CN115017990A - 一种交通流量预测方法、装置、设备及存储介质 - Google Patents
一种交通流量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115017990A CN115017990A CN202210622541.2A CN202210622541A CN115017990A CN 115017990 A CN115017990 A CN 115017990A CN 202210622541 A CN202210622541 A CN 202210622541A CN 115017990 A CN115017990 A CN 115017990A
- Authority
- CN
- China
- Prior art keywords
- data
- time component
- flow
- component data
- traffic 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.)
- Granted
Links
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种交通流量预测方法、装置、设备及存储介质,该方法包括:采集历史交通流量数据,将所述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据;对所述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征;其中,所述数据分布特征包括近似分布特征和条件概率特征;基于所述多种特定流量特征、所述共享流量特征和所述数据分布特征构建交通流量预测模型;采集当前交通流量数据,将所述当前交通流量数据传输给所述交通流量预测模型,生成交通流量预测数据。本方法提升了交通流量预测的精度。
Description
技术领域
本发明涉及交通流量预测技术领域,具体涉及一种交通流量预测方法、装置、设备及存储介质。
背景技术
大城市面临着严重的交通拥堵问题,据估计,2015年澳大利亚首都堪培拉的交通拥堵成本约为165亿美元,并估计将在2030年增加到约300亿美元,大多数拥塞缓解措施成本高昂,难以实施,随着交通传感器的进步和广泛采用,以及可访问的大型交通数据库,通过学习和预测交通流量数据进行交通决策是一种可行、有效的减少道路拥堵方案,因此,交通流量预测的研究逐步得到重视,对城市发展具有着重要作用。
交通流量预测的目标是:给定历史时间段的区域交通流量数据作为输入,以预测未来某一时间段的区域交通流量状况,其中交通流量数据表示为特定时间段内在特定区域中检测到的流入和流出车辆总数,交通流量预测主要涉及时空数据的学习,因此主流的交通流量预测方法分别针对时间相关性和空间相关性进行学习,关于时间相关性,常见的方法首先将长时间的交通流量数据划分成邻近、周期和趋势时间分量数据,然后使用卷积神经网络或者长短时记忆网络等方法挖掘其时间依赖信息,其中,邻近时间分量数据以小时为间隔单位采样目标时间点相邻几小时的时间序列;周期时间分量数据以天为间隔单位采样目标时间点过去几天的时间序列;趋势时间分量数据以周为单位采样目标时间点过去几周的时间序列;关于空间相关性,常见的方法首先根据地理空间、兴趣点相关等信息构造交通流量数据的邻接图,然后使用卷积神经网络或者图卷积网络挖掘其空间依赖信息,此外,交通流量预测与外部因素息息相关,即天气、节假日等信息对交通流量有重要的影响。
现有的交通流量预测方法尽管划分了邻近、周期和趋势时间分量数据以捕捉目标时间与短期和长期时间之间的依赖性,但是这些方法忽略了短期和长期时间之间的相关性和差异性对交通流量预测的重要作用,比如,目标时间近一个星期天气是雨天且一个星期之前是晴天,则邻近与周期时间的交通流量互相相似,而与趋势时间不相似,此时多种时间分量数据之间的相关性对目标时间的预测具有重要作用;又比如,目标时间是节假日,则邻近时间与周期、趋势时间之间不相似,此时多种时间分量数据之间的差异性对目标时间的预测具有重要作用,由此可见,邻近、周期和趋势时间中通常存在各种噪声,直接使用邻近、周期和趋势时间的数据进行交通流量预测难以取得令人满意的效果。
发明内容
