CN113903170A - 基于结构自适应自演化深度学习的大规模路网交通流预测方法 - Google Patents

基于结构自适应自演化深度学习的大规模路网交通流预测方法 Download PDF

Info

Publication number
CN113903170A
CN113903170A CN202111002575.3A CN202111002575A CN113903170A CN 113903170 A CN113903170 A CN 113903170A CN 202111002575 A CN202111002575 A CN 202111002575A CN 113903170 A CN113903170 A CN 113903170A
Authority
CN
China
Prior art keywords
network
prediction
traffic flow
decision
time
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
CN202111002575.3A
Other languages
English (en)
Other versions
CN113903170B (zh
Inventor
王喆冰
孙剑桥
徐洪昌
王德鹤
王俊飞
陈喜群
谢宁珂
沈楼涛
李俊懿
于静茹
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.)
Aerospace Science And Technology Guangxin Intelligent Technology Co ltd
Zhejiang University ZJU
Original Assignee
Aerospace Science And Technology Guangxin Intelligent Technology Co ltd
Zhejiang University ZJU
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 Aerospace Science And Technology Guangxin Intelligent Technology Co ltd, Zhejiang University ZJU filed Critical Aerospace Science And Technology Guangxin Intelligent Technology Co ltd
Priority to CN202111002575.3A priority Critical patent/CN113903170B/zh
Publication of CN113903170A publication Critical patent/CN113903170A/zh
Application granted granted Critical
Publication of CN113903170B publication Critical patent/CN113903170B/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
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

一种基于结构自适应自演化深度学习的大规模路网交通流预测方法，根据时变的路网检测器与道路状况，由路网检测器的地理位置关系建立对应时变的拓扑结构与邻接矩阵；基于检测器所采集的实时交通流数据，以及天气、时间和反馈误差自定义特征数据构建输入张量；将该张量输入图卷积网络生成含有节点信息与结构信息的重构特征张量；将重构特征张量分别输入到决策网络与预测网络，决策网络输出一个类别分布，对应在预测网络内k个终止决策点结束运算的概率，并从中随机采样，预测网络按照采样得到的终止决策输出交通流预测结果；实时预测时间间隔T后，将历史记录存入经验回放池，以决策和预测损失函数分别更新网络参数。本发明方法操作简便，适用性强。

