CN114419878A - 城市路网全域交通状态预测的方法、电子装置和存储介质 - Google Patents
城市路网全域交通状态预测的方法、电子装置和存储介质 Download PDFInfo
- Publication number
- CN114419878A CN114419878A CN202111580205.8A CN202111580205A CN114419878A CN 114419878 A CN114419878 A CN 114419878A CN 202111580205 A CN202111580205 A CN 202111580205A CN 114419878 A CN114419878 A CN 114419878A
- Authority
- CN
- China
- Prior art keywords
- traffic state
- data
- historical
- signal timing
- predicted
- 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
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种城市路网全域交通状态预测的方法、电子装置和存储介质,通过训练好的交通状态预测模型预测交通状态包括:信号配时检测模块接收待预测数据,待预测数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据;信号配时检测模块根据历史信号配时数据判断是否检测到路网级的信号配时变化,若为否,则被动预测模块通过路网无权有向图的邻接矩阵和历史交通状态数据生成预测交通状态,若为是,则主动预测模块通过路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据生成预测交通状态,即本申请中的交通状态预测模型不仅基于交通流特征,还基于交通信号控制来预测交通状态,提高了预测的准确率。
Description
技术领域
本申请涉及交通预测技术领域,特别是涉及城市路网全域交通状态预测的方法、电子装置和存储介质。
背景技术
交通状态预测是智能交通系统发展过程中最具挑战性的任务之一。交通状态预测是基于历史观察,预测未来交通网络中的交通状态(如路段速度、交通流和延误等)。在工程实践中,交通状态被看作城市交通信号控制的主要指标之一,在整个交通网络层面,交通状态是识别交通拥堵的重要指标,能够预测近期的路网级路段交通状态对于城市交通信号控制、运营和管理至关重要。
在相关技术中,可以通过基于统计的时间序列分析模型(如ARIMA、SVR等)预测交通状态,但是,基于统计的时间序列分析模型无法捕捉道路路段与相邻路段之间存在复杂的时空相关性,也可以通过基于深度学习的数据驱动方法预测交通状态,但是上述两种方法中的模型都只基于交通流特征(即车速、交通流、交通拥堵的发生等)来预测交通状态,为被动的模型。实际上,交通状态是受交通信号控制而主动变化的,因此,基于被动的模型预测交通状态,会导致准确率不高。
目前针对相关技术中基于被动的模型预测交通状态时,仅考虑交通流特征不考虑交通信号控制,准确率不高的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种城市路网全域交通状态预测的方法、电子装置和存储介质,以至少解决相关技术中基于被动的模型预测交通状态时,仅考虑交通流特征不考虑交通信号控制,准确率不高的问题。
第一方面,本申请实施例提供了一种城市路网全域交通状态预测的方法,所述方法包括:
输入待预测数据至训练好的交通状态预测模型,得到模型输出的预测交通状态,其中,所述交通状态预测模型包括生成器和判别器,所述生成器包括信号配时检测模块、主动预测模块和被动预测模块;
其中,通过训练好的交通状态预测模型预测交通状态包括:
所述信号配时检测模块接收待预测数据,其中,所述待预测数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据;
所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化,若判断结果为否,则所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态,若判断结果为是,则所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态。
在其中一些实施例中,所述交通状态预测模型训练方式如下:
获取预处理完成的训练数据,其中,所述训练数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据;
所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化,若判断结果为否,则所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态,若判断结果为是,则所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态;
所述判别器根据真实历史交通状态和预测交通状态输出对应的分数,当达到精度要求后,获得训练好的交通状态预测模型。
在其中一些实施例中,所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态包括:
所述被动预测模块包括时间图卷积块、自注意力图卷积块和全连接层,所述时间图卷积块包括图卷积网络和门控循环单元;
所述路网无权有向图的邻接矩阵和所述历史交通状态数据通过所述图卷积网络、所述门控循环单元、所述自注意力图卷积块和所述全连接层,输出所述预测交通状态数据。
在其中一些实施例中,所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态包括:
所述主动预测模块包括时间图卷积块、第一自注意力图卷积块、独热编码层、第二门控循环单元、第二自注意力图卷积块、数据拼接层和全连接层,所述时间图卷积块包括图卷积网络和第一门控循环单元;
所述历史交通状态数据和所述路网无权有向图的邻接矩阵通过所述图卷积网络、所述第一门控循环单元和所述第一自注意力图卷积块得到第一中间结果,所述历史信号配时数据经过所述独热编码层、所述第二门控循环单元和所述第二自注意力图卷积块得到第二中间结果,所述数据拼接层将所述第一中间结果和所述第二中间结果拼接后,通过所述全连接层输出所述预测交通状态数据。
在其中一些实施例中,所述判别器根据真实历史交通状态和预测交通状态输出对应的分数包括:
所述判别器包括卷积神经网络、门控循环单元、自注意力图卷积块和全连接层;
根据所述真实历史交通状态和所述预测交通状态获得真实样本和虚假样本,所述真实样本和所述虚假样本通过所述卷积神经网络、所述门控循环单元、所述自注意力图卷积块和所述全连接层,输出所述真实样本和所述虚假样本的分数。
在其中一些实施例中,所述根据所述真实历史交通状态和所述预测交通状态获得真实样本和虚假样本包括:
根据历史交通状态数据和预测交通状态数据,分别生成历史交通状态特征矩阵和预测交通状态特征矩阵,根据所述历史交通状态特征矩阵获得真实样本,将所述历史交通状态特征矩阵和所述预测交通状态特征矩阵拼接,获得虚假样本。
在其中一些实施例中,所述获取预处理完成的训练数据或所述信号配时检测模块接收待预测数据之前,所述方法还包括:
对输入数据进行预处理,获得待预测数据或训练数据,其中,所述输入数据包括交通路网信息、历史交通状态数据和历史信号配时数据,预处理过程包括:
根据所述交通路网信息将交通网络表示为一个无权有向图G=(V,E,A),其中,V表示有限的节点的集合,代表实际路网中的路段,E表示有限的边集,代表实际路网中的路段之间的连接性,A∈RN×N表示路网无权有向图的邻接矩阵,N为节点的个数;
在时间步t,所述历史交通状态数据表示为St∈RN,所述历史信号配时数据表示为Ct∈RN。
在其中一些实施例中,所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化包括:
所述信号配时检测模块根据t时刻路段r的所述历史信号配时数据,获得历史信号配时序列,若所述历史信号配时序列中至少有一个元素不同,则说明检测到路段r在t时刻改变了信号配时,若改变信号配时的路段数超过预测值,则判断为t时刻检测到路网级的信号配时变化。
第三方面,本申请实施例提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的城市路网全域交通状态预测的方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的城市路网全域交通状态预测的方法。
相比于相关技术,本申请实施例提供的城市路网全域交通状态预测的方法,通过输入待预测数据至训练好的交通状态预测模型,得到模型输出的预测交通状态,其中,交通状态预测模型包括生成器和判别器,生成器包括信号配时检测模块、主动预测模块和被动预测模块;其中,通过训练好的交通状态预测模型预测交通状态包括:信号配时检测模块接收待预测数据,其中,待预测数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据;信号配时检测模块根据历史信号配时数据判断是否检测到路网级的信号配时变化,若判断结果为否,则被动预测模块通过路网无权有向图的邻接矩阵和历史交通状态数据生成预测交通状态,若判断结果为是,则主动预测模块通过路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据生成预测交通状态,即本申请中的交通状态预测模型不仅基于交通流特征,还基于交通信号控制来预测交通状态,提高了预测的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的城市路网全域交通状态预测的方法的应用环境示意图;
图2是根据本申请实施例的城市路网全域交通状态预测的方法的流程图;
图3是根据本申请实施例的生成器和判别器内部结构的示意图;
图4是根据本申请实施例的判别器内部结构的示意图;
图5是根据本申请实施例的路段速度特征矩阵构建示意图;
图6是根据本申请实施例的训练流程和推理流程的整体框架示意图;
图7是根据本申请实施例的预测路段速度与真实路段速度对比图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”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。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请提供的城市路网全域交通状态预测的方法,可以应用于如图1所示的应用环境中,图1是根据本申请实施例的城市路网全域交通状态预测的方法的应用环境示意图,如图1所示,在进行交通状态预测时,服务器101输入待预测数据至训练好的交通状态预测模型,得到模型输出的预测交通状态;其中,服务器101可以用独立的服务器或者是多个服务器组成的服务器集群来实现。需要说明的是,交通状态包括交通流量、占有率、路段速度和延误等,以下以路段速度为例进行说明。
本实施例提供了一种城市路网全域交通状态预测的方法,该方法包括:输入待预测数据至训练好的交通状态预测模型,得到模型输出的预测交通状态,其中,交通状态预测模型包括生成器和判别器,生成器包括信号配时检测模块、主动预测模块和被动预测模块,其中,交通状态预测模型采用了Wasserstein生成对抗网络(WGAN)结构,模型中的生成器和判别器由两个相互竞争的深度神经网络(DNN)采用对抗机制自动训练,判别器和生成器都逐渐迭代改进,最终生成器达到稳定的预测性能。
图2是根据本申请实施例的城市路网全域交通状态预测的方法的流程图,如图2所示,该方法包括如下步骤:
步骤S201,信号配时检测模块接收待预测数据,其中,待预测数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据;
步骤S202,信号配时检测模块根据历史信号配时数据判断是否检测到路网级的信号配时变化,若判断结果为否,则被动预测模块通过路网无权有向图的邻接矩阵和历史交通状态数据生成预测交通状态,若判断结果为是,则主动预测模块通过路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据生成预测交通状态。
由于交通状态的变化是受交通信号控制而主动变化的,传统的模型没有考虑交通信号控制信息,而本申请中的交通状态预测模型是考虑交通信号控制信息的主动模型。
为了考虑交通信号控制信息,传统的图神经网络模型需要大量的数据,即不同的交通状态与不同的交通信号控制信息的排列组合,但在路网级别上可能会有很多的交通状态和交通信号控制信息的组合,在历史上从未出现过。而本申请实施例中通过生成对抗网络(GAN)可以从少量的数据中学习真实的数据分布,从而解决小样本学习的问题。
即通过步骤S201至步骤S202,相对于现有技术中基于被动的模型预测交通状态时,仅考虑交通流特征不考虑交通信号控制,准确率不高的问题,本实施例在检测不到路网级的信号配时变化时,交通状态预测模型通过路网无权有向图的邻接矩阵和历史交通状态数据预测未来交通状态,在检测到路网级的信号配时变化时,交通状态预测模型通过路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据预测未来交通状态,即本申请中的交通状态预测模型不仅基于交通流特征,还基于交通信号控制来预测交通状态,提高了预测的准确率。
在其中一些实施例中,交通状态预测模型训练方式如下:
获取预处理完成的训练数据,其中,训练数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据,以下以路段速度为例进行说明,即历史交通状态数据为历史路段速度数据。
可选的,对交通路网信息、历史路段速度数据和历史信号配时数据进行预处理,包括:
交通路网信息的处理为根据交通路网信息将交通网络表示为一个无权有向图G=(V,E,A),其中,V表示有限的节点的集合,代表实际路网中的路段,E表示有限的边集,代表实际路网中的路段之间的连接性,A∈RN×N表示路网无权有向图的邻接矩阵,N为节点的个数,路网无权有向图的邻接矩阵中,表示从点vi到点vj可通行,表示从点vi到点vj不可通行。
历史路段速度数据的处理为在时间步t,无权有向图G的历史路段速度数据表示为St∈RN,历史信号配时数据的处理为在时间步t,历史信号配时数据(这里特指路段的绿灯时长)表示为Ct∈RN,其中,预测流程的数据预处理与训练流程中的数据预处理一致。
生成器读取历史P个时间步的路段速度和信号配时数据以及路网无权有向图的邻接矩阵A作为输入,信号配时检测模块根据历史信号配时数据判断是否检测到路网级的信号配时变化,若判断结果为否,则被动预测模块通过路网无权有向图的邻接矩阵和历史路段速度数据生成预测路段速度,若判断结果为是,则主动预测模块通过路网无权有向图的邻接矩阵、历史路段速度数据和历史信号配时数据生成预测路段速度,即未来Q个时间步的路段速度:
判别器根据真实历史路段速度和预测路段速度输出对应的分数,当达到精度要求后,获得训练好的交通状态预测模型。
在其中一些实施例中,信号配时检测模块根据历史信号配时数据判断是否检测到路网级的信号配时变化包括:
信号配时检测模块根据t时刻的给定路段r,长度为P的历史信号配时数据,获得的历史信号配时序列表示为(ct,ct+1,…,ct+P-1),若历史信号配时序列中至少有一个元素不同,则说明检测到路段r在t时刻改变了信号配时,若改变信号配时的路段数超过预测值,则判断为t时刻检测到路网级的信号配时变化,其中,预测值可以设置为10%,也可以根据实际需求进行设置。
在其中一些实施例中,图3是根据本申请实施例的生成器和判别器内部结构的示意图,如图3所示,被动预测模块通过路网无权有向图的邻接矩阵和历史路段速度数据生成预测路段速度包括:
被动预测模块包括时间图卷积块(TGC)、自注意力图卷积块(SA)和全连接层(FC),时间图卷积块(TGC)包括图卷积网络(GCN)和门控循环单元(GRU),其中,图卷积网络(GCN)用来捕捉交通状态数据的空间依赖性,单层的GCN层可以从图数据中获取邻近的模式,堆叠GCN层允许信息传播,使GCN能同时学习局部模式和图结构,本实施例中优选两层的GCN,两层的GCN可以通过下述公式1表示为:
其中,X为历史路段速度序列,A为路网无权有向图的邻接矩阵, 表示预处理步骤,为自连接结构的矩阵(其中IN是N的单位矩阵),表示度矩阵W(0)和W(1)分别表示第一层和第二层的权重矩阵。ReLU(·)为激活函数ReLU,σ为根据实际任务决定的激活函数,例如,在节点分类任务中σ为softmax功能。
门控循环单元(GRU)是循环神经网络(RNN)的变体,采用门控机制记忆长时信息,具有较好的长时预测性能。采用门控循环单元(GRU)捕捉时间依赖性,GRU层的更新机制如下述公式2-公式5所示:
rt=σ(Wrxt+Urh(t-1)+br) 公式2
zt=σ(Wzxt+Uzh(t-1)+bz) 公式3
nt=tanh(Wnxt+rt*Unh(t-1)+bn)) 公式4
ht=(1zt)*nt+zt*h(t-1) 公式5
其中,ht和h(t-1)分别为时刻t和时刻t-1的隐藏状态,xt为t时刻的输入,rt、zt和nt分别为重置门、更新门和新门。Wr、Wz、Wn、Ur、Uz和Un为可训练的权重矩阵,br、bz和bn为偏差,*为元素积。
时间图卷积(TGC)将图卷积网络(GCN)和门控循环单元(GRU)以一种直观的方式结合在一起,即将门控循环单元(GRU)的输入xt替换为图卷积网络(GCN)的结果f(A,Xt),将时间图卷积(TGC)中rt、zt和nt的更新规则改为下述公式6-公式8所示:
rt=σ(Wrf(A,Xt)+Wrh(t-1)+br) 公式6
zt=σ(Wzf(A,Xt)+Wzh(t-1)+bz) 公式7
nt=tanh(Wnf(A,Xt)+rt*(Wnh(t-1)+bn)) 公式8
需要说明的是,TGC(·)表示一个时间图卷积块(可以有一层或多层),它读取长度为P的历史路段速度序列作为输入(X=(x1,x2,...,xP)),并产生相同长度的输出(H=(h1,h2,...,hP)),如下述公式9所示:
TGC(X)=H 公式9
自注意力图卷积块(SA)具体为:给定一个隐藏向量序列(TGC的输出)H=(h1,h2,...,hP),将所有向量加权求和,用于描述路段速度在过去每个时间步对下一个时间步的影响,如下述公式10-公式12所示:
ed=W(1)(W(0)H+b(0)+b(1)) 公式10
历史路段速度数据和路网无权有向图的邻接矩阵通过时间图卷积(TGC)和自注意力图卷积(SA)和全连接层(FC),输出预测路段速度数据,如下述公式13-公式15所示:
TGC(X,A)=O∈RP×D×N 公式13
其中,D是时间图卷积块(TGC)中门控循环单元(GRU)的隐藏向量维度,P为输入的历史P个时间步,Q为生成的未来Q个时间步。
在其中一些实施例中,主动预测模块通过路网无权有向图的邻接矩阵、历史路段速度数据和历史信号配时数据生成预测路段速度包括:
如图3所示,主动预测模块包括时间图卷积块(TGC)、第一自注意力图卷积块(SA1)、独热编码层、第二门控循环单元(GRU2)、第二自注意力图卷积块(SA2)、数据拼接层和全连接层(FC),时间图卷积块(TGC)包括图卷积网络(GCN)和第一门控循环单元(GRU1);
历史路段速度数据和路网无权有向图的邻接矩阵通过图卷积网络(GCN)、第一门控循环单元(GRU1)和第一自注意力图卷积块(SA1)得到第一中间结果,历史信号配时数据经过独热编码层、第二门控循环单元(GRU2)和第二自注意力图卷积块(SA2)得到第二中间结果,数据拼接层将第一中间结果和第二中间结果拼接后,通过全连接层(FC)输出预测路段速度数据,如下述公式16-公式18所示:
其中,ENC(·)为独热编码层,GRU(·)指GRU层,SA1为第一自注意力图卷积层和SA2为第二自注意力图卷积块,(:)指向量连接,时间图卷积(TGC)和门控循环单元(GRU)与被动测试模块中的相同。
主动预测模块中的时间图卷积(TGC)、自注意力图卷积(SA)、全连接层(FC)、门控循环单元(GRU)与被动预测模块的相同,主动预测模块中的独热编码层把交通信号控制信息(绿信比)转换成离散的独热编码,例如,绿信比为50%,转换为‘0000100000’。
主动预测模块构成与被动预测模块相似,但更复杂,主动预测模块分为两条线,原因在于交通状态数据(例如路段速度)是连续型变量,而信号配时数据(例如绿灯时长)一般是离散变量,他们的值域不一样。同时,交通状态数据是交通流的客观反映,而信号配时数据是针对交通流的主观干涉,两种数据的性质也不一样,所以需要用不同的网络结构对它们进行处理。但是,在训练过程中,需要利用数据拼接层,对两种数据进行了融合,用于最终的预测。
需要说明的是,主动预测模块和被动预测模块以一种互补的方式,在不同的信号配时状况下工作。信号配时检测模块检测历史信号配时数据的变化情况,并据此决定激活哪个模块,输入数据只流入被激活的模块。若信号配时数据没有变化,则输入数据进入被动预测模块,仅使用路网无权有向图的邻接矩阵和历史路段速度数据来预测未来路段速度;若信号配时数据发生变化,则输入数据进入主动预测模块,同时使用路网无权有向图的邻接矩阵、历史路段速度数据和信号配时数据来预测未来路段速度。设计被动预测模块和主动预测模块的目的是在信号配时数据发生变化时,将信号配时数据作为输入预测未来的路段速度。否则,模型很难了解到路段速度是如何被几乎是静态的信号配时主动控制的。
判别器D是用来区分真实路段速度和虚假路段速度(预测路段速度),给定真实样本(Real Sample)和虚假样本(Fake Sample),判别器会尽可能为真实样本输出较高的得分,而为虚假样本输出较低的得分,在其中一些实施例中,判别器根据真实历史路段速度和预测路段速度输出对应的分数包括:
图4是根据本申请实施例的判别器内部结构的示意图,如图4所示,判别器包括卷积神经网络(CNN)、门控循环单元(GRU)、自注意力图卷积块(SA)和全连接层(FC);
可选的,根据真实历史路段速度和预测路段速度获得真实样本和虚假样本包括:
根据历史路段速度数据和预测路段速度数据,分别生成历史路段速度特征矩阵和预测路段速度特征矩阵,以生成历史路段速度特征矩阵为例,给定时间t,有N个路段的交通网络,路网无权有向图的邻接矩阵A,为路段i的历史路段速度,则得到一个历史路段速度特征矩阵MN×N,其中:
其中,表示从点vi到点vj可通行,表示从点vi到点vj不可通行,图5是根据本申请实施例的路段速度特征矩阵构建示意图,如图5所示,节点1没有指向节点2,即路段1到路段2没有直接的通路,则路段速度特征矩阵中的第一行第二列M1,为0;节点1有直接指向节点4的线,即路段1到路段4有直接的通路,则第一行第四列M1,为路段1的速度20km/h,本实施例中,没有使用原始的路段速度矢量作为判别器D的输入,而是使用路段速度特征矩阵,是因为路段速度特征矩阵比原始的路段速度矢量包含更丰富的信息,即包含了网络拓扑和行进方向。
其中,Breal和Bfake仅有序列后Q个元素不同。
真实样本Breal和虚假样本Bfake通过卷积神经网络(CNN)、门控循环单元(GRU)、自注意力图卷积块(SA)和全连接层(FC),输出真实样本和虚假样本的分数,如下述公式19所示:
score=FC(SA(GRU(CNN(B)))) 公式19
其中,FC(·)为全连接层,SA(·)为自注意力图卷积,GRU(·)为门控循环单元,CNN(·)为卷积神经网络,B为真实样本或虚假样本,score∈R。
在训练时,模型基于Wasserstein GAN中的理念进行训练,生成器G在连续的时间步中生成与真实路段速度相似的虚假速度序列,判别器D输出分数来评估样本的真伪。即一个训练好的判别器D可以使真实样本Breal得到相对较高的分数,使虚假样本Bfake得到相对较低的分数。模型使用批处理梯度下降的定时反向传播(BPTT)训练。在训练过程中,训练判别器D比训练生成器G更频繁,与传统GAN相比,有助于避免模式崩溃或收敛失败。
