CN114091357A - 交通流预测方法、装置、电子设备及存储介质 - Google Patents
交通流预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114091357A CN114091357A CN202210057292.7A CN202210057292A CN114091357A CN 114091357 A CN114091357 A CN 114091357A CN 202210057292 A CN202210057292 A CN 202210057292A CN 114091357 A CN114091357 A CN 114091357A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- model
- time
- flow data
- time period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Abstract
本发明实施例提供的交通流预测方法、装置、电子设备及存储介质,应用于信息技术领域,包括:在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对第一时段的交通流数据进行分析,得到第二时段的交通流预测结果;根据获取时间信息,判断第一时段的交通流数据是否为白天预设时段获取的数据;若是,则根据获取时间信息计算得到第一时段的交通流数据的时间缺失率;当时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。从而可以通过在交通流预测过程中提高模型的预测精度。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种交通流预测方法、装置、电子设备及存储介质。
背景技术
目前,通过城市路网的拓扑特性,对城市路网中的流量和车速进行预测,已经有着广泛的应用。通过交通流预测,不但可以为道路使用者提供有效的参考信息,帮助使用者选择更好的出行路径,也可以预测道路拥堵的时间和地点,便于车队运营商优化资源配置,还可以作为交通信号控制方案生成的依据,有助于交通管理者治理拥堵,提高交通系统运行效率。
然而,当前交通流预测方法往往是采用固定权重的静态模型进行预测。而交通流是一种非平稳的时间序列数据,由于数据分布的偏移(Concept Drift),基于平峰时段的数据集训练出的模型,在高峰时段的实际表现会比较差。
发明内容
本发明实施例的目的在于提供一种交通流预测方法、装置、电子设备及存储介质,以实现提高交通流预测结果。具体技术方案如下:
本申请实施例的第一方面,首先提供了一种交通流预测方法,包括:
在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对所述第一时段的交通流数据进行分析,得到第二时段的交通流预测结果,其中,所述第二时段为第一时段的下一时段;
识别所述第一时段的交通流数据的获取时间信息;
根据所述获取时间信息,判断所述第一时段的交通流数据是否为白天预设时段获取的数据;
若是,则根据所述获取时间信息计算得到所述第一时段的交通流数据的时间缺失率;
当所述时间缺失率是否小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,所述获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:
获取第二时段的交通流数据;
根据所述第二时段的交通流数据和所述第二时段的交通流预测结果,通过正则化计算得到所述交通流预测模型的当前损失;
根据所述当前损失对所述交通流预测模型进行参数调整,得到调整后的模型,并返回所述根据所述第二时段的交通流数据和所述第二时段的交通流预测结果,通过正则化计算得到所述交通流预测模型的当前损失的步骤继续执行,直至训练次数达到预设的次数,得到所述增量训练后的网络模型。
可选的,所述根据所述获取时间信息计算得到所述第一时段的交通流数据的时间缺失率,包括:
根据所述获取时间信息计算得到各路段的所述第一时段的交通流数据的时间缺失率;
所述当所述时间缺失率是否小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:
选取对应的第一时段的交通流数据的时间缺失率小于预设缺失率阈值的目标路段;
获取所述目标路段的第二时段的交通流数据;
通过所述目标路段的第一时段的交通流数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,所述通过所述目标路段的第一时段的交通流数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:
识别所述目标路段的第一时段的交通流数据的缺失时间段;
获取并通过所述缺失时间段的对应时间段对所述缺失时间段进行填充,得到填充后的数据;
通过所述填充后的数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,所述交通流预测模型是通过离线训练的交通流模型训练得到的模型,所述当所述时间缺失率是否小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型之后,所述方法还包括
将所述第一时段的交通流数据分别输入所述增量训练后的网络模型和所述离线训练的交通流模型,得到各自的预测结果;
分别将所述增量训练后的网络模型的预测结果和所述离线训练的交通流模型的预测结果,与所述第二时段的交通流数据进行对比,得到所述增量训练后的网络模型的预测精度和所述离线训练的交通流模型的预测精度;
若所述离线训练的交通流模型的预测精度与所述增量训练后的网络模型的预测精度的差值大于预设精度阈值,则利用所述离线训练的交通流模型替换所述增量训练后的网络模型。
本申请实施例的第二方面,提供了一种交通流预测装置,包括:
数据获取模块,用于在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对所述第一时段的交通流数据进行分析,得到第二时段的交通流预测结果,其中,所述第二时段为第一时段的下一时段;
信息识别模块,用于识别所述第一时段的交通流数据的获取时间信息;
数据判断模块,用于根据所述获取时间信息,判断所述第一时段的交通流数据是否为白天预设时段获取的数据;
缺失率计算模块,用于根据所述获取时间信息计算得到所述第一时段的交通流数据的时间缺失率;
模型训练模块,用于当所述时间缺失率是否小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,所述模型训练模块,包括:
交通流获取子模块,用于获取第二时段的交通流数据;
损失计算子模块,用于根据所述第二时段的交通流数据和所述第二时段的交通流预测结果,通过正则化计算得到所述交通流预测模型的当前损失;
模型训练子模块,用于根据所述当前损失对所述交通流预测模型进行参数调整,得到调整后的模型,并返回所述根据所述第二时段的交通流数据和所述第二时段的交通流预测结果,通过正则化计算得到所述交通流预测模型的当前损失的步骤继续执行,直至训练次数达到预设的次数,得到所述增量训练后的网络模型。
可选的,所述缺失率计算模块,具体用于根据所述获取时间信息计算得到各路段的所述第一时段的交通流数据的时间缺失率;
所述模型训练模块,包括:
路段选取子模块,用于选取对应的第一时段的交通流数据的时间缺失率小于预设缺失率阈值的目标路段;
数据获取子模块,用于获取所述目标路段的第二时段的交通流数据;
增量训练子模块,用于通过所述目标路段的第一时段的交通流数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,所述增量训练子模块,包括:
路段识别单元,用于识别所述目标路段的第一时段的交通流数据的缺失时间段;
数据填充单元,用于获取并通过所述缺失时间段的对应时间段对所述缺失时间段进行填充,得到填充后的数据;
增量训练单元,用于通过所述填充后的数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,所述交通流预测模型是通过离线训练的交通流模型训练得到的模型,所述装置还包括
预测结果模块,用于将所述第一时段的交通流数据分别输入所述增量训练后的网络模型和所述离线训练的交通流模型,得到各自的预测结果;
精度计算模块,用于分别将所述增量训练后的网络模型的预测结果和所述离线训练的交通流模型的预测结果,与所述第二时段的交通流数据进行对比,得到所述增量训练后的网络模型的预测精度和所述离线训练的交通流模型的预测精度;
模型替换模块,用于若所述离线训练的交通流模型的预测精度与所述增量训练后的网络模型的预测精度的差值大于预设精度阈值,则利用所述离线训练的交通流模型替换所述增量训练后的网络模型。
本申请实施例的另一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一交通流预测方法步骤。
本申请实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一交通流预测方法步骤。
本申请实施例的另一方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一交通流预测方法步骤。
本发明实施例有益效果:
本发明实施例提供的交通流预测方法、装置、电子设备及存储介质,包括:在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对所述第一时段的交通流数据进行分析,得到第二时段的交通流预测结果,其中,所述第二时段为第一时段的下一时段;识别所述第一时段的交通流数据的获取时间信息;根据所述获取时间信息,判断所述第一时段的交通流数据是否为白天预设时段获取的数据;若是,则根据所述获取时间信息计算得到所述第一时段的交通流数据的时间缺失率;当所述时间缺失率是否小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。从而可以通过在交通流预测过程中,获取交通流数据并对交通流预测模型进行增量训练,以使的增量训练后的模型可以适应实际的使用场景,从而提高模型的预测精度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的交通流预测方法的一种流程示意图;
图2为本申请实施例提供的对交通流预测模型进行增量训练的一种流程示意图;
图3为本申请实施例提供的对交通流预测模型进行增量训练的另一种流程示意图;
图4为本申请实施例提供的对交通流预测模型进行替换的流程示意图;
图5为本申请实施例提供的交通流预测方法的一种实例图;
图6为本申请实施例提供的交通流预测方法的另一种实例图;
图7为本申请实施例提供的交通流预测装置的一种结构示意图;
图8为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例的第一方面,首先提供了一种交通流预测方法,包括:
在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对第一时段的交通流数据进行分析,得到第二时段的交通流预测结果,其中,第二时段为第一时段的下一时段;
识别第一时段的交通流数据的获取时间信息;
根据获取时间信息,判断第一时段的交通流数据是否为白天预设时段获取的数据;
若是,则根据获取时间信息计算得到第一时段的交通流数据的时间缺失率;
当时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。
可见,通过本申请实施例的方法,可以通过在交通流预测过程中,获取交通流数据并对交通流预测模型进行增量训练,以使的增量训练后的模型可以适应实际的使用场景,从而提高模型的预测精度。
