CN114781609B - 一种基于多模式动态残差图卷积网络的交通流预测方法 - Google Patents

一种基于多模式动态残差图卷积网络的交通流预测方法 Download PDF

Info

Publication number
CN114781609B
CN114781609B CN202210411429.4A CN202210411429A CN114781609B CN 114781609 B CN114781609 B CN 114781609B CN 202210411429 A CN202210411429 A CN 202210411429A CN 114781609 B CN114781609 B CN 114781609B
Authority
CN
China
Prior art keywords
traffic
matrix
dependence
time
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.)
Active
Application number
CN202210411429.4A
Other languages
English (en)
Other versions
CN114781609A (zh
Inventor
黄晓辉
叶裕明
江源
王俊阳
曾辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202210411429.4A priority Critical patent/CN114781609B/zh
Priority to US17/831,081 priority patent/US20230334981A1/en
Publication of CN114781609A publication Critical patent/CN114781609A/zh
Application granted granted Critical
Publication of CN114781609B publication Critical patent/CN114781609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/047—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多模式动态残差图卷积网络的交通流预测方法，包括：对交通站点历史流量数据，构造关系矩阵和自适应矩阵学习站点依赖关系；利用多模式动态图卷积提取不同交通模式对应的流量特征；将图卷积嵌入到门控循环神经网络中，实现交通流量空间依赖和时间依赖的结合；利用动态残差连接网络，将输入流量数据与解码端数据结合，获得最终预测值。本发明利用两种不同的方法构造邻接矩阵，有效地捕捉不同交通模式对应的流量特征，并动态融合两种不同模式的交通流量特征，通过将多模式动态图卷积替换门控循环神经网络中的线性变换操作，将结合多模式动态图卷积和门控循环单元重新组成，从而实现同时捕捉交通流量的空间依赖性和时间依赖性。

Description

一种基于多模式动态残差图卷积网络的交通流预测方法
技术领域
本发明属于交通流预测领域，特别是涉及一种基于多模式动态残差图卷积网络的交通流预测方法。
背景技术
城市交通拥堵不仅是造成交通事故的重要原因，也是阻碍城市发展的重要因素之一。随着互联网技术的不断发展，网络、监控、各类电子传感器设备被广泛应用于城市道路交通管控，如此产生海量的交通数据，诸如车辆轨迹数据、交通流量数据、车辆车速数据等，这些数据可以被用来学习交通轨迹的变化规律、交通流量的拥堵情况以及交通事故的判断等。因此，从历史交通流量数据中学习流量的时间变化规律，可以提预测未来时刻城市区域或道路的交通拥堵情况，从而城市交通规划部分能够做出相应的防范疏导措施，及时疏散拥堵流量以避免交通事故发生。这对于城市交通安全保障和维护社会稳定性至关重要。
然而，城市交通流量往往受道路环境影响。由于交通网络的拓扑结构复杂，交通路网中可能存在多种不同的交通模式同时影响路网的交通流量，并且可能同时受到不同因素的影响，如复杂的交通路网结构、天气情况和突发事件。如何从交通流量中学习得到不同交通模式流量的特征，并融合各种特征是交通流量预测的一个难点。
发明内容
本发明的目的是提供一种基于多模式动态残差图卷积网络的交通流预测方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于多模式动态残差图卷积网络的交通流预测方法，包括：
构建邻接矩阵，基于所述邻接矩阵获取不同交通流模式；
对所述不同交通流模式进行动态融合；
基于历史数据和融合后的数据预测未来流量。
可选的，所述邻接矩阵包括关系矩阵和自适应矩阵，所述关系矩阵为：
Figure BDA0003603887540000021
Figure BDA0003603887540000022
其中，下标ta表示生成关系矩阵的第一个时间步，τ表示用τ个历史时间步的流量数据来构造关系矩阵，softmax表示激活函数。
所述自适应矩阵为：
Figure BDA0003603887540000023
其中，E1、E2均为学习节点，ReLU为ReLU损失函数，T表示矩阵的转置。
可选的，基于所述邻接矩阵获取不同交通流模式的过程中，所述不同交通流模式包括：时间交通依赖和空间交通依赖；
基于所述关系矩阵获取所述时间交通依赖，基于所述自适应矩阵获取所述空间交通依赖。
可选的，对所述不同交通流模式进行动态融合的过程中包括：对所述时间交通依赖和所述空间交通依赖进行时空融合。
可选的，对所述时间交通依赖和所述空间交通依赖进行时空融合的过程中，采用以下公式进行融合：
h＝Wrel×hrel+Wada×hada
其中h为最终输出，hrel表示时间交通依赖的特征，hada表示空间依赖的特征，Wrel、Wada表示两个学习参数，随着神经网络的训练而更新，从而动态融合时间依赖和空间依赖特征。
可选的，基于历史数据和融合后的数据预测未来流量的过程中包括：
构建解码器，将所述历史数据输入所述解码器获取输出数据；
基于所述动态残差融合机制对所述历史数据和所述输出结果进行融合，获得对未来流量的预测结果。
可选的，基于所述动态残差融合机制对所述历史数据和所述输出结果进行融合的过程中包括，采用以下公式进行融合：
Figure BDA0003603887540000031
其中，H代表解码器的最终输出，X代表原始输入的历史数据，W1和W2为训练参数。
可选的，基于所述动态残差融合机制对所述历史数据和所述输出结果进行融合，获得对未来流量的预测结果的过程中还包括，采用的损失函数为均方根误差，公式如下：
Figure BDA0003603887540000032
其中Yi和
Figure BDA0003603887540000033
分别代表真值和预测值，Q代表预测的时间步数。
本发明的技术效果为：
(1)传统交通流量预测中，通常只利用一种邻接矩阵来捕捉交通路网中的流量特征，然而单一的邻接矩阵无法捕捉到不同交通模式对应的流量特征。本发明利用两种不同的方法来构造邻接矩阵，可以有效地捕捉不同交通模式对应的流量特征，并动态融合两种不同模式的交通流量特征。
(2)本发明通过将多模式动态图卷积替换门控循环神经网络中的线性变换操作，将结合多模式动态图卷积和门控循环单元重新组成一个新模块，从而实现同时捕捉交通流量的空间依赖性和时间依赖性。
(3)传统的交通流量预测算法中，往往忽略历史输入数据对最终预测结果的影响，本发明利用动态残差网络从历史流量数据中筛选出有用的信息来更新未来时刻的流量，以提高预测的精度。
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为本发明实施例中的流程示意图；
图2为本发明实施例的交通流量预测方法的模型示意图；
图3为本发明实施例的一个流量相似性矩阵构造示例；
图4为本发明实施例的两种交通模式特征动态融合示例图；
图5为本发明实施例的多模式动态图卷积与门控循环神经网络结合示例图；
图6为本发明实施例的动态残差融合模块示例图。
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。
实施例一
如图1-2所示，本实施例中提供一种基于多模式动态残差图卷积网络的交通流预测方法，包括：
步骤S01：多交通模式流量特征提取，从路网交通流量数据中，利用多种邻接矩阵构造方法，来捕捉不同交通模式对应的流量特征。
具体实施过程如下：构造相似性矩阵来捕捉规则性流量的空间依赖特征，构造自适应矩阵来捕捉随机性流量的空间依赖特征，相似性矩阵的构造过程为：
Figure BDA0003603887540000051
Figure BDA0003603887540000052
其中，similarity表示计算站点流量之间的相似性，其具体计算流程如图3所示。下标ta表示生成关系矩阵的第一个时间步，τ表示用τ个历史时间步的流量数据来构造关系矩阵，softmax表示激活函数。
所述自适应矩阵构造过程为：
Figure BDA0003603887540000053
其中，E1、E2均为可学习节点，ReLU为ReLU激活函数，T表示矩阵转置。
步骤S02：将学习得到的两种邻接矩阵分别送入图卷积网络来提取不同交通模式的流量特征。对于提取到的两种不同模式的流量特征，利用动态融合模块来整合两种流量特征。
具体实施过程如下：两种邻接矩阵经过图卷积后的输出hsim和hada，定义了两个可训练的参数Wrel和Wada，分别乘以hsim和hada，然后相加。随着模型的训练，Wsim和Wada不断更新，以动态地融合不同交通模式对应的流量特征，将两个模块的输出合并以获得动态图卷积的最终输出h。不同交通模式的动态融合过程如图4所示。
步骤S03：交通流量的空间依赖特征与时间依赖特征的融合。多模式动态图卷积单元提取到不同交通模式对应的流量特征，将该特征送入循环神经网络中，实现交通流量空间依赖与时间依赖的结合，如图5所示。
具体实施过程如下：通过将门控循环神经网络中的线性操作替换成多模式动态图卷积得到新的多模式动态门控循环神经单元。动态图卷积门控循环单元(MDGRU)定义为：
r(t)＝σ(θr*G[h(t),H(t-1)]+br)
u(t)＝σ(θu*G[h(t),H(t-1)]+bu)
c(t)＝tanh(θc*G[h(t),(r(t)⊙H(t-1))]+bc)
H(t)＝u(t)⊙H(t-1)+(1-u(t))⊙c(t)
其中h(t)和H(t)分别代表动态融合模块的输出和GRU在时间步长t的输出，⊙代表Hadamard积，σ是激活函数。重置门r(t)有助于忘记不必要的信息。更新门u(t)可以控制输出。θr,θu,θc是相应的滤波器参数。
步骤S04：交通流量历史特征与解码端特征的融合。作为一种时间序列数据，未来的交通流量数据可能会受到历史交通流量数据的影响。本发明设计了一个动态残差融合模块，将输入数据与提取数据动态结合，该过程如图6所示。
具体实施过程如下：定义两个可训练的参数W1和W2，将解码器中的原始输入数据X和输出H分别乘以这两个参数，通过参数的训练将两部分数据动态融合。动态残差融合机制的过程可表示为：
Y＝H×W1+X×W2
其中H代表解码器的最终输出，X代表原始输入数据。W1和W2会随着模型的训练不断更新。
综上所述，本发明的多模式动态残差图卷积网络的交通流量预测方法，从历史流量数据中学习不同交通模式对应的流量特征，并用动态融合模块来融合不同模式的流量特征。将循环神经网络中的线性操作替换成多模式图卷积模块，实现交通流量的空间依赖和时间依赖的结合，最后，利用动态残差模块，从历史流量中选择有用的信息来更新未来时刻的流量。本发明的多模式动态残差图卷积的交通流量预测方法，能够从交通流量数据中挖掘出不同交通模式的流量特征，并将图卷积模块与门控循环单元结合，实现流量空间依赖和时间依赖的结合。
以上所述，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 (2)

1.一种基于多模式动态残差图卷积网络的交通流预测方法，其特征在于，包括以下步骤：
构建邻接矩阵，基于所述邻接矩阵获取不同交通流模式；
对所述不同交通流模式进行动态融合；
基于历史数据和融合后的数据预测未来流量；
基于历史数据和融合后的数据预测未来流量的过程中包括：
构建解码器，将所述历史数据输入所述解码器获取输出数据；
基于所述动态残差融合机制对所述历史数据和输出结果进行融合，获得对未来流量的预测结果；
基于所述动态残差融合机制对所述历史数据和所述输出结果进行融合的过程中包括，采用以下公式进行融合：
其中，H代表解码器的最终输出，X代表原始输入的历史数据，和为训练参数；
所述邻接矩阵包括关系矩阵和自适应矩阵，所述关系矩阵为：
其中，下标表示生成关系矩阵的第一个时间步，表示用个历史时间步的流量数据来构造关系矩阵，表示激活函数；
所述自适应矩阵为：
其中，均为学习节点，ReLU为ReLU损失函数，T表示矩阵转置；
基于所述邻接矩阵获取不同交通流模式的过程中，所述不同交通流模式包括：时间交通依赖和空间交通依赖；
基于所述关系矩阵获取所述时间交通依赖，基于所述自适应矩阵获取所述空间交通依赖；
对所述不同交通流模式进行动态融合的过程中包括：对所述时间交通依赖和所述空间交通依赖进行时空融合；
对所述时间交通依赖和所述空间交通依赖进行时空融合的过程中，采用以下公式进行融合：
其中h为最终输出，表示时间交通依赖的特征，表示空间依赖的特征，表示两个学习参数，随着神经网络的训练而更新，从而动态融合时间依赖和空间依赖特征。
2.根据权利要求1所述的方法，其特征在于，基于所述动态残差融合机制对所述历史数据和所述输出结果进行融合，获得对未来流量的预测结果的过程中还包括，采用的损失函数为均方根误差，公式如下：
其中和分别代表真值和预测值，代表预测的时间步数。
CN202210411429.4A 2022-04-19 2022-04-19 一种基于多模式动态残差图卷积网络的交通流预测方法 Active CN114781609B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210411429.4A CN114781609B (zh) 2022-04-19 2022-04-19 一种基于多模式动态残差图卷积网络的交通流预测方法
US17/831,081 US20230334981A1 (en) 2022-04-19 2022-06-02 Traffic flow forecasting method based on multi-mode dynamic residual graph convolution network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210411429.4A CN114781609B (zh) 2022-04-19 2022-04-19 一种基于多模式动态残差图卷积网络的交通流预测方法

Publications (2)

Publication Number Publication Date
CN114781609A CN114781609A (zh) 2022-07-22
CN114781609B true CN114781609B (zh) 2023-04-25

Family

ID=82430769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210411429.4A Active CN114781609B (zh) 2022-04-19 2022-04-19 一种基于多模式动态残差图卷积网络的交通流预测方法

Country Status (2)

Country Link
US (1) US20230334981A1 (zh)
CN (1) CN114781609B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311864A (zh) * 2022-08-11 2022-11-08 华东交通大学 一种基于多视角动态图卷积网络的交通流预测方法
CN115049022B (zh) * 2022-08-12 2022-10-21 天津大学 基于时间差分的数据处理方法及装置
CN116110232B (zh) * 2022-12-29 2024-06-07 浙江财经大学 一种基于分层动态残差图卷积网络的交通流量预测方法
CN117290706A (zh) * 2023-10-31 2023-12-26 兰州理工大学 一种时空卷积融合概率稀疏注意力机制的交通流预测方法
CN117636633B (zh) * 2023-11-27 2024-05-17 香港科技大学(广州) 一种基于时空感知混合图的交通流量预测方法
CN117635216B (zh) * 2023-12-22 2024-04-30 华南理工大学 基于改进gcn网络的共享单车需求量预测方法
CN117475638B (zh) * 2023-12-26 2024-03-08 北京建筑大学 基于多通道超图卷积网络的交通od客流预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949828A (zh) * 2021-03-04 2021-06-11 湖南大学 一种基于图学习的图卷积神经网络交通预测方法及系统
CN113947182A (zh) * 2021-09-24 2022-01-18 西安理工大学 基于双阶段堆叠图卷积网络的交通流预测模型构建方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696355A (zh) * 2020-06-29 2020-09-22 中南大学 动态图卷积交通速度预测方法
CN113053115B (zh) * 2021-03-17 2022-04-22 中国科学院地理科学与资源研究所 一种基于多尺度图卷积网络模型的交通预测方法
CN114039901A (zh) * 2021-11-05 2022-02-11 中国人民解放军陆军工程大学 基于残差网络和循环神经网络混合模型的协议识别方法
CN114220271B (zh) * 2021-12-21 2023-06-30 南京理工大学 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN114330671A (zh) * 2022-01-06 2022-04-12 重庆大学 一种基于Transformer时空图卷积网络的交通流预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949828A (zh) * 2021-03-04 2021-06-11 湖南大学 一种基于图学习的图卷积神经网络交通预测方法及系统
CN113947182A (zh) * 2021-09-24 2022-01-18 西安理工大学 基于双阶段堆叠图卷积网络的交通流预测模型构建方法

Also Published As

Publication number Publication date
CN114781609A (zh) 2022-07-22
US20230334981A1 (en) 2023-10-19

Similar Documents

Publication Publication Date Title
CN114781609B (zh) 一种基于多模式动态残差图卷积网络的交通流预测方法
CN111400620B (zh) 基于时空嵌入Self-Attention的用户轨迹位置预测方法
CN113326981B (zh) 基于动态时空注意力机制的大气环境污染物预测模型
Yan et al. Trajectory prediction for intelligent vehicles using spatial‐attention mechanism
CN113783874B (zh) 基于安全知识图谱的网络安全态势评估方法及系统
Wang et al. STMAG: A spatial-temporal mixed attention graph-based convolution model for multi-data flow safety prediction
Zhao et al. Traffic data imputation and prediction: An efficient realization of deep learning
CN110570035B (zh) 同时建模时空依赖性和每日流量相关性的人流量预测系统
Ren et al. Short‐Term Traffic Flow Prediction: A Method of Combined Deep Learnings
CN114021809A (zh) 一种无人驾驶用交通流量预测的图层级卷积神经网络模型
CN117253112A (zh) 结构健康诊断大模型视觉语言跨模态学习方法
Liu et al. Learning from interaction-enhanced scene graph for pedestrian collision risk assessment
CN115331460B (zh) 一种基于深度强化学习的大规模交通信号控制方法及装置
CN113989326B (zh) 一种基于注意力机制的目标轨迹预测方法
Ithnin et al. Intelligent locking system using deep learning for autonomous vehicle in internet of things
Zhang et al. Obstacle‐transformer: A trajectory prediction network based on surrounding trajectories
CN110414012B (zh) 一种基于人工智能的编码器构建方法及相关设备
Chen et al. Traffic flow prediction based on cooperative vehicle infrastructure for cloud control platform
Lu et al. A dual path hybrid neural network framework for remaining useful life prediction of aero‐engine
Fu et al. Environmental Intelligent Perception in the Industrial Internet of Things: A Case Study Analysis of a Multi-crane Visual Sorting System
Chinea et al. Risk assessment algorithms based on recursive neural networks
Jun-Fang et al. Traffic flow state prediction based on space-time correlation of vehicle trajectory using the deep hybrid model
CN110516599A (zh) 基于渐进式关系学习的群体行为识别模型及其训练方法
Moussa et al. A Hybrid Deep Learning Cyber-Attacks Intrusion Detection System for CAV Path Planning
Wei et al. Compression and storage algorithm of key information of communication data based on backpropagation neural network

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