CN114550444B - 一种基于神经网络的服务区车流量预测方法和装置 - Google Patents
一种基于神经网络的服务区车流量预测方法和装置 Download PDFInfo
- Publication number
- CN114550444B CN114550444B CN202210083269.5A CN202210083269A CN114550444B CN 114550444 B CN114550444 B CN 114550444B CN 202210083269 A CN202210083269 A CN 202210083269A CN 114550444 B CN114550444 B CN 114550444B
- Authority
- CN
- China
- Prior art keywords
- time
- traffic flow
- data
- space
- service area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 230000002776 aggregation Effects 0.000 claims abstract description 22
- 238000004220 aggregation Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于神经网络的服务区车流量预测方法和装置,所述方法包括:获取交通流历史统计数据和实时数据;将获取的所有数据进行聚合处理,划分为若干时间步的数据,将与时间步的数据对应的空间图依次拼接,提取空间特征;将所述若干组空间特征沿时间轴顺序提取时空动态特征;建立所述服务区的车流量时空同步模型,预测所述服务区的驶入车流量。本发明相对于现有技术,将数据进行聚合处理,将处理后相邻时间步的车流量空间图拼接到一起,提取了车流量数据的空间特征;捕获了复杂的时空动态特征;通过建立时空同步模型实现对车流量时空网络的预测,汇总了服务区各入口的车流量;结合了空间维度数据,并高效地利用了局部和全局的时空特征。
Description
技术领域
本发明涉及车流量预测领域,尤其涉及一种基于神经网络的服务区车流量预测方法和装置。
背景技术
目前,高速公路服务区的车流量预测方法主要通过服务区信息采集系统获取车流的历史数据,依靠基于人工智能理论的模型来获得较为准确的预测方法。但是现有技术主要在时间维度上进行相关性分析并进行预测,但是实际车流量的动态变化不仅取决于时间维度上的序列模式,还取决于空间维度上的其他道路情况,尤其是主线交通实时车流对服务区驶入车流量大的影响。
发明内容
本发明提供了一种基于神经网络的服务区车流量预测方法和装置,解决了如何在车流量预测过程中捕捉服务区车流量的空间特征的技术问题。
为了解决上述技术问题,本发明实施例提供了一种基于神经网络的服务区车流量预测方法和装置,包括:
获取交通流历史统计数据和实时数据;其中,所述交通流历史统计数据包括服务区的历史统计数据和所述服务区所在路段的历史统计数据;所述实时数据包括所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据;
将获取的所有数据进行聚合处理,划分为若干时间步的数据,按照时间步对应的顺序将与时间步的数据对应的车流量空间图依次拼接,从拼接的车流量空间图中提取若干组空间特征;其中,每个时间步的数据对应所述服务区一个时间区间的车流量数据;每个时间步的数据对应一幅服务区的车流量空间图;
将所述若干组空间特征沿时间轴顺序进行排列,按照所述时间轴顺序提取车流量数据的若干组时空动态特征;
通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型,并利用所述车流量时空同步模型,结合获取的所有实时数据,预测所述服务区的驶入车流量。
作为优选方案,所述将获取的所有数据进行聚合处理,具体为:
将获取的所有数据以第一预设时间区间为单位进行聚合处理;其中,每个时间步的数据表征所述第一预设时间区间内的车流量数据。
作为优选方案,所述从拼接的车流量空间图中提取若干组空间特征,具体为:
将拼接的车流量空间图输入图卷积神经网络模型,通过所述图卷积神经网络模型,提取拼接的车流量空间图的空间特征,获得若干组空间特征;其中,每组空间特征对应一个时间节点。
作为优选方案,所述按照所述时间轴顺序提取车流量数据的若干组时空动态特征,具体为:按照时间轴顺序,通过一维标准卷积,结合若干组件,依次提取车流量数据的时空动态特征。
作为优选方案,在所述通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型之前,还包括:
在时间轴上建立若干时周期组件、若干日周期组件和若干周周期组件,通过所述若干时周期组件捕获所有数据的邻近性,通过所述若干日周期组件和所述若干周周期组件捕获所有数据的周期性。
作为优选方案,在所述通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型之前,还包括:针对所述时空动态特征,堆叠若干个时空卷积模块。
作为优选方案,所述结合获取的所有实时数据,预测所述服务区的驶入车流量,具体为:
从获取的所有实时数据中提取若干组数据集,通过提取的数据集构建道路交通流状态矩阵;通过所述道路交通流状态矩阵,预测所述服务区的驶入车流量。
相应的,本发明实施例还提供了一种基于神经网络的服务区车流量预测装置,包括获取模块、车流量空间特征提取模块、车流量时空特征提取模块和预测模块;其中,
所述获取模块用于获取交通流历史统计数据和实时数据;其中,所述交通流历史统计数据包括服务区的历史统计数据和所述服务区所在路段的历史统计数据;所述实时数据包括所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据;
所述车流量空间特征提取模块用于将获取的所有数据进行聚合处理,划分为若干时间步的数据,按照时间步对应的顺序将与时间步的数据对应的车流量空间图依次拼接,从拼接的车流量空间图中提取若干组空间特征;其中,每个时间步的数据对应所述服务区一个时间区间的车流量数据;每个时间步的数据对应一幅服务区的车流量空间图;
所述车流量时空特征提取模块用于将所述若干组空间特征沿时间轴顺序进行排列,按照所述时间轴顺序提取车流量数据的若干组时空动态特征;
所述预测模块用于通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型,并利用所述车流量时空同步模型,结合获取的所有实时数据,预测所述服务区的驶入车流量。
作为优选方案,所述车流量空间特征提取模块将获取的所有数据进行聚合处理,具体为:
所述车流量空间特征提取模块将获取的所有数据以第一预设时间区间为单位进行聚合处理;其中,每个时间步的数据表征所述第一预设时间区间内的车流量数据。
作为优选方案,所述车流量空间特征提取模块从拼接的车流量空间图中提取若干组空间特征,具体为:
所述车流量空间特征提取模块将拼接的车流量空间图输入图卷积神经网络模型,通过所述图卷积神经网络模型,提取拼接的车流量空间图的空间特征,获得若干组空间特征;其中,每组空间特征对应一个时间节点。
相比于现有技术,本发明实施例具有如下有益效果:
本发明实施例提供了一种基于神经网络的服务区车流量预测方法和装置,所述方法包括:获取交通流历史统计数据和实时数据;其中,所述交通流历史统计数据包括服务区的历史统计数据和所述服务区所在路段的历史统计数据;所述实时数据包括所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据;将获取的所有数据进行聚合处理,划分为若干时间步的数据,按照时间步对应的顺序将与时间步的数据对应的车流量空间图依次拼接,从拼接的车流量空间图中提取若干组空间特征;其中,每个时间步的数据对应所述服务区一个时间区间的车流量数据;每个时间步的数据对应一幅服务区的车流量空间图;将所述若干组空间特征沿时间轴顺序进行排列,按照所述时间轴顺序提取车流量数据的若干组时空动态特征;通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型,并利用所述车流量时空同步模型,结合获取的所有实时数据,预测所述服务区的驶入车流量。本发明相对于现有技术,将数据进行聚合处理,处理后相邻时间步的车流量空间图拼接到一起,提取车流量数据的空间特征;同时将空间特征沿时间轴进行排列,捕获了复杂的时空动态特征;通过建立时空同步模型实现对服务区的车流量时空网络的有效预测,有效汇总了服务区各入口的车流量;结合了空间维度数据,并更高效地利用了局部和全局的时空特征。
附图说明
图1:为本发明基于神经网络的服务区车流量预测方法提供的一种实施例的流程示意图。
图2:为本发明基于神经网络的服务区车流量预测装置提供的一种实施例的结构示意图。
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在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
请参照图1,图1为本发明实施例提供的一种基于神经网络的服务区车流量预测方法,包括步骤S1至S4,其中,
步骤S1,获取交通流历史统计数据和实时数据;其中,所述交通流历史统计数据包括服务区的历史统计数据和所述服务区所在路段的历史统计数据;所述实时数据包括所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据。
在本实施例中,所述服务区的历史统计数据以及所在路段的历史统计数据可通过数据中心或服务器等渠道获得,而所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据可通过实时数据采集装置进行获取。获取数据后对数据进行预处理,处理成符合聚合处理标准的数据。
步骤S2,将获取的所有数据进行聚合处理,划分为若干时间步的数据,按照时间步对应的顺序将与时间步的数据对应的车流量空间图依次拼接,从拼接的车流量空间图中提取若干组空间特征;其中,每个时间步的数据对应所述服务区一个时间区间的车流量数据;每个时间步的数据对应一幅服务区的车流量空间图。
在本实施例中,将获取的所有数据以第一预设时间区间(本实施例为5min)为单位进行聚合处理;划分为若干时间步的数据,每个时间步包含了这5min内的车流量数据;按照时间步对应的顺序,将与时间步的数据对应的车流量空间图依次拼接,形成一张综合的空间图;将拼接而成的综合的车流量空间图输入预定义的图卷积神经网络模型,通过所述图卷积神经网络模型,提取空间特征,从车流量空间图中提取出若干组空间特征;每组空间特征对应一个时间节点。
步骤S3,将所述若干组空间特征沿时间轴顺序进行排列,按照所述时间轴顺序提取车流量数据的若干组时空动态特征。
在本实施例中,将提取出的所有空间特征沿时间轴顺序进行排列,通过一维标准卷积,结合若干组件,利用时空注意力机制依次提取出车流量数据的若干组时空动态特征,即捕获了时空动态性和异质性。
在步骤S4建立车流量时空同步模型之前,针对提取的若干组时空动态特征,通过堆叠时空图卷积模块加深图卷积模型的深度。同时在时间轴上建立若干组件,包括时周期组件、日周期组件和周周期组件,其中时周期组件又为近期组件,用于捕获所有数据的邻近性。日周期组件和周周期组件用于捕获所有数据的周期性。
步骤S4,通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型,并利用所述车流量时空同步模型,结合获取的所有实时数据,预测所述服务区的驶入车流量。
在本实施例中,基于提取的若干组时空动态特征建立服务区的车流量时空同步模型。利用所述车流量时空同步模型,针对获取的实时数据组中提取出的若干数据集,构建道路交通流状态矩阵;并通过所述道路交通流状态矩阵预测所述服务区的驶入车流量。作为本实施例的一种举例,提取实时数据中20min服务区及其入口前20km路段的交通流数据进行处理并构建道路交通流状态矩阵,可获得高速公路服务区10min驶入车流量。
相应的,参照图2,本发明实施例还提供了一种基于神经网络的服务区车流量预测装置,包括获取模块101、车流量空间特征提取模块102、车流量时空特征提取模块103和预测模块104;其中,
所述获取模块101用于获取交通流历史统计数据和实时数据;其中,所述交通流历史统计数据包括服务区的历史统计数据和所述服务区所在路段的历史统计数据;所述实时数据包括所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据;
所述车流量空间特征提取模块102用于将获取的所有数据进行聚合处理,划分为若干时间步的数据,按照时间步对应的顺序将与时间步的数据对应的车流量空间图依次拼接,从拼接的车流量空间图中提取若干组空间特征;其中,每个时间步的数据对应所述服务区一个时间区间的车流量数据;每个时间步的数据对应一幅服务区的车流量空间图;
所述车流量时空特征提取模块103用于将所述若干组空间特征沿时间轴顺序进行排列,按照所述时间轴顺序提取车流量数据的若干组时空动态特征;
所述预测模块104用于通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型,并利用所述车流量时空同步模型,结合获取的所有实时数据,预测所述服务区的驶入车流量。
作为优选方案,所述车流量空间特征提取模块102将获取的所有数据进行聚合处理,具体为:
所述车流量空间特征提取模块102将获取的所有数据以第一预设时间区间为单位进行聚合处理;其中,每个时间步的数据表征所述第一预设时间区间内的车流量数据。
作为优选方案,所述车流量空间特征提取模块102从拼接的车流量空间图中提取若干组空间特征,具体为:
所述车流量空间特征提取模块102将拼接的车流量空间图输入图卷积神经网络模型,通过所述图卷积神经网络模型,提取拼接的车流量空间图的空间特征,获得若干组空间特征;其中,每组空间特征对应一个时间节点。
相比于现有技术,本发明实施例具有如下有益效果:
本发明实施例提供了一种基于神经网络的服务区车流量预测方法和装置,所述方法包括:获取交通流历史统计数据和实时数据;其中,所述交通流历史统计数据包括服务区的历史统计数据和所述服务区所在路段的历史统计数据;所述实时数据包括所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据;将获取的所有数据进行聚合处理,划分为若干时间步的数据,按照时间步对应的顺序将与时间步的数据对应的车流量空间图依次拼接,从拼接的车流量空间图中提取若干组空间特征;其中,每个时间步的数据对应所述服务区一个时间区间的车流量数据;每个时间步的数据对应一幅服务区的车流量空间图;将所述若干组空间特征沿时间轴顺序进行排列,按照所述时间轴顺序提取车流量数据的若干组时空动态特征;通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型,并利用所述车流量时空同步模型,结合获取的所有实时数据,预测所述服务区的驶入车流量。本发明相对于现有技术,将数据进行聚合处理,处理后相邻时间步的车流量空间图拼接到一起,提取车流量数据的空间特征;同时将空间特征沿时间轴进行排列,将时间尺度与空间尺度的信息同步连接起来,捕获了复杂的时空动态特征;通过建立时空同步模型实现对服务区的车流量时空网络的有效预测,有效汇总了服务区各入口的车流量;结合了空间维度数据,并更高效地利用了局部和全局的时空特征;自动区分每个交通流序列对最终预测性能的重要性,提高了预测的准确性。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于神经网络的服务区车流量预测方法,其特征在于,包括:
获取交通流历史统计数据和实时数据;其中,所述交通流历史统计数据包括服务区的历史统计数据和所述服务区所在路段的历史统计数据;所述实时数据包括所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据;
将获取的所有数据进行聚合处理,划分为若干时间步的数据,按照时间步对应的顺序将与时间步的数据对应的车流量空间图依次拼接,从拼接的车流量空间图中提取若干组空间特征;其中,每个时间步的数据对应所述服务区一个时间区间的车流量数据;每个时间步的数据对应一幅服务区的车流量空间图;
将所述若干组空间特征沿时间轴顺序进行排列,按照所述时间轴顺序提取车流量数据的若干组时空动态特征;
通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型,并利用所述车流量时空同步模型,结合获取的所有实时数据,预测所述服务区的驶入车流量;
所述将获取的所有数据进行聚合处理,具体为:
将获取的所有数据以第一预设时间区间为单位进行聚合处理;其中,每个时间步的数据表征所述第一预设时间区间内的车流量数据;
所述从拼接的车流量空间图中提取若干组空间特征,具体为:
将拼接的车流量空间图输入图卷积神经网络模型,通过所述图卷积神经网络模型,提取拼接的车流量空间图的空间特征,获得若干组空间特征;其中,每组空间特征对应一个时间节点;
所述按照所述时间轴顺序提取车流量数据的若干组时空动态特征,具体为:按照时间轴顺序,通过一维标准卷积,结合若干组件,依次提取车流量数据的时空动态特征;
在所述通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型之前,还包括:
在时间轴上建立若干时周期组件、若干日周期组件和若干周周期组件,通过所述若干时周期组件捕获所有数据的邻近性,通过所述若干日周期组件和所述若干周周期组件捕获所有数据的周期性;
在所述通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型之前,还包括:针对所述时空动态特征,堆叠若干个时空卷积模块;
所述结合获取的所有实时数据,预测所述服务区的驶入车流量,具体为:
从获取的所有实时数据中提取若干组数据集,通过提取的数据集构建道路交通流状态矩阵;通过所述道路交通流状态矩阵,预测所述服务区的驶入车流量。
2.用于实现如权利要求1所述的基于神经网络的服务区车流量预测方法的一种基于神经网络的服务区车流量预测装置,其特征在于,包括获取模块、车流量空间特征提取模块、车流量时空特征提取模块和预测模块;其中,
所述获取模块用于获取交通流历史统计数据和实时数据;其中,所述交通流历史统计数据包括服务区的历史统计数据和所述服务区所在路段的历史统计数据;所述实时数据包括所述服务区的车流量实时数据和所述服务区所在路段的车流量实时数据;
所述车流量空间特征提取模块用于将获取的所有数据进行聚合处理,划分为若干时间步的数据,按照时间步对应的顺序将与时间步的数据对应的车流量空间图依次拼接,从拼接的车流量空间图中提取若干组空间特征;其中,每个时间步的数据对应所述服务区一个时间区间的车流量数据;每个时间步的数据对应一幅服务区的车流量空间图;
所述车流量时空特征提取模块用于将所述若干组空间特征沿时间轴顺序进行排列,按照所述时间轴顺序提取车流量数据的若干组时空动态特征;
所述预测模块用于通过所述若干组时空动态特征,建立所述服务区的车流量时空同步模型,并利用所述车流量时空同步模型,结合获取的所有实时数据,预测所述服务区的驶入车流量;
所述车流量空间特征提取模块将获取的所有数据进行聚合处理,具体为:
所述车流量空间特征提取模块将获取的所有数据以第一预设时间区间为单位进行聚合处理;其中,每个时间步的数据表征所述第一预设时间区间内的车流量数据;
所述车流量空间特征提取模块从拼接的车流量空间图中提取若干组空间特征,具体为:
所述车流量空间特征提取模块将拼接的车流量空间图输入图卷积神经网络模型,通过所述图卷积神经网络模型,提取拼接的车流量空间图的空间特征,获得若干组空间特征;其中,每组空间特征对应一个时间节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210083269.5A CN114550444B (zh) | 2022-01-24 | 2022-01-24 | 一种基于神经网络的服务区车流量预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210083269.5A CN114550444B (zh) | 2022-01-24 | 2022-01-24 | 一种基于神经网络的服务区车流量预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114550444A CN114550444A (zh) | 2022-05-27 |
CN114550444B true CN114550444B (zh) | 2024-03-15 |
Family
ID=81671287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210083269.5A Active CN114550444B (zh) | 2022-01-24 | 2022-01-24 | 一种基于神经网络的服务区车流量预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550444B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
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 |
CN113362598A (zh) * | 2021-06-04 | 2021-09-07 | 重庆高速公路路网管理有限公司 | 一种高速公路服务区车流量预测方法 |
CN113380052A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 基于etc数据的驶入服务区车流量预测方法及装置 |
-
2022
- 2022-01-24 CN CN202210083269.5A patent/CN114550444B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
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 |
CN113362598A (zh) * | 2021-06-04 | 2021-09-07 | 重庆高速公路路网管理有限公司 | 一种高速公路服务区车流量预测方法 |
CN113380052A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 基于etc数据的驶入服务区车流量预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114550444A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273833B (zh) | 用于监测流动人口的方法及其系统 | |
CN109635857B (zh) | 人车轨迹监测分析方法、装置、设备及存储介质 | |
CN109615572B (zh) | 基于大数据的人员亲密度分析的方法及系统 | |
CN111431986A (zh) | 基于5g和ai云边协同的工业智能质检系统 | |
CN114022988B (zh) | 一种基于人工智能的访客信息管理验证系统及方法 | |
CN114360030B (zh) | 一种基于卷积神经网络的人脸识别方法 | |
US20220301317A1 (en) | Method and device for constructing object motion trajectory, and computer storage medium | |
CN110969215A (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
CN110177255A (zh) | 一种基于案件调度的视频信息发布方法及系统 | |
CN111523527A (zh) | 特种运输车辆监控方法、装置、介质及电子设备 | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN111510680B (zh) | 一种图像数据的处理方法、系统及存储介质 | |
CN114550444B (zh) | 一种基于神经网络的服务区车流量预测方法和装置 | |
CN114139016A (zh) | 一种智慧小区的数据处理方法及系统 | |
CN113159408B (zh) | 轨道交通站点客流预测方法及装置 | |
CN112580569B (zh) | 一种基于多维特征的车辆重识别方法及装置 | |
CN114187763A (zh) | 一种智慧交通的车辆行驶数据筛选方法及系统 | |
CN106708876B (zh) | 一种基于Lucene的相似视频检索方法及系统 | |
CN112529466A (zh) | 一种基于大数据的智慧城管方法及系统 | |
CN109471907B (zh) | 一种基于卡口数据的行车规律分析系统和方法 | |
CN113918563A (zh) | 布控信息的确定方法及装置、存储介质、电子装置 | |
CN112948779A (zh) | 基于前端获取的多级共享人像大数据系统 | |
CN112836089A (zh) | 运动轨迹的确认方法及装置、存储介质、电子装置 | |
CN116631108B (zh) | 一种基于人脸识别技术的小区安防方法、装置和设备 | |
CN115633090B (zh) | 一种基于eSIM卡和5G网络的多源数据链接方法 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: No. 483, Nanzhou Road, Haizhu District, Guangzhou, Guangdong 510000 Applicant after: Guangdong Urban and Rural Planning and Design Institute Technology Group Co.,Ltd. Address before: No. 483, Nanzhou Road, Haizhu District, Guangzhou, Guangdong 510000 Applicant before: Guangdong urban and rural planning and Design Institute Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |