CN114566046A - 一种短时交通状况预测系统及其方法 - Google Patents
一种短时交通状况预测系统及其方法 Download PDFInfo
- Publication number
- CN114566046A CN114566046A CN202210194244.2A CN202210194244A CN114566046A CN 114566046 A CN114566046 A CN 114566046A CN 202210194244 A CN202210194244 A CN 202210194244A CN 114566046 A CN114566046 A CN 114566046A
- Authority
- CN
- China
- Prior art keywords
- traffic condition
- short
- traffic
- condition prediction
- model
- 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 22
- 238000012545 processing Methods 0.000 claims abstract description 72
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于数据预测技术领域,公开了一种短时交通状况预测系统及其方法,所述的系统包括数据处理单元、模型预测单元、数据库单元以及交通状况查询单元;所述的方法包括如下步骤:初始化短时交通状况预测系统,基于神经网络建立短时交通状况预测模型;使用短时交通状况预测模型进行预测,得到并存储短时交通状况预测结果;获取交通状况查询信息并匹配对应的短时交通状况预测结果;根据匹配到的短时交通状况预测结果生成并显示可视化图像。本发明解决了现有技术存在的预测模型实用性低,预测结果准确性低以及预测资源消耗大的问题。
Description
技术领域
本发明属于数据预测技术领域,具体涉及一种短时交通状况预测系统及其方法。
背景技术
随着社会经济的高速发展,城市中的每个家庭都至少有一辆代步车,这就导致城市交通压力的急剧增加。早期,在城市规划尚不成熟时,通过拓宽道路来环节交通压力,但是随着城市规划逐渐成熟,这种方法已经不再能解决上述问题。对于上述问题,人、车辆、道路三者之间到达一种平衡才是解决城市交通拥堵的关键因素,因此智能交通系统应运而生,智能交通系统通过实时采集的交通数据,使用智能化的分析手段,实时分析路面未来的交通状况,给出行者一定的引导,从而有效的缓解交通压力。由于交通数据具有非线性和随机性等特征,对道路的交通状况的精准预测并不容易实现,目前存在的交通状况预测模型,大多是一个模型训练一条道路,忽略了不同道路之间的相关性,当训练完成时,通常部署上线应用的模型也只能预测训练的这条道路,预测模型实用性低,预测结果准确性低。并且城市交通是一个非常复杂的、交错的网状结构,路面上相邻的道路直接影响,不相邻的道路间接影响,如果能对这些交错的路段同时预测,将减少资源的消耗。
发明内容
为了解决现有技术存在的预测模型实用性低,预测结果准确性低以及预测资源消耗大的问题,提出一种短时交通状况预测系统及其方法。
本发明所采用的技术方案为:
一种短时交通状况预测系统,包括数据处理单元、模型预测单元、数据库单元以及交通状况查询单元,数据库单元分别与数据处理单元、模型预测单元以及交通状况查询单元连接,数据处理单元与模型预测单元连接,且数据处理单元连接有外部的交通数据库,交通状况查询单元连接有外部的若干移动终端;
交通状况查询单元,用于接收用户的移动终端发送的交通状况查询信息并在数据库单元中进行匹配,提取对应的短时交通状况预测结果生成并显示可视化图像;
数据处理单元,用于采集外部互联网的交通数据库中带有时序的真实交通数据并进行数据处理,将得到的一次处理后交通数据分别发送至数据库单元进行存储和发送至模型预测单元进行模型训练或预测;
模型预测单元,用于接收一次处理后交通数据并进行二次处理,将得到的二次处理后交通数据发送至数据库单元进行存储,根据二次处理后交通数据进行模型训练或预测,将得到的短时交通状况预测模型的模型参数或短时交通状况预测结果发送至数据库单元进行存储;
数据库单元,用于存储数据处理单元采集的真实交通数据、数据处理单元发送的一次处理后交通数据以及模型预测单元发送的二次处理后交通数据、短时交通状况预测模型的模型参数以及短时交通状况预测结果,并向交通状况查询单元发送短时交通状况预测结果。
进一步地,数据库单元设置有一次处理后交通数据库、二次处理后交通数据库、模型参数数据库以及短时交通状况预测结果数据库。
一种短时交通状况预测方法,基于短时交通状况预测系统,包括如下步骤:
初始化短时交通状况预测系统,基于神经网络建立短时交通状况预测模型;
使用短时交通状况预测模型进行预测,得到并存储短时交通状况预测结果;
获取交通状况查询信息并匹配对应的短时交通状况预测结果;
根据匹配到的短时交通状况预测结果生成并显示可视化图像。
进一步地,基于神经网络建立短时交通状况预测模型,包括如下步骤:
获取带有时序的真实交通数据集,对真实交通数据集进行数据处理,得到并存储一次处理后交通数据集;
对一次处理后交通数据集进行二次处理,得到并存储二次处理后交通数据集;
基于神经网络根据二次处理后交通数据集进行模型训练,得到短时交通状况预测模型并存储其模型参数。
进一步地,数据处理包括对带有时序的真实交通数据集依次进行的异常值剔除和缺失值填补;
二次处理包括对一次处理后交通数据集依次进行的矩阵转换和归一化处理。
进一步地,带有时序的真实交通数据集为各训练时间段内各训练道路的交通情况真实值,交通情况真实值为真实交通指数、真实交通速度或真实交通流量。
进一步地,基于MGRU网络模型建立短时交通状况预测模型。
进一步地,交通状况查询信息包括当前时间和查询道路。
进一步地,短时交通状况预测结果为预测周期到达时在查询道路的交通情况预测值,交通情况预测值为短时交通状况预测模型预测的预测交通指数、预测交通速度或预测交通流量。
进一步地,可视化图像包括根据短时交通状况预测结果生成的交通情况折线图、交通状况查询信息以及查询道路的实际地图。
本发明的有益效果为:
1)本发明提供的短时交通状况预测系统,采用微服务的架构,实现了交通数据处理、短时交通状况预测以及预测结果可视化显示的功能,提供了用户使用的便捷性和实用性,改善了用户使用满意度,为用户的出行起到一定的引导作用,并且能够同时对多个道路同时进行预测,提高了系统的实用性。
2)本发明提供的短时交通状况预测方法,基于神经网络根据带有时序的真实交通数据集建立短时交通状况预测模型,学习相邻路段的之间的关联信息,提高了预测的准确性,并且能够同时预测多条道路的交通情况,减少了资源消耗,提高了预测效率,最后可视化图像能够同时展示短时交通状况预测结果和实际地图,提高了用户使用的便捷性。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中短时交通状况预测系统的结构框图。
图2是本发明中短时交通状况预测方法的流程图。
图3是本发明中MGRU网络模型的结构示意图。
图4是本发明中可视化图像示意图。
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做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1:
如图1所示,本实施例提供一种短时交通状况预测系统,包括数据处理单元、模型预测单元、数据库单元以及交通状况查询单元,数据库单元分别与数据处理单元、模型预测单元以及交通状况查询单元连接,数据处理单元与模型预测单元连接,且数据处理单元连接有外部的交通数据库,交通状况查询单元连接有外部的若干移动终端;
交通状况查询单元,用于接收用户的移动终端发送的交通状况查询信息并在数据库单元中进行匹配,提取对应的短时交通状况预测结果生成并显示可视化图像;
数据处理单元,用于采集外部互联网的交通数据库中带有时序的真实交通数据并进行数据处理,将得到的一次处理后交通数据分别发送至数据库单元进行存储和发送至模型预测单元进行模型训练或预测;
模型预测单元,用于接收一次处理后交通数据并进行二次处理,将得到的二次处理后交通数据发送至数据库单元进行存储,根据二次处理后交通数据进行模型训练或预测,将得到的短时交通状况预测模型的模型参数或短时交通状况预测结果发送至数据库单元进行存储;
数据库单元,用于存储数据处理单元采集的真实交通数据、数据处理单元发送的一次处理后交通数据以及模型预测单元发送的二次处理后交通数据、短时交通状况预测模型的模型参数以及短时交通状况预测结果,并向交通状况查询单元发送短时交通状况预测结果。
作为优选,数据库单元设置有一次处理后交通数据库、二次处理后交通数据库、模型参数数据库以及短时交通状况预测结果数据库。
本发明提供的短时交通状况预测系统,采用微服务的架构,实现了交通数据处理、短时交通状况预测以及预测结果可视化显示的功能,提供了用户使用的便捷性和实用性,改善了用户使用满意度,为用户的出行起到一定的引导作用,并且能够同时对多个道路同时进行预测,提高了系统的实用性。
实施例2:
如图2所示,本实施例提供一种短时交通状况预测方法,基于短时交通状况预测系统,包括如下步骤:
初始化短时交通状况预测系统,基于MGRU网络模型建立短时交通状况预测模型,包括如下步骤:
获取带有时序的真实交通数据集,带有时序的真实交通数据集为各训练时间段内各训练道路的交通情况真实值,交通情况真实值为真实交通指数、真实交通速度或真实交通流量,对真实交通数据集进行数据处理,得到并存储一次处理后交通数据集,数据处理包括对带有时序的真实交通数据集依次进行的异常值剔除和根据前后平均值进行缺失值填补,保证了真实交通数据集在时序上的数据完整,提高了模型训练速度和预测准确性;
对一次处理后交通数据集进行二次处理,得到并存储二次处理后交通数据集,二次处理包括对一次处理后交通数据集依次进行的矩阵转换和归一化处理,将一次处理后交通数据集转换成模型输入所需的矩阵形式,由于一次处理后交通数据集的非线性和随机性,使得数据变化范围较大,为了使模型能够充分挖掘数据的隐藏特征,采用max-min归一化方法对一次处理后交通数据集进行归一化处理,得到多维矩阵向量格式的二次处理后交通数据集;
将二次处理后交通数据集的矩阵向量输入多维对多维的MGRU网络模型进行模型训练,得到短时交通状况预测模型并存储其模型参数;
如图3所示,MGRU网络模型包括依次连接的输入层、第一隐藏层、第二隐藏层、全连接层以及输出层,输入层的维度n根据所得的真实交通数据集中训练道路的数量而定,第一隐藏层由大小为256的GRU单元组成,用于提取真实交通数据集的数据特征,第二隐藏层由大小为64的GRU单元组成,用于根据第一隐藏层提取的数据特征进一步提取隐藏特征,充分的学习了各训练道路之间的相关性,全连接层的维度n同输入层保持一致,提取不同路段间在前两层学习到相互关系,通过加权求和预测n条训练道路的交通状况值,通过维度n的输出层进行输出,本实施例中道路的数量为414条,即n=414;
使用短时交通状况预测模型进行预测,得到并存储短时交通状况预测结果,短时交通状况预测结果为预测周期到达时在查询道路的交通情况预测值,交通情况预测值为短时交通状况预测模型预测的预测交通指数、预测交通速度或预测交通流量,预测周期一般为查询时刻之后的一个预测周期,本实施例中查询时刻为15:35,预测周期为10min;
获取交通状况查询信息并匹配对应的短时交通状况预测结果,交通状况查询信息包括当前时间和查询道路,根据查询道路匹配对应的训练道路,并根据当前时间获取对应的交通情况预测值;
根据匹配到的短时交通状况预测结果生成并显示可视化图像,如图4所示,可视化图像包括根据短时交通状况预测结果生成的交通情况折线图、交通状况查询信息以及查询道路的实际地图。
本发明提供的短时交通状况预测方法,基于神经网络根据带有时序的真实交通数据集建立短时交通状况预测模型,学习相邻路段的之间的关联信息,提高了预测的准确性,并且能够同时预测多条道路的交通情况,减少了资源消耗,提高了预测效率,最后可视化图像能够同时展示短时交通状况预测结果和实际地图,提高了用户使用的便捷性。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种短时交通状况预测系统,其特征在于:包括数据处理单元、模型预测单元、数据库单元以及交通状况查询单元,所述的数据库单元分别与数据处理单元、模型预测单元以及交通状况查询单元连接,所述的数据处理单元与模型预测单元连接,且数据处理单元连接有外部的交通数据库,所述的交通状况查询单元连接有外部的若干移动终端;
交通状况查询单元,用于接收用户的移动终端发送的交通状况查询信息并在数据库单元中进行匹配,提取对应的短时交通状况预测结果生成并显示可视化图像;
数据处理单元,用于采集外部互联网的交通数据库中带有时序的真实交通数据并进行数据处理,将得到的一次处理后交通数据分别发送至数据库单元进行存储和发送至模型预测单元进行模型训练或预测;
模型预测单元,用于接收一次处理后交通数据并进行二次处理,将得到的二次处理后交通数据发送至数据库单元进行存储,根据二次处理后交通数据进行模型训练或预测,将得到的短时交通状况预测模型的模型参数或短时交通状况预测结果发送至数据库单元进行存储;
数据库单元,用于存储数据处理单元采集的真实交通数据、数据处理单元发送的一次处理后交通数据以及模型预测单元发送的二次处理后交通数据、短时交通状况预测模型的模型参数以及短时交通状况预测结果,并向交通状况查询单元发送短时交通状况预测结果。
2.根据权利要求1所述的短时交通状况预测系统,其特征在于:所述的数据库单元设置有一次处理后交通数据库、二次处理后交通数据库、模型参数数据库以及短时交通状况预测结果数据库。
3.一种短时交通状况预测方法,基于如权利要求1所述的短时交通状况预测系统,其特征在于:包括如下步骤:
初始化短时交通状况预测系统,基于神经网络建立短时交通状况预测模型;
使用短时交通状况预测模型进行预测,得到并存储短时交通状况预测结果;
获取交通状况查询信息并匹配对应的短时交通状况预测结果;
根据匹配到的短时交通状况预测结果生成并显示可视化图像。
4.根据权利要求3所述的短时交通状况预测方法,其特征在于:所述的基于神经网络建立短时交通状况预测模型,包括如下步骤:
获取带有时序的真实交通数据集,对真实交通数据集进行数据处理,得到并存储一次处理后交通数据集;
对一次处理后交通数据集进行二次处理,得到并存储二次处理后交通数据集;
基于神经网络根据二次处理后交通数据集进行模型训练,得到短时交通状况预测模型并存储其模型参数。
5.根据权利要求4所述的短时交通状况预测方法,其特征在于:所述的数据处理包括对带有时序的真实交通数据集依次进行的异常值剔除和缺失值填补;
所述的二次处理包括对一次处理后交通数据集依次进行的矩阵转换和归一化处理。
6.根据权利要求4所述的短时交通状况预测方法,其特征在于:所述的带有时序的真实交通数据集为各训练时间段内各训练道路的交通情况真实值,所述的交通情况真实值为真实交通指数、真实交通速度或真实交通流量。
7.根据权利要求3所述的短时交通状况预测方法,其特征在于:基于MGRU网络模型建立短时交通状况预测模型。
8.根据权利要求3所述的短时交通状况预测方法,其特征在于:所述的交通状况查询信息包括当前时间和查询道路。
9.根据权利要求8所述的短时交通状况预测方法,其特征在于:所述的短时交通状况预测结果为预测周期到达时在查询道路的交通情况预测值,所述的交通情况预测值为短时交通状况预测模型预测的预测交通指数、预测交通速度或预测交通流量。
10.根据权利要求3所述的短时交通状况预测方法,其特征在于:所述的可视化图像包括根据短时交通状况预测结果生成的交通情况折线图、交通状况查询信息以及查询道路的实际地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194244.2A CN114566046A (zh) | 2022-03-01 | 2022-03-01 | 一种短时交通状况预测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194244.2A CN114566046A (zh) | 2022-03-01 | 2022-03-01 | 一种短时交通状况预测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114566046A true CN114566046A (zh) | 2022-05-31 |
Family
ID=81715202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210194244.2A Pending CN114566046A (zh) | 2022-03-01 | 2022-03-01 | 一种短时交通状况预测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114566046A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540114A (zh) * | 2024-01-10 | 2024-02-09 | 山东路科公路信息咨询有限公司 | 基于大数据挖掘的公路数据查询方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573771A (zh) * | 2003-06-05 | 2005-02-02 | 本田技研工业株式会社 | 交通信息管理系统 |
CN102346964A (zh) * | 2010-08-05 | 2012-02-08 | 王学鹰 | 道路交通网络区域拥堵实时预测与智能管理系统 |
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
US20180017402A1 (en) * | 2016-07-15 | 2018-01-18 | Tata Consultancy Services Limited | Method and system for vehicle speed profile generation |
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 |
US20190303866A1 (en) * | 2018-03-29 | 2019-10-03 | Bluesignal Corporation | Method of providing information about logistics delivery route by using future traffic information and server for performing the same |
CN110619748A (zh) * | 2019-10-22 | 2019-12-27 | 江苏广宇协同科技发展研究院有限公司 | 基于交通大数据的交通状况分析与预测方法、装置及系统 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
-
2022
- 2022-03-01 CN CN202210194244.2A patent/CN114566046A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573771A (zh) * | 2003-06-05 | 2005-02-02 | 本田技研工业株式会社 | 交通信息管理系统 |
CN102346964A (zh) * | 2010-08-05 | 2012-02-08 | 王学鹰 | 道路交通网络区域拥堵实时预测与智能管理系统 |
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
US20180017402A1 (en) * | 2016-07-15 | 2018-01-18 | Tata Consultancy Services Limited | Method and system for vehicle speed profile generation |
US20190303866A1 (en) * | 2018-03-29 | 2019-10-03 | Bluesignal Corporation | Method of providing information about logistics delivery route by using future traffic information and server for performing the same |
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 |
CN110619748A (zh) * | 2019-10-22 | 2019-12-27 | 江苏广宇协同科技发展研究院有限公司 | 基于交通大数据的交通状况分析与预测方法、装置及系统 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540114A (zh) * | 2024-01-10 | 2024-02-09 | 山东路科公路信息咨询有限公司 | 基于大数据挖掘的公路数据查询方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
Xu et al. | Real-time prediction of taxi demand using recurrent neural networks | |
CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 | |
CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
CN109214280A (zh) | 基于街景的店铺识别方法、装置、电子设备及存储介质 | |
CN112598438A (zh) | 一种基于大规模用户画像的户外广告推荐系统及方法 | |
CN108537691A (zh) | 一种区域游览智能管理系统及方法 | |
CN109637128A (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 | |
CN110335099B (zh) | 一种基于用户历史数据的车票购买线路推荐方法 | |
CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN110379152B (zh) | 一种共享单车实时监控和再平衡的可视化方法 | |
CN114566046A (zh) | 一种短时交通状况预测系统及其方法 | |
Liu et al. | A method for short-term traffic flow forecasting based on GCN-LSTM | |
CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
Fafoutellis et al. | Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data | |
CN103208036B (zh) | 一种基于电力用户数据的短期负荷预测方法 | |
CN116975785B (zh) | 一种基于cim模型的多源异构数据融合分析方法及系统 | |
CN114090898A (zh) | 一种信息推荐方法、装置、终端设备及介质 | |
CN106781508B (zh) | 一种Spark环境下基于多重相空间的短时交通流预测方法 | |
KR20210128823A (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
CN111209979A (zh) | 监控车辆电压的方法、装置及电子设备 | |
CN110362828A (zh) | 网络资讯风险识别方法及系统 | |
Miao et al. | A queue hybrid neural network with weather weighted factor for traffic flow prediction | |
Panovski et al. | Real-time public transportation prediction with machine learning algorithms | |
CN115907012A (zh) | 一种基于供电服务信息的数据挖掘方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220531 |
|
RJ01 | Rejection of invention patent application after publication |