因此,本发明要解决的技术问题在于克服现有的交通流量预测方法进行交通流量预测精度低的缺陷,从而提供一种交通流量预测方法、装置、设备及存储介质。
本发明实施例提供了一种交通流量预测方法,包括如下步骤:
采集历史交通流量数据,将所述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据;
对所述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征;其中,所述数据分布特征包括近似分布特征和条件概率特征;
基于所述多种特定流量特征、所述共享流量特征和所述数据分布特征构建交通流量预测模型;
采集当前交通流量数据,将所述当前交通流量数据传输给所述交通流量预测模型,生成交通流量预测数据。
本发明提供的一种交通流量预测方法,将所述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据,通过对多种时间分量数据数据处理,生成多种特定流量特征和共享流量特征,进而利用多种特定流量特征和共享流量特征有效地捕获多种时间分量数据之间的相关性和差异性,更好地揭露了交通流量的时间依赖关系,提升了交通流量预测的精度。
可选地,所述多种时间分量数据,包括:
邻近时间分量数据、周期时间分量数据和趋势时间分量数据。
可选地,所述对所述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征,包括:
将所述多种时间分量数据分别输入特定时间分量编码器中,生成多种特定流量特征和与所述多种特定流量特征对应的近似分布特征;
将所述多种时间分量数据分别输入单一时间分量变分编码器中,生成所述多种时间分量数据对应的条件概率分布特征;
将所述多种时间分量数据两两组合,生成多组时间分量数据,并将所述多组时间分量数据分别输入双时间分量变分编码器中,生成所述多组时间分量数据对应的条件概率分布特征;
将所述多种时间分量数据同时输入共享时间分量编码器中,生成共享流量特征和与所述共享流量特征对应的近似分布特征;
将所述多种特定流量特征和所述共享流量特征同时输入重构编码器中,生成重构交通流量特征。
上述将多种时间分量数据进行解耦表示,提取出每类时间分量数据的多种特定流量特征和多类时间分量数据之间的共享流量特征,利用多种特定流量特征反映多种时间分量数据之间的差异性,利用共享流量特征反应多种时间分量数据之间的相关性,有效挖掘了多种时间分量数据之间的相关性和差异性。
可选地,所述基于所述多种特定流量特征、所述共享流量特征和所述数据分布特征构建交通流量预测模型,包括:
基于所述多种特定流量特征、所述共享流量特征、所述多种特定流量特征对应的近似分布特征、所述多种时间分量数据对应的条件概率分布特征、所述多组时间分量数据对应的条件概率分布特征、所述共享流量特征的近似分布特征和所述重构交通流量特征确定最终损失函数;
利用所述最终损失函数对初始空间卷积神经网络模型进行参数调整,生成交通流量预测模型。
可选地,所述基于所述多种特定流量特征、所述共享流量特征、所述多种特定流量特征对应的近似分布特征、所述多种时间分量数据对应的条件概率分布特征、所述多组时间分量数据对应的条件概率分布特征、所述共享流量特征的近似分布特征和所述重构交通流量特征确定最终损失函数,包括:
基于所述多种特定流量特征和所述共享流量特征确定多种时间分量数据对应的流量预测回归损失;
提取所述历史交通流量数据中交通流量数据的真实分布特征,基于所述多种特定流量特征对应的近似分布特征、所述共享流量特征对应的近似分布特征与所述交通流量数据的真实分布特征确定多种时间分量数据对应的解耦损失;
分别计算所述多种特定流量特征对应的近似分布特征和所述共享流量特征对应的近似分布特征之间的相似度,将所述相似度作为多种时间分量数据对应的最小化互信息损失;
基于所述多种时间分量数据对应的条件概率分布特征、所述多组时间分量数据对应的条件概率分布特征和所述共享流量特征对应的近似分布特征确定多种时间分量数据对应的最大化互信息损失;
基于所述多种时间分量数据和所述重构交通流量特征确定重构损失;
基于所述流量预测回归损失、所述解耦损失、所述最小化互信息损失、所述最大化互信息损失和所述重构损失确定最终损失函数。
上述利用多种特定流量特征和共享流量特征,使用初始空间卷积神经网络计算不同区域之间的相关系数,从而有效捕获了不同时间流量数据在空间上的局部和全局的相关性,有利于预测交通流量的短距离和长距离出行情况。
