技术领域
本发明涉及流量估计技术领域，尤其涉及一种基于迁移学习模型的城市 路网未知流量估计方法及系统。
背景技术
在城市道路网中，安装固定检测器(如地感线圈检测器，雷达检测器， 视频检测器等)可以获得位于路网中某一特定路段的交通量。但由于检测器 成本限制，将研究路网中的所有路段都安装固定检测器来准确获取所有流量 是不现实的。而城市智能交通系统的建设需要做到交通状态的全时空感知要 求，全路网中准确交通量可以为城市交通的精细化交通管控提供数据支撑。 以往相关的研究主要通过安装在部分路段中的检测器所获取的交通量来估计 剩余路段中未安装检测器路段的流量。
随着数据采集技术的不断提高，研究者开始尝试通过将多种类型检测器 数据的融合来提高流量估计精度。其中包括融合移动检测器与固定检测器的 方法来对未知路段流量的估计研究。
综合基于数据融合的城市路网交通流量估计研究中，主要存在以下几个 问题：
1)当出现检测器布设在研究路网布设比较稀疏时，由于固定检测器布设 路段较少，而容易导致造成流量估计模型中的输入样本量较少的情况。进而 影响流量估计准确性。在实际研究路网中，由于固定检测器的使用功能不同， 而在城市路网中的布设地点存在一定的差异。其中，如照片识别(LPR)检测 器主要用于交通安全监控，其在城市路网中主要布设在主干路与重要交叉口 附近。从而造成了部分未知流量路段附近没有LPR检测器。
2)此外，由于路网中道路等级之间通行能力的差异，使用主干路的交通 量来估计次干路与支路的交通量会造成一定的估计差异。
3)一些路段中的移动检测器流量较小，其在真实流量中的占比太小，进 而对估计结果造成影响。
发明内容
针对现有技术中存在的问题，本发明提供一种基于迁移学习模型的城市 路网未知流量估计方法及系统，在研究路网检测器布设比较稀疏时，针对为 未设置检测器的路段实现流量的准确估计。
为达到上述目的，本发明提供了一种基于迁移学习模型的城市路网未知 流量估计方法，包括：
获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预 处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取 一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进 行数据预处理获取车流量；
计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的 出租车GPS数据；
为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相 似路段及近乎相似路段；
对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租 车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征的标签， 形成相似路段和近乎相似路段样本集；
针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归 模型，由该路段的相似路段和近乎相似路段样本集提取特征训练；
采集未安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获 取每条路段每辆出租车的平均速度与单位时段下的出租车流量，提取特征后， 输入到该路段对应的支持向量回归模型中，输出估计的车流量。
进一步地，出租车GPS数据，进行数据预处理获取交通速度包括：
将出租车GPS数据映射到路网的待分析路网打点地图中，出租车的前后 两个定位点的位置信息与时间差，来计算每辆出租车的瞬时速度vi,j,k,t和在路 段内的平均速度
Figure BDA0003321888170000031
Figure RE-GDA0003942666010000032
Figure BDA0003321888170000033
其中Dist表示出租车i(i＝1,...,I)在研究路段中的连续两个定位点 Pi，j+1和Pi，j(j＝1,..,J)之间的距离，Pi，t表示出租车i(i＝1,...,I)在时刻 t(t＝1,...,T)的时刻点，k表示路段序号，l表示定位点序号，L表示出租 车i的定位点数。
进一步地，相似路段和近乎相似路段的出租车GPS数据，分别进行特征 提取包括：
按照出租车速度的平均速度，划分多个速度区间，统计每个速度区间的 出租车流量，作为每个区间的子特征；每个相似路段和近乎相似路段的特征 包括各个速度区段的出租车流量。
进一步地，车牌照片识别数据，进行数据预处理获取车流量，包括：进 行图像识别，获取车牌号和驶过时间；
选择车牌号识别准确的数据，剔除冗余数据，进行数据格式转换存储在 数据库中；LPR检测器映射到路网的待分析路网打点地图中，获取单位时段 下该路段的车流量。
进一步地，计算各个路段中出租车最小样本量，包括：
Sn为单个出租车速度标准差；n为路段中出租车流量；ε为允许的误差； ta/2(n-1)为t分布统计表中查询的概率下限；
当n≥30时，出租车最小样本量为
Figure BDA0003321888170000041
当n＜30时，计算
Figure BDA0003321888170000042
查 询t分布统计表并得到ta/2(n-1)的值；根据
Figure BDA0003321888170000043
计算得到n值， 再查询t分布统计表并得到ta/2(n-1)的值，返回根据
Figure BDA0003321888170000044
计算得 到n值。
进一步地，为每个未安装车牌照片识别的路段查找安装车牌照片识别的 路段中的相似路段及近乎相似路段，包括：
对于每个未安装车牌照片识别的路段计算与各个安装车牌照片识别的路 段的JS散度，JS散度低于第一阈值的路段，作为相似路段；JS散度高于第 一阈值，低于第二阈值的路段作为近乎相似路段。
进一步地，基于迁移学习的支持向量回归模型为基于迁移学习理论的最 小二乘支持向量机(LSSVR)模型，损失函数为：
Figure BDA0003321888170000045
其中Np和Na分别为目标相似路段集中的流量数据和辅助的近乎相似路 段集中流量数据，D(h)为防止过学习而设置的惩罚函数，以及γ和λ设置为平 衡各部分损失的参数，h(xi)为模型输出的车流量估计值，yi为真实的车流量，
Figure BDA0003321888170000046
为相似路段集中车流量估计值
Figure BDA0003321888170000047
与对应真实的车流量
Figure BDA0003321888170000048
之间的 损失函数，
Figure BDA0003321888170000049
为近乎相似路段集中
Figure BDA00033218881700000410
与对应真实的车流量
Figure BDA00033218881700000411
之间 的损失函数，J'(h)表示为获得路段流量估计模型下的目标函数。