Description

基于结构自适应自演化深度学习的大规模路网交通流预测 方法
技术领域
本发明涉及路网交通流状态预测领域，具体是一种基于结构自适 应自演化深度学习的大规模路网交通流预测方法。
背景技术
交通系统作为城市运营的骨干部分，其路网交通流的状态预测对 实施交通控制，提高出行效率，指导城市规划，优化资源配置有着重 要作用。随着智能感知技术的快速发展，大范围布设的地磁、摄像头、 微波雷达、超声波、红外等固定型检测设备实时记录了海量交通信息， 为大规模路网交通流预测提供了丰富数据；另一方面，深度学习算法 的迅猛发展也为大规模路网交通流预测夯实了技术基础。
但与此同时，不断增设或检修设备所造成的检测器点位数量变化， 以及深度学习中固定的神经网络结构给交通流预测的工程应用带来 了许多挑战。(1)当检测设备故障下线检修时，通常该点位的数据记 录持续为空值，不能提供有效信息，现有方法无法实时将其剔除，从 而影响整体预测精度；(2)当增设新的检测设备时，原有的网络结构 与参数不再适用，需要大量数据重新训练；(3)路网内路段连接关系 的变化会影响交通流状态之间的空间关系，但大多数基于记忆网络和 卷积网络的现有预测方法对空间关系可解释性不强，无法及时反映该 影响效果；(4)为了提高大规模路网交通流预测的精度，现有基于深度学习的方法通常选用复杂的网络结构与较深的网络层数，导致时间 复杂度随着网络层数与路网规模指数上升。
发明内容
为了克服已有技术的不足，本发明提供一种基于结构自适应自演 化深度学习的大规模路网交通流预测方法，方法操作简便，适用性强， 能够避免传统方法在模型学习过程中存在的模型结构固定不变的弊 端，从而解决了检测器工况突变与大规模路网交通流预测时间复杂度 较高的问题。
本发明解决其技术问题所采用的技术方案是：
一种基于结构自适应自演化深度学习的大规模路网交通流预测 方法，包括如下步骤：
(1)针对所研究的路网，建立反映检测器地理位置信息的拓扑 结构与邻接矩阵，t时刻检测器节点数和邻接矩阵分别为n(t)和A(t)；
(2)获得各检测器采集的交通流检测信息，并结合天气、时间 和反馈误差自定义特征数据构建输入张量
Figure BDA0003236098090000021
d0为初始 特征维度；
(3)将
Figure BDA0003236098090000022
输入到图卷积网络fGCN，得到包含节点信 息与结构信息的重构特征张量X(t)＝fGCN(X0(t),A(t))，
Figure BDA0003236098090000023
Figure BDA0003236098090000024
d为图嵌入后的特征维度；
(4)将
Figure BDA0003236098090000025
输入到卷积决策网络fexit，卷积核的尺寸 为1×d，生成分类分布
Figure BDA0003236098090000026
其中p(t)＝ (p1(t),…,pk(t))，pi(t)代表t时刻元素i出现的概率，并且满足
Figure BDA0003236098090000031
定义指示函数如下：
Figure BDA0003236098090000032
(5)从步骤(4)生成的分类分布Cat(s(t)|p(t))中随机采样得 到终止决策点s(t)∈{1,…k}，并存储对应的概率ps(t)；
(6)将
Figure BDA00032360980900000310
输入到卷积预测网络fpred，卷积核的尺寸 为1×d，在步骤(5)中的终止决策点s(t)处输出交通流状态预测结 果
Figure BDA0003236098090000033
(7)实时预测时间间隔T后，将历史记录存入批尺寸为m的经验 回放池；
(8)决策网络fexit参数更新，根据经验回放池计算m条记录的 预测误差平均值
Figure BDA0003236098090000034
其中e(t)＝Criterion(Y(t),
Figure BDA0003236098090000035
Y(t)为真实的交通流状态，Criterion代表非负结果的误差指标，通过 最小化决策损失函数Lexit更新a次决策网络fexit的参数θ：
Figure BDA0003236098090000039
式中，r(t)代表概率比例
Figure BDA0003236098090000036
θ为决策网络的参数，更新过程 中持续变化，θold为更新前的决策网络参数，更新过程中固定不变；
Figure BDA0003236098090000037
∈为超参数；
Figure BDA0003236098090000038
(9)预测网络fpred与图卷积网络fGCN参数更新，通过最小化预 测损失函数Lpred更新b次预测网络fpred和图卷积网络fGCN的参数；
Figure BDA0003236098090000041
(10)完成上述预测与更新步骤后，t+T时刻更新检测器信息， 并重新采集检测器数据，重复(1)-(9)，以获得下一时间间隔内的 交通流状态预测结果。
进一步，所述步骤(10)中，当t+T时刻路网内的检测器数量 发生变化，或者因新建道路或临时施工道路关联关系发生变化时，更 新n(t+T)和A(t+T)，更新方式为：当检测到n(t+T)发生变化时， 网络层重新初始化，其中网络层的尺寸根据n(t+T)自动调整，网络 层的权重和偏置仍为先前的学习值；当检测到A(t+T)发生变化时， 更新图卷积网络中fGCN的邻接矩阵。
本发明的技术构思为：本发明首先根据时变的路网检测器与道路 状况，由路网检测器的地理位置关系建立对应时变的拓扑结构与邻接 矩阵；然后由检测器所采集的实时交通流数据，以及天气、时间和反 馈误差等自定义特征数据构建输入张量；将该张量输入图卷积网络生 成含有节点信息与结构信息的重构特征张量；将重构特征张量分别输 入到决策网络与预测网络，决策网络输出一个类别分布，对应在预测 网络内k个终止决策点结束运算的概率，并从中随机采样，预测网络 按照采样得到的终止决策输出交通流预测结果；实时预测时间间隔T 后，将历史记录存入经验回放池，以决策和预测损失函数分别更新网 络参数；当检测器拓扑结构发生变化时，网络层的结构尺寸根据更新 的检测器节点数量进行自适应调整，并保留先前网络权重(weight) 与偏置(bias)。本发明方法自适应与自演化能力强，便于工程应用， 克服了检测器及路网关系变化对交通流状态预测产生的影响，解决了 现有深度学习模型结构固定的局限性问题，具有良好的适用性与较高 的计算效率。
本发明的有益效果主要表现在：采用动态网络结构的思想，自适 应调节网络层的尺寸以应对检测器点位数量变化情况；自演化更新网 络层数与参数以节约的算力实现较高的预测精度。由于动态变化的网 络结构泛化能力更强，网络尺寸与深度得以自适应调整，因此能够应 对不同的检测器工况同时节约计算资源，预测误差上升时激活更多的 网络层；预测误差下降时采用较浅的网络，并且该方法能保留先前的 学习结果，降低了外界因素变化对交通流预测结果的影响。
附图说明
图1是路网检测器拓扑结构随时间变化示意图。
图2是温州高速路网检测器数据长时缺失情况示例。
图3是交通流预测流程。
图4是新增点位后卷积核的复用示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图4，一种基于结构自适应自演化深度学习的大规模 路网交通流预测方法，以温州市高速路网为例，其中视频检测器覆盖 81个路段，雷达检测器覆盖56个路段。不同时间段均有可能存在系 统性的检测器数据缺失，如图2所示，S26诸永往温州方向0228KM+270M处的检测器由于设备故障在第3706个时间戳后5分钟 流量均为零值；所述方法包括如下步骤：
(1)针对温州市高速路网，建立反映检测器地理位置信息的拓 扑结构与邻接矩阵，其中拓扑结构和邻接矩阵会因为部分检测器的增 加或缺失，道路建设或临时封闭而发生变化，t时刻检测器节点数和 邻接矩阵分别为n(t)和A(t)；
(2)获得路网上各检测器采集的交通流流量检测信息，以5分 钟为间隔进行数据整合，并结合天气、时间和反馈误差等自定义特征 数据构建输入张量
Figure BDA0003236098090000061
d0为初始特征维度；
(3)首先将
Figure RE-GDA0003346539190000062
输入到图卷积网络fGCN，得到包含节 点信息与结构信息的重构特征张量X(t)＝fGCN(X0(t)，A(t))，
Figure RE-GDA0003346539190000068
d为图嵌入后的特征维度；
(4)然后将
Figure BDA00032360980900000610
输入到卷积决策网络fexit，卷积核的 尺寸为1×d，生成分类分布
Figure BDA0003236098090000064
Figure BDA0003236098090000065
其中p(t)＝(p1(t),…,pk(t))，pi(t)代表t时刻元素 i出现的概率，并且满足
Figure BDA0003236098090000066
定义指示函数如下：
Figure BDA0003236098090000067
(5)从步骤(4)生成的分类分布Cat(s(t)|p(t))中随机采样得 到终止决策点s(t)∈{1,…k}，并存储对应的概率ps(t)；
(6)将
Figure BDA0003236098090000068
输入到卷积预测网络fpred，卷积核的尺寸 为1×d，在步骤(5)中的终止决策点s(t)处输出交通流状态预测结 果
Figure BDA0003236098090000069
(7)实时预测时间间隔T后，将历史记录存入批尺寸为m的经验 回放池；
(8)决策网络fexit参数更新，根据经验回放池计算m条记录的 预测误差平均值
Figure BDA0003236098090000071
其中e(t)＝MAPE(Y(t),
Figure BDA0003236098090000072
Y(t) 为真实的交通流流量，通过最小化决策损失函数Lexit更新a次决策网 络fexit的参数θ：
Figure BDA0003236098090000073
式中：r(t)代表概率比例
Figure BDA0003236098090000074
θ为决策网络的参数，更新过程 中持续变化，θold为更新前的决策网络参数，更新过程中固定不变；
Figure BDA0003236098090000075
∈为超参数，可取0.2；
Figure BDA0003236098090000076
(9)预测网络fpred与图卷积网络fGCN参数更新，通过最小化预 测损失函数Lpred更新b次预测网络fpred和图卷积网络fGCN的参数；
Figure BDA0003236098090000077
(10)完成上述预测与更新步骤后，t+T时刻更新检测器信息， 并重新采集检测器数据，重复(1)-(9)，以获得下一时间间隔内的 交通流状态预测结果；其中，当t+T时刻路网内的检测器数量发生 变化，或者因新建道路或临时施工道路关联关系发生变化时，更新 n(t+T)和A(t+T)，更新方式为：当检测到n(t+T)发生变化时，网 络层重新初始化，其中网络层的尺寸根据n(t+T)自动调整，网络层 的权重和偏置仍为先前的学习值；当检测到A(t+T)发生变化时，更 新图卷积网络中fGCN的邻接矩阵。
上述实施方式为本发明较佳的实施方式，但本发明的实施方式并 不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理 下所作的修改、替代、组合、裁剪，均应为等效的置换方式，都包含 在本发明的保护范围之内。

Claims (2)

1.一种基于结构自适应自演化深度学习的大规模路网交通流预测方法，其特征在于，所述方法包括如下步骤：
(1)针对所研究的路网，建立反映检测器地理位置信息的拓扑结构与邻接矩阵，t时刻检测器节点数和邻接矩阵分别为n(t)和A(t)；
(2)获得各检测器采集的交通流检测信息，并结合天气、时间和反馈误差自定义特征数据构建输入张量
Figure FDA0003236098080000011
d0为初始特征维度；
(3)将
Figure FDA0003236098080000012
输入到图卷积网络fGCN，得到包含节点信息与结构信息的重构特征张量X(t)＝fGCN(X0(t),A(t))，
Figure FDA0003236098080000013
Figure FDA0003236098080000014
d为图嵌入后的特征维度；
(4)将
Figure FDA0003236098080000015
输入到卷积决策网络fexit，卷积核的尺寸为1×d，生成分类分布
Figure FDA0003236098080000016
其中p(t)＝(p1(t),…,pk(t))，pi(t)代表t时刻元素i出现的概率，并且满足
Figure FDA0003236098080000017
定义指示函数如下：
Figure FDA0003236098080000018
(5)从步骤(4)生成的分类分布Cat(s(t)|p(t))中随机采样得到终止决策点s(t)∈{1,…k}，并存储对应的概率ps(t)；
(6)将
Figure FDA0003236098080000019
输入到卷积预测网络fpred，卷积核的尺寸为1×d，在步骤(5)中的终止决策点s(t)处输出交通流状态预测结果
Figure FDA00032360980800000110
(7)实时预测时间间隔T后，将历史记录存入批尺寸为m的经验回放池；
(8)决策网络fexit参数更新，根据经验回放池计算m条记录的预测误差平均值
Figure FDA0003236098080000021
其中e(t)＝Criterion(Y(t),
Figure FDA0003236098080000022
Y(t)为真实的交通流状态，Criterion代表非负结果的误差指标，通过最小化决策损失函数Lexit更新a次决策网络fexit的参数θ：
Figure FDA0003236098080000023
式中，r(t)代表概率比例
Figure FDA0003236098080000024
θ为决策网络的参数，更新过程中持续变化，θold为更新前的决策网络参数，更新过程中固定不变；
Figure FDA0003236098080000025
∈为超参数；
Figure FDA0003236098080000026
(9)预测网络fpred与图卷积网络fGCN参数更新，通过最小化预测损失函数Lpred更新b次预测网络fpred和图卷积网络fGCN的参数；
Figure FDA0003236098080000027
(10)完成上述预测与更新步骤后，t+T时刻更新检测器信息，并重新采集检测器数据，重复(1)-(9)，以获得下一时间间隔内的交通流状态预测结果。
2.如权利要求1所述的基于结构自适应自演化深度学习的大规模路网交通流预测方法，其特征在于，所述步骤(10)中，当t+T时刻路网内的检测器数量发生变化，或者因新建道路或临时施工道路关联关系发生变化时，更新n(t+T)和A(t+T)，更新方式为：当检测到n(t+T)发生变化时，网络层重新初始化，其中网络层的尺寸根据n(t+T)自动调整，网络层的权重和偏置仍为先前的学习值；当检测到A(t+T)发生变化时，更新图卷积网络中fGCN的邻接矩阵。
CN202111002575.3A 2021-08-30 2021-08-30 基于结构自适应自演化深度学习的大规模路网交通流预测方法 Active CN113903170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111002575.3A CN113903170B (zh) 2021-08-30 2021-08-30 基于结构自适应自演化深度学习的大规模路网交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111002575.3A CN113903170B (zh) 2021-08-30 2021-08-30 基于结构自适应自演化深度学习的大规模路网交通流预测方法

Publications (2)

Publication Number Publication Date
CN113903170A true CN113903170A (zh) 2022-01-07
CN113903170B CN113903170B (zh) 2023-07-14

Family

ID=79188437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111002575.3A Active CN113903170B (zh) 2021-08-30 2021-08-30 基于结构自适应自演化深度学习的大规模路网交通流预测方法

Country Status (1)

Country Link
CN (1) CN113903170B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5408588A (en) * 1991-06-06 1995-04-18 Ulug; Mehmet E. Artificial neural network method and architecture
US20110107155A1 (en) * 2008-01-15 2011-05-05 Shunsuke Hirose Network fault detection apparatus and method
WO2020024319A1 (zh) * 2018-08-01 2020-02-06 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型
CN112784121A (zh) * 2021-01-28 2021-05-11 浙江工业大学 一种基于时空图表示学习的交通事故预测方法
WO2021109318A1 (zh) * 2019-12-03 2021-06-10 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN113129585A (zh) * 2021-03-05 2021-07-16 浙江工业大学 基于重构交通网络的图聚合机制的道路交通流预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5408588A (en) * 1991-06-06 1995-04-18 Ulug; Mehmet E. Artificial neural network method and architecture
US20110107155A1 (en) * 2008-01-15 2011-05-05 Shunsuke Hirose Network fault detection apparatus and method
WO2020024319A1 (zh) * 2018-08-01 2020-02-06 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型
WO2021109318A1 (zh) * 2019-12-03 2021-06-10 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN112784121A (zh) * 2021-01-28 2021-05-11 浙江工业大学 一种基于时空图表示学习的交通事故预测方法
CN113129585A (zh) * 2021-03-05 2021-07-16 浙江工业大学 基于重构交通网络的图聚合机制的道路交通流预测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
冯微;陈红;张兆津;邵海鹏;: "基于GBRBM-DBN模型的短时交通流预测方法", 交通信息与安全, no. 05 *
刘攀: "城市多模式交通供需平衡机理与仿真系统研究", pages 57 - 66 *
张晓利;贺国光;: "考虑交通吸纳点的非参数回归组合型短时交通流预测方法", no. 12 *
柏跃龙;彭理群;祁钰茜;赵建东;: "检测数据缺失条件下的交通流估计方法研究", no. 02 *
洪伟;郭昆;郭文忠;: "无线传感器网络中极限学习机回归优化预测模型" *
洪伟;郭昆;郭文忠;: "无线传感器网络中极限学习机回归优化预测模型", 小型微型计算机系统, no. 11 *
陆百川;李玉莲;舒芹;: "基于时空相关性和遗传小波神经网络的路网短时交通流预测", 重庆理工大学学报(自然科学), no. 05 *
陈喜群: "基于图卷积网络的路网短时交通流预测研究", vol. 20, no. 4, pages 49 - 55 *

Also Published As

Publication number Publication date
CN113903170B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN109754605B (zh) 一种基于注意力时态图卷积网络的交通预测方法
CN112241814B (zh) 一种基于强化时空图神经网络的交通预测方法
Chen et al. Groundwater level prediction using SOM-RBFN multisite model
CN112270355B (zh) 基于大数据技术与sae-gru的主动安全预测方法
CN104469833A (zh) 一种基于用户感知的异构网络运维管理方法
CN109344992B (zh) 一种融合时空因素的智能家居用户操控行为习惯建模方法
CN114565124A (zh) 一种基于改进图卷积神经网络的船舶交通流预测方法
CN113673769A (zh) 基于多元时间序列插补的图神经网络交通流预测方法
CN114240000A (zh) 一种基于时空图卷积网络的空气质量预测方法
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
Fitters et al. Enhancing LSTM prediction of vehicle traffic flow data via outlier correlations
CN114169251A (zh) 一种超短期风电功率预测方法
Ch et al. Groundwater level forecasting using SVM-PSO
CN116935649A (zh) 多视角融合的时空动态图卷积网络城市交通流量预测方法
Rasaizadi et al. Short-term prediction of traffic state for a rural road applying ensemble learning process
CN116525135B (zh) 基于气象因素的时空模型对疫情发展态势进行预测的方法
CN113903170A (zh) 基于结构自适应自演化深度学习的大规模路网交通流预测方法
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN116756498A (zh) 一种基于lstm和分位数回归的径流概率预测算法
CN116486611A (zh) 一种城市道路车辆速度预测方法
CN115796361A (zh) 一种架空线路工程可研阶段的风速区间预测方法和装置
CN117456738B (zh) 一种基于etc门架数据的高速公路交通量预测方法
Li et al. GA-SVR Traffic Flow Prediction Based on Phase Space Reconstruction with Improved KNN 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
GR01 Patent grant
GR01 Patent grant