参见图1,图1为本申请实施例提供的交通流预测方法的一种流程示意图,包括:
步骤S11,在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对第一时段的交通流数据进行分析,得到第二时段的交通流预测结果。
本申请实施例中的第一时段的交通流数可以包括城市路网拓扑结构图和交通流数据,交通流数据可以是实时检测器数据(电警、雷视、信号机等)和实时配置数据(交叉口、路段、干线、区域等)等。在实际使用过程中,由于城市路网不会经常发生改变,也可以只输入交通流数据。该交通流数据可以是表征交通状态的动态数据,例如,各路段的交通流量、通行速度、车流密度和拥堵状况等。上述待增量训练的交通流预测模型可以是ST-GCN(时空图卷积网络模型)模型。其中,第二时段为第一时段的下一时段。例如,第一时段为10:00~10:30,第二时段为10:30~11:00。其中,本申请实施例中的交通流预测模型可以为预先通过离线训练得到的网络模型或增量训练得到的网络模型,例如,获取交通流数据并根据该数据进行离线训练得到离线训练的网络模型,然后对该模型进行上线,通过该模型进行交通流预测。其中,在具体的实施过程中,可以在离线训练后对该离线训练的模型进行保存,以便在增量训练得到的网络模型出现灾难性遗忘问题时通过该保存的模型进行替换。
本申请实施例的方法应用于智能终端,可以通过智能终端实施,具体的,该智能终端可以是电脑、手机或服务器等。该智能终端可以是通过接收待增量训练的交通流预测模型只用于进行交通流预测的网络模型,也可以是通过该智能终端进行模型的训练,并通过训练好的模型进行交通流预测。
步骤S12,识别第一时段的交通流数据的获取时间信息。
其中,识别第一时段的交通流数据的获取时间信息,可以识别实际获取到的第一时段的交通流数据的生成时间,例如,当需要获取的第一时段为10:00~10:30时,识别得到实际获取到的第一时段的交通流数据的生成时间为10:00~10:13,10:16~10:30,即在获取第一时段的交通流数据时,没有获取到10:13~10:16的交通流数据。
步骤S13,根据获取时间信息,判断第一时段的交通流数据是否为白天预设时段获取的数据。
根据获取时间信息,判断第一时段的交通流数据是否为白天预设时段获取的数据,可以预先设定白天预设时段对应的时间,然后将获取时间信息与该预先设定白天预设时段对应的时间进行匹配,若该预先设定白天预设时段对应的时间包含获取时间信息,则可以判断第一时段的交通流数据为白天预设时段获取的数据。例如,预先设定的白天预设时段为8:00~19:00,获取时间信息为10:00~10:30,则该预先设定白天预设时段对应的时间包含获取时间信息,即第一时段的交通流数据为白天预设时段获取的数据。由于实际使用过程中,白天的交通流往往较大,并且由于交通流具有时空特性,在夜间时数据较为稀疏(即车流较少),数据质量较差,同时夜间的预测结果一般不会是交通流预测关注的重点,因此不在夜间进行增量学习。因此,通过判断第一时段的交通流数据是否为白天预设时段获取的数据之后,通过白天的交通流数据进行模型的训练,可以提高在实际使用过程中交通流预测的准确了。
步骤S14,若是,则根据获取时间信息计算得到第一时段的交通流数据的时间缺失率。
若上述第一时段的交通流数据为白天预设时段获取的数据,则根据获取时间信息计算得到第一时段的交通流数据的时间缺失率。其中,根据获取时间信息计算得到第一时段的交通流数据的时间缺失率,可以识别第一时段的交通流数据中缺失的交通数据对应的时段与第一时段的比值,得到第一时段的交通流数据的时间缺失率。例如,获取时间信息为:10:00~10:13、10:16~10:30,第一时段为10:00~10:30,识别第一时段的交通流数据中缺失的交通数据对应的时段为:10:13~10:16,则计算缺失的交通数据对应的时段与第一时段的比值为3比30,得到的缺失率为10%。
步骤S15,当时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。
其中,本申请实施例中第二时段为第一时段的下一时间段,上述交通流预测模型可以通过输入第一时段的交通流数据计算得到第二时段的预测数据,然后通过损失函数利用第二时段的交通流数据和第二时段的预测数据计算得到当前损失,然后根据该当前损失对交通流预测模型进行参数调整并重新进行训练,直至当前损失小于预设阈值得到增量训练后的网络模型。其中,通过损失函数利用第二时段的交通流数据和第二时段的预测数据计算得到当前损失,可以通过损失函数计算均方差损失、蒸馏损失和正则化损失中的至少一个,得到当前损失。具体的,当时间缺失率小于预设缺失率阈值时,可以获取第二时段的交通流数据,并将第一时段的交通流数据和第二时段的交通流数据组成一组训练数据,对交通流预测模型进行增量训练,得到增量训练后的网络模型。
由于实际使用过程中,交通流是一种非平稳的时间序列数据,在不同时间段具有不同的特征,此前的预测模型不能很好的适应交通流的非平稳性。而本申请的方案采用增量学习算法,使得模型具有持续更新的特点,从而能够在非平稳的交通流数据中表现出更好的预测效果。
本申请实施例中当时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练的过程为增量训练过程,具体的,可以每一周期获取依次交通流数据,然后重复步骤S11到步骤S15,对当前交通流预测模型进行增量训练。
可见,通过本申请实施例的方法,可以通过在交通流预测过程中,获取交通流数据并对交通流预测模型进行增量训练,以使的增量训练后的模型可以适应实际的使用场景,从而提高模型的预测精度。
可选的,参见图2,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:
步骤S21,获取第二时段的交通流数据;
步骤S22,根据第二时段的交通流数据和第二时段的交通流预测结果,通过正则化计算得到交通流预测模型的当前损失;
步骤S23,根据当前损失对交通流预测模型进行参数调整,得到调整后的模型,并返回根据第二时段的交通流数据和第二时段的交通流预测结果,通过正则化计算得到交通流预测模型的当前损失的步骤继续执行,直至训练次数达到预设的次数,得到增量训练后的网络模型。
其中,本申请实施例中的交通流预测模型可以为ST-GCN模型。通过该模型可以兼具GCN(图神经网络)和TCN(Temporal convolutional network,时序卷积网络)模型的优点。针对交通流数据中城市路网拓扑结构图和交通流数据,可以在空间维度采用GCN模型,以图的形式表征交通网络的拓扑结构,利用GCN模型进行城市路网拓扑结构图的处理。相对于CNN(卷积神经网络)模型以网格形式的表征,能够更好的提取交通网络的空间特征。在时间维度采用TCN模型,以一维时间卷积提取时间维度特征,相对于RNN(Recurrent NeuralNetwork,循环神经网络)类模型(LSTM(Long short-term memory,长短期记忆)、GRU(循环神经网络))的门结构,能够更好的并行训练而大幅降低训练时长,且由于对上一时间点的数据依赖性更低而更好的捕捉剧烈的数据波动。其次,由于交通流是一种非平稳的时间序列数据。因此,本申请实施例中在训练的过程中,通过在损失函数中加入正则化项,得到正则化损失函数,利用该正则化损失函数进行损失计算。通过该正在化损失函数可以保护模型从原始数据中学习到的信息不会被新信息直接覆盖,以避免新数据对模型参数的过分调整,提高增量训练过程中模型的训练效率。
在实际使用过程中,利用正则化损失函数进行损失计算,可以计算均方差损失、蒸馏损失和正则化损失,其中,均方差损失为预测结果与交通流数据的均方差,蒸馏损失表示增量训练前的交通流预测模型的预测结果与增量训练后的交通流预测模型的预测结果的均方差,正则化损失表示增量训练前的交通流预测模型权重矩阵与增量训练后的权重矩阵的方差矩阵乘以权重重要度矩阵后,得到的总方差,其中,权重重要度矩阵采用费雪信息矩阵计算得到。然后根据均方差损失、蒸馏损失和正则化损失,计算得到当前的损失。
其中,均方差损失(MSE)为:
其中,LMSE(yn,ŷn)为均方差损失,yi代表第i个样本的真实值,ŷi,n代表增量训练模型对第i个样本的预测值,样本总量为m;
其中,蒸馏损失(KD)为:
其中,LKD(ŷn,ŷo)为蒸馏损失,ŷi,n代表增量训练模型对第i个样本的预测值,ŷi,o代表初始模型对第i个样本的预测值,样本总量为m。
其中,正则化损失为:
其中,R(θ)为正则化损失,θi,n和θi,o分别表示增量训练模型和初始模型的第i个权重参数,|θ|表示模型的总参数个数,Fi是Fisher信息矩阵,表示第i个权重参数的重要程度。
其中,蒸馏损失可以引入初始模型的损失值,从而保留初始模型的知识,正则化损失可以将初始模型中较为重要的参数保护起来,避免它们在增量训练中发生大幅漂移。加入以上两种损失项,可以减少灾难性遗忘发生的可能,提高模型稳定性。
在实际使用过程中,根据均方差损失、蒸馏损失和正则化损失,计算得到当前的损失,可以通过公式:
其中,ŷn和ŷo分别代表增量训练后的模型和初始模型对同一batch数据的预测值,yn代表真实值,λo为蒸馏损失的调节项,为超参数,θn和θo分别为增量训练后的模型和初始模型的权重矩阵,λ为正则化损失的调节项,为超参数。
可选的,参见图3,根据获取时间信息计算得到第一时段的交通流数据的时间缺失率,包括:
步骤S31,根据获取时间信息计算得到各路段的第一时段的交通流数据的时间缺失率;
步骤S15当时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:
步骤S32,选取对应的第一时段的交通流数据的时间缺失率小于预设缺失率阈值的目标路段;
步骤S33,获取目标路段的第二时段的交通流数据;
步骤S34,通过目标路段的第一时段的交通流数据和目标路段的第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,通过目标路段的第一时段的交通流数据和目标路段的第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:识别目标路段的第一时段的交通流数据的缺失时间段;获取并通过缺失时间段的对应时间段对缺失时间段进行填充,得到填充后的数据;通过填充后的数据和目标路段的第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。
其中,缺失时间段的对应时间段可以是缺失时间段的相邻周期的对应时间段。具体的,可以剔除时间缺失率超过阈值的路段;对于时间缺失率小于阈值的路段,则综合加权缺失时刻前一天同一时刻的值、之前若干个周期的值和上下游邻接路段的值,进行填充;对于指标异常的数据,采用相邻若干个周期的数据进行平滑处理。通过数据清洗将缺失率大于阈值的路段删除,再对缺失率较小的路段进行数据补全,可以保证训练出的模型的质量。在实时预测过程中,为了保证预测能够覆盖尽可能多的路段,可以对缺失率较大的路段也进行数据补全,而不是剔除,然后通过模型输出预测结果。但缺失率较大的路段即使补全了,数据质量也比较差,不能用于模型的后续的增量训练。
可选的,参见图4,交通流预测模型是通过离线训练的交通流模型训练得到的模型,当时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型之后,上述方法还包括
步骤S41,将第一时段的交通流数据分别输入增量训练后的网络模型和离线训练的交通流模型,得到各自的预测结果;
步骤S42,分别将增量训练后的网络模型的预测结果和离线训练的交通流模型的预测结果,与第二时段的交通流数据进行对比,得到增量训练后的网络模型的预测精度和离线训练的交通流模型的预测精度;
步骤S43,若离线训练的交通流模型的预测精度与增量训练后的网络模型的预测精度的差值大于预设精度阈值,则利用离线训练的交通流模型替换增量训练后的网络模型。
本申请实施例中,当增量学习模型出现故障时,可以将当前的增量模型替换为初始模型,重新开始增量训练,以满足实际应用的稳定性需要。例如,具体的触发条件为,对于同一batch(批处理)数据,增量学习模型的预测结果连续i个batch误差大于初始模型j%以上,i和j为超参数,可人工调节。详见流程图5和图6。
在实际使用过程中,还可以对训练好的模型进行评估,具体的,可以采用MAPE为评价指标对模型训练结果进行评估。本申请实施例中,发明人通过计算得到ST-GCN模型相对于原有模型(LSTM、GRU)有显著的性能提升,同时基于增量学习的ST-GCN模型相对于非增量学习的ST-GCN模型具有更好的性能和实时性。
参见图5,图5为本申请实施例提供的交通流预测方法的一种实例图,包括:
1、输入特征:包括城市路网拓扑结构图和历史交通流数据,其中历史交通流数据是在实时检测器数据(电警、雷视、信号机等)和实时配置数据(交叉口、路段、干线、区域等)等原始数据的基础上提取特征指标并计算相关衍生指标,作为历史特征指标数据集用于模型训练。
2、数据清洗:处理时段缺失和指标异常的数据,具体方法如下:剔除时段缺失率超过阈值的路段;对于时段缺失率小于阈值的路段,则综合加权缺失时刻前一天同一时刻的值、之前若干个周期的值和上下游邻接路段的值,进行填充;对于指标异常的数据,采用相邻若干个周期的数据进行平滑处理。
3、初始算法构建与训练:基于上述输入数据构建ST-GCN模型,其使用GCN表征交通网络的拓扑结构并提取空间维度特征,使用TCN进行一维时间卷积提取时间维度特征。以时间顺序为依据,将数据划分为训练集和测试集,以MSE(均方误差损失函数)为训练目标,对所构建的ST-GCN进行训练和优化,当损失函数值达到要求时停止训练,得到训练好的模型参数。
4、增量学习过程:当算法实际投入使用后,随着时间的推移,更多的数据逐渐可用。当采集到的数据质量满足要求时,每隔一定的时间,将新采集到的数据批量输入ST-GCN模型中进行训练,以此实现在连续的数据流中对模型参数的更新。同时,在训练的过程中,通过在损失函数中加入正则化项,保护模型从原始数据中学习到的信息不会被新信息直接覆盖,以避免新数据对模型参数的过分调整,参见图6。
5、算法评估:采用MAPE为评价指标对模型训练结果进行评估。结果表明ST-GCN模型相对于原有模型(LSTM、GRU)有显著的性能提升,同时基于增量学习的ST-GCN模型相对于非增量学习的ST-GCN模型具有更好的性能和实时性。
本申请实施例的第二方面,提供了一种交通流预测装置,参见图7,包括:
数据获取模块701,用于在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对第一时段的交通流数据进行分析,得到第二时段的交通流预测结果,其中,第二时段为第一时段的下一时段;
信息识别模块702,用于识别第一时段的交通流数据的获取时间信息;
数据判断模块703,用于根据获取时间信息,判断第一时段的交通流数据是否为白天预设时段获取的数据;
缺失率计算模块704,用于根据获取时间信息计算得到第一时段的交通流数据的时间缺失率;
模型训练模块705,用于当时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,模型训练模块705,包括:
交通流获取子模块,用于获取第二时段的交通流数据;
损失计算子模块,用于根据第二时段的交通流数据和第二时段的交通流预测结果,通过正则化计算得到交通流预测模型的当前损失;
模型训练子模块,用于根据当前损失对交通流预测模型进行参数调整,得到调整后的模型,并返回根据第二时段的交通流数据和第二时段的交通流预测结果,通过正则化计算得到交通流预测模型的当前损失的步骤继续执行,直至训练次数达到预设的次数,得到增量训练后的网络模型。
可选的,缺失率计算模块704,具体用于根据获取时间信息计算得到各路段的第一时段的交通流数据的时间缺失率;
模型训练模块,包括:
路段选取子模块,用于选取对应的第一时段的交通流数据的时间缺失率小于预设缺失率阈值的目标路段;
数据获取子模块,用于获取目标路段的第二时段的交通流数据;
增量训练子模块,用于通过目标路段的第一时段的交通流数据和目标路段的第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,增量训练子模块,包括:
路段识别单元,用于识别目标路段的第一时段的交通流数据的缺失时间段;
数据填充单元,用于获取并通过缺失时间段的对应时间段对缺失时间段进行填充,得到填充后的数据;
增量训练单元,用于通过填充后的数据和目标路段的第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。
可选的,交通流预测模型是通过离线训练的交通流模型训练得到的模型,上述装置还包括
预测结果模块,用于将第一时段的交通流数据分别输入增量训练后的网络模型和离线训练的交通流模型,得到各自的预测结果;
精度计算模块,用于分别将增量训练后的网络模型的预测结果和离线训练的交通流模型的预测结果,与第二时段的交通流数据进行对比,得到增量训练后的网络模型的预测精度和离线训练的交通流模型的预测精度;
模型替换模块,用于若离线训练的交通流模型的预测精度与增量训练后的网络模型的预测精度的差值大于预设精度阈值,则利用离线训练的交通流模型替换增量训练后的网络模型。
可见,通过本申请实施例的装置,可以通过在交通流预测过程中,获取交通流数据并对交通流预测模型进行增量训练,以使的增量训练后的模型可以适应实际的使用场景,从而提高模型的预测精度。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现如下步骤:
在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对第一时段的交通流数据进行分析,得到第二时段的交通流预测结果,其中,第二时段为第一时段的下一时段;
