CN114662792A - 基于动态扩散图卷积的循环神经网络的交通流量预测方法 - Google Patents
基于动态扩散图卷积的循环神经网络的交通流量预测方法 Download PDFInfo
- Publication number
- CN114662792A CN114662792A CN202210430388.3A CN202210430388A CN114662792A CN 114662792 A CN114662792 A CN 114662792A CN 202210430388 A CN202210430388 A CN 202210430388A CN 114662792 A CN114662792 A CN 114662792A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road
- dynamic
- topological structure
- neural network
- 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
- 238000009792 diffusion process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 230000003068 static effect Effects 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 abstract description 8
- 230000004931 aggregating effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010200 validation 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了基于动态扩散图卷积的循环神经网络的交通流量预测方法,包括如下步骤:对于道路的拓扑结构建立拓扑结构模型,从静态拓扑结构考虑,利用静态拓扑结构来学习一个空间固有的特征表示;从动态拓扑结构考虑,利用动态节点的特征表示,对每个时刻的每个节点的信息进行一个自有潜在时间特征的学习;从扩散图卷积的角度考虑,结合空间固有的特征和自有潜在时间特征,使模型同时具有该时刻节点的空间和时间的特征性,具有聚合节点近邻信息的能力;从循环神经网络的角度考虑,在模型已经具有某一时刻节点的空间和时间的特征的情况下,将历史交通流量信息整合在一起,使模型具有一定的提取全局时间特征的能力;最终完成交通流量的准确预测。
Description
技术领域
本发明属于交通流量预测领域,尤其涉及基于动态扩散图卷积的循环神经网络的交通流量预测方法。
背景技术
随着智慧城市和智能交通系统(Intelligent Traffic System,简称ITS)的发展,城市化进程加快了城市人口增长也给城市交通系统带来了压力。交通系统是现代城市中最重要的组成部分,包括了网约车,外卖配送和共享单车等,并且在人们出行和通勤中扮演着很重要的作用。交通状态信息是通过道路、地铁和公交系统的交易记录、交通监控视频甚至手机GPS等方式采集的。通过这些方式采集得到的数据,可以用来预测交通状态,帮助城市减轻道路拥堵的情况。除此以外,交通预测通常是基于历史交通状态数据和一些其他能够影响交通状态的信息,例如节日或者是天气等,通过分析和处理这些数据进而得到的预测结果。交通预测具有很强的挑战性,是因为复杂的时间相关性(即一个交通信息序列内的时间相关性)和空间的相互依赖性(即交通节点之间的空间相关性),这些相关性各有各的不同,例如不同的环路检测器,用于交通流量和车速预测的交叉路口,以及用于乘客需求预测的各个站点/区域。也因此,交通流量预测具有很强的应用性和研究性。
目前,以深度学习为代表的人工智能技术成为当下最流行的技术之一,其也被广泛应用到交通流量预测的领域当中。因此,利用人工智能技术解决交通流量预测问题,不仅可以推动计算机中的人工智能领域的发展,同时可以提高用户体验,既具备研究价值也具备实际应用价值。
发明内容
为解决上述技术问题,本发明提出基于动态扩散图卷积的循环神经网络的交通流量预测方法,充分利用道路的拓扑结构和动态邻接矩阵的信息对交通流量进行预测,同时也具备对道路节点近邻信息聚合的能力和对全局的时间序列学习表示的能力,有利于提高交通流量预测任务的准确度。
为实现上述目的,本发明提供了基于动态扩散图卷积的循环神经网络的交通流量预测方法,包括如下步骤:
获取道路的拓扑结构信息,基于所述道路的拓扑结构信息,建立拓扑结构模型;
基于所述拓扑结构模型和实时交通流量信号,获得道路的全局节点空间特征;
基于所述道路的全局节点空间特征和历史交通流量信号,获得道路的全局时间特征;
基于所述道路的全局时间特征,完成对交通流量的预测。
可选地,道路的拓扑结构信息包括:静态拓扑结构和动态拓扑结构。
可选地,所述拓扑结构模型包括:静态拓扑结构模型和动态拓扑结构模型。
可选地,建立所述静态拓扑结构模型的方法为:
利用所述静态拓扑结构,获得空间特征表示,将所述空间特征表示作为所述静态拓扑结构模型。
可选地,建立所述动态拓扑结构模型的方法为:
利用动态节点的特征表示,获得自有时间特征表示,将所述自有时间特征表示作为所述动态拓扑结构模型。
可选地,获得道路的全局节点空间特征的方法为:
基于扩散图卷积方法,结合所述空间特征表示、所述自有时间特征表示和实时交通流量信号,获得道路的全局节点空间特征。
可选地,所述扩散图卷积方法的表达式为:
可选地,获得道路的全局时间特征的方法为:
基于循环神经网络,结合所述道路的全局节点空间特征和所述历史交通流量信息,获得道路的全局时间特征。
与现有技术相比,本发明具有如下优点和技术效果:
1、本发明探究了交通流量预测中的邻接矩阵静态和动态融合的问题,提出基于动态扩散图卷积的循环神经网络的交通流量预测方法,从每个时刻,道路的固有空间特征的角度出发,得到空间的特征表示;从每个时刻,道路的隐含时间关系的角度出发,得到该时刻下每个节点的自有时间特征表示,整个过程充分利用道路的空间和时间信息;
2、考虑到道路节点会都到临近节点的影响,利用扩散的性质以空间特征表示和自有时间特征表示,作为扩散图卷积的权重,同时结合交通流量信号,将临近节点的影响进行一个聚合表示,弥补有些节点之间的孤立关系,从而学到全局的节点空间特征。
3、为了学习历史交通流量信息和时间之间的关系,引入历史的交通流量信号,并输入到扩散图卷积模块,将输出结果送入门控循环单元(GRU)网络输出具有全局时间特征的模态特征,目的使输出结果能够是基于每个时刻下的整个道路的全局时间特征,更好的将历史交通流量信息和时间序列进行建模和表示。
本发明充分利用道路的拓扑结构和动态邻接矩阵的信息对交通流量进行预测,同时也具备对道路节点近邻信息聚合的能力和对全局的时间序列学习表示的能力,有利于提高交通流量预测任务的准确度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,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为本发明实施例一的基于动态扩散图卷积的循环神经网络的交通流量预测方法流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图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。
实施例1
本发明实施例提供了基于动态扩散图卷积的循环神经网络的交通流量预测方法,充分利用了道路的拓扑结构和动态邻接矩阵的信息,具体参见图1,该方法包括以下步骤:
101:获取道路的拓扑结构的信息(静态拓扑结构和动态拓扑结构),分别对静态拓扑结构和动态拓扑结构进行建模。从静态拓扑结构考虑,利用静态拓扑结构从每个时刻道路的固有空间特征的角度出发,得到空间的特征表示,作为静态拓扑结构模型;从动态拓扑结构考虑,利用动态节点的特征表示,考虑到道路的连通性在某个时刻是不同,所以从每个时刻,道路的隐含时间关系的角度出发,得到该时刻下每个节点的自有时间特征表示,作为动态拓扑结构模型。
102:考虑到道路节点会都到临近节点的影响,利用扩散的性质以空间特征表示和自有时间特征表示(以步骤101中的道路静态和动态结构建模的结果),作为扩散图卷积的权重,同时结合交通流量信号,将临近节点的影响进行一个表示,弥补有些节点之间的孤立关系,从而学到全局的节点空间特征;
103:时间序列建模还存在对一定时间步长之间特性的表示问题,理论上不同时间的道路信息不同(已得到特征表示,以步骤102的结果),不同的连续时间之间也是存在一定关联,如交通信息中,某一个道路的拥堵会对下一个时刻该道路的状态具有影响,即道路时间信息的流通性。为了学习该道路时间信息的流通性的问题,从循环神经网络的角度考虑,引入历史的交通流量信号,并输入到扩散图卷积模块(步骤102),将输出结果送入门控循环单元(GRU)网络输出具有全局时间特征的模态特征,目的使输出结果能够是基于每个时刻下的整个道路的全局时间特征。
104:整个网络的训练损失函数由平均绝对误差(MAE)构成,并以此损失函数来指导网络寻找模型的最优解;测试过程中的损失函数为带掩码的平均绝对误差,目的是过滤掉可能由错误引起的0(如环路传感器),同时也使得非0数值权重增加。
其中,方案性能用平均绝对误差(Mean Square Error,MAE)、均方根误差(RootMean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)三个评价指标来评估,确保实验结果的客观性和准确性。
实施例2
下面结合计算公式、实例对实施例1中的方案进行进一步地介绍,详见下文描述:
201:输入静态道路结构和对动态道路结构进行建模;
对于静态道路结构,根据道路实际的传感器的连接情况,得到静态道路邻接矩阵Aroad,但是由于道路的拓扑结构的静态关系,导致输入到深度网路中会一直学习到已知的固定特征。因此,为了捕捉到道路的时间信息邻接矩阵Atime,引入动态的邻接矩阵进行对固定特征的补充和调整。
其中,为节点嵌入矩阵,N为节点数量,d为节点嵌入的维度,该过程是为了进行一个动态信息的学习,ReLU为线性整流函数。但是考虑到Aroad对学习过程中的引导作用,因此在学习过程里面,引入空间信息矩阵Alearn,为了使时间信息的学习更加符合实际,Alearn=Atime+Aroad。
但是根据上述的描述,通过节点得嵌入过程会使得的局部时间的信息的捕捉能力强,然而如果对Alearn进行全局的信息进行一个学习,会使得预测的结果过于平滑,失去了对交通信息突变预测的能力。为了解决这个问题,因此,我们将考虑学习每个时刻t的独享矩阵At,进行连续的时间信息学习的同时也保留了Alearn对局部时间信息得学习能力,将(1.1)进行修改和整合:
202:基于扩散图卷积的临近节点的学习:
考虑到对于每个节点的特征学习能力表示不强,表现在每个节点在相同时间的对近邻信息的捕获能力不强,也就是节点对全局信息的学习能力不强,因此引入扩散图卷积,利用扩散的性质以空间特征表示和自有时间特征表示(以步骤201中的道路静态和动态结构建模的结果),作为扩散图卷积的权重,同时结合交通流量信号,将临近节点的影响进行一个表示,弥补有些节点之间的孤立关系,从而学到全局的节点空间特征。
根据扩散图卷积的切比雪夫公式和公式(1.2),最终得到一个扩散图卷积公式:
203:为了序列的全局时间特征的探索:
这里引入门控循环单元(GRU)网络,理论上不同时间的道路信息不同(已得到特征表示,以步骤202的结果),不同的连续时间之间也是存在一定关联,即道路时间信息的流通性。通过该循环神经网络将步骤202得到的特征进行全局时间特征模态的学习,目的使输出结果能够使基于每个时刻下的整个道路的全局时间特征。由于Alearn中含有时间维度的信息,因此在此时,我们也将Xt和Alearn进行时间维度的建模,同时将步骤202的扩散图卷积融合在一个GRU单元,使得模型能够更好的表示时间和空间特征,如下:
其中,Xt和ht表示t时间的输入和输出,At表示Alearn在t时刻的数据,ut、rt表示更新门和重置门,Wu、Wr、Wh表示待学习参数。
204:采用训练过程采用平均绝对误差(MAE)损失来衡量预测结果与真实结果之间的差距:
测试过程采用带掩码mask的平均绝对误差,目的是过滤掉可能由错误引起的0(如环路传感器),同时也使得非0数值权重增加,具体为:
其中,mask_value为None。
整个训练和测试过程中,模型的性能用平均绝对误差(Mean Square Error,MAE)、均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean AbsolutePercentage Error,MAPE)三个评价指标来评估,确保实验结果的客观性和准确性,其中:(1)平均绝对误差(Mean Square Error,MAE),范围[0,+∞),当预测值与真实值完全吻合时等于0,即完美模型,其值越小,性能越好;(2)均方根误差(Root Mean Square Error,RMSE)用来检测模型的预测值和真实值之间的偏差,其值越小,性能越好;(3)平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)的值越小,说明预测模型拥有更好的精确度。
实施例3
实验采取的数据集为Performance Measurement System(PeMS),该数据集包含2001年至2019年间跨越加利福尼亚州所有主要大都市区的高速公路系统上超过18,000个车辆检测站的原始检测器数据,这些数据由各种传感器收集,包括感应回路、侧射雷达和磁力计。每30秒捕获一次样本,并以5分钟为间隔进行汇总。每个数据样本包含时间戳、车站ID、地区、高速公路ID、行驶方向、总流量和平均速度。以前的研究中使用了不同的PeMS数据子集,例如:
PeMSD4:该子集使用旧金山湾区的307个传感器。此数据集经常被引用的时间段是2018年1月1日至2月28日。
PeMSD8:该子集使用圣贝纳迪诺地区的170个传感器。此数据集经常被引用的时间段是2016年7月至8月。
我们按照6:2:2的比例划分了训练集、验证集和测试集,使用是数据集(PeMSD4)的速度的特征,以该特征为例来验证此发明在用于交通流量预测上的有效性。实验结果见表1
表1
表1分别展示了模型的消融实验,以验证每个模块的准确性,可以看出这几个实验均取得了优异的结果,从而得出的结论是,本发明提出的一种动态邻接矩阵的基于扩散图卷积的循环神经网络的交通流量预测方法充分利用了道路的拓扑结构和动态时间的拓扑结构的空间特征,学习到了节点在空间和时间上的关系,随后使用的扩散图卷积模型使得节点能得到全局节点的特性,并且循环神经网络的输出能够使得全局时间特征和节点之间的空间和时间特征融合在一起,使最终的预测结果更加准确。
综上所述,本发明提供了一种动态邻接矩阵的基于扩散图卷积的循环神经网络的交通流量预测方法,致力于解决交通流量预测问题。对于道路的拓扑结构的信息,分别对静态道路结构和动态道路结构进行建模,从每个时刻,道路的固有空间特征的角度出发,得到空间的特征表示;考虑到道路的连通性在某个时刻是不同,所以从每个时刻,道路的隐含时间关系的角度出发,得到该时刻下每个节点的自有时间特征表示;考虑到道路节点会都到临近节点的影响,利用扩散的性质以空间特征表示和自有时间特征表示,作为扩散图卷积的权重,同时结合交通流量信号,将临近节点的影响进行一个聚合表示,弥补有些节点之间的孤立关系,从而学到全局的节点空间特征;时间序列建模还存在对一定时间步长之间特性的表示问题,理论上不同时间的道路信息不同,不同的连续时间之间也是存在一定关联,如交通信息中,某一个道路的拥堵会对下一个时刻该道路的状态具有影响,即道路时间信息的流通性。为了学习该道路时间信息的流通性的问题,从循环神经网络的角度考虑,引入历史的交通流量信号,并输入到扩散图卷积模块,将输出结果送入门控循环单元(GRU)网络输出具有全局时间特征的模态特征,目的使输出结果能够是基于每个时刻下的整个道路的全局时间特征。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.基于动态扩散图卷积的循环神经网络的交通流量预测方法,其特征在于,包括以下步骤:
获取道路的拓扑结构信息,基于所述道路的拓扑结构信息,建立拓扑结构模型;
基于所述拓扑结构模型和实时交通流量信号,获得道路的全局节点空间特征;
基于所述道路的全局节点空间特征和历史交通流量信号,获得道路的全局时间特征;
基于所述道路的全局时间特征,完成对交通流量的预测。
2.根据权利要求1所述的基于动态扩散图卷积的循环神经网络的交通流量预测方法,其特征在于,道路的拓扑结构信息包括:静态拓扑结构和动态拓扑结构。
3.根据权利要求2所述的基于动态扩散图卷积的循环神经网络的交通流量预测方法,其特征在于,所述拓扑结构模型包括:静态拓扑结构模型和动态拓扑结构模型。
4.根据权利要求3所述的基于动态扩散图卷积的循环神经网络的交通流量预测方法,其特征在于,建立所述静态拓扑结构模型的方法为:
利用所述静态拓扑结构,获得空间特征表示,将所述空间特征表示作为所述静态拓扑结构模型。
5.根据权利要求4所述的基于动态扩散图卷积的循环神经网络的交通流量预测方法,其特征在于,建立所述动态拓扑结构模型的方法为:
利用动态节点的特征表示,获得自有时间特征表示,将所述自有时间特征表示作为所述动态拓扑结构模型。
6.根据权利要求5所述的基于动态扩散图卷积的循环神经网络的交通流量预测方法,其特征在于,获得道路的全局节点空间特征的方法为:
基于扩散图卷积方法,结合所述空间特征表示、所述自有时间特征表示和实时交通流量信号,获得道路的全局节点空间特征。
8.根据权利要求6所述的基于动态扩散图卷积的循环神经网络的交通流量预测方法,其特征在于,获得道路的全局时间特征的方法为:
基于循环神经网络,结合所述道路的全局节点空间特征和所述历史交通流量信息,获得道路的全局时间特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430388.3A CN114662792B (zh) | 2022-04-22 | 2022-04-22 | 基于动态扩散图卷积的循环神经网络的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430388.3A CN114662792B (zh) | 2022-04-22 | 2022-04-22 | 基于动态扩散图卷积的循环神经网络的交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662792A true CN114662792A (zh) | 2022-06-24 |
CN114662792B CN114662792B (zh) | 2023-01-20 |
Family
ID=82037702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210430388.3A Active CN114662792B (zh) | 2022-04-22 | 2022-04-22 | 基于动态扩散图卷积的循环神经网络的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662792B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001006090A (ja) * | 1999-06-21 | 2001-01-12 | Matsushita Electric Ind Co Ltd | 交通流量管理方法 |
CN101819717A (zh) * | 2010-03-05 | 2010-09-01 | 吉林大学 | 基于交通状态时空模型的路网性能判定方法 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
WO2020078246A1 (zh) * | 2018-10-18 | 2020-04-23 | 阿里巴巴集团控股有限公司 | 一种交通流量或旅行时间的预测方法和设备 |
US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
CN112071065A (zh) * | 2020-09-16 | 2020-12-11 | 山东理工大学 | 一种基于全局扩散卷积残差网络的交通流预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112767682A (zh) * | 2020-12-18 | 2021-05-07 | 南京航空航天大学 | 一种基于图卷积神经网络的多尺度交通流量预测方法 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
-
2022
- 2022-04-22 CN CN202210430388.3A patent/CN114662792B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001006090A (ja) * | 1999-06-21 | 2001-01-12 | Matsushita Electric Ind Co Ltd | 交通流量管理方法 |
CN101819717A (zh) * | 2010-03-05 | 2010-09-01 | 吉林大学 | 基于交通状态时空模型的路网性能判定方法 |
WO2020078246A1 (zh) * | 2018-10-18 | 2020-04-23 | 阿里巴巴集团控股有限公司 | 一种交通流量或旅行时间的预测方法和设备 |
US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN112071065A (zh) * | 2020-09-16 | 2020-12-11 | 山东理工大学 | 一种基于全局扩散卷积残差网络的交通流预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
CN112767682A (zh) * | 2020-12-18 | 2021-05-07 | 南京航空航天大学 | 一种基于图卷积神经网络的多尺度交通流量预测方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
Non-Patent Citations (1)
Title |
---|
YAGUANG LI 等: "DIFFUSION CONVOLUTIONAL RECURRENT NEURAL NETWORK: DATA-DRIVEN TRAFFIC FORECASTING", 《HTTPS://ARXIV.ORG/PDF/ARXIV:1707.01926V3》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114662792B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Davies et al. | Scalable, distributed, real-time map generation | |
CN109190481B (zh) | 一种遥感影像道路材质提取方法和系统 | |
Anand et al. | Traffic density estimation under heterogeneous traffic conditions using data fusion | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
Bai et al. | PrePCT: Traffic congestion prediction in smart cities with relative position congestion tensor | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN113724489B (zh) | 基于多源数据的交通拥堵溯源方法 | |
CN103680127A (zh) | 一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法 | |
CN111008505A (zh) | 城市坡道行驶工况构建方法及应用 | |
CN112418696A (zh) | 城市交通动态知识图谱的构建方法及装置 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
Mirzahossein et al. | How realistic is static traffic assignment? Analyzing automatic number-plate recognition data and image processing of real-time traffic maps for investigation | |
CN110675631A (zh) | 一种交通流溯源分析方法及系统 | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
CN114662792B (zh) | 基于动态扩散图卷积的循环神经网络的交通流量预测方法 | |
CN111444286A (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
CN114724414B (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 | |
Gong et al. | Estimating link travel time with sparse GPS data on highway corridors | |
CN115878735A (zh) | 路网生成方法、装置、电子设备及存储介质 | |
Zou et al. | Inertia mutation energy model to extract roads by crowdsourcing trajectories | |
CN110189029A (zh) | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 | |
Guo et al. | Deep learning based congestion prediction using PROBE trajectory data | |
Shi et al. | CPT-DF: Congestion Prediction on Toll-Gates Using Deep Learning and Fuzzy Evaluation for Freeway Network in China |
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 |