CN114664091A - 一种基于节假日流量预测算法的预警方法及系统 - Google Patents
一种基于节假日流量预测算法的预警方法及系统 Download PDFInfo
- Publication number
- CN114664091A CN114664091A CN202210444651.4A CN202210444651A CN114664091A CN 114664091 A CN114664091 A CN 114664091A CN 202210444651 A CN202210444651 A CN 202210444651A CN 114664091 A CN114664091 A CN 114664091A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- traffic
- network
- gcn
- 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 52
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 230000006403 short-term memory Effects 0.000 claims description 10
- 230000007787 long-term memory Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于节假日流量预测算法的预警方法及系统，该方法先获取全年全时段的交通数据集并进行预处理，将高速公路路段的周围环境数据和天气数据与预处理后的交通数据集进行融合，形成完整交通数据集，再选择预设的数据粒度并采用节假日流量预测算法建立ST‑GCN模型进行训练，得到最优ST‑GCN模型以预测多个目标结果，再根据实际交通数据和预测的多个目标结果建立评估指标，采用对比模型对ST‑GCN模型进行评估，验证其为最优模型，根据验证为最优模型的ST‑GCN模型所预测的多个目标结果，结合高速公路运行状态的等级划分标准，将路况信息用不同颜色信息进行标示，并生成图片进行展示，有效提高了高速公路的通行效率，高效准确预测节假日期间的交通流量趋势。
Description
技术领域
本发明涉及智慧公路技术领域，具体涉及一种基于节假日流量预测算法的预警方法及系统。
背景技术
交通运输是国民经济中具有基础性、先导性、战略性的产业，是重要的服务性行业和现代化经济体系的重要组成部分，是构建新发展格局的重要支撑和服务人民美好生活的坚实保障。交通运输部发布了多个文件指导公路信息化和智慧公路建设，其中云控平台将对高速公路的运行管理模式带来颠覆性的变革，已颁布的政策文件中均带有相应的指导意见和要求。近几年，多省市都加快了智慧高速的建设力度，其中北京、浙江和江苏影响力较大，而智慧高速的核心就是云控平台。深化高速公路电子不停车收费系统(ETC)在多场景的拓展应用。建设智慧公路服务区。稳步推进集监测、调度、管控、应急、服务等功能于一体的智慧路网云控平台建设。到2025年，综合交通运输基本实现一体化融合发展，智能化、绿色化取得实质性突破，综合能力、服务品质、运行效率和整体效益显著提升，交通运输发展向世界一流水平迈进。
智慧公路云平台主要为省级区域内高速公路安全畅通提供信息化、智能化管理手段，为高速公路应急处置提供信息化支撑；通过智能化预测可以全面掌控路网状态、提高路网管理能力、提高公众信息服务水平，最终实现高速公路管理的“可知、可测、可控、可服务”，使路网运行更安全高效、公众出行更便捷舒适、交通管理更科学智能、智慧道路更绿色经济。
为了满足人们的日常出行和内部物流的需要，发达的交通网络无所不在。截至2019年年末，中国公路总里程已达501.25万公里、高速公路达14.96万公里，居世界第一。尽管如此，随着经济的发展，人均汽车保有量的增加以及物流业的快速发展，交通拥堵更是常见现象。因此预测节假日期间的交通流量趋势，对确保路网运行畅通，提供便民服务具有重要意义。
当前对节假日期间交通流量预测的研究可以划分为短时预测和趋势预测两类。其中短时预测方法主要包括历史平均法、移动平均法、指数平滑法、BP神经网络预测算法、K近邻预测算法、随机时间序列算法等。时间序列模型将观察到的时间序列拟合成参数模型以预测未来数据。早在1976年，Box和Jenkins就提出了自回归积分移动平均模型(ARIMA)，这是应用最广泛的时间序列模型。这个方法的缺点之一是它们每次独立处理交通流信息，不直接对时间序列中交通流的依赖关系建模。对于BP神经网络预测算法、K近邻预测算法、随机时间序列等方法有效利用数据的范围太小，同时参数设置方面过多的依赖于人工经验和调试，更为重要的是，这些算法都无法利用空间特征数据，在高速公路背景下，面对非线性结构，算法需要考虑到空间特征，才能更有效的完成预测任务。
发明内容
为解决上述对节假日期间交通流量预测过程中存在的一系列问题，本发明提供了一种基于节假日流量预测算法的预警方法，通过融合高速公路场景中多源外部影响因素，建立 ST-GCN模型分析预测未来某段时间的交通路况，并采用评估指标对ST-GCN模型进行评估以验证其为最优模型，将ST-GCN模型的预测结果推送至高速公路上布设的情报板，通过情报板信息来诱导司乘用户的行为，从而有效提高高速公路的通行效率，并大大提升了预测精度。
本发明的技术方案如下：
一种基于节假日流量预测算法的预警方法，其特征在于，包括以下步骤：
数据获取及预处理步骤：获取全年全时段的交通数据集，并对获取的交通数据集进行预处理；
融合分析步骤：将高速公路路段的周围环境数据和天气数据与预处理后的交通数据集进行融合，形成完整交通数据集；
模型建立步骤：根据完整交通数据集，选择预设的数据粒度，并采用节假日流量预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测多个目标结果；
模型评估步骤：根据交通数据集中实际交通数据和预测的多个目标结果建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
信息展示步骤：根据验证为最优模型的ST-GCN模型所预测的多个目标结果，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
