CN114662805B - 一种基于相似时间序列对比的交通流量预测方法 - Google Patents
一种基于相似时间序列对比的交通流量预测方法 Download PDFInfo
- Publication number
- CN114662805B CN114662805B CN202210578040.9A CN202210578040A CN114662805B CN 114662805 B CN114662805 B CN 114662805B CN 202210578040 A CN202210578040 A CN 202210578040A CN 114662805 B CN114662805 B CN 114662805B
- Authority
- CN
- China
- Prior art keywords
- flow
- training
- encoder
- interval
- similar
- 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 18
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000000737 periodic effect Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 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
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智慧交通技术领域,具体涉及一种基于相似时间序列对比的交通流量预测方法,包括以下步骤:第一步:根据公开的数据网站获得某地区的交通流量数据,并对交通流量数据进行处理;第二步:挖掘区域流量周期;第三步:预训练编码器;在空间角度上使用深层ResNet网络进行编码,从空间角度上捕获流量图特征,由于相同城市职能的区域流量分布相似,使用多实例对比学习方法,让相似区域之间的特征彼此拉近,从而远离不相似区域的特征;第四步:将预训练好的编码器放入流量预测模型微调,第五步:保存模型。与以往的交通流量预测相比,本发明具有更少的参数量和训练成本,建模效果明显,预测结果好等特点。
Description
技术领域
本发明涉及智慧交通技术领域,具体涉及一种基于相似时间序列对比的交通流量预测方法。
背景技术
随着数据信息化的发展,交通预测在智慧城市领域起着至关重要的作用,准确的交通预测可以辅助路线规划,指导车辆调度,缓解交通拥堵。由于道路网络中不同区域之间复杂且动态的时空依赖关系,该问题具有挑战性。近些年来,人们致力于在这领域投入了大量的研究工作。其中早期的研究集中在传统的机器学习方法上,随着深度学习的发展,卷积神经网络、递归神经网络和前馈神经网络被应用于交通流量预测。基于残差结构在计算机视觉领域的重大突破,研究者将某地交通流量数据分割成的区域,每个区域代表流量大小。根据流量数据的邻近性、周期性和趋势性进行划分,最后设计一个融合机制对未来交通流量进行预测。
由于对未来交通流量预测需要大量的数据训练,自监督的出现打破了这一局面,自监督可以通过建立一系列辅助任务帮助模型有针对地学习数据本身特性。为了提高交通流量预测的准确性并且减少模型参数量和复杂程度,本发明提出一种基于相似时间序列对比的交通流量预测方法。
发明内容
本发明提供一种基于相似时间序列对比的交通流量预测方法,本发明根据交通流量数据的时空特性,在空间上,具有相似语义功能的区域它们流量分布状况相同;在时间上,区域的流量分布随着时间呈现出周期特性。根据这两个特点,本发明将区域按照功能属性划分成几种类别,每种类别的流量分布呈现出不同的周期特性,设计出一个编码器进行相似时间序列对比自监督学习。它的目的是为了使那些具有相似语义功能区域特征彼此相近,而使不同区域特征远离。编码器挖掘了时空流量数据特征,使简单的网络结构能够从数据本身获得强大的表示能力,结合这个预训练编码器微调网络来进行城市流量预测。
本发明是通过以下技术方案实现的:
一种基于相似时间序列对比的交通流量预测方法,包括以下步骤:
第一步:数据获取,根据公开的数据网站获得某地区的交通流量数据,并对交通流量数据进行处理;
第二步:挖掘区域流量周期,发现流量的周期性,按照经纬度对该地区的区域进行划分,将各个区域流量的大小进行DBSCAN聚类划分,流量图按照流量大小划分为若干个区域,基于同一类别的区域具有相似的流量周期特性;
第三步:预训练编码器;在空间角度上使用深层ResNet网络进行编码,编码器主体是由卷积网络Conv和若干层Resunit构成,从空间角度上捕获流量图特征,由于相同城市职能的区域流量分布相似,使用多实例对比学习方法,让相似区域之间的特征彼此拉近,从而远离不相似区域的特征;
第四步:将预训练好的编码器放入流量预测模型微调;
第五步:保存模型;得到的流量预测模型首先在训练集上进行训练,经过不断的迭代训练,模型中的参数也在不断完善,然后在验证集上进行测试,最后保存具有最好测试效果的模型。
进一步的,所述交通流量数据进行处理操作如下:由于交通流量数据具有相似性、周期性和趋势性,对流量按照时间间隔划分为相似区间, 例如同一天的连续的不同时刻;周期区间,例如不同天的同一的时刻,趋势区间,例如不同周同一天的同一时刻;
进一步的,所述预训练编码器的获得的操作如下:
分别将相似区间、周期区间、趋势区间的流量数据输入深层ResNet编码器网络得到高层语义特征,得到相似高级语义特征、周期高级语义特征和趋势高级语义特征,在训练过程中,将流量图的大小裁剪为的小块,计算当前小块与其他小块之间的特征距离,设置参数,
具体获得预训练编码器的操作如下所示:
(1) 相似区域预训练编码器:
将 数据进入深层ResNet编码器网络得到高层语义特征;由于不同区域的流量分布状况随着时间呈现出不同的趋势,在训练过程中,将流量图 的大小裁剪为的小块,不同小块之间的流量分布周期特性不同,计算当前小块 与其他小块之间的特征距离,设置参数:
(2)周期区间预训练编码器:
将周期区域 的流量数据进入深层ResNet编码器网络得到高层语义特征;由于不同区域的流量分布状况随着时间呈现出不同的趋势,在训练过程中,将流量图的大小裁剪为的小块;不同小块之间的流量分布周期特性不同;计算当前小块与其他小块之间的特征距离,设置参数:
(3)趋势区间预训练编码器:
将趋势区间 流量数据进入深层ResNet编码器网络得到高层语义特征;由于不同区域的流量分布状况随着时间呈现出不同的趋势,在训练过程中,将流量图的大小裁剪为的小块;不同小块之间的流量分布周期特性不同。计算当前小块与其他小块之间的特征距离,设置参数;
进一步的,所述步骤4的具体操作如下:
由于流量数据和外部因素密不可分的关系,外部因素分为连续特征和离散特征,连续特征包括湿度、温度、风速等;离散特征包括天气(阴天、晴天、多云)、时间;将离散特征通过多层感知机编码为,并与连续特征进行向量拼接操作:
对外部特征e进行非线性激活函数变换得到外部信息高级语义特征:
其中Conv是卷积降维操作,将融合后的特征H进行未来交通流量预测。
本发明的有益效果体现在:现有的交通流量预测模型依赖于过多的训练数据和复杂的模型,由于自监督可以从数据本身挖掘特性。本发明将流量数据中的时空特性进行充分挖掘,在空间上捕获流量邻域信息,在时间上捕获周期特性。在一段时间内,具有相同城市功能的区域它们的流量分布是相似的,通过相似时间序列对比,这些相似区域之可以加强学习特征,从而远离那些不相似的区域。建立相似时间序列对比辅助任务有助于更好让编码器学习流量数据的时空特征,从而达到减少模型训练量和复杂程度。预训练好的编码器可以与下游任务更好得结合。与以往的交通流量预测相比,本发明具有更少的参数量和训练成本,建模效果明显,预测结果好等特点。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例中基于相似时间序列对比的交通流量预测流程图;
图2为本发明实施例中交通流量数据处理图;
图3为本发明实施例中区域周期性示意图;
图4为本发明实施例中编码器网络结构示意图;
图5为本发明实施例中流量预测整体流程示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
对比自监督技术介绍:机器学习分为监督学习、半监督学习和无监督学习。划分它们的依据是模型在训练的过程中是否需要人工标注的标签信息,监督学习需要利用大量的标签来帮助模型训练;半监督学习是使用部分标签来帮助训练,探究有标记数据和未标记数据之间的特征关系;无监督学习不需要人工标准,能够根据数据本身的特性来进行区域。对比自监督属于无监督学习的一种,它通过选取锚点来建立正负样本对。其中正样本数据与锚点数据具有相似的流量分布状况,而负样本数据产生截然相反的流量分布状况,它希望通过建立正负样本对来加强正样本之间的特征关系,从而拉远与负样本之间的距离。
本实施例公开了一种基于相似时间序列对比的交通流量预测方法,包括以下步骤:
第一步:数据获取,根据公开网站获得流量数据,并进行数据处理。
第二步:挖掘区域流量周期。
第三步:预训练相似时间序列编码器。
第四步:将预训练好的编码器放入流量预测模型微调。
第五步:保存模型。
具体预测流程图见图1所示。
上述各个步骤所述的具体操作如下:
1、数据获取
根据公开的数据网站获得某地区的交通流量数据,并对交通流量数据进行处理;由于交通流量数据具有相似性、周期性和趋势性,对流量按照时间间隔划分为相似区间; 例如同一天的连续的不同时刻;周期区间; 不同天的同一的时刻,趋势区间;不同周同一天的同一时刻;
2、挖掘区域流量周期
城市区域流量之间呈现出不同的趋势,例如:城市主要的交通干道在早晚高峰时呈现出人员密集趋势,而其余时间流量平稳;在动物园等休闲场所周末人员密集但工作日期间客流量稀少。这种相似功能区域在城市中不止一处出现,在本实施例,挑选几处具有代表性的区域,如图3所示:上述区域的流量周期呈现出不同的趋势,按照区域流量的大小进行DBSCAN聚类划分,会将流量图按照流量大小划分为若干个区域,属于同一类别的区域具有相似的流量周期特性。
3、预训练编码器
交通流量数据具有时空特性,在空间角度上使用深层ResNet网络进行编码,编码器网络结构如图4所示:编码器主体是由卷积网络Conv和若干层Resunit构成,它可以从空间角度上捕获流量图特征。
所述预训练编码器的获得的具体操作如下:
(1) 相似区域预训练编码器:
将 数据进入深层ResNet编码器网络得到高层语义特征;由于不同区域的流量分布状况随着时间呈现出不同的趋势,在训练过程中,将流量图 的大小裁剪为的小块,不同小块之间的流量分布周期特性不同,计算当前小块 与其他小块之间的特征距离,设置参数:
(2)周期区间预训练编码器:
将周期区域的流量数据进入深层ResNet编码器网络得到高层语义特征;由于不同区域的流量分布状况随着时间呈现出不同的趋势,在训练过程中,将流量图的大小裁剪为的小块;不同小块之间的流量分布周期特性不同;计算当前小块与其他小块之间的特征距离,设置参数:
(3)趋势区间预训练编码器:
将趋势区间流量数据进入深层ResNet编码器网络得到高层语义特征;由于不同区域的流量分布状况随着时间呈现出不同的趋势,在训练过程中,将流量图的大小裁剪为的小块;不同小块之间的流量分布周期特性不同。计算当前小块与其他小块之间的特征距离,设置参数;
4、微调流量预测模型
将上述预训练编码器放入到微调网络中进行流量预测,如图5所示。相似区间 ;周期区间;趋势区间分别进入编码器得到相似高级语义特征;周期高级语义特征和趋势高级语义特征;由于流量数据和外部因素密不可分的关系,外部因素分为连续特征和离散特征,连续特征包括湿度、温度、风速等;离散特征包括天气,即阴天、晴天、多云和时间;将离散特征通过多层感知机编码为,并与连续特征进行向量拼接操作:
对外部特征e进行非线性激活函数变换得到外部信息高级语义特征:
其中Conv是卷积降维操作,将融合后的特征H进行未来交通流量预测。
5、保存模型
保存模型;得到的流量预测模型首先在训练集上进行训练,经过不断的迭代训练,模型中的参数也在不断完善,然后在验证集上进行测试,最后保存具有最好测试效果的模型。
Claims (2)
1.一种基于相似时间序列对比的交通流量预测方法,其特征在于:包括以下步骤:
第一步:数据获取,根据公开的数据网站获得某地区的交通流量数据,并对交通流量数据进行处理;
第二步:挖掘区域流量周期,发现流量的周期性,按照经纬度对该地区的区域进行划分,将各个区域流量的大小进行DBSCAN聚类划分,流量图按照流量大小划分为若干个区域,基于同一类别的区域具有相似的流量周期特性;
第三步:预训练编码器;在空间角度上使用深层ResNet网络进行编码,编码器主体是由卷积网络Conv和若干层Resunit构成,从空间角度上捕获流量图特征,由于相同城市职能的区域流量分布相似,使用多实例对比学习方法,让相似区域之间的特征彼此拉近,从而远离不相似区域的特征;
所述预训练编码器的获得的具体操作如下:
(1) 相似区域预训练编码器:
将 数据进入深层ResNet编码器网络得到高层语义特征;由于不同区域的流量分布状况随着时间呈现出不同的趋势,在训练过程中,将流量图 的大小裁剪为的小块,不同小块之间的流量分布周期特性不同,计算当前小块 与其他小块之间的特征距离,设置参数:
(2)周期区间预训练编码器:
将周期区域 的流量数据进入深层ResNet编码器网络得到高层语义特征;由于不同区域的流量分布状况随着时间呈现出不同的趋势,在训练过程中,将流量图的大小裁剪为的小块;不同小块之间的流量分布周期特性不同;计算当前小块与其他小块之间的特征距离,设置参数:
(3)趋势区间预训练编码器:
第四步:将预训练好的编码器放入流量预测模型微调;
第五步:保存模型;得到的流量预测模型首先在训练集上进行训练,经过不断的迭代训练,模型中的参数也在不断完善,然后在验证集上进行测试,最后保存具有最好测试效果的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210578040.9A CN114662805B (zh) | 2022-05-26 | 2022-05-26 | 一种基于相似时间序列对比的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210578040.9A CN114662805B (zh) | 2022-05-26 | 2022-05-26 | 一种基于相似时间序列对比的交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662805A CN114662805A (zh) | 2022-06-24 |
CN114662805B true CN114662805B (zh) | 2022-09-13 |
Family
ID=82038175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210578040.9A Active CN114662805B (zh) | 2022-05-26 | 2022-05-26 | 一种基于相似时间序列对比的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662805B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633579A (zh) * | 2020-12-24 | 2021-04-09 | 中国科学技术大学 | 一种基于域对抗的交通流迁移预测方法 |
CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
WO2022068587A1 (zh) * | 2020-09-30 | 2022-04-07 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861027A (zh) * | 2020-07-29 | 2020-10-30 | 北京工商大学 | 一种基于深度学习融合模型的城市交通流量预测方法 |