进一步地，未安装车牌照片识别的路段的出租车GPS数据，进行数据预 处理获取每条路段每辆出租车在单位时段下的平均速度，提取特征，包括：
将出租车GPS数据映射到路网的待分析路网打点地图中，出租车的前后 两个定位点的位置信息与时间差，来计算每辆出租车的瞬时速度vi,j,k,t和在路 段内的平均速度
Figure BDA0003321888170000051
Figure RE-GDA0003942666010000052
Figure BDA0003321888170000053
其中Dist表示出租车i(i＝1,...,I)在研究路段中的连续两个定位点 Pi，j+1和Pi，j(j＝1,..,J)之间的距离，Pi，t表示出租车i(i＝1,...,I)在时刻 t(t＝1,...,T)的时刻点，k表示路段序号，l表示定位点序号，L表示出租 车i的定位点数。
针对每个路段，按照每辆出租车的平均速度，统计该路段每个速度区间 的出租车流量，每个速度区间作为一个输入特征，形成多个特征，作为基于 迁移学习的支持向量回归模型的输入。
第二方面提供一种基于迁移学习模型的城市路网未知流量估计系统，包 括：
采集模块，采集未安装车牌照片识别的路段的出租车GPS数据；
数据预处理模块，对采集出租车GPS数据进行数据预处理获取每条路段 每辆出租车的平均速度与单位时段下的出租车流量；
特征提取模块，基于每辆出租车的平均速度与出租车流量提取特征；
估计模块，内置路网内每个未安装车牌照片识别的路段的支持向量回归 模型；每个路段的提取特征输入到对应的支持向量回归模型中，输出估计的 车流量；
支持向量回归模型通过迁移学习获得，迁移学习包括：
获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预 处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取 一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进 行数据预处理获取车流量；
计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的 出租车GPS数据；
为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相 似路段及近乎相似路段；
对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租 车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征标签，形 成相似路段和近乎相似路段样本集；
针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归 模型，由该路段的相似路段和近乎相似路段样本集提取特征训练。
第三方面提供一种计算机可读存储介质，所述计算机可读存储介质中存 储有程序指令，当所述程序指令由处理器运行时，实现如下方法：
采集未安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获 取每条路段单位时段下出租车的平均速度与单位时段下的出租车流量，提取 特征后，输入该路段对应的支持向量回归模型，输出估计的车流量；
支持向量回归模型通过迁移学习获得，迁移学习包括：
获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预 处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取 一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进 行数据预处理获取车流量；
计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的 出租车GPS数据；
为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相 似路段及近乎相似路段；
对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租 车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征标签，形 成相似路段和近乎相似路段样本集；
针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归 模型，由该路段的相似路段和近乎相似路段样本集提取特征训练。
本发明的上述技术方案具有如下有益的技术效果：
(1)本发明对路网中LPR检测器布设比较稀疏的情况，通过基于JSD 散度的相似性分析，选用出租车速度分布来判断未知流量路段与已知流量路 段之间的相似性。并根据相似性大小，将已知流量路段划分为目标域路段集 与辅助域路段集，并根据相似性赋予两个子集不同的惩罚系数。提高了模型 精度，保证了流量预测的准确性。
(2)本发明为避免研究路网中道路结构等级的复杂性，通过在基于出租 车速度来进行特征提取中，使用最大信息增益率来判断各子特征的划分边界， 从而保证各输入特征的显著性。并在进行基于JS散度的相似性分析中，针对 不同等级的路段在研究路段中的数量不同，选择使用累积分布函数来划分相 似路段集与近乎相似路段集。
(3)本发明为避免出租车在各路段中的交通需求差异，在估计模型的特 征提取之前，通过计算各路段中的出租车最小样本量，从而保证路段中出租 车流量的最小占有率。
(4)本发明通过预先判断各路段中出租车流量与LPR流量之间的相关 性，筛选出相关性路段，从而保持所建立模型中的训练数据合理性。
附图说明
图1是基于迁移学习模型的城市路网未知流量估计流程示意图；
图2为研究路网中路段与LPR检测器的编号示意图；
图3为小二乘支持向量机LSSVR示意图；
图4为LPR检测器打点示意图；
图5为流量估计结果MAPE评价图；
图6为基于迁移学习模型的城市路网未知流量估计系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施 方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例 性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结 构和技术的描述，以避免不必要地混淆本发明的概念。
基于迁移学习模型的城市路网未知流量估计方法，结合图1，包括如下 步骤：
S100获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数 据预处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量， 获取一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数 据，进行数据预处理获取车流量。
在一个实施例中，出租车GPS数据来自于南京市装载有GPS装置的所有 营运出租车。该出租车GPS数据发射时间间隔为0.5min左右。该数据所在研 究区域内每天约有2万辆出租车运行，且每天能发射约800万条数据。出租 车GPS数据的标签字段主要有出租车牌照ID，上车时间戳，下车时间戳，经 度，纬度等。
车牌照片识别(License Plate Recognition,LPR)数据利用车辆的动态 视频或静态图像进行牌照号码、牌照颜色自动识别后所获取的数据。本发明 究所应用的车牌识别技术能够获取真实流量的精确度约在95％以上。因此该 数据所获取的流量可近似看成真实流量。目前，关于车辆牌照识别数据的研 究主要有交通管理、行程时间估计、OD矩阵估计及车辆路径判别等方面。其 中，LPR数据所包含的数据标签主要为记录车辆经过检测断面的时间，车道 编号，车牌颜色，车速等。
选择目标路网，并对路网内各路段对LPR检测器进行打点，标记LPR检 测器的编号和路段编号，形成打点地图。
对出租车GPS数据进行预处理包括，计算出租车在每条路段的平均速度 与整个路段下所有出租车的平均速度。具体包括：
①将出租车GPS数据映射到研究路网的打点地图中。
②根据出租车的前后两个定位点的位置信息与时间差，来计算出租车的 瞬时速度与平均速度。
出租车的瞬时速度可表示为vi,j,k,t，即为计算出租车i(i＝1，...，I)在定位点 以及研究路段，以及时间t(t＝1,...,T)时的速度，计算公式可表示为:
Figure RE-GDA0003942666010000091
其中，Dist表示出租车i(i＝1,...,I)在研究路段中的连续两个定位点 Pi，j+1和Pi，j(j＝1,..,J)之间的距离，Pi，t表示出租车i(i＝1,...,I)在时刻 t(t＝1,...,T)的时刻点。
进而，可进一步计算出租车xi(i＝1,...,I)在研究路段k(k＝1,...,K)中的平均行驶速度
Figure BDA0003321888170000092
可表示为如下公式：
Figure BDA0003321888170000093
l表示定位点序号，L表示出租车xi的定位点数。
对车牌照片识别数据进行数据预处理包括：
当车辆驶过时，进行图像信息采集。所采集的过车数据主要为车牌信息 和驶过时间信息；其中车牌信息主要包括车牌号、车辆审验等信息。数据预 处理的包括：
数据清洗，即根据噪声数据产生的原因以及存在的形式，利用一定的方 法和技术对噪声数据进行清洗，并将其转换为满足分析精度要求的可用数据， 从而提高基础数据质量；车牌识别数据的主要问题是缺位、车牌号异常、车 牌位数不正确、未识别等。
数据集成，将消除冗余数据后，将数据按照一定的方式进行整理，并将 所有数据统一存储在数据库中，形成一个完整的数据集。
数据转换，主要对数据进行规格化操作，如将数据值限定在特定的范围 之内。
S200计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对 应的数据。
由于出租车在城市路网中受到交通需求的影响，而路网中不同路段的道 路环境、交通状况、用地性质都会影响路段中出租车的交通量。而部分路段 中的出租车流量较小时，不能够很好的反映实际路段的交通状况。因此，在 本章的路段流量估计研究中，不能作为输入特征用于在未知路段建模，并进 行流量估计。因此，本发明为保证在已知流量路段中所训练的模型有代表性， 需要确定研究路网中各个路段中的出租车最小样本量。
Figure BDA0003321888170000101
Figure BDA0003321888170000102
Figure BDA0003321888170000103
xi为第i个出租车的平均速度，i＝1,2,...,n；
Figure BDA0003321888170000104
为路段中所有车辆的平均 速度；Sn为单个出租车速度标准差；n为路段中出租车流量；ε为允许的误差； ta2(n-1)为t分布统计表中查询的概率下限。
ε和Sn已知，ta/2(n-1)的值跟n有关，并且根据t分布统计表，对于显著水 平α≤0.05的情况下，当n≥30时，ta/2(n-1)，因此
Figure BDA0003321888170000105
但当n＜30时， 则采用试差法来确定最小样本量。先由
Figure BDA0003321888170000106
计算得到n，将此值用于查t分 布统计表并得值，就此值再次用于查t分布统计表并得值，如此循环，直至公 式左右两侧的n值同时截止，一般n≥5。
因此，当n≥30时，出租车最小样本量为
Figure BDA0003321888170000107
当n＜30时，计算
Figure BDA0003321888170000108
查询t分布统计表并得到ta/2(n-1)的值，根据公式(5)计算得到n 值，再查询t分布统计表并得到ta/2(n-1)的值，根据公式(5)计算得到n值， 如此循环，直至公式(5)两侧n值同时截止。
在一个实施例中，出租车最小样本量为5。
S300为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段 的相似路段及近乎相似路段。
JS散度分析方法可被看作计算两个路段的出租车速度的概率分布曲线 P和Q间的平均距离。JS散度为：
Figure BDA0003321888170000111
通过JS散度来分析各个路段出租车速度，进而判断相似性。且由于每个 研究路段与其他路段的道路环境，交通状况的差异，JS散度的相似性判断标 准也不相同。本发明选择通过计算各研究路段与各个安装车牌照片识别的路 段的JS散度值，并依次选择JS散度的值相对较小的路段作为目标路段的相 似路段集，并将剩余其他路段依次按照JS散度值的大小，依次筛选出相似路 段集与近乎相似路段集。
对于每个路段，计算与各个安装车牌照片识别的路段的JS散度，JS散 度低于第一阈值的路段，作为相似路段；JS散度高于第一阈值，低于第二阈 值的路段作为近乎相似路段。
S400每个未安装车牌照片识别的路段，相似路段和近乎相似路段分别基 于出租车GPS数据获取的数据进行特征提取，基于车牌照片识别数据作为特 征标签，形成相似路段和近乎相似路段样本集。
基于出租车GPS数据获取的数据进行特征提取，包括：将路段内各个出 租车的平均车速划分为多个等级区间，特征包括每个等级区间内的出租车流 量，即单位时段内通过的数量，以LPR流量值作为对应标签。
在一个实施例中，等级区间的划分间隔为10km/h，各个相似路段的特 征提取结合表1。同样地，对于近乎相似路段进行特征提取，特征包括每个 等级区间内的出租车流量，以LPR流量值作为对应标签。
表1出租车数据特征选择
Figure BDA0003321888170000121
S500针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向 量回归模型，由该路段的相似路段和近乎相似路段样本集提取特征训练。
在一个实施例中模型采用基于迁移学习的最小二乘支持向量机LSSVR。 添加了辅助的近乎相似路段数据集后，并改进了原来的目标函数，将原有目 标函数添加了辅助集的损失函数，进而可表示为：
Figure BDA0003321888170000122
其中Np和Na分别为目标相似路段集中的流量数据和辅助的近乎相似路 段集中流量数据，D(h)为防止过学习而设置的惩罚函数，以及γ和λ设置为平 衡各部分损失的参数，h(xi)为流量估计值，yi为真实交通量，
Figure BDA0003321888170000123
为相 似路段集中
Figure BDA0003321888170000124
与对应真实交通量
Figure BDA0003321888170000125
之间的损失函数，
Figure BDA0003321888170000126
为近乎相 似路段集中
Figure BDA0003321888170000127
与对应真实交通量
Figure BDA0003321888170000128
之间的损失函数，上角标p表示相似路 段集，上角标a表示近乎相似路段集。
对支持向量回归算法中，可同时将目标相似路段集与辅助近似路段集共 同输入到学习模型中，即在原规划的目标函数和约束条件基础上，同时分别 增加辅助数据集的惩罚函数和约束条件，从而使SVR在迭代求解时，也会受 到辅助的近乎相似路段集的影响。从而实现提高估计精度的目的。本发明基 于SVR的求解通过二次规划的方法来实现，其中LSSVR在保持了SVR优点的 同时，也利用了误差平方的方法代替原来的松弛变量，从而将二次规划的求 解问题转换成求解线性方程问题，简化了运算复杂度。因此，同样可对LSSVR进行相应的改进，提出了基于迁移学习理论的LSSVR模型。
基于LSSVR方法，假设有非线性函数
Figure BDA0003321888170000131
可以将输入空间Rn映射到另 一个高维特征空间Z。非线性函数的空间估计为：
Figure BDA0003321888170000132
式中：ω∈Z，b∈R，且ω和b是待确定的参数。
针对不含辅助的近乎相似路段流量数据的训练样本Tp，优化问题式变为：
Figure BDA0003321888170000133
Figure BDA0003321888170000134
式中，γp为正则化系数，ei为误差函数。
针对含有辅助的近乎相似路段流量数据集Ta的训练样本T，优化问题式 变为：
Figure BDA0003321888170000135
Figure BDA0003321888170000136
Figure BDA0003321888170000137
式中，γp、γa分别为目标相似路段流量数据和辅助近乎相似流量数据的 正则化系数，均大于0，ei为误差函数。
优化问题式的求解步骤如下：
1)构建Lagrange函数如下：
Figure BDA0003321888170000138
式中：ai∈R(i＝1,2,...,(Np+Na))为Lagrange因子。
2)对L分别求(ω,b,e,a)的偏微分，令其为零，可如下式所示：
Figure BDA0003321888170000141
3)整理上式并消去变量ω和ei，最终得到如下矩阵形式：
Figure BDA0003321888170000142
令M＝Np+Na，上式中，Y＝[y1,y2,...,yM]T；
Figure BDA0003321888170000143
a＝[a1,a2,...,aM]T；Ω是一个M×M的对称矩阵，
Figure BDA0003321888170000144
K为核函数，
Figure BDA0003321888170000145
利用式(6-37)求得参数a和b。
Figure BDA0003321888170000146
求解得到加入辅助的近乎相似流量数据集的LSSVR未知流量估计模型， 其表达式如下：
Figure BDA0003321888170000147
其中，K为核函数，sgn表示阶跃函数。
基于迁移学习的LSSVR模型结构如图3所示，包括输出层，核函数映射 层以及输出层。训练过程中输入特征包括相似路段特征和近乎相似流量特征， 输出交通流量估计值h(xi)，与标签的流量yi进行对比，通过损失函数优化模 型。满足训练精度的要求后，完成训练，封装模型。
S600采集未安装车牌照片识别的路段的出租车GPS数据，进行数据预处 理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，提取特 征后，输入到该路段对应的支持向量回归模型中，输出估计的车流量。
采集出租车GPS数据，映射到研究路网的打点地图中，计算根据出租车 的前后两个定位点的位置信息与时间差，计算所有行驶过的出租车平均速度 vk。划分成多个等级区间，计算以每个区间等级区间内的出租车流量，形成 特征。每个路段集采集的特征统一进行划分，并把每个阈值区间内的值作为 一个特征，全部输入到模型中。将特征输入该路段对应的支持向量回归模型， 模型输出估计的出租车流量。如图3中的五个输入特征f1至f5，为五个等级 区间内的出租车流量。根据需求进行区间划分，并不限于五个区间。
对于没有安装LPR检测器路段，通过对应的模型获得准确的流量估计。
本发明另一方面提供一种基于迁移学习模型的城市路网未知流量估计系 统，结合图6，包括采集模块、数据预处理模块、特征提取模块以及估计模 块。
采集模块，采集未安装车牌照片识别的路段的出租车GPS数据。
数据预处理模块，对采集出租车GPS数据进行数据预处理获取获取每条 路段每辆出租车的平均速度与单位时段下的出租车流量；
特征提取模块，基于每辆出租车的平均速度提取特征。
估计模块，内置路网内每个未安装车牌照片识别的路段的支持向量回归 模型；每个路段的提取特征输入对应的支持向量回归模型，输出估计的车流 量。
支持向量回归模型通过迁移学习获得，迁移学习包括：
获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预 处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取 一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进 行数据预处理获取车流量。
计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的 出租车GPS数据。
为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相 似路段及近乎相似路段。
对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租 车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征标签，形 成相似路段和近乎相似路段样本集。
针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归 模型，由该路段的相似路段和近乎相似路段样本集提取特征训练。
本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介 质中存储有程序指令，当所述程序指令由处理器运行时，实现如下方法：
采集未安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获 取每条路段单位时段下出租车的平均速度与单位时段下的出租车流量，提取 特征后，输入该路段对应的支持向量回归模型，输出估计的车流量。
支持向量回归模型通过迁移学习获得，迁移学习包括：
获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预 处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取 一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进 行数据预处理获取车流量。
计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的 出租车GPS数据。
为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相 似路段及近乎相似路段。
对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租 车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征标签，形 成相似路段和近乎相似路段样本集。
针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归 模型，由该路段的相似路段和近乎相似路段样本集提取特征训练。
计算机可读存储介质例如可以包括智能电话的存储卡、平板电脑的存储 部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器 (EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储 介质的任意组合。计算机可读存储介质可以是一个或多个计算机可读存储介 质的任意组合。
实施例
在一个实施例中，研究路网来自南京南火车站的周边5公里范围内，面 积约80平方公里。其中，该研究路网由99条单向路段组成，将研究路网中 的各路段路网打点方法进行打点后，各路段的编号与LPR检测器的编号，如 图2所示。路网中LPR检测器的数量为29个，其中的LPR点位分布如图4 所示。该路网中的未布设LPR检测器的路段为70条，LPR检测器的覆盖率约 为29％。路网中的大部分路段都没有检测器布设，因此，该研究路网内的检测器布设相对较为稀疏。路网中共有29条路段可用来进行出租车流量与LPR 流量的相关性分析。
选择的数据2016年09月26日至2016年10月31日。所获取的数据内 容如表2所示。
表2两类数据标签说明
Figure BDA0003321888170000171
未知流量路段与已知流量路段间的出租车速度分布曲线，以及所计算出 的各路段间JS散度值，从中筛选出与部分研究路段相似或者近似相似的路段 集。匹配结果如表3所示。
表3研究路段与相似、近似相似路段的匹配结果
Figure BDA0003321888170000181
选择使用网格搜索算法来进行LS-SVR模型的参数优化，并以平均绝对百 分比误差(MAPE)作为权重误差最小的标准，进行迭代计算。其中，初始最优 参数设置如下，其中，目标数据集的核函数γa的系数值为4，辅助数据集的 核函数γp的系数值设为2。此外，目标数据集的惩罚系数Ca设置为40，辅助 数据集的惩罚系数Cp设置为80，流量估计的残差ε统一设置为0.05。
在验证数据集中，选择将目标待估计的未知流量路段的数据按4:1的比 例随机划分，并采用5折交叉验证的方法分别进行验证。为了减少随机分离 数据集带来的偏差，分别采用不同的训练集和测试集进行10次实验。将10 次估计结果的平均精度作为该模型的最终估计结果。
得到的估计流量与真实流量曲线如图5所示，输入模型的训练数据时间 间隔为15min。通过对比，不同相似路段和近乎相似路段的MAPE估计结果如 下，参见表4。
表4对比不同相似路段数的MAPE估计结果
Figure BDA0003321888170000182
Figure BDA0003321888170000191
比较不同时段以及不同时间间隔下的估计结果，可发现在不同时间间隔 下，30min间隔，由于数据获取的粒度相对较大，因此，流量估计结果准确 性相对较高。此外，相对于休息日下的流量估计结果，工作日中的流量估计 结果准确率更高。在所有天数内的流量估计结果中，由于出租车在高峰时段 下与真实流量之间的相关性更强，因此更能反映实际的交通状况。
综上所述，本发明涉及一种基于迁移学习模型的城市路网未知流量估计 方法及系统，为每个未安装车牌照片识别的路段查找安装车牌照片识别的路 段中的相似路段及近乎相似路段；对于每个未安装车牌照片识别的路段，相 似路段和近乎相似路段的出租车GPS数据，分别进行特征提取，车牌照片识 别的车流量作为特征的标签，形成相似路段和近乎相似路段样本集；训练每 个未安装车牌照片识别的路段的基于迁移学习的支持向量回归模型。采集未 安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获取每辆出租 车的平均速度，提取特征后，输入该路段对应的支持向量回归模型，输出估 计的车流量。实现了未安装车牌照片识别的路段车流量的准确估计。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释 本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和 范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保 护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和 边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (9)

1.一种基于迁移学习模型的城市路网未知流量估计方法，其特征在于，包括：
获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进行数据预处理获取车流量；
计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的出租车GPS数据；
为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相似路段及近乎相似路段；
对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征的标签，形成相似路段和近乎相似路段样本集；
针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归模型，由该路段的相似路段和近乎相似路段样本集提取特征训练；
采集未安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，提取特征后，输入到该路段对应的支持向量回归模型中，输出估计的车流量；
支持向量回归模型为基于迁移学习理论的最小二乘支持向量机模型，损失函数为：
Figure FDA0003936002080000011
其中Np和Na分别为目标相似路段集中的流量数据和辅助的近乎相似路段集中流量数据，D(h)为防止过学习而设置的惩罚函数，以及γ和λ设置为平衡各部分损失的参数，h(xi)为模型输出的车流量估计值，yi为真实的车流量，
Figure FDA0003936002080000021
为相似路段集中车流量估计值
Figure FDA0003936002080000022
与对应真实的车流量
Figure FDA0003936002080000023
之间的损失函数，
Figure FDA0003936002080000024
为近乎相似路段集中
Figure FDA0003936002080000025
与对应真实的车流量
Figure FDA0003936002080000026
之间的损失函数，J′(h)表示为获得路段流量估计模型下的目标函数；
最小二乘支持向量机模型的表达式为：
Figure FDA0003936002080000027
其中，xi为第i个出租车的平均速度，K为核函数，sgn表示阶跃函数，b为待确定的参数，ai∈R(i＝1,2,...,(Np+Na))为拉格朗日因子；
训练过程中输入特征包括相似路段特征和近乎相似流量特征，输出交通流量估计值h(xi)，与标签的流量yi进行对比，通过损失函数优化模型，满足训练精度的要求后，完成训练，封装模型。
2.根据权利要求1所述的基于迁移学习模型的城市路网未知流量估计方法，其特征在于，出租车GPS数据，进行数据预处理获取交通速度包括：
将出租车GPS数据映射到路网的待分析路网打点地图中，出租车的前后两个定位点的位置信息与时间差，来计算每辆出租车的瞬时速度vi,j,k和在路段内的平均速度
Figure FDA0003936002080000028
Figure FDA0003936002080000029
Figure FDA00039360020800000210
其中Dist表示出租车i(i＝1,...,I)在研究路段中的连续两个定位点Pi,j+1和Pi,j(j＝1,..,J)之间的距离，Pi,t表示出租车i(i＝1,...,I)在时刻t(t＝1,...,T)的时刻点，k表示路段序号，l表示定位点序号，L表示出租车i的定位点数。
3.根据权利要求2所述的基于迁移学习模型的城市路网未知流量估计方法，其特征在于，相似路段和近乎相似路段的出租车GPS数据，分别进行特征提取包括：
按照出租车速度的平均速度，划分多个速度区间，统计每个速度区间的出租车流量，作为每个区间的子特征；每个相似路段和近乎相似路段的特征包括各个速度区段的出租车流量。
4.根据权利要求1或2所述的基于迁移学习模型的城市路网未知流量估计方法，其特征在于，车牌照片识别数据，进行数据预处理获取车流量，包括：进行图像识别，获取车牌号和驶过时间；
选择车牌号识别准确的数据，剔除冗余数据，进行数据格式转换存储在数据库中；车牌照片识别LPR检测器映射到路网的待分析路网打点地图中，获取单位时段下该路段的车流量。
5.根据权利要求1或2所述的基于迁移学习模型的城市路网未知流量估计方法，其特征在于，计算各个路段中出租车最小样本量，包括：
Sn为单个出租车速度标准差；n为路段中出租车流量；ε为允许的误差；ta/2(n-1)为t分布统计表中查询的概率下限；
当n≥30时，出租车最小样本量为
Figure FDA0003936002080000031
当n＜30时，计算
Figure FDA0003936002080000032
查询t分布统计表并得到
Figure FDA0003936002080000033
的值；根据
Figure FDA0003936002080000034
计算得到n值，再查询t分布统计表并得到
Figure FDA0003936002080000035
的值，返回根据
Figure FDA0003936002080000036
Figure FDA0003936002080000037
计算得到n的值。
6.根据权利要求1或2所述的基于迁移学习模型的城市路网未知流量估计方法，其特征在于，为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相似路段及近乎相似路段，包括：
对于每个未安装车牌照片识别的路段计算与各个安装车牌照片识别的路段的JS散度，JS散度低于第一阈值的路段，作为相似路段；JS散度高于第一阈值，低于第二阈值的路段作为近乎相似路段。
7.根据权利要求1或2所述的基于迁移学习模型的城市路网未知流量估计方法，其特征在于，未安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获取每条路段每辆出租车在单位时段下的平均速度，提取特征，包括：
将出租车GPS数据映射到路网的待分析路网打点地图中，出租车的前后两个定位点的位置信息与时间差，来计算每辆出租车的瞬时速度vi,j,k和在路段内的平均速度
Figure FDA0003936002080000041
Figure FDA0003936002080000042
Figure FDA0003936002080000043
其中Dist表示出租车i(i＝1,...,I)在研究路段中的连续两个定位点Pi,j+1和Pi,j(j＝1,..,J)之间的距离，Pi,t表示出租车i(i＝1,...,I)在时刻t(t＝1,...,T)的时刻点，k表示路段序号，l表示定位点序号，L表示出租车i的定位点数；
针对每个路段，按照每辆出租车的平均速度，统计该路段每个速度区间的出租车流量，每个速度区间作为一个输入特征，形成多个特征，作为基于迁移学习的支持向量回归模型的输入。
8.一种基于迁移学习模型的城市路网未知流量估计系统，其特征在于，包括：
采集模块，采集未安装车牌照片识别的路段的出租车GPS数据；
数据预处理模块，对采集出租车GPS数据进行数据预处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量；
特征提取模块，基于每辆出租车的平均速度与出租车流量提取特征；
估计模块，内置路网内每个未安装车牌照片识别的路段的支持向量回归模型；每个路段的提取特征输入到对应的支持向量回归模型中，输出估计的车流量；
支持向量回归模型通过迁移学习获得，迁移学习包括：
获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进行数据预处理获取车流量；
计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的出租车GPS数据；
为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相似路段及近乎相似路段；
对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征标签，形成相似路段和近乎相似路段样本集；
针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归模型，由该路段的相似路段和近乎相似路段样本集提取特征训练；基于迁移学习的支持向量回归模型为基于迁移学习理论的最小二乘支持向量机模型，损失函数为：
Figure FDA0003936002080000051
其中Np和Na分别为目标相似路段集中的流量数据和辅助的近乎相似路段集中流量数据，D(h)为防止过学习而设置的惩罚函数，以及γ和λ设置为平衡各部分损失的参数，h(xi)为模型输出的车流量估计值，yi为真实的车流量，
Figure FDA0003936002080000061
为相似路段集中车流量估计值
Figure FDA0003936002080000062
与对应真实的车流量
Figure FDA0003936002080000063
之间的损失函数，
Figure FDA0003936002080000064
为近乎相似路段集中
Figure FDA0003936002080000065
与对应真实的车流量
Figure FDA0003936002080000066
之间的损失函数，J′(h)表示为获得路段流量估计模型下的目标函数；
最小二乘支持向量机模型的表达式为：
Figure FDA0003936002080000067
其中，xi为第i个出租车的平均速度，K为核函数，sgn表示阶跃函数，b为待确定的参数，ai∈R(i＝1,2,...,(Np+Na))为拉格朗日因子；
训练过程中输入特征包括相似路段特征和近乎相似流量特征，输出交通流量估计值h(xi)，与标签的流量yi进行对比，通过损失函数优化模型，满足训练精度的要求后，完成训练，封装模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，当所述程序指令由处理器运行时，实现如下方法：
采集未安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获取每条路段单位时段下出租车的平均速度与单位时段下的出租车流量，提取特征后，输入该路段对应的支持向量回归模型，输出估计的车流量；
支持向量回归模型通过迁移学习获得，迁移学习包括：
获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进行数据预处理获取车流量；
计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的出租车GPS数据；
为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相似路段及近乎相似路段；
对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征标签，形成相似路段和近乎相似路段样本集；
针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归模型，由该路段的相似路段和近乎相似路段样本集提取特征训练；基于迁移学习的支持向量回归模型为基于迁移学习理论的最小二乘支持向量机模型，损失函数为：
Figure FDA0003936002080000071
其中Np和Na分别为目标相似路段集中的流量数据和辅助的近乎相似路段集中流量数据，D(h)为防止过学习而设置的惩罚函数，以及γ和λ设置为平衡各部分损失的参数，h(xi)为模型输出的车流量估计值，yi为真实的车流量，
Figure FDA0003936002080000072
为相似路段集中车流量估计值
Figure FDA0003936002080000073
与对应真实的车流量
Figure FDA0003936002080000074
之间的损失函数，
Figure FDA0003936002080000075
为近乎相似路段集中
Figure FDA0003936002080000076
与对应真实的车流量
Figure FDA0003936002080000077
之间的损失函数，J′(h)表示为获得路段流量估计模型下的目标函数；
最小二乘支持向量机模型的表达式为：
Figure FDA0003936002080000078
其中，xi为第i个出租车的平均速度，K为核函数，sgn表示阶跃函数，b为待确定的参数，ai∈R(i＝1,2,...,(Np+Na))为拉格朗日因子；
训练过程中输入特征包括相似路段特征和近乎相似流量特征，输出交通流量估计值h(xi)，与标签的流量yi进行对比，通过损失函数优化模型，满足训练精度的要求后，完成训练，封装模型。
CN202111248478.2A 2021-10-26 2021-10-26 基于迁移学习模型的城市路网未知流量估计方法及系统 Active CN113870565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111248478.2A CN113870565B (zh) 2021-10-26 2021-10-26 基于迁移学习模型的城市路网未知流量估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111248478.2A CN113870565B (zh) 2021-10-26 2021-10-26 基于迁移学习模型的城市路网未知流量估计方法及系统

Publications (2)

Publication Number Publication Date
CN113870565A CN113870565A (zh) 2021-12-31
CN113870565B true CN113870565B (zh) 2022-12-23

Family

ID=78998030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111248478.2A Active CN113870565B (zh) 2021-10-26 2021-10-26 基于迁移学习模型的城市路网未知流量估计方法及系统

Country Status (1)

Country Link
CN (1) CN113870565B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564789A (zh) * 2018-06-11 2018-09-21 重庆大学 基于收费站数据的高速公路匝道上下行方向流量估计方法
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN110879921A (zh) * 2019-11-25 2020-03-13 大连大学 一种基于时空相关性的卫星网络流量预测方法
CN110889546A (zh) * 2019-11-20 2020-03-17 浙江省交通规划设计研究院有限公司 一种基于注意力机制的交通流量模型训练方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286270A (zh) * 2008-05-26 2008-10-15 北京捷讯畅达科技发展有限公司 兼有动态实时交通数据的交通流量预测方法
CN109544932B (zh) * 2018-12-19 2021-03-19 东南大学 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法
CN110148296A (zh) * 2019-04-16 2019-08-20 南京航空航天大学 一种基于深度迁移学习的跨城市交通流量联合预测方法
CN110210644A (zh) * 2019-04-17 2019-09-06 浙江大学 基于深度神经网络集成的交通流量预测方法
CN110459053B (zh) * 2019-07-29 2022-06-07 南京理工大学 基于智能网联车信息的高速公路混合车流速度估计方法
AU2020101023A4 (en) * 2020-06-16 2020-07-23 Guizhou Minzu University A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting
CN112863182B (zh) * 2021-01-13 2022-03-18 南京航空航天大学 基于迁移学习的跨模态数据预测方法
CN113095575B (zh) * 2021-04-16 2022-04-29 清华大学深圳国际研究生院 一种基于迁移学习的车流量预测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564789A (zh) * 2018-06-11 2018-09-21 重庆大学 基于收费站数据的高速公路匝道上下行方向流量估计方法
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法
CN110889546A (zh) * 2019-11-20 2020-03-17 浙江省交通规划设计研究院有限公司 一种基于注意力机制的交通流量模型训练方法
CN110879921A (zh) * 2019-11-25 2020-03-13 大连大学 一种基于时空相关性的卫星网络流量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
交通流缺失数据的修补技术探究;袁媛等;《中国公共安全(学术版)》;20161215(第04期);全文 *
基于K近邻算法和支持向量回归组合的短时交通流预测;刘钊等;《公路交通科技》;20170515(第05期);全文 *
基于LS-SVM的交通流组合预测模型;张朝元等;《湖南工程学院学报(自然科学版)》;20101225(第04期);全文 *
基于最小二乘支持向量机的交通流量预测模型;赵亚萍等;《北京交通大学学报》;20110415(第02期);全文 *

Also Published As

Publication number Publication date
CN113870565A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
Eisenbach et al. How to get pavement distress detection ready for deep learning? A systematic approach
CN106910199B (zh) 面向城市空间信息采集的车联网众包方法
CN111582559B (zh) 一种到达时间的预估方法及装置
CN105513354A (zh) 基于视频的城市道路交通拥堵检测系统
CN107845260B (zh) 一种用户公交出行方式的识别方法
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN116628455A (zh) 一种城市交通碳排放监测与决策支持方法及系统
CN116109986A (zh) 一种基于激光雷达和视频技术互补的车辆轨迹提取方法
CN109147322B (zh) 一种城市交通大数据处理中多源数据自适应融合方法
CN108053646B (zh) 基于时间敏感特征的交通特征获取方法、预测方法及系统
CN114120635A (zh) 基于张量分解的城市路网线状缺失流量估计方法及系统
CN117610734A (zh) 基于深度学习的用户行为预测方法、系统和电子设备
CN113870565B (zh) 基于迁移学习模型的城市路网未知流量估计方法及系统
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
CN115691140B (zh) 一种汽车充电需求时空分布的分析与预测方法
JP6894395B2 (ja) 情報取得装置及び情報集計システム並びに情報集計装置
CN115565376A (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
Ara et al. Predicting Ride Hailing Service Demand Using Autoencoder and Convolutional Neural Network
Drost et al. Siamese networks for online map validation in autonomous driving
Oh Anonymous vehicle tracking for real-time traffic performance measures
Kyriakou et al. A low-cost pavement-rating system, based on machine learning, utilising smartphone sensors
CN117332376B (zh) 基于手机信令数据的通勤人员和方式的辨识方法及系统
Hossain et al. Forecast upcoming traffic states by exploiting nearest junctions and big data
Uwizera et al. Deep Learning Inter-city Road Conditions in East Africa Focusing on Rwanda for Infrastructure Prioritization using Satellite Imagery and Mobile Data
CN112215520B (zh) 一种多目标融合通行方法、装置、计算机设备及存储介质

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