优选地，所述模型评估步骤中，所述评估指标包括均方根误差、平均绝对误差、精度、决定系数和解释方差得分，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述精度用于检测预测精度，所述决定系数和解释方差得分用于衡量预测的平均车速结果所代表的实际平均车速能力。
优选地，所述融合分析步骤：将高速公路路段的周围环境数据、POI分布数据、天气数据与预处理后的交通数据集进行融合，融合入训练数据集中，形成完整交通数据集；
所述模型建立步骤中，所述ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
首先根据网络构建的邻接矩阵、根据POI构建的功能相似矩阵以及使用预处理后的高速路网的实时和历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
优选地，所述数据获取及预处理步骤中，获取全年全时段的交通数据集包括出入口收费站流水及牌识数据、门架交易数据、门架牌识数据、卡签发行数据、车辆治超数据、气象数据、基础路网数据、GIS数据、实时交通事件、实时拥堵情况、稽核数据中的任意组合；所述预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，所述模型评估步骤中，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、长短期记忆单元模型、图卷积网络模型、前馈神经网络和扩散卷积循环神经网络的若干组合；
所述目标结果包括通行状况、路网拥挤度和平均车速。
一种基于节假日流量预测算法的预警系统，其特征在于，包括数据获取及预处理模块、融合分析模块、模型建立模块、模型评估模块和信息展示模块，
数据获取及预处理模块，获取全年全时段的交通数据集，并对获取的交通数据集进行预处理；
融合分析模块，将高速公路路段的周围环境数据和天气数据与预处理后的交通数据集进行融合，形成完整交通数据集；
模型建立模块，根据完整交通数据集，选择预设的数据粒度，并采用节假日流量预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测多个目标结果；
模型评估模块，根据交通数据集中实际交通数据和预测的多个目标结果建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
信息展示模块，根据验证为最优模型的ST-GCN模型所预测的多个目标结果，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
优选地，所述评估指标包括均方根误差、平均绝对误差、精度、决定系数和解释方差得分，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述精度用于检测预测精度，所述决定系数和解释方差得分用于衡量预测的平均车速结果所代表的实际平均车速能力。
优选地，所述ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
所述模型建立模块首先根据网络构建的邻接矩阵、根据POI构建的功能相似矩阵以及使用预处理后的高速路网的实时和历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
优选地，所述数据获取及预处理模块中的获取全年全时段的交通数据集包括出入口收费站流水及牌识数据、门架交易数据、门架牌识数据、卡签发行数据、车辆治超数据、气象数据、基础路网数据、GIS数据、实时交通事件、实时拥堵情况、稽核数据中的任意组合；预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、长短期记忆单元模型、图卷积网络模型、前馈神经网络和扩散卷积循环神经网络的若干组合；
所述目标结果包括通行状况、路网拥挤度和平均车速。
本发明的有益效果为：
本发明提供的一种基于节假日流量预测算法的预警方法，该方法在动态感知实时车流的同时，综合考虑了季节变化以及每日全时段不同的交通流量趋势，并融合了路段周围环境信息和天气信息，通过整合多源外部影响因素，也通过建立时空图卷积神经网络模型—— ST-GCN模型来高效准确预测未来一段时间尤其节假日期间的交通流量，对建立的ST-GCN 模型进行迭代训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测多目标信息，再根据交通数据中实际真实值和预测结果建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型，最后根据验证为最优模型的ST-GCN 模型所预测结果，提高了在真实高速公路交通场景中的有效性和准确性。具有先进性，将图卷积网络GCN和长短期记忆单元模型LSTM相结合，通过对高速公路网络进行建模，分析交通数据集的空间相关性和时间相关性，以及预测未来某段时间的交通路况，通过引入多种经典或当前在交通领域认可度较高的对比模型，与ST-GCN模型进行比较，证明ST-GCN 模型在所有方法中有着最好的性能表现，其实质为基于时空序列的预测模型，模型的主要输入特征为：交通量，相关政策等因子。整个算法充分考虑到了对行程预测可能产生影响的主要因素，方法从时间和空间两个维度出发，时刻关注输入数据的动态变化过程，从而精准预测多目标值。通过采用评估指标对ST-GCN模型进行评估验证其为最优模型，大大提升了预测精度，且全程无需人工干预，大大降低了人员工作强度。本发明可以在高速公路场景中的交通数据集中捕获复杂的时空特征，整合多源外部影响因素，高效准确预测节假日期间的交通流量趋势，为指挥调度、交通信号控制、交通诱导等提供决策依据，达到可有效用于基于高速公路道路网络的复杂交通预测任务的目的，对确保路网运行畅通，提供便民服务具有重要意义。此外，精确高效的高速公路交通流预测对于交通使用者和管理者具有重要意义，准确预测高速公路交通量在宏观层面有利于客观反映经济运行规律，科学制定经济政策；在微观层面，对高速公路运营企业制定经营策略、合理平衡收支具有重要的参考价值。