CN113947250A (zh) * | 2021-10-22 | 2022-01-18 | 山东大学 | 一种基于有限数据资源的城市细粒度流量预测方法及系统 |
CN113962460B (zh) * | 2021-10-22 | 2024-05-28 | 山东大学 | 基于时空对比自监督的城市细粒度流量预测方法及系统 |
CN114493034B (zh) * | 2022-02-14 | 2024-05-31 | 重庆大学 | 一种面向区域流量预测的时空全局语义表示学习方法 |
-
2022
- 2022-05-26 CN CN202210578040.9A patent/CN114662805B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022068587A1 (zh) * | 2020-09-30 | 2022-04-07 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
CN112633579A (zh) * | 2020-12-24 | 2021-04-09 | 中国科学技术大学 | 一种基于域对抗的交通流迁移预测方法 |
CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Road Traffic Prediction Using Context-Aware Random Forest Based on Volatility Nature of Traffic Flows;Narjes Zarei等;《Spring Link》;20131231;第196-205页 * |
基于时空残差网络的区域客流量预测方法;董丽丽等;《计算机测量与控制》;20200630;第28卷(第06期);第170-174页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114662805A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN110047291B (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN109389244A (zh) | 一种基于gru的多因素感知短期景区内游客人数预测方法 | |
CN110675632B (zh) | 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法 | |
AU2020317917A1 (en) | Method for calculating length of time taken for train to pass through tunnel, system, and storage medium | |
CN109389246B (zh) | 一种基于神经网络的交通工具目的地区域范围预测方法 | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN115829024B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN114493034B (zh) | 一种面向区域流量预测的时空全局语义表示学习方法 | |
CN116484217A (zh) | 一种基于多模态预训练大模型的智能决策方法及系统 | |
CN112559585A (zh) | 交通时空序列单步预测方法、系统及存储介质 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN114662805B (zh) | 一种基于相似时间序列对比的交通流量预测方法 | |
Al Duhayyim et al. | Modeling of Artificial Intelligence Based Traffic Flow Prediction with Weather Conditions. | |
CN117237475A (zh) | 一种基于扩散生成模型的车辆交通轨迹生成方法及装置 | |
CN115938112A (zh) | 交通需求预测方法、系统、电子设备及计算机存储介质 | |
CN115017250B (zh) | 基于深度学习的稀疏轨迹数据恢复系统及方法 | |
CN116432850A (zh) | 一种基于深层神经网络的pm2.5的全覆盖预测方法 | |
CN115409276A (zh) | 基于时空图自注意力模型的交通预测迁移学习方法 | |
CN115689224A (zh) | 基于轨迹语义化和图卷积网络的出租车需求预测方法 | |
Mingzhou et al. | Short-time traffic flow forecast with weather characteristics | |
CN111260121B (zh) | 一种基于深度瓶颈残差网络的城市范围的人流量预测方法 | |
CN112950933B (zh) | 一种新型时空特征的车流量预测的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |