CN114565124A - 一种基于改进图卷积神经网络的船舶交通流预测方法 - Google Patents
一种基于改进图卷积神经网络的船舶交通流预测方法 Download PDFInfo
- Publication number
- CN114565124A CN114565124A CN202210030818.2A CN202210030818A CN114565124A CN 114565124 A CN114565124 A CN 114565124A CN 202210030818 A CN202210030818 A CN 202210030818A CN 114565124 A CN114565124 A CN 114565124A
- Authority
- CN
- China
- Prior art keywords
- ship
- convolution
- graph
- matrix
- flow
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 86
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 230000003993 interaction Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 4
- 230000006835 compression Effects 0.000 abstract description 3
- 238000007906 compression Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Ocean & Marine Engineering (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于改进图卷积神经网络的船舶交通流预测方法，包括航道网络与船舶流量提取方法和船舶交通流预测方法。所述航道网络与船舶流量提取方法首先采用DP压缩算法获取初始的船舶轨迹特征点，然后采用DBSCAN算法对初始的轨迹特征点进行聚类去噪，得到轨迹特征点簇。再对研究海域进行网格划分，并将提取的轨迹特征点投影至网格之中，含特征点的网格被作为航道网络中的节点，再按照船舶行驶轨迹依次连接各节点，建立航道网络。最后，依次统计不同时间段内经过各节点的船舶数量，得到不同时刻中每个图节点的船舶交通流量。所述船舶交通流预测方法是基于航道网络提取得到的船舶流量，采用多图卷积改进的GCN算法对各节点的船舶流量进行预测。
Description
技术领域
本发明属于船舶交通流量预测技术领域，具体涉及一种基于改进图卷积神经网络的船舶交通流预测方法。
背景技术
近年来，我国海上交通发展规模不断扩大，船舶交通流量日益增多，导致海上交通拥堵等问题频繁发生，极大地影响海上通航效率以及船舶交通服务水平。同时，由于海上交通越来越繁忙，船舶交通流量快速增长，导致海上交通事故频繁发生，造成巨大的经济损失。船舶交通流量是船舶交通流的一个反映尺度,是指单位时间(年/月/日/小时)内通过水域中的某一地点的所有的船舶数量，船舶交通流量越大，该水域对应地点的交通规模就越大，也就越繁忙，并且在一定程度上船舶交通流量的大小能反映其所在水域交通的是否有序与拥堵状况。船舶交通流量是海上交通工程学中一个重要的基本量，也是衡量海上交通基础设施建设的一个重要指标，其预测结果能为相关主管部门制定科学航道管理规划和做好船舶通航管理等工作提供基础性依据，同时也可为相关主管部门制定科学航道管理规划和做好船舶通航管理等工作提供基础性依据。
船舶自动识别系统(AIS)的应用和发展，可以更便捷地挖掘实时的交通流量数据信息，对未来的交通流量进行准确的预测可以为船舶交通规划设计与调度管理提供实时的更准确有效的依据。因此，保障船舶交通流量预测的准确性和合理性对于改善航道基础设施建设与制定科学的航道管理策略等具有重要的意义。
目前，运用于船舶交通流量预测的方法主要有回归模型、灰色模型、时间序列分析、支持向量机以及神经网络等，或者是利用遗传算法来优化神经网络等。
如公开号为CN110111606A的中国专利公开了一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法，包括步骤：利用单位根检验中的NP检验法检验船舶交通流数据的非平稳性；利用集合经验模态分解算法将船舶交通流数据这个非平稳时间序列分解为平稳信号；构建改进自适应遗传算法优化的3层BP神经网络作为训练模型；得到预测结果。该专利构建改进自适应遗传算法优化的3层BP神经网络作为训练模型，数据的非平稳部分对预测结果影响降低，提高了预测的准确度。
如公开号为CN110555560A的中国专利公开了一种内河船舶交通流预测方法，涉及内河航运管理技术领域。该专利包括利用灰色理论建立GM(1，N)预测模型、建立GM-BP预测模型、建立GM-BP-Markov模型对港口船舶交通流进行预测。该专利根据数据样本较小的特征，利用灰色理论建立GM(1，N)预测模型，在此基础上提出通过等维全息BP神经网络对GM(1，N)预测模型进行改进，建立GM-BP预测模型，并将预测值与实际值比较，针对该模型对波动性较大的数据预测效果不够准确的特点，建立GM-BP-Markov模型对波动性较大的节点预测效果明显改善，该组合预测模型可对具有“少样本、非线性、波动性”特征的数据进行较为准确的预测。
这些利用神经网络的研究为船舶交通流量预测提供了理论基础，极大地促进了港口规划的发展。但是影响港口船舶交通流量的因素繁多且复杂，包括自然环境等周期性的影响因素、所处的地理位置等非周期性且较稳定的影响因素以及港口施工、周边港口竞争等不确定性影响因素。因此如何综合考虑航道网络不同节点的流量之间的影响，基于AIS数据挖掘航道网络并进行流量预测成为一个重要方向。因此，本发明提出了一种航道网络提取方法和一种基于多图卷积融合改进的图卷积神经网络的船舶流量预测方法。
发明内容
本发明的目的是针对现有技术存在的问题，提供一种基于改进图卷积神经网络的船舶交通流预测方法。
为实现上述目的，本发明采用的技术方案是：
一种基于改进图卷积神经网络的船舶交通流预测方法，包括航道网络与船舶流量提取方法和船舶交通流预测方法，所述航道网络与船舶流量提取方法，首先采用DP压缩算法获取初始的船舶轨迹特征点，然后采用DBSCAN算法对初始的轨迹特征点进行聚类去噪，得到真正的轨迹特征点。再对研究海域进行网格划分，并将提取的轨迹特征点投影至网格之中，含特征点的网格被作为航道网络中的节点，再按照船舶行驶轨迹依次连接各节点，建立航道网络。最后，依次统计不同时间段内经过各节点的船舶数量，得到不同时刻中每个图节点的船舶交通流量。所述船舶交通流预测方法是基于航道网络提取得到的船舶流量，采用多图卷积改进的GCN算法对各节点的船舶流量进行预测。
具体包括以下步骤：
S1，获取初始的船舶轨迹特征点；
S2，对所述初始的船舶轨迹特征点进行去噪处理，获取真实的船舶轨迹特征点；
S3，对待测海域进行网格划分，并将所述真实的船舶轨迹特征点投影至网格中，将含特征点的网格作为节点，按照船舶行驶轨迹依次连接各节点，建立航道网络；
S4，依次统计不同时间段内经过各节点的船舶数量，得到不同时间段内各个节点的船舶交通流量；
S5，基于步骤S4中得到的船舶交通流量数据，采用多图卷积改进的GCN算法对各节点的船舶交通流量进行预测。
具体地，步骤S1中，获取初始的船舶轨迹特征点的方法为：基于AIS轨迹数据，采用Douglas-Peucker(DP)算法进行压缩，获得初始的船舶轨迹特征点数据；具体获取的过程为：
设某条船舶的轨迹点集合为：
v＝{v1,v2,…,vi}
其中，vi表示船舶在第i时刻的经纬度位置坐标；
将相邻的轨迹点之间连成折线，则轨迹表示为折线：
再将轨迹点的起始点与终止点连接成线作为一级基准线，然后计算每个轨迹点到一级基准线的距离，找出距离最大的点；
分别将起始点、终止点与所述距离最大的点连接，得到两条二级基准线，计算每条二级基准线两侧各轨迹点到对应二级基准线的距离，找出距离最大的点；
分别将两条二级基准线的起始点、终止点与对应的距离最大的点连接，得到四条三级基准线；
重复循环上述步骤，直到得到2N-1条N级基准线，且各N级基准线两侧轨迹点到对应N级基准线的最大距离小于预设值时，循环结束；
获取压缩后的船舶轨迹特征点集合为：
其中j<i；
对应的船舶轨迹折线表示为：
具体地，步骤S2中，获取真实的船舶轨迹特征点的方法为：采用DBSCAN聚类算法对步骤S1中压缩后的轨迹特征点进行聚类，获得多个轨迹点簇；所述DBSCAN聚类算法的输入为特征点集合
邻域参数为eps和MinPts；其中，eps代表集合中某一样本的邻域距离阈值，MinPts代表邻域扫描半径范围内最小包含点数；具体过程包括如下步骤：
S21，通过检查特征点集合
中各个点的eps邻域来搜索簇；若点p的eps邻域包含的点多于MinPts个，则创建一个以p为核心对象的簇；
S22，通过迭代地聚集从这些核心对象直接密度可达的对象；
S23，重复步骤S21、S22，直到没有新的点添加到任何簇时，算法结束，得到输出：簇划分结果D＝{D1,D2,…,Dm}，其中m为轨迹特征点簇的数量；
通过聚类获得的多个轨迹特征点簇，每个簇均代表待测海域内的一个特定区域，所述特定区域至少包括港口、出入口和海上平台；然后过滤掉簇中的噪声点即得到真实的船舶轨迹特征点。
具体地，步骤S3中，建立航道网络的方法为：利用经纬度将待测海域划分为n个等尺寸网格，每一个网格的长为经度间隔参数Slon，每一个网格的宽为纬度间隔参数Slat；将步骤S2中获得的特征点投影至所述网格中，具有特征点投影的网格作为节点，然后按照船舶行驶轨迹一次连接各节点，以各节点的连接为边，提取得到航道网络。
具体地，步骤S5具体包括以下步骤：
S51，获取初始数据；所述初始数据包括航道网络节点、节点之间的船舶通行数量以及每个节点的船舶流量时间序列；对所述每个节点的船舶流量时间序列进行整理，得到维度为T*N的流量矩阵数据，T为时间记录个数，N为航道网络的节点总数；
S52，构造多图矩阵；所述多图包括距离图、交互图和相关图；
所述距离图，即利用航道网络中每个节点的经纬度计算每两个节点之间的距离的倒数，得到距离矩阵Ad(i,j)，计算公式如下：
所述交互图，即获得在整个分析时间段内从节点i出发到节点j的流量值flow(i,j)和从节点j出发到节点i的流量值flow(j,i)，通过每两个节点之间的船舶来往数量得到交互矩阵Ai(i,j)，计算公式如下：
所述相关图，即利用每个节点的流量时间序列，使用皮尔逊相关系数衡量每两个节点之间流量的相关性，计算得到相关矩阵Ac(i,j)，计算公式如下：
其中，皮尔逊相关系数计算方法如下：设有两个节点的船舶流量时间序列分别为Xn和Yn，n＝1,2,…,t，则两个节点间的相关系数为：
其中，
分别表示两个节点的船舶流量时间序列的均值；
S53，构造基于多图卷积融合改进的时空图卷积神经网络模型；该模型的可调整参数包括批量大小、模型优化器学习率、权重衰减系数、随机断开神经元的概率、卷积核大小、时空卷积块尺寸；然后将初始的船舶流量时间序列划分为训练集和测试集，将训练集与距离矩阵、交互矩阵和相关矩阵输入到模型中进行训练；
S54，将所述训练集的预测值与真实值进行比对，以计算船舶流量预测值与真实值之间的损失值，所述损失值计算采用均方误差作为损失函数，计算公式如下：
其中，MSEloss为均方误差；n为样本总个数；fpredict为船舶流量预测值；ftruth为船舶流量真实值；
然后根据所述损失值采用反向误差传播和Adam优化算法对船舶交通流量预测模型进行训练；达到设定的迭代次数后，保存模型参数，得到最终的船舶交通流量预测模型；
S55，将所述测试集与距离矩阵、交互矩阵和相关矩阵输入所述船舶交通流量预测模型，通过船舶交通流量预测模型对未来船舶交通流量进行预测。
进一步地，所述多图卷积融合改进的时空图卷积神经网络模型包括两个时空卷积块和一个输出层；所述时空卷积块包括依次连接的第一门控时间卷积层、多图空间卷积层和第二门控时间卷积层；时空卷积块也可以根据特定情况的规模和复杂性进行堆叠或扩展；中间的多图空间卷积层是连接两个门控时间卷积层的桥梁，所述多图空间卷积层由并联的多个图卷积组成，最后利用全连接层融合；所述多图空间卷积层中的图卷积运算在频域上进行，计算公式如下：
其中，输入x被转换为UTx，落入频域空间；⊙表示对应位置的乘积运算，即内积；gθ为卷积核，U为特征向量作为列向量组成的方阵，UT为矩阵U的转置，UUT＝E(E为单位矩阵)；所述卷积运算采用切比雪夫多项式近似简化为：
其中，θk∈Rk为切比雪夫多项式的系数；Λ表示拉普拉斯矩阵；k表示0到k-1阶邻域节点；
表示拉普拉斯矩阵的一个变换，即：
其中，λmax是拉普拉斯矩阵Λ的最大特征值；IN是N阶单位矩阵；切比雪夫多项式
的计算公式为：
所述门控时间卷积层包括一个一维卷积和一个门控线性单元；所述输出层包括门控卷积层、Sigmoid函数激活的卷积层和全卷积连接层。
进一步地，步骤S53中，将训练集与距离矩阵、交互矩阵和相关矩阵输入到模型中进行训练的过程为：
首先将训练集中船舶流量数据输入到所述第一门控时间卷积层，提取对应船舶流量的时间特征，计算公式如下：
其中，fl是l时刻的流量数据；
是时空卷积块内的第一个时间卷积核；*T表示时间卷积运算；
然后将提取到的所述时间特征与距离矩阵、交互矩阵和相关矩阵输入到所述多图空间卷积层，提取航道网络各节点的空间特征，计算公式如下：
其中，
表示图卷积核；
分别表示距离矩阵、交互矩阵和相关矩阵与时间特征融合后的结果矩阵，Zl为多图空间卷积层的输出；W表示加权矩阵；ReLU、σ是激活函数；
再将多图空间卷积层的输出Zl作为第二门控时间卷积层的输入，叠加时间维度上的卷积层，在时间维度上进一步合并相邻的时间信息，得到船舶流量预测数据：
其中，fl+1是l+1时刻的流量预测数据；
是时空卷积块内的第二个时间卷积核；*T表示时间卷积运算；
最后将所述船舶流量预测数据输入到输出层，即得到最终的船舶流量预测值。
与现有技术相比，本发明的有益效果是：本发明基于改进图卷积神经网络的船舶交通流预测方法，综合考虑了航道网络不同节点的流量之间的影响，通过构造基于多图卷积融合改进的时空图卷积神经网络模型，提高了模型对于船舶流量预测的准确度。
附图说明
图1为本发明一种基于改进图卷积神经网络的船舶交通流预测方法的流程图。
图2为本发明中航道网络提取方法的过程示意图。
图3为本发明中多图卷积融合改进的时空图卷积神经网络模型的结构图。
图4为本发明中门控时间卷积层的模型结构图。
图5为本发明中多图空间卷积层的模型结构框图。
具体实施方式
下面将结合本发明中的附图，对本发明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做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本实施例提供了一种基于改进图卷积神经网络的船舶交通流预测方法，包括航道网络与船舶流量提取方法和船舶交通流预测方法，所述航道网络与船舶流量提取方法，首先采用DP压缩算法获取初始的船舶轨迹特征点，然后采用DBSCAN算法对初始的轨迹特征点进行聚类去噪，得到真正的轨迹特征点。再对研究海域进行网格划分，并将提取的轨迹特征点投影至网格之中，含特征点的网格被作为航道网络中的节点，再按照船舶行驶轨迹依次连接各节点，建立航道网络。最后，依次统计不同时间段内经过各节点的船舶数量，得到不同时刻中每个图节点的船舶交通流量。所述船舶交通流预测方法是基于航道网络提取得到的船舶流量，采用多图卷积改进的GCN算法对各节点的船舶流量进行预测。
具体包括以下步骤：
S1，获取初始的船舶轨迹特征点；
S2，对所述初始的船舶轨迹特征点进行去噪处理，获取真实的船舶轨迹特征点；
S3，对待测海域进行网格划分，并将所述真实的船舶轨迹特征点投影至网格中，将含特征点的网格作为节点，按照船舶行驶轨迹依次连接各节点，建立航道网络；
S4，依次统计不同时间段内经过各节点的船舶数量，得到不同时间段内各个节点的船舶交通流量；
S5，基于步骤S4中得到的船舶交通流量数据，采用多图卷积改进的GCN算法对各节点的船舶交通流量进行预测。
具体地，步骤S1中，获取初始的船舶轨迹特征点的方法为：如图2(a)所示，基于AIS轨迹数据，采用Douglas-Peucker(DP)算法进行压缩，获得初始的船舶轨迹特征点数据；具体获取的过程为：
设某条船舶的轨迹点集合为：
v＝{v1,v2,…,vi}
其中，vi表示船舶在第i时刻的经纬度位置坐标；
将相邻的轨迹点之间连成折线，则轨迹表示为折线：
再将轨迹点的起始点与终止点连接成线作为一级基准线，然后计算每个轨迹点到一级基准线的距离，找出距离最大的点；
分别将起始点、终止点与所述距离最大的点连接，得到两条二级基准线，计算每条二级基准线两侧各轨迹点到对应二级基准线的距离，找出距离最大的点；
分别将两条二级基准线的起始点、终止点与对应的距离最大的点连接，得到四条三级基准线；
重复循环上述步骤，直到得到2N-1条N级基准线，且各N级基准线两侧轨迹点到对应N级基准线的最大距离小于预设值时，循环结束；
获取压缩后的船舶轨迹特征点集合为：
其中j<i；
对应的船舶轨迹折线表示为：
具体地，步骤S2中，获取真实的船舶轨迹特征点的方法为：采用DBSCAN聚类算法对步骤S1中压缩后的轨迹特征点进行聚类，获得多个轨迹点簇；所述DBSCAN聚类算法的输入为特征点集合
邻域参数为eps和MinPts；其中，eps代表集合中某一样本的邻域距离阈值，MinPts代表邻域扫描半径范围内最小包含点数；具体过程包括如下步骤：
S21，通过检查特征点集合
中各个点的eps邻域来搜索簇；若点p的eps邻域包含的点多于MinPts个，则创建一个以p为核心对象的簇；
S22，通过迭代地聚集从这些核心对象直接密度可达的对象；
S23，重复步骤S21、S22，直到没有新的点添加到任何簇时，算法结束，得到输出：簇划分结果D＝{D1,D2,…,Dm}，其中m为轨迹特征点簇的数量；
通过聚类获得的多个轨迹特征点簇，每个簇均代表待测海域内的一个特定区域，所述特定区域至少包括港口、出入口和海上平台；然后过滤掉簇中的噪声点即得到真实的船舶轨迹特征点，如图2(b)所示；
具体地，步骤S3中，建立航道网络的方法为：利用经纬度将待测海域划分为n个等尺寸网格，如图2(c)所示；每一个网格的长为经度间隔参数Slon，每一个网格的宽为纬度间隔参数Slat；将步骤S2中获得的特征点投影至所述网格中，如图2(d)所示；具有特征点投影的网格作为节点，然后按照船舶行驶轨迹一次连接各节点，以各节点的连接为边，提取得到航道网络，如图2(e)所示；
具体地，步骤S5具体包括以下步骤：
S51，获取初始数据；所述初始数据包括航道网络节点、节点之间的船舶通行数量以及每个节点的船舶流量时间序列；对所述每个节点的船舶流量时间序列进行整理，得到维度为T*N的流量矩阵数据，T为时间记录个数，N为航道网络的节点总数；
S52，构造多图矩阵；所述多图包括距离图、交互图和相关图；
所述距离图，即利用航道网络中每个节点的经纬度计算每两个节点之间的距离的倒数，得到距离矩阵Ad(i,j)，计算公式如下：
所述交互图，即获得在整个分析时间段内从节点i出发到节点j的流量值flow(i,j)和从节点j出发到节点i的流量值flow(j,i)，通过每两个节点之间的船舶来往数量得到交互矩阵Ai(i,j)，计算公式如下：
所述相关图，即利用每个节点的流量时间序列，使用皮尔逊相关系数衡量每两个节点之间流量的相关性，计算得到相关矩阵Ac(i,j)，计算公式如下：
其中，皮尔逊相关系数计算方法如下：设有两个节点的船舶流量时间序列分别为Xn和Yn，n＝1,2,…,t，则两个节点间的相关系数为：
其中，
分别表示两个节点的船舶流量时间序列的均值；
S53，构造基于多图卷积融合改进的时空图卷积神经网络模型；该模型的可调整参数包括批量大小、模型优化器学习率、权重衰减系数、随机断开神经元的概率、卷积核大小、时空卷积块尺寸；然后将初始的船舶流量时间序列划分为训练集和测试集，将训练集与距离矩阵、交互矩阵和相关矩阵输入到模型中进行训练；
S54，将所述训练集的预测值与真实值进行比对，以计算船舶流量预测值与真实值之间的损失值，所述损失值计算采用均方误差作为损失函数，计算公式如下：
其中，MSEloss为均方误差；n为样本总个数；fpredict为船舶流量预测值；ftruth为船舶流量真实值；
然后根据所述损失值采用反向误差传播和Adam优化算法对船舶交通流量预测模型进行训练；达到设定的迭代次数后，保存模型参数，得到最终的船舶交通流量预测模型；
S55，将所述测试集与距离矩阵、交互矩阵和相关矩阵输入所述船舶交通流量预测模型，通过船舶交通流量预测模型对未来船舶交通流量进行预测。
进一步地，如图3所示，所述多图卷积融合改进的时空图卷积神经网络模型包括两个时空卷积块和一个输出层；所述时空卷积块包括依次连接的第一门控时间卷积层、多图空间卷积层和第二门控时间卷积层；时空卷积块也可以根据特定情况的规模和复杂性进行堆叠或扩展；中间的多图空间卷积层是连接两个门控时间卷积层的桥梁；其中，(νt-M+1，…νt)表示前M个时间步的观测状态，
表示预测的下一个时间步的状态，vl，vl+1分别为时空卷积块的输入与输出，C表示当前特征维度；如图5所示，所述多图空间卷积层由并联的多个图卷积组成，最后利用全连接层融合；所述多图空间卷积层中的图卷积运算在频域上进行，计算公式如下：
其中，输入x被转换为UTx，落入频域空间；⊙表示对应位置的乘积运算，即内积；gθ为卷积核，U为特征向量作为列向量组成的方阵，UT为矩阵U的转置，UUT＝E(E为单位矩阵)；所述卷积运算采用切比雪夫多项式近似简化为：
其中，θk∈Rk为切比雪夫多项式的系数；Λ表示拉普拉斯矩阵；k表示0到k-1阶邻域节点；
表示拉普拉斯矩阵的一个变换，即：
其中，λmax是拉普拉斯矩阵Λ的最大特征值；IN是N阶单位矩阵；切比雪夫多项式
的计算公式为：
如图4所示，所述门控时间卷积层包括一个一维卷积和一个门控线性单元；所述输出层包括门控卷积层、Sigmoid函数激活的卷积层和全卷积连接层。其中P和Q表示因果卷积的输出拆成的两部分(P表示前C通道，Q表示后C通道，C为特征维度)。
进一步地，步骤S53中，将训练集与距离矩阵、交互矩阵和相关矩阵输入到模型中进行训练的过程为：
首先将训练集中船舶流量数据输入到所述第一门控时间卷积层，提取对应船舶流量的时间特征，计算公式如下：
其中，fl是l时刻的流量数据；
是时空卷积块内的第一个时间卷积核；*T表示时间卷积运算；
然后将提取到的所述时间特征与距离矩阵、交互矩阵和相关矩阵输入到所述多图空间卷积层，提取航道网络各节点的空间特征，计算公式如下：
其中，
表示图卷积核；
分别表示距离矩阵、交互矩阵和相关矩阵与时间特征融合后的结果矩阵，Zl为多图空间卷积层的输出；W表示加权矩阵；ReLU、σ是激活函数；
再将多图空间卷积层的输出Zl作为第二门控时间卷积层的输入，叠加时间维度上的卷积层，在时间维度上进一步合并相邻的时间信息，得到船舶流量预测数据：
其中，fl+1是l+1时刻的流量预测数据；
是时空卷积块内的第二个时间卷积核；*T表示时间卷积运算；
最后将所述船舶流量预测数据输入到输出层，即得到最终的船舶流量预测值。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，包括以下步骤：
S1，获取初始的船舶轨迹特征点；
S2，对所述初始的船舶轨迹特征点进行去噪处理，获取真实的船舶轨迹特征点；
S3，对待测海域进行网格划分，并将所述真实的船舶轨迹特征点投影至网格中，将含特征点的网格作为节点，按照船舶行驶轨迹依次连接各节点，建立航道网络；
S4，依次统计不同时间段内经过各节点的船舶数量，得到不同时间段内各个节点的船舶交通流量；
S5，基于步骤S4中得到的船舶交通流量数据，采用多图卷积改进的GCN算法对各节点的船舶交通流量进行预测。
2.根据权利要求1所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，步骤S1中，获取初始的船舶轨迹特征点的方法为：基于AIS轨迹数据，采用DP算法进行压缩，获得初始的船舶轨迹特征点数据；具体获取的过程为：
设某条船舶的轨迹点集合为：
v＝{v1,v2,…,vi}
其中，vi表示船舶在第i时刻的经纬度位置坐标；
将相邻的轨迹点之间连成折线，则轨迹表示为折线：
再将轨迹点的起始点与终止点连接成线作为一级基准线，然后计算每个轨迹点到一级基准线的距离，找出距离最大的点；
分别将起始点、终止点与所述距离最大的点连接，得到两条二级基准线，计算每条二级基准线两侧各轨迹点到对应二级基准线的距离，找出距离最大的点；
分别将两条二级基准线的起始点、终止点与对应的距离最大的点连接，得到四条三级基准线；
重复循环上述步骤，直到得到2N-1条N级基准线，且各N级基准线两侧轨迹点到对应N级基准线的最大距离小于预设值时，循环结束；
获取压缩后的船舶轨迹特征点集合为：
其中j<i；
对应的船舶轨迹折线表示为：
3.根据权利要求2所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，步骤S2中，获取真实的船舶轨迹特征点的方法为：采用DBSCAN聚类算法对步骤S1中压缩后的轨迹特征点进行聚类，获得多个轨迹点簇；所述DBSCAN聚类算法的输入为特征点集合
邻域参数为eps和MinPts；其中，eps代表集合中某一样本的邻域距离阈值，MinPts代表邻域扫描半径范围内最小包含点数；具体过程包括如下步骤：
S21，通过检查特征点集合
中各个点的eps邻域来搜索簇；若点p的eps邻域包含的点多于MinPts个，则创建一个以p为核心对象的簇；
S22，通过迭代地聚集从这些核心对象直接密度可达的对象；
S23，重复步骤S21、S22，直到没有新的点添加到任何簇时，算法结束，得到输出：簇划分结果D＝{D1,D2,…,Dm}，其中m为轨迹特征点簇的数量；
通过聚类获得的m个轨迹特征点簇，每个簇均代表待测海域内的一个特定区域，所述特定区域至少包括港口、出入口和海上平台；然后过滤掉簇中的噪声点即得到真实的船舶轨迹特征点。
4.根据权利要求1所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，步骤S3中，建立航道网络的方法为：利用经纬度将待测海域划分为n个等尺寸网格，每一个网格的长为经度间隔参数Slon，每一个网格的宽为纬度间隔参数Slat；将步骤S2中获得的m个特征点簇种所有特征点投影至所述网格中，具有特征点投影的网格作为节点，然后按照船舶行驶轨迹依次连接各节点，以各节点的连接为边，提取得到航道网络。
5.根据权利要求1所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，步骤S5具体包括以下步骤：
S51，获取初始数据；所述初始数据包括航道网络节点、节点之间的船舶通行数量以及每个节点的船舶流量时间序列；
S52，构造多图矩阵；所述多图包括距离图、交互图和相关图；
所述距离图，即利用航道网络中每个节点的经纬度计算每两个节点之间的距离的倒数，得到距离矩阵Ad(i,j)，计算公式如下：
所述交互图，即获得在整个分析时间段内从节点i出发到节点j的流量值flow(i,j)和从节点j出发到节点i的流量值flow(j,i)，通过每两个节点之间的船舶来往数量得到交互矩阵Ai(i,j)，计算公式如下：
所述相关图，即利用每个节点的流量时间序列，使用皮尔逊相关系数衡量每两个节点之间流量的相关性，计算得到相关矩阵Ac(i,j)，计算公式如下：
其中，皮尔逊相关系数计算方法如下：设有两个节点的船舶流量时间序列分别为Xn和Yn，n＝1,2,…,t，则两个节点间的相关系数为：
其中，
分别表示两个节点的船舶流量时间序列的均值；
S53，构造基于多图卷积融合改进的时空图卷积神经网络模型；该模型的可调整参数包括批量大小、模型优化器学习率、权重衰减系数、随机断开神经元的概率、卷积核大小、时空卷积块尺寸；然后将初始的船舶流量时间序列划分为训练集和测试集，将训练集与距离矩阵、交互矩阵和相关矩阵输入到模型中进行训练；
S54，将所述训练集的预测值与真实值进行比对，以计算船舶流量预测值与真实值之间的损失值，所述损失值计算采用均方误差作为损失函数，计算公式如下：
其中，MSEloss为均方误差；n为样本总个数；fpredict为船舶流量预测值；ftruth为船舶流量真实值；
然后根据所述损失值采用反向误差传播和Adam优化算法对船舶交通流量预测模型进行训练；达到设定的迭代次数后，保存模型参数，得到最终的船舶交通流量预测模型；
S55，将所述测试集与距离矩阵、交互矩阵和相关矩阵输入所述船舶交通流量预测模型，通过船舶交通流量预测模型对未来船舶交通流量进行预测。
6.根据权利要求5所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，所述多图卷积融合改进的时空图卷积神经网络模型包括两个时空卷积块和一个输出层；所述时空卷积块包括依次连接的第一门控时间卷积层、多图空间卷积层和第二门控时间卷积层；所述多图空间卷积层由并联的多个图卷积组成，最后利用全连接层融合；所述多图空间卷积层中的图卷积运算在频域上进行，计算公式如下：
其中，输入x被转换为UTx，落入频域空间；⊙表示对应位置的乘积运算，即内积；gθ为卷积核，U为特征向量作为列向量组成的方阵，UT为矩阵U的转置，UUT＝E(E为单位矩阵)；所述卷积运算采用切比雪夫多项式近似简化为：
其中，θk∈Rk为切比雪夫多项式的系数；Λ表示拉普拉斯矩阵；k表示0到k-1阶邻域节点；
表示拉普拉斯矩阵的一个变换，即：
其中，λmax是拉普拉斯矩阵Λ的最大特征值；IN是N阶单位矩阵；切比雪夫多项式
的计算公式为：
所述门控时间卷积层包括一个一维卷积和一个Sigmoid函数激活的一维卷积；所述输出层包括门控卷积层、Sigmoid函数激活的卷积层和全卷积连接层。
7.根据权利要求6所述的一种基于改进图卷积神经网络的船舶交通流预测方法，其特征在于，步骤S53中，将训练集与距离矩阵、交互矩阵和相关矩阵输入到模型中进行训练的过程为：
首先将训练集中船舶流量数据输入到所述第一门控时间卷积层，提取对应船舶流量的时间特征，计算公式如下：
其中，fl是l时刻的流量数据；
是时空卷积块内的第一个时间卷积核；*T表示时间卷积运算；
然后将提取到的所述时间特征与距离矩阵、交互矩阵和相关矩阵输入到所述多图空间卷积层，提取航道网络各节点的空间特征，计算公式如下：
其中，
表示图卷积核；
分别表示距离矩阵、交互矩阵和相关矩阵与时间特征融合后的结果矩阵，Zl为多图空间卷积层的输出；W表示加权矩阵；ReLU、σ是激活函数；
再将多图空间卷积层的输出Zl作为第二门控时间卷积层的输入，叠加时间维度上的卷积层，在时间维度上进一步合并相邻的时间信息，得到船舶流量预测数据：
其中，fl+1是l+1时刻的流量预测数据；
是时空卷积块内的第二个时间卷积核；*T表示时间卷积运算；
最后将所述船舶流量预测数据输入到输出层，即得到最终的船舶流量预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030818.2A CN114565124A (zh) | 2022-01-12 | 2022-01-12 | 一种基于改进图卷积神经网络的船舶交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030818.2A CN114565124A (zh) | 2022-01-12 | 2022-01-12 | 一种基于改进图卷积神经网络的船舶交通流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565124A true CN114565124A (zh) | 2022-05-31 |
Family
ID=81712200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210030818.2A Pending CN114565124A (zh) | 2022-01-12 | 2022-01-12 | 一种基于改进图卷积神经网络的船舶交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565124A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115293297A (zh) * | 2022-10-08 | 2022-11-04 | 武汉理工大学 | 一种意图驱动的船舶轨迹预测方法 |
| CN115376317A (zh) * | 2022-08-22 | 2022-11-22 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
| CN116524723A (zh) * | 2023-06-27 | 2023-08-01 | 天津大学 | 一种货车轨迹异常识别方法及系统 |
| CN116596151A (zh) * | 2023-05-25 | 2023-08-15 | 湖北工业大学 | 基于时空图注意力的交通流量预测方法及计算设备 |
| CN117037547A (zh) * | 2023-10-07 | 2023-11-10 | 交通运输部水运科学研究所 | 一种航道关键节点的拥堵程度评价方法、系统及存储介质 |
| CN117311171A (zh) * | 2023-11-30 | 2023-12-29 | 中国船舶集团有限公司第七一九研究所 | 用于多设备控制的图神经网络模型的训练方法和装置 |
| CN117972315A (zh) * | 2024-03-29 | 2024-05-03 | 山东省科学院海洋仪器仪表研究所 | 基于混合神经网络预测模型的漂流浮标轨迹预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292562A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航空流量预测方法 |
| CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
| CN112561148A (zh) * | 2020-12-09 | 2021-03-26 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 |
| US20210233391A1 (en) * | 2018-10-18 | 2021-07-29 | Alibaba Group Holding Limited | Method and device for predicting traffic flow or travel time period |
-
2022
- 2022-01-12 CN CN202210030818.2A patent/CN114565124A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210233391A1 (en) * | 2018-10-18 | 2021-07-29 | Alibaba Group Holding Limited | Method and device for predicting traffic flow or travel time period |
| CN111292562A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航空流量预测方法 |
| CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
| CN112561148A (zh) * | 2020-12-09 | 2021-03-26 | 北京京航计算通讯研究所 | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115376317A (zh) * | 2022-08-22 | 2022-11-22 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
| CN115376317B (zh) * | 2022-08-22 | 2023-08-11 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
| CN115293297A (zh) * | 2022-10-08 | 2022-11-04 | 武汉理工大学 | 一种意图驱动的船舶轨迹预测方法 |
| CN116596151A (zh) * | 2023-05-25 | 2023-08-15 | 湖北工业大学 | 基于时空图注意力的交通流量预测方法及计算设备 |
| CN116596151B (zh) * | 2023-05-25 | 2024-03-15 | 湖北工业大学 | 基于时空图注意力的交通流量预测方法及计算设备 |
| CN116524723A (zh) * | 2023-06-27 | 2023-08-01 | 天津大学 | 一种货车轨迹异常识别方法及系统 |
| CN116524723B (zh) * | 2023-06-27 | 2023-09-12 | 天津大学 | 一种货车轨迹异常识别方法及系统 |
| CN117037547A (zh) * | 2023-10-07 | 2023-11-10 | 交通运输部水运科学研究所 | 一种航道关键节点的拥堵程度评价方法、系统及存储介质 |
| CN117037547B (zh) * | 2023-10-07 | 2023-12-19 | 交通运输部水运科学研究所 | 一种航道关键节点的拥堵程度评价方法、系统及存储介质 |
| CN117311171A (zh) * | 2023-11-30 | 2023-12-29 | 中国船舶集团有限公司第七一九研究所 | 用于多设备控制的图神经网络模型的训练方法和装置 |
| CN117311171B (zh) * | 2023-11-30 | 2024-02-20 | 中国船舶集团有限公司第七一九研究所 | 用于多设备控制的图神经网络模型的训练方法和装置 |
| CN117972315A (zh) * | 2024-03-29 | 2024-05-03 | 山东省科学院海洋仪器仪表研究所 | 基于混合神经网络预测模型的漂流浮标轨迹预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN115240425A (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
| CN115578852B (zh) | 一种基于dstgcn的交通预测方法 | |
| CN115578851A (zh) | 一种基于mgcn的交通预测方法 | |
| CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
| CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
| CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
| CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
| Zhuang et al. | Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network | |
| Thongniran et al. | Spatio-temporal deep learning for ocean current prediction based on HF radar data | |
| CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
| CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
| CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
| CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
| CN112966748A (zh) | 基于边缘感知双分支fcn的极化sar图像分类方法 | |
| CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
| CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
| CN116486611A (zh) | 一种城市道路车辆速度预测方法 | |
| CN115953902A (zh) | 一种基于多视图时空图卷积网络的交通流预测方法 | |
| Lin et al. | Network-wide multi-step traffic volume prediction using graph convolutional gated recurrent neural network | |
| CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
| CN111382761B (zh) | 一种基于cnn的检测器、图像检测方法及终端 | |
| CN117456738B (zh) | 一种基于etc门架数据的高速公路交通量预测方法 | |
| LU504816B1 (en) | Interpretable deep learning model for extreme climate prediction |
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 |