本发明还涉及一种基于节假日流量预测算法的预警系统，该系统与上述的基于节假日流量预测算法的预警方法相对应，可理解为是一种实现上述基于节假日流量预测算法的预警方法的系统，包括数据获取及预处理模块、融合分析模块、模型建立及计算模块、流量计算模块、方案计算模块和信息展示模块，各模块相互协同工作，通过综合考虑季节变化以及每日全时段不同的交通流量趋势，融合路段周围环境信息和天气信息，并建立ST-GCN模型分析交通数据集的空间相关性和时间相关性，分析预测未来某段时间的交通路况，通过采用评估指标对ST-GCN模型进行评估验证其为最优模型，具有鲁棒性和有效性，大大提升了预测的精度，并将最优预测结果推送至高速公路上布设的情报板，通过情报板信息来诱导司乘用户的行为，从而有效提高了高速公路的通行效率。
附图说明
图1是本发明基于节假日流量预测算法的预警方法的流程图。
图2是本发明基于节假日流量预测算法的预警方法的优选流程图。
图3是本发明ST-GCN模型的整体框架示意图。
图4是本发明图卷积网络模型的结构示意图。
图5是本发明长短期记忆网络模型的结构示意图。
图6是本发明超参数配置界面示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种基于节假日流量预测算法的预警方法，该方法的流程图如图1所示，依次包括以下步骤：
数据获取及预处理步骤：先通过路测设备和收费站获取全年全时段的交通数据集，所述交通数据集包括出入口收费站流水及牌识数据、门架交易数据、门架牌识数据、卡签发行数据、车辆治超数据、气象数据、基础路网数据、GIS数据、实时交通事件、实时拥堵情况、稽核数据等任意组合，并对获取的交通数据集进行预处理；具体地，如图2所示的优选流程图，由于季节变化可能影响温度和天气，进而影响交通，如果只使用一个月或几个月的数据，那么预测模型不能推广到不同的季节。同时，如果只使用特定时间段的数据或只使用工作日的数据，这也会导致问题，因为模型不能很好地概括到所提供数据边界之外的情况，因此在数据集中采用全年全时段的数据进行学习训练。在获取全年全时段的交通数据集后，去除交通数据集中的异常和重复的数据，填补缺失数据，并去除噪声和数据标准化等，然后对预处理后的交通数据集做脱敏处理。此外，在现实中，交通检测器或者传感器可能会由于电路或者电子单元损坏故障失效，或者信号干扰等外部影响而导致数据异常，这些故障会进一步导致获取到的交通数据集中存在缺失值，因此采用掩码机制克服潜在的缺失值问题；同时，以收费站至门架或者门架至门架划定路段，计算选定路段的交通平均速度时间序列形成特征矩阵，并以路段索引作为行，时间戳索引作为列，得到以路段-速度为特征的交通数据集。
融合分析步骤：准确的预测不仅依赖于历史交通流量信息，还需要考虑多种外部因素的影响，如温度、湿度、风速、能见度和天气条件、周边POI分布等会对交通状态产生影响。因此通过爬取气象官网得到天气数据，并将高速公路路段的周围环境数据和天气数据与预处理后的交通数据集进行融合，融合入训练数据集中，形成用于模型训练的完整交通数据集；
其中，融合POIs信息，通过爬取相关地图APP和高速公路电子导航平台得到POIs相关数据集，该数据集提供有关所选路段周围POIs的信息。POIs类别可以分为服务区、交通枢纽、城市、机场、风景区等5类。
模型建立步骤：根据完整交通数据集，选择预设的数据粒度，并采用节假日流量预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测多个目标结果；其中，数据粒度是一个潜在的重要超参数，使用过小的数据粒度可能会导致很多零值，尤其是在流量非常稀疏的情况下。另一方面，使用过高的粒度可能会导致数据读数的平滑，重要的交通趋势会丢失。因此，根据数据场景，研究中选择每15分钟汇总一次每条道路上的交通速度，预测未来15 分钟、30分钟、45分钟和60分钟的交通速度。ST-GCN模型的超参数主要包括：学习率(learning rate)、一次训练的样本数(batch size)、一代训练(training epoch)以及隐藏层数 (hidden layers)。在研究中，手动调整并将learning rate设置为0.001，batch size设置为64，其他参数通过实验搜索比较，找到最优参数值。当一个完整的数据集通过了神经网络一次并且返回了一次，即所有训练样本在神经网络中都进行了一次正向传播和一次反向传播，这个过程称为一次Epoch(也就是说，一个Epoch就是将所有训练样本训练一次的过程)。在神经网络中传递完整的数据集一次是不够的，而且需要将完整的数据集在同样的神经网络中传递多次。对于输入层，训练数据集(总数据集的80％)作为训练过程的输入，其余数据作为测试集。
交通数据集作为一种时间序列数据，具有时间相关性，即某一时间段的交通数据集和之前多个时间段的交通数据集有关，而且距离当前时间段越近，数据相关性越高。为分析交通数据集的时间相关性，采用深度学习相关算法来探究当前时刻与滞后时刻的相关性。而考虑到单个路段并不能很好地体现出车辆行驶情况变化的趋势，以及整个高速路网中路段之间的关联性，因此就交通速度或者流量而言，某一路段的交通状况易受到周边路段的影响，如路段上游堵车时，势必会减慢下游路段车速，故通过对路网中的交通空间依赖性分析，可以发现路段间交通数据集的空间关联程度，即空间相关性。
具体地，采用短时路况预测算法建立ST-GCN模型来捕捉交通数据集的空间相关性和时间相关性，并实现基于高速公路的交通速度预测，该ST-GCN模型由图卷积网络(GraphConvolutional Network，GCN)、长短时记忆(LongShort-Term Memory，LSTM)网络和注意力机制三部分组成。如图3所示，先使用根据网络构建的邻接矩阵、根据POI构建的功能相似矩阵及高速路网相关的实时和历史交通数据集作为输入数据，并使用GCN模型捕捉高速公路网络的拓扑结构以获得交通数据集的空间特征，然后将得到的具有空间特征的交通数据集输入到LSTM网络模型中，通过单元间的信息传递获得动态变化，以获取交通数据集的时间特征，最后，通过全连接层和注意力机制计算输入数据对当前预测产生的影响，得到预测结果。
其中，获取复杂的空间相关性是交通预测的关键问题。传统的卷积神经网络(CNN)可以获得局部空间特征，但它只能用于欧几里德空间，如图像、规则网格等。但高速公路路网的形式是图形，而不是二维网格，这意味着CNN模型无法反映高速公路路网的复杂拓扑结构，因此无法准确捕捉空间相关性。近年来，将CNN推广到能够处理二进制图结构数据的图卷积网络(GCN)得到了广泛的关注。GCN模型已成功应用于许多应用中，包括文档分类、无监督学习和图像分类。如图4所示，GCN模型在傅立叶域构造了一个滤波器，该滤波器作用于图的节点及其一阶邻域，捕捉节点之间的空间特征，然后通过叠加多个演化层建立GCN模型。
GCN模型可以获得中心道路与其周边道路之间的拓扑关系、编码道路网络的拓扑结构和道路上的属性，然后获得空间相关性，如交叉口、邻接路段和较远路段等空间特征信息。因此使用GCN模型从交通数据集中学习空间特征。一个双层GCN模型按照下式进行表示：
上式中，
表示邻接矩阵，X表示特征矩阵，W0和W1表示第一层和第二层中的权重矩阵，σ、Relu表示激活函数。
其中，
表示预处理步骤，
是具有自连接结构的矩阵，
是度矩阵，
获取时间相关性是交通预测的另一个关键问题。目前，处理序列数据最广泛使用的神经网络模型是当前的循环神经网络(RNN)。然而，由于梯度消失和梯度爆炸等缺陷，传统的循环神经网络对长期预测具有局限性。LSTM模型和GRU模型是循环神经网络的变体，已被证明可以解决上述问题。LSTM和GRU的基本原理大致相同，它们都使用门控机制来尽可能多地记忆长期信息，并且对各种任务都同样有效，而相较于GRU模型，LSTM增加了一个门控机制来控制信息的传递以及状态和记忆单元的更新。因此，选择LSTM模型从流量数据中获得时间依赖性，即时间相关性。LSTM神经网络有一个记忆单元和一个状态单元，通过门控机制不断更新状态单元和记忆单元。图5描绘了LSTM内部的门控机制，分别是输入门、遗忘门和输出门，这三个门相互独立并且分别处理时间序列特征信息的输入、遗忘和输出过程。此外，通过门控机制和记忆单元的共同作用，还可以有选择性地控制信息的传递，不仅可以有效地改善梯度消失和梯度爆炸的问题，而且对于较长的序列数据具有更好的处理和预测能力。LSTM模型的训练过程如下：
先选择性地遗忘记忆单元中存储的信息ci-1，选择σ(sigmoid)函数作为遗忘门的激活函数，通过将记忆单元中存储的信息ci-1与遗忘门fi相乘，一部分信息将会被遗忘，因此需要根据目前的输入门#i更新记忆单元中的信息。与遗忘门类似，输入门ii也是选择重要的特征信息来更新记忆单元ci。输出门同样采用σ函数作为激活函数，负责将记忆单元信息ci中的部分重要特征作为输出，最后将LSTM的输出结果连接至全连接层得到预测结果。
需要说明的是，长时间序列的每个短子序列特征的重要程度是不同的，赋予LSTM关注更重要特征的能力可以更好实现短时交通速度的预测。因此LSTM模型使用注意力机制提取短序列的显著性特征，将不同时间下的交通速度对最后输出结果的重要性纳入考虑之中，通过计算注意力系数，与输出结果作矩阵乘法后输入全连接层，得到预测结果。
为了同时捕获交通数据集的空间和时间依赖性，提出了一种基于图卷积网络(GCN)和长短期记忆(LSTM)网络的时空图卷积网络模型(即ST-GCN模型)，具体计算过程如下所示：
ut＝σ(Wu[f(A，XtXt)，ht-1]+bu) (2)
rt＝σ(Wr[f(A，Xt)，ht-1]+br) (3)
ct＝tanh(Wc[f(A，Xt)，(rt*ht-1)]+bc) (4)
ht＝ut*ht-1+(1-ut)*ct (5)
上式中，ut、rt是在时间t的更新门和复位门，ht表示在时间点t时的车速输出，ht-1表示在时间点t-1时的车速输出，f(A，Xt)表示图形卷积过程，定义为不等式1，W和b代表训练过程中的权重和偏差，tanh为双切正切曲线函数。
可以理解的是，在训练过程中，目标是将道路上的实际平均车速与预测平均车速之间的误差降至最低。ST-GCN模型的损失函数按照下式进行表示：
上式中，Yt和
分别表示实际平均车速和预测平均车速，Lreg是L2正则项，用于避免过拟合问题，λ是一个超参数。
其中，ST-GCN模型的超参数主要包括学习率、批量大小、训练时间和隐藏单元数。具体地，如图6所示，通过系统配置学习率为0.0005，批量大小为32，训练循环为50。需要说明的是，隐藏单元数是ST-GCN模型的一个非常重要的参数，因为不同的隐藏单元数可能会极大地影响预测精度，系统配置隐藏单元数为128，此时预测精度最高。
综上所述，ST-GCN模型可以处理复杂的空间依赖性和时间动态性。一方面，利用图卷积网络对高速公路网络的拓扑结构进行捕捉，得到高速公路网络的空间相关性。另一方面，利用长短期记忆网络捕捉道路交通信息的动态变化，获得时间依赖性，最终实现交通预测。
模型评估步骤：根据交通数据集中实际交通数据和预测的多个目标结果建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型。优选地，目标结果包括通行状况、路网拥挤度和平均车速。
其中，平均车速选取路网平均行程速度，平均行程速度是评价道路通畅程度最为直观的重要指标之一。平均车速是指道路或路网内所有车辆的总行驶里程与总的行程时间的比值，其中行程时间包括中间停车和排队时间。根据车辆出入口收费站的序号匹配每辆车的行驶路段长度Si，并计算每辆车的行驶时间ti＝出站时间-入站时间，设置行驶时间ti范围为0～24h，超出该范围的数据剔除。根据
计算每辆车的平均速度，设置平均速度的范围为 0～150km/h，超出该范围的数据剔除。从而得到计算每条路段对应的平均速度的公式：
上式中，n为该路段该时段内的车辆数。
为了评估ST-GCN模型的预测性能，使用评估指标来评估实际平均车速Yt和预测平均车速
之间的差异，评估指标包括均方根误差(RMSE)、平均绝对误差(MAE)、精度(Accuracy)、决定系数(R2)和解释方差得分(Var)，其中，均方根误差(RMSE)按照下式进行表示：
平均绝对误差(MAE)按照下式进行表示：
精度(Accuracy)按照下式进行表示：
决定系数(R2)按照下式进行表示：
解释方差得分(Var)按照下式进行表示：
其中，RMSE和MAE用于测量预测的平均车速误差，值越小，预测效果越好。Accuracy用于检测预测精度，值越大，预测效果越好。R2和Var用于衡量预测的平均车速结果所代表的实际平均车速能力，值越大，预测效果越好。
将ST-GCN模型的预测指标与以下基线方法的预测指标进行对比：(1)历史平均模型 (HA)，它使用历史时期的平均交通信息作为预测；(2)自回归综合移动平均模型(ARIMA)，将观测到的时间序列拟合到一个参数模型中，预测未来的交通数据集。(3)支持向量机模型 (SVM)，它选取历史数据对模型进行训练，得到输入和输出之间的关系，然后通过给出未来的交通数据集进行预测。(4)长短期记忆单元模型(LSTM)；(5)图卷积网络模型(GCN)； (6)前馈神经网络(FNN)；(7)扩散卷积循环神经网络(DCRNN)。
ST-GCN模型和其他基线方法在数据集对未来一个小时内高速公路速度的预测指标的比对结果如表1所示。
表1
由表1可以看出，ST-GCN模型在所有评估指标下都获得了最佳的预测性能：基于神经网络的方法，如LSTM、GCN、FNN、DCRNN以及本发明提出的ST-GCN网络普遍比其他机器学习模型如HA模型、ARIMA模型，具有更好的预测精度。例如，与HA模型相比，ST-GCN 模型的MAE误差降低了约11.1％，与ARIMA模型相比，ST-GCN模型的MAE误差降低了约19.7％；基于神经网络的方法比其他机器学习类的基线模型，具有更好的相关性，根据本发明提出的ST-GCN网络预测所得的相关系数(R2)相较于ARIMA模型提高了约242％，测试结果整体上验证了ST-GCN模型在时空交通预测中的优势。
信息展示步骤：如表2所示的高速公路运行状态等级划分标准，根据预测的平均车速和高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将图片通过情报板的接口传送至高速公路上布设的情报板，将图片实时展示在高速公路上的情报板上，诱导司乘用户的行为，从而提高高速公路通行效率。
表2
本发明还涉及了一种基于短时路况预测算法的预警系统，该系统与上述基于短时路况预测算法的预警方法相对应，可理解为是实现上述方法的系统，该系统包括数据获取及预处理模块、融合分析模块、模型建立模块、模型评估模块和信息展示模块，具体地，
数据获取及预处理模块，获取全年全时段的交通数据集，并对获取的交通数据集进行预处理；
融合分析模块，将高速公路路段的周围环境数据和天气数据与预处理后的交通数据集进行融合，形成完整交通数据集；
模型建立模块，根据完整交通数据集，选择预设的数据粒度，并采用节假日流量预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测多个目标结果；
模型评估模块，根据交通数据集中实际交通数据和预测的多个目标结果建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
信息展示模块，根据验证为最优模型的ST-GCN模型所预测的多个目标结果，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
优选地，评估指标包括均方根误差、平均绝对误差、精度、决定系数和解释方差得分，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述精度用于检测预测精度，所述决定系数和解释方差得分用于衡量预测的平均车速结果所代表的实际平均车速能力。
优选地，ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
所述模型建立模块首先根据网络构建的邻接矩阵、根据POI构建的功能相似矩阵以及使用预处理后的高速路网的实时和历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
优选地，所述数据获取及预处理模块中的获取全年全时段的交通数据集包括出入口收费站流水及牌识数据、门架交易数据、门架牌识数据、卡签发行数据、车辆治超数据、气象数据、基础路网数据、GIS数据、实时交通事件、实时拥堵情况、稽核数据中的任意组合；预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、长短期记忆单元模型、图卷积网络模型、前馈神经网络和扩散卷积循环神经网络的若干组合；
目标结果包括通行状况、路网拥挤度和平均车速。
本发明提供了客观、科学的基于短时路况预测算法的预警方法及系统，通过建立ST-GCN 模型分析交通数据集的空间相关性和时间相关性，以及预测未来某段时间尤其节假日期间的交通路况，通过采用评估指标对ST-GCN模型进行评估验证其为最优模型，大大提升了预测精度，且全程无需人工干预，大大降低了人员工作强度。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (10)
1.一种基于节假日流量预测算法的预警方法，其特征在于，包括以下步骤：
数据获取及预处理步骤：获取全年全时段的交通数据集，并对获取的交通数据集进行预处理；
融合分析步骤：将高速公路路段的周围环境数据和天气数据与预处理后的交通数据集进行融合，形成完整交通数据集；
模型建立步骤：根据完整交通数据集，选择预设的数据粒度，并采用节假日流量预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测多个目标结果；
模型评估步骤：根据交通数据集中实际交通数据和预测的多个目标结果建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
信息展示步骤：根据验证为最优模型的ST-GCN模型所预测的多个目标结果，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
2.根据权利要求1所述的基于节假日流量预测算法的预警方法，其特征在于，所述模型评估步骤中，所述评估指标包括均方根误差、平均绝对误差、精度、决定系数和解释方差得分，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述精度用于检测预测精度，所述决定系数和解释方差得分用于衡量预测的平均车速结果所代表的实际平均车速能力。
3.根据权利要求1所述的基于节假日流量预测算法的预警方法，其特征在于，
所述融合分析步骤：将高速公路路段的周围环境数据、POI分布数据、天气数据与预处理后的交通数据集进行融合，融合入训练数据集中，形成完整交通数据集；
所述模型建立步骤中，所述ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
首先根据网络构建的邻接矩阵、根据POI构建的功能相似矩阵以及使用预处理后的高速路网的实时和历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
4.根据权利要求1所述的基于节假日流量预测算法的预警方法，其特征在于，所述数据获取及预处理步骤中，获取全年全时段的交通数据集包括出入口收费站流水及牌识数据、门架交易数据、门架牌识数据、卡签发行数据、车辆治超数据、气象数据、基础路网数据、GIS数据、实时交通事件、实时拥堵情况、稽核数据中的任意组合；所述预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
5.根据权利要求2所述的基于节假日流量预测算法的预警方法，其特征在于，所述模型评估步骤中，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、长短期记忆单元模型、图卷积网络模型、前馈神经网络和扩散卷积循环神经网络的若干组合；
所述目标结果包括通行状况、路网拥挤度和平均车速。
6.一种基于节假日流量预测算法的预警系统，其特征在于，包括数据获取及预处理模块、融合分析模块、模型建立模块、模型评估模块和信息展示模块，
数据获取及预处理模块，获取全年全时段的交通数据集，并对获取的交通数据集进行预处理；
融合分析模块，将高速公路路段的周围环境数据和天气数据与预处理后的交通数据集进行融合，形成完整交通数据集；
模型建立模块，根据完整交通数据集，选择预设的数据粒度，并采用节假日流量预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测多个目标结果；
模型评估模块，根据交通数据集中实际交通数据和预测的多个目标结果建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
信息展示模块，根据验证为最优模型的ST-GCN模型所预测的多个目标结果，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
7.根据权利要求6所述的基于节假日流量预测算法的预警系统，其特征在于，所述评估指标包括均方根误差、平均绝对误差、精度、决定系数和解释方差得分，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述精度用于检测预测精度，所述决定系数和解释方差得分用于衡量预测的平均车速结果所代表的实际平均车速能力。
8.根据权利要求6所述的基于节假日流量预测算法的预警系统，其特征在于，所述ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
所述模型建立模块首先根据网络构建的邻接矩阵、根据POI构建的功能相似矩阵以及使用预处理后的高速路网的实时和历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
9.根据权利要求6所述的基于节假日流量预测算法的预警系统，其特征在于，所述数据获取及预处理模块中的获取全年全时段的交通数据集包括出入口收费站流水及牌识数据、门架交易数据、门架牌识数据、卡签发行数据、车辆治超数据、气象数据、基础路网数据、GIS数据、实时交通事件、实时拥堵情况、稽核数据中的任意组合；预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
10.根据权利要求6所述的基于节假日流量预测算法的预警系统，其特征在于，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、长短期记忆单元模型、图卷积网络模型、前馈神经网络和扩散卷积循环神经网络的若干组合；
所述目标结果包括通行状况、路网拥挤度和平均车速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210444651.4A CN114664091A (zh) | 2022-04-26 | 2022-04-26 | 一种基于节假日流量预测算法的预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210444651.4A CN114664091A (zh) | 2022-04-26 | 2022-04-26 | 一种基于节假日流量预测算法的预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114664091A true CN114664091A (zh) | 2022-06-24 |
Family
ID=82038114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210444651.4A Pending CN114664091A (zh) | 2022-04-26 | 2022-04-26 | 一种基于节假日流量预测算法的预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114664091A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999164A (zh) * | 2022-08-05 | 2022-09-02 | 深圳支点电子智能科技有限公司 | 智能交通预警处理方法及相关设备 |
| CN115424439A (zh) * | 2022-08-25 | 2022-12-02 | 广西北投信创科技投资集团有限公司 | 一种基于特征处理的交通流量预测方法及设备 |
| CN115909748A (zh) * | 2023-01-07 | 2023-04-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 节假日公路交通量预测方法、电子设备及存储介质 |
| CN116662307A (zh) * | 2023-07-25 | 2023-08-29 | 苏州盈天地资讯科技有限公司 | 一种基于多源数据融合的智能预警方法、系统及设备 |
| CN117058888A (zh) * | 2023-10-13 | 2023-11-14 | 华信纵横科技有限公司 | 一种交通大数据处理方法及其系统 |
| CN117408393A (zh) * | 2023-12-06 | 2024-01-16 | 华中科技大学 | 一种异常事件下综合客运枢纽交通流量的预测方法及系统 |
| CN117423238A (zh) * | 2023-12-19 | 2024-01-19 | 北京华录高诚科技有限公司 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
| CN117475641A (zh) * | 2023-12-28 | 2024-01-30 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
| CN117612386A (zh) * | 2023-11-27 | 2024-02-27 | 中路科云(北京)技术有限公司 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
| CN118155423A (zh) * | 2024-05-08 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 基于时间序列模型的节假日长期交通态势预测方法及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530709A (zh) * | 2016-12-16 | 2017-03-22 | 东南大学 | 一种面向用户的高速公路交通指数发布系统 |
| CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
| CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
| CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
| CN113112791A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
| CN113450561A (zh) * | 2021-05-06 | 2021-09-28 | 浙江工业大学 | 一种基于时空图卷积-生成对抗网络的交通速度预测方法 |
-
2022
- 2022-04-26 CN CN202210444651.4A patent/CN114664091A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
| CN106530709A (zh) * | 2016-12-16 | 2017-03-22 | 东南大学 | 一种面向用户的高速公路交通指数发布系统 |
| CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
| CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
| CN113112791A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
| CN113450561A (zh) * | 2021-05-06 | 2021-09-28 | 浙江工业大学 | 一种基于时空图卷积-生成对抗网络的交通速度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王增光等: "基于图卷积网络的短时交通速度预测", 《计算机与现代化》 * |
| 胡杰: "基于多源数据的车流量时空预测方法", 《汽车工程》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999164A (zh) * | 2022-08-05 | 2022-09-02 | 深圳支点电子智能科技有限公司 | 智能交通预警处理方法及相关设备 |
| CN115424439A (zh) * | 2022-08-25 | 2022-12-02 | 广西北投信创科技投资集团有限公司 | 一种基于特征处理的交通流量预测方法及设备 |
| CN115909748A (zh) * | 2023-01-07 | 2023-04-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 节假日公路交通量预测方法、电子设备及存储介质 |
| CN116662307A (zh) * | 2023-07-25 | 2023-08-29 | 苏州盈天地资讯科技有限公司 | 一种基于多源数据融合的智能预警方法、系统及设备 |
| CN117058888A (zh) * | 2023-10-13 | 2023-11-14 | 华信纵横科技有限公司 | 一种交通大数据处理方法及其系统 |
| CN117058888B (zh) * | 2023-10-13 | 2023-12-22 | 华信纵横科技有限公司 | 一种交通大数据处理方法及其系统 |
| CN117612386A (zh) * | 2023-11-27 | 2024-02-27 | 中路科云(北京)技术有限公司 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
| CN117408393A (zh) * | 2023-12-06 | 2024-01-16 | 华中科技大学 | 一种异常事件下综合客运枢纽交通流量的预测方法及系统 |
| CN117408393B (zh) * | 2023-12-06 | 2024-03-19 | 华中科技大学 | 一种异常事件下综合客运枢纽交通流量的预测方法及系统 |
| CN117423238A (zh) * | 2023-12-19 | 2024-01-19 | 北京华录高诚科技有限公司 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
| CN117475641A (zh) * | 2023-12-28 | 2024-01-30 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
| CN117475641B (zh) * | 2023-12-28 | 2024-03-08 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
| CN118155423A (zh) * | 2024-05-08 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 基于时间序列模型的节假日长期交通态势预测方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
| Ping et al. | Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning | |
| CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
| Xu et al. | Real-time prediction of taxi demand using recurrent neural networks | |
| Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
| Tian | Approach for short-term traffic flow prediction based on empirical mode decomposition and combination model fusion | |
| Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
| CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
| Lu et al. | Short-term demand forecasting for online car-hailing using ConvLSTM networks | |
| Keyarsalan et al. | Designing an intelligent ontological system for traffic light control in isolated intersections | |
| Liu et al. | Explanatory prediction of traffic congestion propagation mode: A self-attention based approach | |
| Peng et al. | A forecast model of tourism demand driven by social network data | |
| CN113971496A (zh) | 活动影响下的城市交通路网状态演化趋势预测方法及系统 | |
| CN117829375B (zh) | 城际往返客运的多区域需求预测方法、装置、设备和介质 | |
| Wu et al. | Forecasting metro rail transit passenger flow with multiple-attention deep neural networks and surrounding vehicle detection devices | |
| CN114566047A (zh) | 一种基于短时路况预测算法的预警方法及系统 | |
| CN118447687A (zh) | 一种基于大数据的城市道路交通流量状态预测方法及系统 | |
| Djenouri et al. | Intelligent deep fusion network for urban traffic flow anomaly identification | |
| Halawa et al. | Road traffic predictions across major city intersections using multilayer perceptrons and data from multiple intersections located in various places | |
| Liu et al. | Highway traffic congestion detection and evaluation based on deep learning techniques | |
| Rasaizadi et al. | The ensemble learning process for short-term prediction of traffic state on rural roads | |
| Babaei et al. | Spatial Data-Driven Traffic Flow Prediction Using Geographical Information System | |
| Wang et al. | The prediction of urban road traffic congestion by using a deep stacked long short-term memory network | |
| Anjaneyulu et al. | Short term traffic flow prediction using hybrid deep learning | |
| Goswami et al. | A transformative deep learning framework for traffic modelling using sensors-based multi-resolution traffic data |
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 |