识别第一时段的交通流数据的获取时间信息;
根据获取时间信息,判断第一时段的交通流数据是否为白天预设时段获取的数据;
若是,则根据获取时间信息计算得到第一时段的交通流数据的时间缺失率;
当时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过第一时段的交通流数据和第二时段的交通流数据对交通流预测模型进行增量训练,得到增量训练后的网络模型。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一交通流预测方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一交通流预测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、存储介质及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种交通流预测方法,其特征在于,包括:
在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对所述第一时段的交通流数据进行分析,得到第二时段的交通流预测结果,其中,所述第二时段为第一时段的下一时段;
识别所述第一时段的交通流数据的获取时间信息;
根据所述获取时间信息,判断所述第一时段的交通流数据是否为白天预设时段获取的数据;
若是,则根据所述获取时间信息计算得到所述第一时段的交通流数据的时间缺失率;
当所述时间缺失率小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
2.根据权利要求1所述的方法,其特征在于,所述获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:
获取第二时段的交通流数据;
根据所述第二时段的交通流数据和所述第二时段的交通流预测结果,通过正则化计算得到所述交通流预测模型的当前损失;
根据所述当前损失对所述交通流预测模型进行参数调整,得到调整后的模型,并返回所述根据所述第二时段的交通流数据和所述第二时段的交通流预测结果,通过正则化计算得到所述交通流预测模型的当前损失的步骤继续执行,直至训练次数达到预设的次数,得到所述增量训练后的网络模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述获取时间信息计算得到所述第一时段的交通流数据的时间缺失率,包括:
根据所述获取时间信息计算得到各路段的所述第一时段的交通流数据的时间缺失率;
所述当所述时间缺失率是否小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:
选取对应的第一时段的交通流数据的时间缺失率小于预设缺失率阈值的目标路段;
获取所述目标路段的第二时段的交通流数据;
通过所述目标路段的第一时段的交通流数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
4.根据权利要求3所述的方法,其特征在于,所述通过所述目标路段的第一时段的交通流数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型,包括:
识别所述目标路段的第一时段的交通流数据的缺失时间段;
获取并通过所述缺失时间段的对应时间段对所述缺失时间段进行填充,得到填充后的数据;
通过所述填充后的数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
5.根据权利要求1所述的方法,其特征在于,所述交通流预测模型是通过离线训练的交通流模型训练得到的模型,所述当所述时间缺失率是否小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型之后,所述方法还包括
将所述第一时段的交通流数据分别输入所述增量训练后的网络模型和所述离线训练的交通流模型,得到各自的预测结果;
分别将所述增量训练后的网络模型的预测结果和所述离线训练的交通流模型的预测结果,与所述第二时段的交通流数据进行对比,得到所述增量训练后的网络模型的预测精度和所述离线训练的交通流模型的预测精度;
若所述离线训练的交通流模型的预测精度与所述增量训练后的网络模型的预测精度的差值大于预设精度阈值,则利用所述离线训练的交通流模型替换所述增量训练后的网络模型。
6.一种交通流预测装置,其特征在于,包括:
数据获取模块,用于在交通流预测模型上线应用的过程,获取第一时段的交通流数据,并通过交通流预测模型对所述第一时段的交通流数据进行分析,得到第二时段的交通流预测结果,其中,所述第二时段为第一时段的下一时段;
信息识别模块,用于识别所述第一时段的交通流数据的获取时间信息;
数据判断模块,用于根据所述获取时间信息,判断所述第一时段的交通流数据是否为白天预设时段获取的数据;
缺失率计算模块,用于根据所述获取时间信息计算得到所述第一时段的交通流数据的时间缺失率;
模型训练模块,用于当所述时间缺失率是否小于预设缺失率阈值时,获取第二时段的交通流数据,并通过所述第一时段的交通流数据和所述第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
7.根据权利要求6所述的装置,其特征在于,所述模型训练模块,包括:
交通流获取子模块,用于获取第二时段的交通流数据;
损失计算子模块,用于根据所述第二时段的交通流数据和所述第二时段的交通流预测结果,通过正则化计算得到所述交通流预测模型的当前损失;
模型训练子模块,用于根据所述当前损失对所述交通流预测模型进行参数调整,得到调整后的模型,并返回所述根据所述第二时段的交通流数据和所述第二时段的交通流预测结果,通过正则化计算得到所述交通流预测模型的当前损失的步骤继续执行,直至训练次数达到预设的次数,得到所述增量训练后的网络模型。
