CN114399901B - 一种控制交通系统的方法和设备 - Google Patents

一种控制交通系统的方法和设备 Download PDF

Info

Publication number
CN114399901B
CN114399901B CN202210001032.8A CN202210001032A CN114399901B CN 114399901 B CN114399901 B CN 114399901B CN 202210001032 A CN202210001032 A CN 202210001032A CN 114399901 B CN114399901 B CN 114399901B
Authority
CN
China
Prior art keywords
time
traffic data
space
matrix
network layer
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
CN202210001032.8A
Other languages
English (en)
Other versions
CN114399901A (zh
Inventor
赵建龙
王雯雯
史晓燕
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.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech Co Ltd
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 Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN202210001032.8A priority Critical patent/CN114399901B/zh
Publication of CN114399901A publication Critical patent/CN114399901A/zh
Application granted granted Critical
Publication of CN114399901B publication Critical patent/CN114399901B/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
    • 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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

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

本发明公开了一种控制交通系统的方法和设备，该方法中，获取待处理的交通数据；基于待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；基于目标填充模型确定交通数据矩阵对应的目标时空特征矩阵；目标填充模型是基于训练样本集合对初始填充模型迭代训练得到的；在每一次的迭代过程中应用到的每个训练样本的预测值是根据当次迭代应用的填充模型中的各层网络结构输出的时空特征确定的；根据交通数据矩阵、目标时空特征矩阵和缺失标识矩阵对待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；应用填充后的交通数据对交通系统进行控制。用以提高交通数据填充的精度，进而应用高精度的填充数据对交通系统进行准确控制。

Description

一种控制交通系统的方法和设备
技术领域
本发明涉及智能交通技术领域，尤其涉及一种控制交通系统的方法和设备。
背景技术
随着经济的快速发展，智能交通在人们的日常生活中日趋重要，但是由于采样硬件故障、网络通信故障、人为误差等各种不可控因素，可能导致交通数据缺失现象的存在。
相关技术中，典型的数据填充方法包括基于预测的方法、基于插值的方法和基于统计学习的方法。但是，基于预测的方法只会用到缺失数据点之前的数据，而不会用到数据集中全部的数据，但是数据整体填充效率较低；基于插值的方法，要求缺失点周围的数据信息可准确观测方能保证缺失填充精度。因此，这类方法无法很好地应对连续缺失或缺失率较高的应用场景；基于统计学习的方法，通常要求数据本身有较强的规律性，如果数据本身规律性较弱，则无法很好的提供高精度填充性能。综上，现有技术中的数据填充方法对数据本身要求较高导致适用范围小、填充精度低。
因此，若无法提供过一种填充精度高的交通数据填充方法，则数据缺失问题可能对交通系统的管控造成误判。
发明内容
本发明示例性的实施方式中提供一种控制交通系统的方法和设备，用以提高交通数据填充的精度，进而应用高精度的填充数据对交通系统进行准确控制。
根据示例性的实施方式中的第一方面，提供一种控制交通系统的方法，包括：
获取待处理的交通数据；
基于所述待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；
基于目标填充模型确定所述交通数据矩阵对应的目标时空特征矩阵；其中，所述目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，所述输出数据为所述各层网络结构对基于所述训练样本构建的交通数据矩阵进行处理后得到的时空特征；
根据所述交通数据矩阵、所述目标时空特征矩阵和所述缺失标识矩阵对所述待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；
应用所述填充后的交通数据对交通系统进行控制。
本申请实施例具备如下有益效果：由于目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，且该输出数据包括了各层网络结构对基于所述训练样本构建的交通数据矩阵进行处理后得到的时空特征。因此，将待处理的交通数据构建的对应的交通数据矩阵输入至目标填充模型，可以得到目标时空矩阵，该目标时空矩阵即为待处理的交通数据的预测数据对应的矩阵。再利用待处理的交通数据构建得到的缺失标识矩阵，可以对待处理的交通数据中的缺失部分进行填充，得到完整的交通数据。整个过程中，融合了时空特征的目标填充模型使填充后的交通数据的精度高，进而应用填充后的交通数据对交通系统进行控制的准确度高。
在一些示例性的实施方式中，所述目标填充模型是通过如下方式训练得到的：
基于获取到的目标时间段内的交通数据构建训练样本集合；其中，一个训练样本为一个交通数据矩阵，所述交通数据矩阵的每行的元素携带的空间特征标识相同，以及每列的元素携带的时间特征标识相同；
基于所述训练样本集合，采用迭代的方式对初始填充模型进行训练，直到满足预设的收敛条件为止，将最后一轮输出的填充模型作为目标填充模型；其中，所述预设的收敛条件是根据收敛误差确定的，所述收敛误差是根据各个所述训练样本以及对应的预测值确定的；
在一轮迭代过程中针对一个训练样本执行以下操作：
将所述训练样本输入至卷积网络层进行卷积处理，确定所述卷积网络层输出的第一空间特征；
将所述第一空间特征传递到第一LSTM网络层，并基于所述第一空间特征包括的各个第一空间向量对所述第一LSTM网络层进行更新，确定更新后的所述第一LSTM网络层输出的第一时空特征；
将所述第一时空特征传递到第二LSTM网络层，并基于所述第一时空特征包括的各个第一时空向量对所述第二LSTM网络层进行更新，确定更新后的所述第二LSTM网络层输出的第二时空特征；
将所述第一空间特征和所述第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵；
根据所述训练样本、所述填充时空特征矩阵和所述训练样本对应的缺失标识矩阵，确定所述训练样本的预测值。
上述实施例中的目标填充模型的训练过程中，由于训练样本为交通数据矩阵，且矩阵中的元素携带了交通数据的空间特征和时间特征，这样，在训练过程中，利用了时间特征和空间特征，通过卷积层、各个LSTM网络层和全连接层的更新处理，得到了填充时空特征矩阵，进而确定训练样本的预测值。整个训练过程，处理速度快，进而应用该目标填充模型对确定填充数据时，效率高。
在一些示例性的实施方式中，所述基于获取到的目标时间段内的交通数据构建训练样本集合，包括：
基于获取到的目标时间段内的交通数据，构建初始交通数据矩阵；
利用预设滑动时间窗口对所述初始交通数据矩阵进行分割，得到多个交通数据矩阵；
确定多个交通数据矩阵构成训练样本集合。
在一些示例性的实施方式中，每个交通数据矩阵对应一个缺失标识矩阵，所述缺失标识矩阵是通过将所述交通数据矩阵中的有效元素用第一标识替换且无效元素用第二标识替换后得到的；其中，所述无效元素为缺失的元素；
所述根据所述训练样本、所述填充时空特征矩阵和所述训练样本对应的缺失标识矩阵，确定所述训练样本的预测值，包括：
将所述交通数据矩阵与所述缺失标识矩阵做第一叉积处理，并将所述填充时空矩阵与所述缺失标识矩阵的关联矩阵做第二叉积处理；其中，所述缺失标识矩阵的关联矩阵为单位矩阵与所述缺失标识矩阵做差得到的；
确定所述第一叉积处理的结果与所述第二叉积处理的结果之和为所述训练样本的预测值。
上述实施例，在确定每个训练样本的预测值的过程中，保留了交通数据矩阵中的未缺失的元素，保证了未缺失元素未丢失；利用填充时空矩阵得到缺失的元素，二者组合，得到训练样本的预测值。
在一些示例性的实施方式中，所述卷积网络层为一维卷积网络层；将所述训练样本输入至卷积网络层进行卷积处理，确定所述卷积网络层输出的第一空间特征，包括：
针对所述训练样本中的每个交通数据向量，将所述交通数据向量与所述一维卷积网络层进行卷积处理，得到预设数量个特征向量；其中，所述预设数量为所述一维卷积网络层中的过滤器的数量；
将所述预设数量个特征向量拼接得到所述交通数据向量对应的第一空间向量；
确定各个第一空间向量构成所述第一空间特征。
在一些示例性的实施方式中，将所述第一空间特征传递到第一LSTM网络层，并基于所述第一空间特征包括的各个第一空间向量对所述第一LSTM网络层进行更新，确定更新后的所述第一LSTM网络层输出的第一时空特征，包括：
将所述第一空间特征传递到第一LSTM网络层；
应用所述第一LSTM网络层的网络参数、所述第一时间特征标识下的第一时空向量和所述第一空间特征中的第二时间特征标识下的第一空间向量对所述第一LSTM网络层进行更新，得到所述第二时间特征标识下的第一时空向量，直到得到全部时间特征标识下的第一时空向量；其中，所述第二时间特征标识对应的时刻为所述第一时间特征标识对应的时刻的下一时刻；
确定所述全部时间特征标识下的第一时空向量构成所述第一时空特征。
在一些示例性的实施方式中，所述将所述第一时空特征传递到第二LSTM网络层，并基于所述第二时空特征包括的各个第一时空向量对所述第二LSTM网络层进行更新，确定更新后的所述第二LSTM网络层输出的第二时空特征，包括：
将所述第一时空特征传递到第二LSTM网络层；
应用所述第二LSTM网络层的网络参数、第三时间特征标识下的第二时空向量和所述第一时空特征中的第四时间特征标识下的第二时空向量对所述第二LSTM网络层进行更新，得到所述第四时间特征标识下的第二时空向量，直到得到全部时间特征标识下的第二时空向量；其中，所述第四时间特征标识对应的时刻为所述第三时间特征标识对应的时刻的下一时刻；
确定所述全部时间特征标识下的第二时空向量构成所述第二时空特征。
根据示例性的实施方式中的第二方面，提供一种控制交通系统的设备，处理器和数据传输单元，其中：
所述数据传输单元被配置为执行：
将接收到的来自数据采集设备的待处理的交通数据发送至所述处理器；
所述处理器被配置为执行：
获取待处理的交通数据；
基于所述待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；
基于目标填充模型确定所述交通数据矩阵对应的目标时空特征矩阵；其中，所述目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，所述输出数据为所述各层网络结构对基于所述训练样本构建的交通数据矩阵进行处理后得到的时空特征；
根据所述交通数据矩阵、所述目标时空特征矩阵和所述缺失标识矩阵对所述待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；
应用所述填充后的交通数据对交通系统进行控制。
在一些示例性的实施方式中，所述处理器被配置为执行：
通过如下方式训练得到所述目标填充模型：
基于获取到的目标时间段内的交通数据构建训练样本集合；其中，一个训练样本为一个交通数据矩阵，所述交通数据矩阵的每行的元素携带的空间特征标识相同，以及每列的元素携带的时间特征标识相同；
基于所述训练样本集合，采用迭代的方式对初始填充模型进行训练，直到满足预设的收敛条件为止，将最后一轮输出的填充模型作为目标填充模型；其中，所述预设的收敛条件是根据收敛误差确定的，所述收敛误差是根据各个所述训练样本以及对应的预测值确定的；
在一轮迭代过程中针对一个训练样本执行以下操作：
将所述训练样本输入至卷积网络层进行卷积处理，确定所述卷积网络层输出的第一空间特征；
将所述第一空间特征传递到第一LSTM网络层，并基于所述第一空间特征包括的各个第一空间向量对所述第一LSTM网络层进行更新，确定更新后的所述第一LSTM网络层输出的第一时空特征；
将所述第一时空特征传递到第二LSTM网络层，并基于所述第一时空特征包括的各个第一时空向量对所述第二LSTM网络层进行更新，确定更新后的所述第二LSTM网络层输出的第二时空特征；
将所述第一空间特征和所述第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵；
根据所述训练样本、所述填充时空特征矩阵和所述训练样本对应的缺失标识矩阵，确定所述训练样本的预测值。
在一些示例性的实施方式中，所述处理器被配置为执行：
基于获取到的目标时间段内的交通数据，构建初始交通数据矩阵；
利用预设滑动时间窗口对所述初始交通数据矩阵进行分割，得到多个交通数据矩阵；
确定多个交通数据矩阵构成训练样本集合。
在一些示例性的实施方式中，每个交通数据矩阵对应一个缺失标识矩阵，所述缺失标识矩阵是通过将所述交通数据矩阵中的有效元素用第一标识替换且无效元素用第二标识替换后得到的；其中，所述无效元素为缺失的元素；
所述处理器被配置为执行：
将所述交通数据矩阵与所述缺失标识矩阵做第一叉积处理，并将所述填充时空矩阵与所述缺失标识矩阵的关联矩阵做第二叉积处理；其中，所述缺失标识矩阵的关联矩阵为单位矩阵与所述缺失标识矩阵做差得到的；
确定所述第一叉积处理的结果与所述第二叉积处理的结果之和为所述训练样本的预测值。
在一些示例性的实施方式中，所述卷积网络层为一维卷积网络层；所述处理器被配置为执行：
针对所述训练样本中的每个交通数据向量，将所述交通数据向量与所述一维卷积网络层进行卷积处理，得到预设数量个特征向量；其中，所述预设数量为所述一维卷积网络层中的过滤器的数量；
将所述预设数量个特征向量拼接得到所述交通数据向量对应的第一空间向量；
确定各个第一空间向量构成所述第一空间特征。
在一些示例性的实施方式中，所述处理器被配置为执行：
将所述第一空间特征传递到第一LSTM网络层；
应用所述第一LSTM网络层的网络参数、所述第一时间特征标识下的第一时空向量和所述第一空间特征中的第二时间特征标识下的第一空间向量对所述第一LSTM网络层进行更新，得到所述第二时间特征标识下的第一时空向量，直到得到全部时间特征标识下的第一时空向量；其中，所述第二时间特征标识对应的时刻为所述第一时间特征标识对应的时刻的下一时刻；
确定所述全部时间特征标识下的第一时空向量构成所述第一时空特征。
在一些示例性的实施方式中，所述处理器被配置为执行：
将所述第一时空特征传递到第二LSTM网络层；
应用所述第二LSTM网络层的网络参数、第三时间特征标识下的第二时空向量和所述第一时空特征中的第四时间特征标识下的第二时空向量对所述第二LSTM网络层进行更新，得到所述第四时间特征标识下的第二时空向量，直到得到全部时间特征标识下的第二时空向量；其中，所述第四时间特征标识对应的时刻为所述第三时间特征标识对应的时刻的下一时刻；
确定所述全部时间特征标识下的第二时空向量构成所述第二时空特征。
根据示例性的实施方式中的第三方面，提供一种控制交通系统的装置，该装置包括：
数据获取模块，用于获取待处理的交通数据；
矩阵构建模块，用于基于所述待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；
确定模块，用于基于目标填充模型确定所述交通数据矩阵对应的目标时空特征矩阵；其中，所述目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，所述输出数据为所述各层网络结构对基于所述训练样本构建的交通数据矩阵进行处理后得到的时空特征；
数据填充模块，用于根据所述交通数据矩阵、所述目标时空特征矩阵和所述缺失标识矩阵对所述待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；
控制模块，用于应用所述填充后的交通数据对交通系统进行控制。
在一些示例性的实施方式中，还包括模型训练模块，用于通过如下方式训练得到目标填充模型：
基于获取到的目标时间段内的交通数据构建训练样本集合；其中，一个训练样本为一个交通数据矩阵，所述交通数据矩阵的每行的元素携带的空间特征标识相同，以及每列的元素携带的时间特征标识相同；
基于所述训练样本集合，采用迭代的方式对初始填充模型进行训练，直到满足预设的收敛条件为止，将最后一轮输出的填充模型作为目标填充模型；其中，所述预设的收敛条件是根据收敛误差确定的，所述收敛误差是根据各个所述训练样本以及对应的预测值确定的；
在一轮迭代过程中针对一个训练样本执行以下操作：
将所述训练样本输入至卷积网络层进行卷积处理，确定所述卷积网络层输出的第一空间特征；
将所述第一空间特征传递到第一LSTM网络层，并基于所述第一空间特征包括的各个第一空间向量对所述第一LSTM网络层进行更新，确定更新后的所述第一LSTM网络层输出的第一时空特征；
将所述第一时空特征传递到第二LSTM网络层，并基于所述第一时空特征包括的各个第一时空向量对所述第二LSTM网络层进行更新，确定更新后的所述第二LSTM网络层输出的第二时空特征；
将所述第一空间特征和所述第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵；
根据所述训练样本、所述填充时空特征矩阵和所述训练样本对应的缺失标识矩阵，确定所述训练样本的预测值。
在一些示例性的实施方式中，所述模型训练模块具体用于：
基于获取到的目标时间段内的交通数据，构建初始交通数据矩阵；
利用预设滑动时间窗口对所述初始交通数据矩阵进行分割，得到多个交通数据矩阵；
确定多个交通数据矩阵构成训练样本集合。
在一些示例性的实施方式中，每个交通数据矩阵对应一个缺失标识矩阵，所述缺失标识矩阵是通过将所述交通数据矩阵中的有效元素用第一标识替换且无效元素用第二标识替换后得到的；其中，所述无效元素为缺失的元素；
所述模型训练模块具体用于：
将所述交通数据矩阵与所述缺失标识矩阵做第一叉积处理，并将所述填充时空矩阵与所述缺失标识矩阵的关联矩阵做第二叉积处理；其中，所述缺失标识矩阵的关联矩阵为单位矩阵与所述缺失标识矩阵做差得到的；
确定所述第一叉积处理的结果与所述第二叉积处理的结果之和为所述训练样本的预测值。
在一些示例性的实施方式中，所述卷积网络层为一维卷积网络层；所述模型训练模块具体用于：
针对所述训练样本中的每个交通数据向量，将所述交通数据向量与所述一维卷积网络层进行卷积处理，得到预设数量个特征向量；其中，所述预设数量为所述一维卷积网络层中的过滤器的数量；
将所述预设数量个特征向量拼接得到所述交通数据向量对应的第一空间向量；
确定各个第一空间向量构成所述第一空间特征。
在一些示例性的实施方式中，所述模型训练模块具体用于：
将所述第一空间特征传递到第一LSTM网络层；
应用所述第一LSTM网络层的网络参数、所述第一时间特征标识下的第一时空向量和所述第一空间特征中的第二时间特征标识下的第一空间向量对所述第一LSTM网络层进行更新，得到所述第二时间特征标识下的第一时空向量，直到得到全部时间特征标识下的第一时空向量；其中，所述第二时间特征标识对应的时刻为所述第一时间特征标识对应的时刻的下一时刻；
确定所述全部时间特征标识下的第一时空向量构成所述第一时空特征。
在一些示例性的实施方式中，所述模型训练模块具体用于：
将所述第一时空特征传递到第二LSTM网络层；
应用所述第二LSTM网络层的网络参数、第三时间特征标识下的第二时空向量和所述第一时空特征中的第四时间特征标识下的第二时空向量对所述第二LSTM网络层进行更新，得到所述第四时间特征标识下的第二时空向量，直到得到全部时间特征标识下的第二时空向量；其中，所述第四时间特征标识对应的时刻为所述第三时间特征标识对应的时刻的下一时刻；
确定所述全部时间特征标识下的第二时空向量构成所述第二时空特征。
根据示例性的实施方式中的第四方面，提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面所述控制交通系统的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示例性示出了本发明实施例提供的一种交通数据填充的应用场景图；
图2示例性示出了本发明实施例提供的一种控制交通系统的方法的流程图；
图3示例性示出了本发明实施例提供的一种目标填充模型的训练过程的流程图；
图4示例性示出了本发明实施例提供的一种一轮迭代过程中针对一个训练样本的操作流程图；
图5示例性示出了本发明实施例提供的一种不同填充模型的填充效果对比图；
图6示例性示出了本发明实施例提供的一种控制交通系统的装置的结构示意图；
图7示例性示出了本发明实施例提供的一种控制交通系统的设备的结构示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清除、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在智能交通技术领域，典型的数据填充方法存在如下弊端：基于预测的方法只会用到缺失数据点之前的数据，而不会用到数据集中全部的数据，但是数据整体填充效率较低；基于插值的方法，要求缺失点周围的数据信息可准确观测方能保证缺失填充精度。因此，这类方法无法很好地应对连续缺失或缺失率较高的应用场景；基于统计学习的方法，通常要求数据本身有较强的规律性，如果数据本身规律性较弱，则无法很好的提供高精度填充性能。
为此，本申请实施例提供了一种控制交通系统的方法，该方法中，基于待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；基于目标填充模型确定交通数据矩阵对应的目标时空特征矩阵；根据交通数据矩阵、目标时空特征矩阵和缺失标识矩阵对待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；应用填充后的交通数据对交通系统进行控制。由于应用该方法得到填充数据的过程，保证了填充精度，且对交通数据本身无要求，扩大了适用范围，应用填充后的交通数据对交通系统进行控制的准确性也有提高。
在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本申请实施例提供的技术方案。
参考图1，示出了一种交通数据填充的应用场景图，该示意图中，左侧为填充之前的交通数据，通过本申请实施例中的方法得到右侧填充后的数据。经过填充得到的数据为B1、B2、B3、B4、B5和B6。
为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
下面结合图1所示的应用场景，参考图2示出的一种控制交通系统的方法的流程图，对本申请实施例提供的技术方案进行说明。
S201、获取待处理的交通数据。
S202、基于待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵。
S203、基于目标填充模型确定交通数据矩阵对应的目标时空特征矩阵；其中，目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，输出数据为各层网络结构对基于训练样本构建的交通数据矩阵进行处理后得到的时空特征。
S204、根据交通数据矩阵、目标时空特征矩阵和缺失标识矩阵对待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据。
S205、应用填充后的交通数据对交通系统进行控制。
本申请实施例具备如下有益效果：由于目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，且该输出数据包括了各层网络结构对基于训练样本构建的交通数据矩阵进行处理后得到的时空特征。因此，将待处理的交通数据构建的对应的交通数据矩阵输入至目标填充模型，可以得到目标时空矩阵，该目标时空矩阵即为待处理的交通数据的预测数据对应的矩阵。再利用待处理的交通数据构建得到的缺失标识矩阵，可以对待处理的交通数据中的缺失部分进行填充，得到完整的交通数据。整个过程中，融合了时空特征的目标填充模型使填充后的交通数据的精度高，进而应用填充后的交通数据对交通系统进行控制的准确度高。
涉及到S201，交通数据比如是通过设置在各个交通路口的采集设备获得，其中，采集设备比如是卡口设备或者电子眼等。交通数据比如是直接采集到的各个路段在一定时间段的途车辆数等，还可以是根据在途车辆数计算出来的车辆速度或者加速度等，还可以是直接采集到的车辆的图像以及根据车辆图像确定的车辆的类型等。但是由于采样硬件故障、网络通信故障、人为误差等各种不可控因素，可能导致交通数据缺失现象的存在。因此，在本申请实施例中，将接收到的来个各个采集设备的交通数据作为待处理的交通数据，待除了的交通数据中可能包括一部分正常的交通数据，并且存在交通数据的缺失。
涉及到S202，基于待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵。
具体的，在获取到待处理的交通数据后，构建对应的交通数据矩阵如下:
Figure GDA0003906906160000101
其中，N1表示采集待处理的交通数据的第一采集设备的数量，n1取值为1到N1之间的整数；T1表示待处理的交通数据的时间采集长度，t1取值为1到T1之间的各个采集时刻；
Figure GDA0003906906160000102
表示在t1时刻所有第一采集设备获取的待处理的交通数据。另外，构建对应的缺失标识矩阵
Figure GDA0003906906160000103
如下：
Figure GDA0003906906160000104
其中，0表示该位置处的交通数据缺失，1表示该位置处的交通数据正常。
涉及到S203，基于训练样本集合对初始填充模型进行迭代训练得到目标填充模型，并且在每一次的迭代过程中，每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，输出数据为各层网络结构对基于训练样本构建的交通数据矩阵进行处理后得到的时空特征。这样，将待处理的交通数据构建得到的交通数据矩阵输入至目标填充模型后，可以得到交通数据矩阵对应的目标时空特征矩阵
Figure GDA0003906906160000105
该目标时空特征矩阵即为待处理的交通数据的预测值，但是，其不仅对待处理的交通数据中的缺失的交通数据进行预测，还对正常的交通数据进行预测。而在实际的应用过程中，只需要对缺失的交通数据即可。
涉及到S204，在得到目标时空特征矩阵后，根据交通数据矩阵和缺失标识矩阵对待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据。
在一个具体的例子中，
Figure GDA0003906906160000111
其中,⊙表示按元素乘积符，I1表示一个N1*R1的矩阵，矩阵中的每个元素均为1。这样，提取目标时空特征矩阵中的对应于待处理的交通数据中填充数据，保留了待处理的交通数据中的正常的交通数据，将填充数据填充到缺失的位置，得到填充后的交通数据。
涉及到S205，由于填充后的交通数据中，一方面保留了原本直接采集到的交通数据，另一方面还将原本缺失的交通数据预测出来，因此，得到了填充后的交通数据，可以直接应用到对交通系统的控制过程中，比如对早晚高峰的车流量进行调节。
接下来对目标填充模型的训练过程进行说明，参考图3。
S301、基于获取到的目标时间段内的交通数据构建训练样本集合；其中，一个训练样本为一个交通数据矩阵，交通数据矩阵的每行的元素携带的空间特征标识相同，以及每列的元素携带的时间特征标识相同。
其中，空间特征标识比如是指，采集相应的交通数据的采集设备(比如传感器)的标识，时间特征标识比如是指，采集相应的交通数据的时刻。这样，每一列的元素为，同一时刻各个采集设备采集到的交通数据；每一行的元素为，同一个采集设备在整个采集时间段内各个时刻的采集数据。
示例性的，基于获取到的目标时间段内的交通数据构建训练样本集合的过程可以通过如下方式实现：基于获取到的目标时间段内的交通数据，构建初始交通数据矩阵；利用预设滑动时间窗口对初始交通数据矩阵进行分割，得到多个交通数据矩阵；确定多个交通数据矩阵构成训练样本集合。
其中，初始交通矩阵中包括了目标时间段内的全部交通数据，目标时间段比如是24小时，而数据采集周期是每个5分钟采集一次，则在24小时内一共采集288次。这样，初始交通矩阵的列数为288，采用预设滑动时间窗口L对初始交通数据矩阵进行分割，得到多个交通数据矩阵，其中，L比如可以取89，步长为1，则得到T-L+1＝300个训练样本，每个训练样本为N行L列。因此，可以得到训练样本集合。
以一个训练样本为例，构建的对应的交通数据矩阵为：
Figure GDA0003906906160000112
另外，构建的该训练样本对应的训练用的缺失标识矩阵
Figure GDA0003906906160000113
如下：
Figure GDA0003906906160000121
其中，N表示采集训练过程中的交通数据的第二采集设备的数量，n取值为1到N之间的整数；T表示参与训练的交通数据的时间采集长度，t取值为1到T之间的各个采集时刻；
Figure GDA0003906906160000122
表示在t时刻所有第二采集设备训练用的交通数据。
S302、基于训练样本集合，采用迭代的方式对初始填充模型进行训练，直到满足预设的收敛条件为止，将最后一轮输出的填充模型作为目标填充模型；其中，预设的收敛条件是根据收敛误差确定的，收敛误差是根据各个训练样本以及对应的预测值确定的。
具体的，在训练序列到序列填充模型的过程中，需要设定深度模型的超参数及结构组成，主要包括隐含层数及每层的节点数、激励函数、学习速率、损失函数、优化函数、批处理大小、迭代次数等。在训练过程中，每一次的迭代过程均会计算得到各个样本对应的一组预测值，利用各个样本与对应的预测值之间的关系，确定本次迭代过程的收敛误差。示例性的，训练过程中的损失函数可使用MSE(Mean Squared Error，均方误差)；优化函数可以使用RMSprop函数，批处理数量为30，迭代次数为1000。根据误差反馈更新各层连接权值，达到期望误差或最大迭代次数后停止训练。MSE的误差计算公式为：
Figure GDA0003906906160000123
其中，S为样本数(在上述示例中，训练样本数为T-L+1)，θ表示模型中所有参数的集合，
Figure GDA0003906906160000124
表示Frobenius范式，Xs表示第s个训练样本，
Figure GDA0003906906160000125
表示第s个训练样本的预测值。
本申请实施例中，训练过程中，一个样本为一个交通数据矩阵，并且，对于每个交通数据矩阵。
参考图4，在一轮迭代过程中针对一个训练样本执行以下操作：
S401、将训练样本输入至卷积网络层进行卷积处理，确定卷积网络层输出的第一空间特征。
S402、将第一空间特征传递到第一LSTM网络层，并基于第一空间特征包括的各个第一空间向量对第一LSTM网络层进行更新，确定更新后的第一LSTM网络层输出的第一时空特征。
S403、将第一时空特征传递到第二LSTM网络层，并基于第一时空特征包括的各个第一时空向量对第二LSTM网络层进行更新，确定更新后的第二LSTM网络层输出的第二时空特征。
S404、将第一空间特征和第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵。
S405、根据训练样本、填充时空特征矩阵和训练样本对应的缺失标识矩阵，确定训练样本的预测值。
其中，S401到S405为一轮迭代过程中针对一个训练样本的处理过程，针对其他训练样本也进行同样的处理。其他轮的迭代过程也相同。该训练过程，为序列到序列的模型，不依赖专家经验，通过大数据离线训练，得到训练样本的时空特征，提供了准确且高效的目标填充模型。
涉及到S401，由于在本申请实施例中，空间特征不变，因此，可以采用以为卷积网络层，进而将训练样本输入至卷积网络层进行卷积处理，确定卷积网络层输出的第一空间特征是通过如下方式实现的：
针对训练样本中的每个交通数据向量，将交通数据向量与一维卷积网络层进行卷积处理，得到预设数量个特征向量；其中，预设数量为一维卷积网络层中的过滤器的数量；将预设数量个特征向量拼接得到交通数据向量对应的第一空间向量；确定各个第一空间向量构成第一空间特征。
具体的，以一个训练样本
Figure GDA0003906906160000131
为例，给定一个大小为N*1的一维卷积核，将该训练样本与一维卷积网络层进行卷积处理，经过过滤运算后输出大小为1*L的特征向量，而假设一维卷积网络层过滤器的数量为K，则预设数量为K，得到K个特征向量。再将K个特征向量进行拼接，得到卷积网络层的输出为第一空间特征
Figure GDA0003906906160000132
其计算公式如下：
Figure GDA0003906906160000133
其中，w(k)和b(k)分别表示卷积层的权重和偏置参数，φ(·)表示任意一种激活函数，比如ReLU函数；k表示第k个过滤器，
Figure GDA0003906906160000134
为第j列的第k个特征向量，这样，将各个列的数据组合到一起，并且将全部过滤器得到的数据进行拼接，得到第一空间特征
Figure GDA0003906906160000135
涉及到S402，将第一空间特征传递到第一LSTM网络层；应用第一LSTM网络层的网络参数、第一时间特征标识下的第一时空向量和第一空间特征中的第二时间特征标识下的第一空间向量对第一LSTM网络层进行更新，得到第二时间特征标识下的第一时空向量，直到得到全部时间特征标识下的第一时空向量；其中，第二时间特征标识对应的时刻为第一时间特征标识对应的时刻的下一时刻；确定全部时间特征标识下的第一时空向量构成第一时空特征。
具体的，第一LSTM网络层的计算过程简化为：
Figure GDA0003906906160000136
其中，第一时间特征标识比如是t-1，第二时间特征标识比如是t，时间标识表征对应的交通数据的采集时刻。第一空间特征为
Figure GDA0003906906160000137
而该第一空间特征有L列，假设
Figure GDA0003906906160000138
为hconv的第t的向量，也即，第一空间特征中的第二时间特征标识下的第一空间向量。
Figure GDA0003906906160000139
为第二时间特征标识下的第一时空向量，
Figure GDA00039069061600001310
为第一时间特征标识下的第一时空向量。
具体更新过程如下：第一LSTM网络层包括d个LSTM神经元数量，每个LSTM单元都包括存储单元ct，如图3所示。对存储单元ct的访问将由三个门控制，分别是遗忘门ft、输入门it和输出门ot。具体地说，LSTM单元在时间t的更新公式表示为：
it＝σ(ht convUi+ht-1 timeWi+bi)
ft＝σ(ht convUf+ht-1 timeWf+bf)
ot＝σ(ht convUo+ht-1 timeWo+bo)
Figure GDA0003906906160000141
Figure GDA0003906906160000142
ht time＝tanh(Ct)*ot
其中，参数集合{Wi,Wf,Wo,Wg}代表连接第t-1时刻递归层和第t时刻隐藏层之间的权重，权重集合{Ui,Uf,Uo,Ug}代表连接第t-1时刻隐藏层和第t时刻递归层之间的权重，{bi,bf,bo,bg}代表相应神经元的偏置向量，tanh(·)和σ(·)分别表示tanh和sigmod非线性激活函数。
上述为一次更新过程，应用同样的方式，依次进行更新，可以确定全部时间特征标识下的第一时空向量
Figure GDA0003906906160000143
构成第一时空特征
Figure GDA0003906906160000144
综上，S401和S402的过程可以称为编码过程，在编码阶段，利用一维卷积网络和第一LSTM网络层编码交通流数据的时空依赖特征，将其编码为固定向量(第一时空特征)便于挖掘数据潜在的分布特征。
涉及到S403，在得到第一时空特征henc后，将第一时空特征传递到第二LSTM网络层；应用第二LSTM网络层的网络参数、第三时间特征标识下的第二时空向量和第一时空特征中的第四时间特征标识下的第二时空向量对第二LSTM网络层进行更新，得到第四时间特征标识下的第二时空向量，直到得到全部时间特征标识下的第二时空向量；其中，第四时间特征标识对应的时刻为第三时间特征标识对应的时刻的下一时刻；确定全部时间特征标识下的第二时空向量构成第二时空特征。
具体的，第二LSTM网络层的更新过程与第一LSTM网络层的更新过程相同，如下：
Figure GDA0003906906160000145
其中，第三时间特征标识比如是t-1，第四时间特征标识比如是t，第一时空特征为henc，而该第一时空特征有L列，假设
Figure GDA0003906906160000146
为henc的第t列的向量，也即，第一时空特征中的第四时间特征标识下的第一时空向量。
Figure GDA0003906906160000147
为第四时间特征标识下的第二时空向量，
Figure GDA0003906906160000148
为第三时间特征标识下的第二时空向量。而第二LSTM网络层的网络参数和第一LSTM网络层的网络参数一一对应，实际取值可能不同，这里不赘述。
基于此，得到第二时空特征
Figure GDA0003906906160000149
其中，q为第二LSTM网络层中的LSTM神经元的数量。
涉及到S404，将第一空间特征和第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵。
具体的，通过LSTM解码可以获得交通流序列在每个时间步长上的时空特征，考虑在训练由卷积网络层和循环神经网络层构建的编码器-解码器网络中，由于损失函数的梯度向后传播会经过LSTM每个单元然后是一维卷积层，因此训练速度较慢影响模型实际应用效果。为了提高训练速度，应用Concatenate(.)函数将编码器中卷积层的输出连接到解码器中全连接层，这种改善有益于保留最初特征与目标值之间的映射关系，定义如下:
Figure GDA0003906906160000151
其中，
Figure GDA0003906906160000152
表示传递到解码器全连接层中输入。通过添加残差连接模块，在整个网络训练过程中，卷积层受到损失函数梯度的影响相对更大，因此由编码器和解码器构成的序列到序列模型在学习空间和时间特征时具有更快的收敛速度。
由编码器(一维卷积层和第一LSTM网络层)和解码器(第二LSTM网络层和全连接层)构成的序列到序列模型在学习空间和时间特征时具有更快的收敛速度。假定每个时间步长中的全连接层由N个单元构成，那么经过全连接神经网络传递获得时空特征向量，定义如下:
Figure GDA0003906906160000153
其中，
Figure GDA0003906906160000154
表示神经元的连接权重，
Figure GDA0003906906160000155
表示神经元的偏置向量。通过在每个时间步中的全连接映射，最终将各个列的时空特征向量进行拼接组合，得到交通流数据的填充时空特征矩阵X。
因此，为了加速网络训练以改善填充模型的效率在端到端框架中引入区别于传统加和机制的基于状态拼接的残差连接模块，在确保训练效率的同时加强预测精度。
上述实施例，将一维卷积神经网络和循环神经网络(第一LSTM网络层、第二LSTM网络层和全连接层)通过编码和解码框架来建模，建模过程中，构建了空间和时间上的双重维度上的依赖特征。该依赖特征表现为相邻位置、相邻时刻中可观测交通流序列之间的依赖程度更高。因此，通过递进挖掘方式，与现有技术中的未同时挖掘时间特征和空间特征造成的特征融合质量低的问题。
其中，S403和S404的过程可以称为解码过程，在解码阶段，利用第二LSTM网络层重构并建模交通流在时序维度上的输出特征，通过这种自编码框架避免了传统模型对分布假设和泛化性能的考虑，可以提高模型的填充鲁棒性能。
涉及到S405，根据训练样本、填充时空特征矩阵和训练样本对应的缺失标识矩阵，确定训练样本的预测值。
在一个具体的例子中，
Figure GDA0003906906160000156
其中，⊙表示按元素乘积符，I表示一个N*R的矩阵，矩阵中的每个元素均为1。这样，提取目标时空特征矩阵中的对应于待处理的交通数据中填充数据，保留了待处理的交通数据中的正常的交通数据，将填充数据填充到缺失的位置，得到训练样本的预测值。
综上，本申请实施例中的训练过程，根据获取到的目标时间段内的交通数据进行处理，构建初始交通数据矩阵，再根据滑动窗口机制对初始交通数据进行分割，得到多个交通数据矩阵，来作为训练样本。利用这些训练样本对端到端初始填充模型进行训练，获得初始填充模型的完整结构及对应参数分量，该端到端初始填充模型将一维卷积神经网络与循环神经网络通过编码-解码的创新方式相结合，充分利用交通数据在时间和空间双重维度上的相关依赖，以实现交通流缺失数据的准确填充；在网络训练过程中，采用残差连接以加速网络收敛速度并获得更符合真实情况的交通流数据，最后得到训练好的目标填充模型。进而提供高效率、高精度的数据填充。
在实际的应用过程中，训练好的目标填充模型可以进行应用，将目标填充模型安装部署到终端设备，待获得新监测数据(待处理的交通数据)后根据业务需求来进一步实现完整数据填充。
本申请实施例弥补了现有技术中未充分利用交通流数据的时空依赖特征以及模型训练性能不稳定等问题，利用残差连接结构和时空特征挖掘来改善交通流数据填充模型的精度和效率，这类数据驱动模型不依赖于先验专家经验，结合模型离线训练和在线部署运行机制实现高效、准确的交通缺失数据填充。
下面用一个具体的例子来说明本申请中的目标填充模型的数据填充效果。该示例中，应用的是XX高速(YY)段中9个实际卡口采集数据作为数据源，采样时间是2019年8月1日～2019年8月30日，采样周期为5min，采集交通流参数为交通平均速度。采用MCAR(完全随机缺失，missing completely at random)机制随机设置缺失比例为5％，10％，15％，20％，25％和30％，然后将本申请中的目标填充模型，和现有技术中的均值填充模型、KNN(K最临近，K-NearestNeighbor)填充模型的填充性能进行对比。模型填充性能指标采用缺失部分的RMSE(Root Mean Square Error，均方根误差)，得到交通数据缺失填充对比表，参见表1。
表1交通数据缺失填充对比表
缺失比例 均值填充 KNN 本申请中的目标填充模型
5％ 8.884 4.756 3.494
10％ 8.841 4.726 3.601
15％ 8.905 4.746 3.748
20％ 8.866 4.742 3.827
25％ 8.862 4.707 3.961
30％ 8.855 4.775 4.109
35％ 8.872 4.797 4.230
40％ 8.888 4.842 4.472
45％ 8.920 4.853 4.811
50％ 8.928 4.959 4.877
表1所示为不同缺失比例条件下三种模型的填充性能，从表中可以看出随着缺失比例的增加，三种填充模型的RMSE误差均呈现小幅度增长趋势(参见图5)，这是因为当缺失数据个数增多，模型能够挖掘的有效信息和特征也就越少，因此模型的整体填充精度呈现下降趋势。而在相同的缺失比例下，对比三种模型的填充效果，均值填充仅综合考虑全部时间周期内的平均值，尚未差异化表征时间特征和空间依赖，因此填充误差相对KNN和所提模型更高。另外，KNN虽然能够根据序列相似度发现空间依赖特征，但缺少对序列时序变化趋势的建模，通常来说交通流是时序变化数据，具有较强的短期和长期时序变化特征。
因此，本申请中的序列到序列的填充模型同时考虑交通流量数据在时间和空间双重维度上的依赖特征，从而表现出更精确的填充精度。
如图6所示，基于相同的发明构思，本发明实施例提供一种控制交通系统的装置，包括：数据获取模块61、矩阵构建模块62、确定模块63、数据填充模块64和控制模块65。
数据获取模块61，用于获取待处理的交通数据；
矩阵构建模块62，用于基于待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；
确定模块63，用于基于目标填充模型确定交通数据矩阵对应的目标时空特征矩阵；其中，目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，输出数据为各层网络结构对基于训练样本构建的交通数据矩阵进行处理后得到的时空特征；
数据填充模块64，用于根据交通数据矩阵、目标时空特征矩阵和缺失标识矩阵对待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；
控制模块65，用于应用填充后的交通数据对交通系统进行控制。
在一些示例性的实施方式中，还包括模型训练模块，用于通过如下方式训练得到目标填充模型：
基于获取到的目标时间段内的交通数据构建训练样本集合；其中，一个训练样本为一个交通数据矩阵，交通数据矩阵的每行的元素携带的空间特征标识相同，以及每列的元素携带的时间特征标识相同；
基于训练样本集合，采用迭代的方式对初始填充模型进行训练，直到满足预设的收敛条件为止，将最后一轮输出的填充模型作为目标填充模型；其中，预设的收敛条件是根据收敛误差确定的，收敛误差是根据各个训练样本以及对应的预测值确定的；
在一轮迭代过程中针对一个训练样本执行以下操作：
将训练样本输入至卷积网络层进行卷积处理，确定卷积网络层输出的第一空间特征；
将第一空间特征传递到第一LSTM网络层，并基于第一空间特征包括的各个第一空间向量对第一LSTM网络层进行更新，确定更新后的第一LSTM网络层输出的第一时空特征；
将第一时空特征传递到第二LSTM网络层，并基于第一时空特征包括的各个第一时空向量对第二LSTM网络层进行更新，确定更新后的第二LSTM网络层输出的第二时空特征；
将第一空间特征和第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵；
根据训练样本、填充时空特征矩阵和训练样本对应的缺失标识矩阵，确定训练样本的预测值。
在一些示例性的实施方式中，模型训练模块具体用于：
基于获取到的目标时间段内的交通数据，构建初始交通数据矩阵；
利用预设滑动时间窗口对初始交通数据矩阵进行分割，得到多个交通数据矩阵；
确定多个交通数据矩阵构成训练样本集合。
在一些示例性的实施方式中，每个交通数据矩阵对应一个缺失标识矩阵，缺失标识矩阵是通过将交通数据矩阵中的有效元素用第一标识替换且无效元素用第二标识替换后得到的；其中，无效元素为缺失的元素；
模型训练模块具体用于：
将交通数据矩阵与缺失标识矩阵做第一叉积处理，并将填充时空矩阵与缺失标识矩阵的关联矩阵做第二叉积处理；其中，缺失标识矩阵的关联矩阵为单位矩阵与缺失标识矩阵做差得到的；
确定第一叉积处理的结果与第二叉积处理的结果之和为训练样本的预测值。
在一些示例性的实施方式中，卷积网络层为一维卷积网络层；模型训练模块具体用于：
针对训练样本中的每个交通数据向量，将交通数据向量与一维卷积网络层进行卷积处理，得到预设数量个特征向量；其中，预设数量为一维卷积网络层中的过滤器的数量；
将预设数量个特征向量拼接得到交通数据向量对应的第一空间向量；
确定各个第一空间向量构成第一空间特征。
在一些示例性的实施方式中，模型训练模块具体用于：
将第一空间特征传递到第一LSTM网络层；
应用第一LSTM网络层的网络参数、第一时间特征标识下的第一时空向量和第一空间特征中的第二时间特征标识下的第一空间向量对第一LSTM网络层进行更新，得到第二时间特征标识下的第一时空向量，直到得到全部时间特征标识下的第一时空向量；其中，第二时间特征标识对应的时刻为第一时间特征标识对应的时刻的下一时刻；
确定全部时间特征标识下的第一时空向量构成第一时空特征。
在一些示例性的实施方式中，模型训练模块具体用于：
将第一时空特征传递到第二LSTM网络层；
应用第二LSTM网络层的网络参数、第三时间特征标识下的第二时空向量和第一时空特征中的第四时间特征标识下的第二时空向量对第二LSTM网络层进行更新，得到第四时间特征标识下的第二时空向量，直到得到全部时间特征标识下的第二时空向量；其中，第四时间特征标识对应的时刻为第三时间特征标识对应的时刻的下一时刻；
确定全部时间特征标识下的第二时空向量构成第二时空特征。
由于该装置即是本发明实施例中的方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图7所示，基于相同的发明构思，本发明实施例提供一种控制交通系统的设备，该设备包括：处理器701以及数据传输单元702。
数据传输单元702被配置为执行：
将接收到的来自数据采集设备的待处理的交通数据发送至处理器；
处理器701被配置为执行：
获取待处理的交通数据；
基于待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；
基于目标填充模型确定交通数据矩阵对应的目标时空特征矩阵；其中，目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，输出数据为各层网络结构对基于训练样本构建的交通数据矩阵进行处理后得到的时空特征；
根据交通数据矩阵、目标时空特征矩阵和缺失标识矩阵对待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；
应用填充后的交通数据对交通系统进行控制。
在一些示例性的实施方式中，处理器701被配置为执行：
通过如下方式训练得到目标填充模型：
基于获取到的目标时间段内的交通数据构建训练样本集合；其中，一个训练样本为一个交通数据矩阵，交通数据矩阵的每行的元素携带的空间特征标识相同，以及每列的元素携带的时间特征标识相同；
基于训练样本集合，采用迭代的方式对初始填充模型进行训练，直到满足预设的收敛条件为止，将最后一轮输出的填充模型作为目标填充模型；其中，预设的收敛条件是根据收敛误差确定的，收敛误差是根据各个训练样本以及对应的预测值确定的；
在一轮迭代过程中针对一个训练样本执行以下操作：
将训练样本输入至卷积网络层进行卷积处理，确定卷积网络层输出的第一空间特征；
将第一空间特征传递到第一LSTM网络层，并基于第一空间特征包括的各个第一空间向量对第一LSTM网络层进行更新，确定更新后的第一LSTM网络层输出的第一时空特征；
将第一时空特征传递到第二LSTM网络层，并基于第一时空特征包括的各个第一时空向量对第二LSTM网络层进行更新，确定更新后的第二LSTM网络层输出的第二时空特征；
将第一空间特征和第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵；
根据训练样本、填充时空特征矩阵和训练样本对应的缺失标识矩阵，确定训练样本的预测值。
在一些示例性的实施方式中，处理器701被配置为执行：
基于获取到的目标时间段内的交通数据，构建初始交通数据矩阵；
利用预设滑动时间窗口对初始交通数据矩阵进行分割，得到多个交通数据矩阵；
确定多个交通数据矩阵构成训练样本集合。
在一些示例性的实施方式中，每个交通数据矩阵对应一个缺失标识矩阵，缺失标识矩阵是通过将交通数据矩阵中的有效元素用第一标识替换且无效元素用第二标识替换后得到的；其中，无效元素为缺失的元素；
处理器被配置为执行：
将交通数据矩阵与缺失标识矩阵做第一叉积处理，并将填充时空矩阵与缺失标识矩阵的关联矩阵做第二叉积处理；其中，缺失标识矩阵的关联矩阵为单位矩阵与缺失标识矩阵做差得到的；
确定第一叉积处理的结果与第二叉积处理的结果之和为训练样本的预测值。
在一些示例性的实施方式中，卷积网络层为一维卷积网络层；处理器701被配置为执行：
针对训练样本中的每个交通数据向量，将交通数据向量与一维卷积网络层进行卷积处理，得到预设数量个特征向量；其中，预设数量为一维卷积网络层中的过滤器的数量；
将预设数量个特征向量拼接得到交通数据向量对应的第一空间向量；
确定各个第一空间向量构成第一空间特征。
在一些示例性的实施方式中，处理器被配置为执行：
将第一空间特征传递到第一LSTM网络层；
应用第一LSTM网络层的网络参数、第一时间特征标识下的第一时空向量和第一空间特征中的第二时间特征标识下的第一空间向量对第一LSTM网络层进行更新，得到第二时间特征标识下的第一时空向量，直到得到全部时间特征标识下的第一时空向量；其中，第二时间特征标识对应的时刻为第一时间特征标识对应的时刻的下一时刻；
确定全部时间特征标识下的第一时空向量构成第一时空特征。
在一些示例性的实施方式中，处理器701被配置为执行：
将第一时空特征传递到第二LSTM网络层；
应用第二LSTM网络层的网络参数、第三时间特征标识下的第二时空向量和第一时空特征中的第四时间特征标识下的第二时空向量对第二LSTM网络层进行更新，得到第四时间特征标识下的第二时空向量，直到得到全部时间特征标识下的第二时空向量；其中，第四时间特征标识对应的时刻为第三时间特征标识对应的时刻的下一时刻；
确定全部时间特征标识下的第二时空向量构成第二时空特征。
本发明实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机程序指令，当指令在计算机上运行时，使得计算机执行上述控制交通系统的方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种控制交通系统的方法，其特征在于，包括：
获取待处理的交通数据；
基于所述待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；
基于目标填充模型确定所述交通数据矩阵对应的目标时空特征矩阵；其中，所述目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，所述输出数据为所述各层网络结构对基于所述训练样本构建的交通数据矩阵进行处理后得到的时空特征；
根据所述交通数据矩阵、所述目标时空特征矩阵和所述缺失标识矩阵对所述待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；
应用所述填充后的交通数据对交通系统进行控制。
2.根据权利要求1所述的方法，其特征在于，所述目标填充模型是通过如下方式训练得到的：
基于获取到的目标时间段内的交通数据构建训练样本集合；其中，一个训练样本为一个交通数据矩阵，所述交通数据矩阵的每行的元素携带的空间特征标识相同，以及每列的元素携带的时间特征标识相同；
基于所述训练样本集合，采用迭代的方式对初始填充模型进行训练，直到满足预设的收敛条件为止，将最后一轮输出的填充模型作为目标填充模型；其中，所述预设的收敛条件是根据收敛误差确定的，所述收敛误差是根据各个所述训练样本以及对应的预测值确定的；
在一轮迭代过程中针对一个训练样本执行以下操作：
将所述训练样本输入至卷积网络层进行卷积处理，确定所述卷积网络层输出的第一空间特征；
将所述第一空间特征传递到第一LSTM网络层，并基于所述第一空间特征包括的各个第一空间向量对所述第一LSTM网络层进行更新，确定更新后的所述第一LSTM网络层输出的第一时空特征；
将所述第一时空特征传递到第二LSTM网络层，并基于所述第一时空特征包括的各个第一时空向量对所述第二LSTM网络层进行更新，确定更新后的所述第二LSTM网络层输出的第二时空特征；
将所述第一空间特征和所述第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵；
根据所述训练样本、所述填充时空特征矩阵和所述训练样本对应的缺失标识矩阵，确定所述训练样本的预测值。
3.根据权利要求2所述的方法，其特征在于，所述基于获取到的目标时间段内的交通数据构建训练样本集合，包括：
基于获取到的目标时间段内的交通数据，构建初始交通数据矩阵；
利用预设滑动时间窗口对所述初始交通数据矩阵进行分割，得到多个交通数据矩阵；
确定多个交通数据矩阵构成训练样本集合。
4.根据权利要求2所述的方法，其特征在于，每个交通数据矩阵对应一个缺失标识矩阵，所述缺失标识矩阵是通过将所述交通数据矩阵中的有效元素用第一标识替换且无效元素用第二标识替换后得到的；其中，所述无效元素为缺失的元素；
所述根据所述训练样本、所述填充时空特征矩阵和所述训练样本对应的缺失标识矩阵，确定所述训练样本的预测值，包括：
将所述交通数据矩阵与所述缺失标识矩阵做第一叉积处理，并将所述填充时空矩阵与所述缺失标识矩阵的关联矩阵做第二叉积处理；其中，所述缺失标识矩阵的关联矩阵为单位矩阵与所述缺失标识矩阵做差得到的；
确定所述第一叉积处理的结果与所述第二叉积处理的结果之和为所述训练样本的预测值。
5.根据权利要求2所述的方法，其特征在于，所述卷积网络层为一维卷积网络层；将所述训练样本输入至卷积网络层进行卷积处理，确定所述卷积网络层输出的第一空间特征，包括：
针对所述训练样本中的每个交通数据向量，将所述交通数据向量与所述一维卷积网络层进行卷积处理，得到预设数量个特征向量；其中，所述预设数量为所述一维卷积网络层中的过滤器的数量；
将所述预设数量个特征向量拼接得到所述交通数据向量对应的第一空间向量；
确定各个第一空间向量构成所述第一空间特征。
6.根据权利要求2所述的方法，其特征在于，时间特征标识表征对应的交通数据的采集时刻，将所述第一空间特征传递到第一LSTM网络层，并基于所述第一空间特征包括的各个第一空间向量对所述第一LSTM网络层进行更新，确定更新后的所述第一LSTM网络层输出的第一时空特征，包括：
将所述第一空间特征传递到第一LSTM网络层；
应用所述第一LSTM网络层的网络参数、第一时间特征标识下的第一时空向量和所述第一空间特征中的第二时间特征标识下的第一空间向量对所述第一LSTM网络层进行更新，得到所述第二时间特征标识下的第一时空向量，直到得到全部时间特征标识下的第一时空向量；其中，所述第二时间特征标识对应的时刻为所述第一时间特征标识对应的时刻的下一时刻；
确定所述全部时间特征标识下的第一时空向量构成所述第一时空特征。
7.根据权利要求2~6任一项所述的方法，其特征在于，时间特征标识表征对应的交通数据的采集时刻，所述将所述第一时空特征传递到第二LSTM网络层，并基于所述第二时空特征包括的各个第一时空向量对所述第二LSTM网络层进行更新，确定更新后的所述第二LSTM网络层输出的第二时空特征，包括：
将所述第一时空特征传递到第二LSTM网络层；
应用所述第二LSTM网络层的网络参数、第三时间特征标识下的第二时空向量和所述第一时空特征中的第四时间特征标识下的第二时空向量对所述第二LSTM网络层进行更新，得到所述第四时间特征标识下的第二时空向量，直到得到全部时间特征标识下的第二时空向量；其中，所述第四时间特征标识对应的时刻为所述第三时间特征标识对应的时刻的下一时刻；
确定所述全部时间特征标识下的第二时空向量构成所述第二时空特征。
8.一种控制交通系统的设备，其特征在于，包括处理器和数据传输单元，其中：
所述数据传输单元被配置为执行：
将接收到的来自数据采集设备的待处理的交通数据发送至所述处理器；
所述处理器被配置为执行：
获取待处理的交通数据；
基于所述待处理的交通数据，构建对应的交通数据矩阵以及缺失标识矩阵；
基于目标填充模型确定所述交通数据矩阵对应的目标时空特征矩阵；其中，所述目标填充模型是基于训练样本集合对初始填充模型进行迭代训练得到的；并且，在每一次的迭代过程中应用到的每个训练样本的预测值是当次迭代应用的填充模型中的各层网络结构的输出数据确定的，所述输出数据为所述各层网络结构对基于所述训练样本构建的交通数据矩阵进行处理后得到的时空特征；
根据所述交通数据矩阵、所述目标时空特征矩阵和所述缺失标识矩阵对所述待处理的交通数据中的缺失部分进行填充，得到填充后的交通数据；
应用所述填充后的交通数据对交通系统进行控制。
9.根据权利要求8所述的设备，其特征在于，所述处理器被配置为执行：
通过如下方式训练得到所述目标填充模型：
基于获取到的目标时间段内的交通数据构建训练样本集合；其中，一个训练样本为一个交通数据矩阵，所述交通数据矩阵的每行的元素携带的空间特征标识相同，以及每列的元素携带的时间特征标识相同；
基于所述训练样本集合，采用迭代的方式对初始填充模型进行训练，直到满足预设的收敛条件为止，将最后一轮输出的填充模型作为目标填充模型；其中，所述预设的收敛条件是根据收敛误差确定的，所述收敛误差是根据各个所述训练样本以及对应的预测值确定的；
在一轮迭代过程中针对一个训练样本执行以下操作：
将所述训练样本输入至卷积网络层进行卷积处理，确定所述卷积网络层输出的第一空间特征；
将所述第一空间特征传递到第一LSTM网络层，并基于所述第一空间特征包括的各个第一空间向量对所述第一LSTM网络层进行更新，确定更新后的所述第一LSTM网络层输出的第一时空特征；
将所述第一时空特征传递到第二LSTM网络层，并基于所述第一时空特征包括的各个第一时空向量对所述第二LSTM网络层进行更新，确定更新后的所述第二LSTM网络层输出的第二时空特征；
将所述第一空间特征和所述第二时空特征传递到全连接层进行拼接，针对拼接后的特征进行残差处理，得到填充时空特征矩阵；
根据所述训练样本、所述填充时空特征矩阵和所述训练样本对应的缺失标识矩阵，确定所述训练样本的预测值。
10.根据权利要求8或9所述的设备，其特征在于，所述处理器被配置为执行：
基于获取到的目标时间段内的交通数据，构建初始交通数据矩阵；
利用预设滑动时间窗口对所述初始交通数据矩阵进行分割，得到多个交通数据矩阵；
确定多个交通数据矩阵构成训练样本集合。
CN202210001032.8A 2022-01-04 2022-01-04 一种控制交通系统的方法和设备 Active CN114399901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210001032.8A CN114399901B (zh) 2022-01-04 2022-01-04 一种控制交通系统的方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210001032.8A CN114399901B (zh) 2022-01-04 2022-01-04 一种控制交通系统的方法和设备

Publications (2)

Publication Number Publication Date
CN114399901A CN114399901A (zh) 2022-04-26
CN114399901B true CN114399901B (zh) 2022-12-13

Family

ID=81229307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210001032.8A Active CN114399901B (zh) 2022-01-04 2022-01-04 一种控制交通系统的方法和设备

Country Status (1)

Country Link
CN (1) CN114399901B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115171372B (zh) * 2022-06-20 2023-10-24 青岛海信网络科技股份有限公司 一种交通异常检测方法、设备及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010320A (zh) * 2017-12-21 2018-05-08 北京工业大学 一种基于自适应时空约束低秩算法的路网交通数据的补全方法
CN108647834A (zh) * 2018-05-24 2018-10-12 浙江工业大学 一种基于卷积神经网络结构的交通流预测方法
CN109166309A (zh) * 2018-08-06 2019-01-08 重庆邮电大学 一种面向复杂城市交通网络的缺失流量数据恢复方法
CN110555018A (zh) * 2019-07-29 2019-12-10 浙江工业大学 一种交通流量补全与预测方法
CN111540193A (zh) * 2020-03-13 2020-08-14 华南理工大学 一种基于图卷积时序生成对抗网络的交通数据修复方法
CN112309112A (zh) * 2020-09-10 2021-02-02 浙江工业大学 一种基于GraphSAGE-GAN的交通路网数据修复方法
CN112926768A (zh) * 2021-01-27 2021-06-08 浙江工业大学 基于时空注意力机制的地面道路车道级交通流预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464304A (zh) * 2014-12-25 2015-03-25 北京航空航天大学 一种基于路网特性的城市道路车辆行驶速度预测方法
CN108898829B (zh) * 2018-06-07 2021-02-09 重庆邮电大学 针对无差异性划分和数据稀疏的动态短时交通流预测系统
CN111724601B (zh) * 2020-06-30 2022-03-18 西安电子科技大学 一种适用于数据缺失的机动车交通流预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010320A (zh) * 2017-12-21 2018-05-08 北京工业大学 一种基于自适应时空约束低秩算法的路网交通数据的补全方法
CN108647834A (zh) * 2018-05-24 2018-10-12 浙江工业大学 一种基于卷积神经网络结构的交通流预测方法
CN109166309A (zh) * 2018-08-06 2019-01-08 重庆邮电大学 一种面向复杂城市交通网络的缺失流量数据恢复方法
CN110555018A (zh) * 2019-07-29 2019-12-10 浙江工业大学 一种交通流量补全与预测方法
CN111540193A (zh) * 2020-03-13 2020-08-14 华南理工大学 一种基于图卷积时序生成对抗网络的交通数据修复方法
CN112309112A (zh) * 2020-09-10 2021-02-02 浙江工业大学 一种基于GraphSAGE-GAN的交通路网数据修复方法
CN112926768A (zh) * 2021-01-27 2021-06-08 浙江工业大学 基于时空注意力机制的地面道路车道级交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于深度学习的缺失交通流量数据恢复方法;帅杰;《优秀硕士论文全文库工程科技Ⅱ辑》;20200215;1-66 *

Also Published As

Publication number Publication date
CN114399901A (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN111400620B (zh) 基于时空嵌入Self-Attention的用户轨迹位置预测方法
KR20200018283A (ko) 컨볼루션 순환 신경망을 훈련시키는 방법 및 훈련된 컨볼루션 순환 신경망을 사용하는 입력된 비디오의 의미적 세그먼트화 방법
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN114239718B (zh) 基于多元时序数据分析的高精度长期时间序列预测方法
CN112529210A (zh) 模型训练方法、装置以及计算机可读存储介质
CN114757432A (zh) 基于流程日志和多任务学习的未来执行活动及时间预测方法及系统
CN115660135A (zh) 基于贝叶斯方法和图卷积的交通流预测方法及系统
CN113779882A (zh) 设备剩余使用寿命的预测方法、装置、设备及存储介质
CN115168443A (zh) 一种基于gcn-lstm和注意力机制的异常检测方法及系统
CN114399901B (zh) 一种控制交通系统的方法和设备
CN113068131A (zh) 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质
CN112651360A (zh) 一种小样本下骨架动作识别方法
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
CN117036760A (zh) 一种基于图对比学习的多视图聚类模型实现方法
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN110647917B (zh) 一种模型复用方法与系统
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN117076993A (zh) 基于云原生的多智能体博弈决策系统及方法
CN115953902A (zh) 一种基于多视图时空图卷积网络的交通流预测方法
CN115796359A (zh) 基于深度Koopman算符的PM2.5时空预测方法
CN114757391B (zh) 一种面向服务质量预测的网络数据空间设计与应用方法
CN115700628A (zh) 一种含缺失数据的交通流预测方法和系统
CN116007937A (zh) 一种机械设备传动部件智能故障诊断方法及装置
CN116166642A (zh) 基于引导信息的时空数据填补方法、系统、设备及介质
CN115146844A (zh) 一种基于多任务学习的多模式交通短时客流协同预测方法

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