需要说明的是,判别器中的门控循环单元(GRU)、自注意力图卷积(SA)、全连接层(FC)与被动预测模块的相同,而卷积神经网络(CNN)是一种带有卷积结构的深度神经网络,典型的CNN包括输入层、卷积层,池化层、全连接层及输出层等,其中卷积层和最大池化层是实现特征提取功能的核心模块。卷积层的计算过程如下述公式20所示:
zg=f(Wg*zg-1+bg) 公式20
其中,Wg表示第g层卷积核的权重,运算符号“*”表示卷积核与第g-1层图像或特征图进行卷积操作,卷积的输出与第g层的偏移向量bg相加,最终通过非线性的激励函数f(x)得到第g层的特征图zg。
池化层又称作降采样层,通常在卷积层之后,依据一定的规则对卷积特征进行降维。通过将卷积特征划分为多个不相交区域,提取这些区域的最大(或平均)特征来表示降维后的特征,以更容易进行分类。假设zg为池化层,以最大池化为例,计算过程如下述公式21所示:
zg=max(zg-1)公式21
在其中一些实施例中,图6是根据本申请实施例的训练流程和推理流程的整体框架示意图,如图6所示,第一部分为训练流程,将交通路网信息、历史路段速度和历史信号配时数据进行预处理,生成生成器接受的格式,预处理完成的数据经过生成器预测生成与真实路段速度相似的预测路段速度,判别器输入生成器输出的预测路段速度序列和真实路段速度序列,输出样本的真实性;第二部分为推理流程,数据预处理同训练流程,预处理完成的数据经过训练完成的生成器直接得到预测结果,无需再经过判别器。
在其中一些实施例中,本发明经过真实交通状态数据验证,数据来源为中国杭州市的真实交通路网。研究路网由309条路段组成。路段速度收集自第三方导航公司:高德。信号配时数据采集自部署的SCATS系统,SCATS系统为一个自适应信号控制系统。试验采用间隔5分钟的路段速度和信号配时数据,时长为6个月(2021年1月1日至6月30日)。试验结果表明本发明的交通状态预测模型的预测结果显著优于主流的各交通预测模型。本发明通过加入了判别器和对抗网络使模型达到更高的性能。
图7是根据本申请实施例的预测路段速度与真实路段速度对比图,如图7所示,预测的步数指最远步数预测的结果。例如,‘3步预测’曲线上的点指的是预测3个时间步的模型得到的第三个时间步的预测结果。然而,即使在这种情况下,随着时间变化,预测的路段速度仍然可以相对接近真实速度。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的城市路网全域交通状态预测的方法,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种城市路网全域交通状态预测的方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城市路网全域交通状态预测的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种城市路网全域交通状态预测的方法,其特征在于,所述方法包括:
输入待预测数据至训练好的交通状态预测模型,得到模型输出的预测交通状态,其中,所述交通状态预测模型包括生成器和判别器,所述生成器包括信号配时检测模块、主动预测模块和被动预测模块;
其中,通过训练好的交通状态预测模型预测交通状态包括:
所述信号配时检测模块接收待预测数据,其中,所述待预测数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据;
所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化,若判断结果为否,则所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态,若判断结果为是,则所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态。
2.根据权利要求1所述的方法,其特征在于,所述交通状态预测模型训练方式如下:
获取预处理完成的训练数据,其中,所述训练数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据;
所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化,若判断结果为否,则所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态,若判断结果为是,则所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态;
所述判别器根据真实历史交通状态和预测交通状态输出对应的分数,当达到精度要求后,获得训练好的交通状态预测模型。
3.根据权利要求2所述的方法,其特征在于,所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态包括:
所述被动预测模块包括时间图卷积块、自注意力图卷积块和全连接层,所述时间图卷积块包括图卷积网络和门控循环单元;
所述路网无权有向图的邻接矩阵和所述历史交通状态数据通过所述图卷积网络、所述门控循环单元、所述自注意力图卷积块和所述全连接层,输出所述预测交通状态数据。
4.根据权利要求2所述的方法,其特征在于,所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态包括:
所述主动预测模块包括时间图卷积块、第一自注意力图卷积块、独热编码层、第二门控循环单元、第二自注意力图卷积块、数据拼接层和全连接层,所述时间图卷积块包括图卷积网络和第一门控循环单元;
所述历史交通状态数据和所述路网无权有向图的邻接矩阵通过所述图卷积网络、所述第一门控循环单元和所述第一自注意力图卷积块得到第一中间结果,所述历史信号配时数据经过所述独热编码层、所述第二门控循环单元和所述第二自注意力图卷积块得到第二中间结果,所述数据拼接层将所述第一中间结果和所述第二中间结果拼接后,通过所述全连接层输出所述预测交通状态数据。
5.根据权利要求2所述的方法,其特征在于,所述判别器根据真实历史交通状态和预测交通状态输出对应的分数包括:
所述判别器包括卷积神经网络、门控循环单元、自注意力图卷积块和全连接层;
根据所述真实历史交通状态和所述预测交通状态获得真实样本和虚假样本,所述真实样本和所述虚假样本通过所述卷积神经网络、所述门控循环单元、所述自注意力图卷积块和所述全连接层,输出所述真实样本和所述虚假样本的分数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述真实历史交通状态和所述预测交通状态获得真实样本和虚假样本包括:
根据历史交通状态数据和预测交通状态数据,分别生成历史交通状态特征矩阵和预测交通状态特征矩阵,根据所述历史交通状态特征矩阵获得真实样本,将所述历史交通状态特征矩阵和所述预测交通状态特征矩阵拼接,获得虚假样本。
7.根据权利要求2所述的方法,其特征在于,所述获取预处理完成的训练数据或所述信号配时检测模块接收待预测数据之前,所述方法还包括:
对输入数据进行预处理,获得待预测数据或训练数据,其中,所述输入数据包括交通路网信息、历史交通状态数据和历史信号配时数据,预处理过程包括:
根据所述交通路网信息将交通网络表示为一个无权有向图G=(V,E,A),其中,V表示有限的节点的集合,代表实际路网中的路段,E表示有限的边集,代表实际路网中的路段之间的连接性,A∈RN×N表示路网无权有向图的邻接矩阵,N为节点的个数;
在时间步t,所述历史交通状态数据表示为St∈RN,所述历史信号配时数据表示为Ct∈RN。
8.根据权利要求1所述的方法,其特征在于,所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化包括:
所述信号配时检测模块根据t时刻路段r的所述历史信号配时数据,获得历史信号配时序列,若所述历史信号配时序列中至少有一个元素不同,则说明检测到路段r在t时刻改变了信号配时,若改变信号配时的路段数超过预测值,则判断为t时刻检测到路网级的信号配时变化。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的城市路网全域交通状态预测的方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至8中任一项所述的城市路网全域交通状态预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580205.8A CN114419878B (zh) | 2021-12-22 | 2021-12-22 | 城市路网全域交通状态预测的方法、电子装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580205.8A CN114419878B (zh) | 2021-12-22 | 2021-12-22 | 城市路网全域交通状态预测的方法、电子装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419878A true CN114419878A (zh) | 2022-04-29 |
CN114419878B CN114419878B (zh) | 2023-04-07 |
Family
ID=81268026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111580205.8A Active CN114419878B (zh) | 2021-12-22 | 2021-12-22 | 城市路网全域交通状态预测的方法、电子装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419878B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743379A (zh) * | 2022-06-13 | 2022-07-12 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
CN114926981A (zh) * | 2022-05-07 | 2022-08-19 | 同济大学 | 一种路网交通拥堵主动管控方法及系统 |
CN116579479A (zh) * | 2023-05-15 | 2023-08-11 | 南京理工大学 | 一种风电场功率超短期预测方法、系统、计算机及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080019269A1 (en) * | 2006-07-18 | 2008-01-24 | Chatschik Bisdikian | Proactive mechanism for supporting the global management of vehicle traffic flow |
JP2008102849A (ja) * | 2006-10-20 | 2008-05-01 | Sumitomo Electric Ind Ltd | 交差点における交通流挙動推定システム |
CN101373559A (zh) * | 2007-08-24 | 2009-02-25 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
CN101739814A (zh) * | 2009-11-06 | 2010-06-16 | 吉林大学 | 基于scats线圈数据的交通状态在线定量评价与预测方法 |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN105825690A (zh) * | 2016-06-15 | 2016-08-03 | 北京航空航天大学 | 一种面向可协调控制的干线交叉口关联性分析及划分方法 |
CN106846818A (zh) * | 2017-04-24 | 2017-06-13 | 河南省城乡规划设计研究总院有限公司 | 基于Simulink仿真的路网动态交通流预测方法 |
US20180336781A1 (en) * | 2017-05-22 | 2018-11-22 | Alibaba Group Holding Limited | Road traffic control system, method, and electronic device |
CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
CN111540198A (zh) * | 2020-04-17 | 2020-08-14 | 浙江工业大学 | 基于有向图卷积神经网络的城市交通态势识别方法 |
CN111768639A (zh) * | 2020-05-30 | 2020-10-13 | 同济大学 | 一种网联交通环境下的多交叉口信号配时系统及其方法 |
CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN111985619A (zh) * | 2020-08-18 | 2020-11-24 | 中冶南方城市建设工程技术有限公司 | 一种基于短时交通流预测的城市单交叉口控制方法 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
CN112766551A (zh) * | 2021-01-08 | 2021-05-07 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN112802330A (zh) * | 2020-12-29 | 2021-05-14 | 吉林大学 | 一种有信号灯参与的双车道环岛路口交通流预测方法 |
CN113538910A (zh) * | 2021-07-14 | 2021-10-22 | 李丹丹 | 一种自适应的全链条城市区域网络信号控制优化方法 |
-
2021
- 2021-12-22 CN CN202111580205.8A patent/CN114419878B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080019269A1 (en) * | 2006-07-18 | 2008-01-24 | Chatschik Bisdikian | Proactive mechanism for supporting the global management of vehicle traffic flow |
JP2008102849A (ja) * | 2006-10-20 | 2008-05-01 | Sumitomo Electric Ind Ltd | 交差点における交通流挙動推定システム |
CN101373559A (zh) * | 2007-08-24 | 2009-02-25 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
CN101739814A (zh) * | 2009-11-06 | 2010-06-16 | 吉林大学 | 基于scats线圈数据的交通状态在线定量评价与预测方法 |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN105825690A (zh) * | 2016-06-15 | 2016-08-03 | 北京航空航天大学 | 一种面向可协调控制的干线交叉口关联性分析及划分方法 |
CN106846818A (zh) * | 2017-04-24 | 2017-06-13 | 河南省城乡规划设计研究总院有限公司 | 基于Simulink仿真的路网动态交通流预测方法 |
US20180336781A1 (en) * | 2017-05-22 | 2018-11-22 | Alibaba Group Holding Limited | Road traffic control system, method, and electronic device |
CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
CN111540198A (zh) * | 2020-04-17 | 2020-08-14 | 浙江工业大学 | 基于有向图卷积神经网络的城市交通态势识别方法 |
CN111768639A (zh) * | 2020-05-30 | 2020-10-13 | 同济大学 | 一种网联交通环境下的多交叉口信号配时系统及其方法 |
CN111985619A (zh) * | 2020-08-18 | 2020-11-24 | 中冶南方城市建设工程技术有限公司 | 一种基于短时交通流预测的城市单交叉口控制方法 |
CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112802330A (zh) * | 2020-12-29 | 2021-05-14 | 吉林大学 | 一种有信号灯参与的双车道环岛路口交通流预测方法 |
CN112766551A (zh) * | 2021-01-08 | 2021-05-07 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN113538910A (zh) * | 2021-07-14 | 2021-10-22 | 李丹丹 | 一种自适应的全链条城市区域网络信号控制优化方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926981A (zh) * | 2022-05-07 | 2022-08-19 | 同济大学 | 一种路网交通拥堵主动管控方法及系统 |
CN114926981B (zh) * | 2022-05-07 | 2023-04-11 | 同济大学 | 一种路网交通拥堵主动管控方法及系统 |
CN114743379A (zh) * | 2022-06-13 | 2022-07-12 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
CN116579479A (zh) * | 2023-05-15 | 2023-08-11 | 南京理工大学 | 一种风电场功率超短期预测方法、系统、计算机及存储介质 |
CN116579479B (zh) * | 2023-05-15 | 2024-04-09 | 南京理工大学 | 风电场功率超短期预测方法、系统、计算机及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114419878B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114419878B (zh) | 城市路网全域交通状态预测的方法、电子装置和存储介质 | |
US11055549B2 (en) | Network, system and method for image processing | |
Tian et al. | Spatial‐temporal attention wavenet: A deep learning framework for traffic prediction considering spatial‐temporal dependencies | |
WO2021043193A1 (zh) | 神经网络结构的搜索方法、图像处理方法和装置 | |
Fukuda et al. | Short‐term prediction of traffic flow under incident conditions using graph convolutional recurrent neural network and traffic simulation | |
WO2021218517A1 (zh) | 获取神经网络模型的方法、图像处理方法及装置 | |
CN110334735B (zh) | 多任务网络生成方法、装置、计算机设备和存储介质 | |
Anderson et al. | Fuzzy choquet integration of deep convolutional neural networks for remote sensing | |
CN113362491B (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
Zhou et al. | A priori trust inference with context-aware stereotypical deep learning | |
Wang et al. | A proactive decision support method based on deep reinforcement learning and state partition | |
Henríquez et al. | Twitter sentiment classification based on deep random vector functional link | |
CN114626503A (zh) | 模型的训练方法、目标检测方法、装置、电子设备及介质 | |
Ma et al. | Fuzzy hybrid framework with dynamic weights for short‐term traffic flow prediction by mining spatio‐temporal correlations | |
Zou et al. | Short-term traffic flow prediction based on PCC-BiLSTM | |
Zhao et al. | Spatiotemporal graph convolutional recurrent networks for traffic matrix prediction | |
Liu et al. | Handling concept drift in global time series forecasting | |
Chien et al. | Bayesian multi-temporal-difference learning | |
Yang et al. | Short‐term traffic flow prediction based on AST‐MTL‐CNN‐GRU | |
Ma | The stability of the generalized Hopfield networks in randomly asynchronous mode | |
Wei et al. | CrimeSTC: A deep spatial-temporal-categorical network for citywide crime prediction | |
CN114334029A (zh) | 化合物活性预测方法、网络训练方法、装置、介质及设备 | |
Jiao | A dense inception network with attention mechanism for short-term traffic flow prediction | |
Basterrech et al. | Random neural network model for supervised learning problems | |
Kwon et al. | Multilayered LSTM with parameter transfer for vehicle speed data imputation |
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 |