8.根据权利要求6所述的装置,其特征在于,
所述缺失率计算模块,具体用于根据所述获取时间信息计算得到各路段的所述第一时段的交通流数据的时间缺失率;
所述模型训练模块,包括:
路段选取子模块,用于选取对应的第一时段的交通流数据的时间缺失率小于预设缺失率阈值的目标路段;
数据获取子模块,用于获取所述目标路段的第二时段的交通流数据;
增量训练子模块,用于通过所述目标路段的第一时段的交通流数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
9.根据权利要求8所述的装置,其特征在于,所述增量训练子模块,包括:
路段识别单元,用于识别所述目标路段的第一时段的交通流数据的缺失时间段;
数据填充单元,用于获取并通过所述缺失时间段的对应时间段对所述缺失时间段进行填充,得到填充后的数据;
增量训练单元,用于通过所述填充后的数据和所述目标路段的第二时段的交通流数据对所述交通流预测模型进行增量训练,得到增量训练后的网络模型。
10.根据权利要求6所述的装置,其特征在于,所述交通流预测模型是通过离线训练的交通流模型训练得到的模型,所述装置还包括
预测结果模块,用于将所述第一时段的交通流数据分别输入所述增量训练后的网络模型和所述离线训练的交通流模型,得到各自的预测结果;
精度计算模块,用于分别将所述增量训练后的网络模型的预测结果和所述离线训练的交通流模型的预测结果,与所述第二时段的交通流数据进行对比,得到所述增量训练后的网络模型的预测精度和所述离线训练的交通流模型的预测精度;
模型替换模块,用于若所述离线训练的交通流模型的预测精度与所述增量训练后的网络模型的预测精度的差值大于预设精度阈值,则利用所述离线训练的交通流模型替换所述增量训练后的网络模型。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
12.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210057292.7A CN114091357B (zh) | 2022-01-19 | 2022-01-19 | 交通流预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210057292.7A CN114091357B (zh) | 2022-01-19 | 2022-01-19 | 交通流预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091357A true CN114091357A (zh) | 2022-02-25 |
CN114091357B CN114091357B (zh) | 2022-05-06 |
Family
ID=80308824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210057292.7A Active CN114091357B (zh) | 2022-01-19 | 2022-01-19 | 交通流预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091357B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148019A (zh) * | 2022-05-16 | 2022-10-04 | 中远海运科技股份有限公司 | 一种基于节假日拥堵预测算法的预警方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011180998A (ja) * | 2010-03-03 | 2011-09-15 | Sumitomo Electric Ind Ltd | 交通情報予測装置、交通情報予測のためのコンピュータプログラム、及び交通情報予測方法 |
CN102800197A (zh) * | 2012-02-27 | 2012-11-28 | 东南大学 | 一种城市道路路段动态交通流基础数据的预处理方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN109379240A (zh) * | 2018-12-25 | 2019-02-22 | 湖北亿咖通科技有限公司 | 车联网流量预测模型构建方法、装置和电子设备 |
CN110517482A (zh) * | 2019-07-29 | 2019-11-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
CN110533932A (zh) * | 2019-08-06 | 2019-12-03 | 银江股份有限公司 | 一种基于滚动优化的城市级全域交通信号推荐方法及系统 |
CN111179591A (zh) * | 2019-12-30 | 2020-05-19 | 银江股份有限公司 | 一种路网交通时序特征数据质量诊断与修复方法 |
KR102254765B1 (ko) * | 2020-11-10 | 2021-05-24 | 한국건설기술연구원 | 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법 |
US20210407284A1 (en) * | 2020-06-30 | 2021-12-30 | Xidian University | Vehicle traffic flow prediction method with missing data |
-
2022
- 2022-01-19 CN CN202210057292.7A patent/CN114091357B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011180998A (ja) * | 2010-03-03 | 2011-09-15 | Sumitomo Electric Ind Ltd | 交通情報予測装置、交通情報予測のためのコンピュータプログラム、及び交通情報予測方法 |
CN102800197A (zh) * | 2012-02-27 | 2012-11-28 | 东南大学 | 一种城市道路路段动态交通流基础数据的预处理方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN109379240A (zh) * | 2018-12-25 | 2019-02-22 | 湖北亿咖通科技有限公司 | 车联网流量预测模型构建方法、装置和电子设备 |
CN110517482A (zh) * | 2019-07-29 | 2019-11-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
CN110533932A (zh) * | 2019-08-06 | 2019-12-03 | 银江股份有限公司 | 一种基于滚动优化的城市级全域交通信号推荐方法及系统 |
CN111179591A (zh) * | 2019-12-30 | 2020-05-19 | 银江股份有限公司 | 一种路网交通时序特征数据质量诊断与修复方法 |
US20210407284A1 (en) * | 2020-06-30 | 2021-12-30 | Xidian University | Vehicle traffic flow prediction method with missing data |
KR102254765B1 (ko) * | 2020-11-10 | 2021-05-24 | 한국건설기술연구원 | 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법 |
Non-Patent Citations (2)
Title |
---|
刘建军等: "时间序列回归预测模型在自动化监测中的应用", 《测绘通报》 * |
张建宗,陶丹;: "移动群智感知下的交通流速缺失数据恢复算法", 《小型微型计算机系统》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148019A (zh) * | 2022-05-16 | 2022-10-04 | 中远海运科技股份有限公司 | 一种基于节假日拥堵预测算法的预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114091357B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11902114B2 (en) | System and method for predicting and reducing subscriber churn | |
CN109034861B (zh) | 基于移动端日志行为数据的用户流失预测方法及装置 | |
CN112149898B (zh) | 故障率预测模型的训练、故障率预测方法及相关装置 | |
Guthrie | Real options analysis of climate-change adaptation: investment flexibility and extreme weather events | |
Sun et al. | Passenger flow prediction of subway transfer stations based on nonparametric regression model | |
CN112712209B (zh) | 水库入库流量预测方法、装置、计算机设备及存储介质 | |
CN111723929A (zh) | 一种基于神经网络的数值预报产品订正方法、装置和系统 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 | |
CN113505936A (zh) | 项目审批结果的预测方法、装置、设备及存储介质 | |
CN114091357B (zh) | 交通流预测方法、装置、电子设备及存储介质 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN115034496A (zh) | 基于GCN-Transformer的城市轨道交通节假日短时客流预测方法 | |
CN114037140A (zh) | 预测模型训练、数据预测方法、装置、设备及存储介质 | |
CN114444827A (zh) | 一种集群性能的评估方法和装置 | |
CN111950810A (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN116522349A (zh) | 一种信息安全风险评估方法、装置、设备及介质 | |
Ge et al. | Traffic speed prediction with missing data based on TGCN | |
CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN113837782B (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 | |
CN113987904A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
CN113869423A (zh) | 一种营销响应模型构建方法、设备及介质 | |
CN113269259A (zh) | 一种目标信息的预测方法及装置 |
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 |