可选地,所述基于所述多种特定流量特征和所述共享流量特征确定多种时间分量数据对应的流量预测回归损失,包括:
将所述多种特定流量特征和所述共享流量特征输入所述初始空间卷积神经网络模型中,生成流量预测值,并基于所述流量预测值与所述历史流量数据中的流量真实值确定流量预测回归损失。
可选地,所述基于所述流量预测回归损失、所述解耦损失、所述最小化互信息损失、所述最大化互信息损失和所述重构损失确定最终损失函数,所述最终损失函数的计算公式如下所示:
min L=min Lreg+min Ldec+min Lmin_mu-max Lmax_mu-max Ldis
上式中,min L表示最终损失函数,Lreg表示流量预测回归损失,Ldec表示重构损失,Lmin_mu表示最小化互信息损失,Lmax_mu表示最大化互信息损失,Ldis表示解耦损失。
在本申请的第二个方面,还提出了一种交通流量预测装置,包括:
采集模块,用于采集历史交通流量数据,将所述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据;
处理模块,用于对所述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征;其中,所述数据分布特征包括近似分布特征和条件概率特征;
构建模块,用于基于所述多种特定流量特征、所述共享流量特征和所述数据分布特征构建交通流量预测模型;
预测模块,用于采集当前交通流量数据,将所述当前交通流量数据传输给所述交通流量预测模型,生成交通流量预测数据。
可选地,所述多种时间分量数据,包括:
邻近时间分量数据、周期时间分量数据和趋势时间分量数据。
可选地,所述处理模块,包括:
第一生成子模块,用于将所述多种时间分量数据分别输入特定时间分量编码器中,生成多种特定流量特征和与所述多种特定流量特征对应的近似分布特征;
第二生成子模块,用于将所述多种时间分量数据分别输入单一时间分量变分编码器中,生成所述多种时间分量数据对应的条件概率分布特征;
第三生成子模块,用于将所述多种时间分量数据两两组合,生成多组时间分量数据,并将所述多组时间分量数据分别输入双时间分量变分编码器中,生成所述多组时间分量数据对应的条件概率分布特征;
第四生成子模块,用于将所述多种时间分量数据同时输入共享时间分量编码器中,生成共享流量特征和与所述共享流量特征对应的近似分布特征;
第五生成子模块,用于将所述多种特定流量特征和所述共享流量特征同时输入重构编码器中,生成重构交通流量特征。
可选地,所述构建模块,包括:
确定子模块,用于基于所述多种特定流量特征、所述共享流量特征、所述多种特定流量特征对应的近似分布特征、所述多种时间分量数据对应的条件概率分布特征、所述多组时间分量数据对应的条件概率分布特征、所述共享流量特征的近似分布特征和所述重构交通流量特征确定最终损失函数;
调整模块,用于利用所述最终损失函数对初始空间卷积神经网络模型进行参数调整,生成交通流量预测模型。
可选地,所述确定子模块,包括:
第一确定单元,用于基于所述多种特定流量特征和所述共享流量特征确定多种时间分量数据对应的流量预测回归损失;
第二确定单元,用于提取所述历史交通流量数据中交通流量数据的真实分布特征,基于所述多种特定流量特征对应的近似分布特征、所述共享流量特征对应的近似分布特征与所述交通流量数据的真实分布特征确定多种时间分量数据对应的解耦损失;
第三确定单元,用于分别计算所述多种特定流量特征对应的近似分布特征和所述共享流量特征对应的近似分布特征之间的相似度,将所述相似度作为多种时间分量数据对应的最小化互信息损失;
第四确定单元,用于基于所述多种时间分量数据对应的条件概率分布特征、所述多组时间分量数据对应的条件概率分布特征和所述共享流量特征对应的近似分布特征确定多种时间分量数据对应的最大化互信息损失;
第五确定单元,用于基于所述多种时间分量数据和所述重构交通流量特征确定重构损失;
第六确定单元,用于基于所述流量预测回归损失、所述解耦损失、所述最小化互信息损失、所述最大化互信息损失和所述重构损失确定最终损失函数。
可选地,所述第一确定单元,包括:
将所述多种特定流量特征和所述共享流量特征输入所述初始空间卷积神经网络模型中,生成流量预测值,并基于所述流量预测值与所述历史流量数据中的流量真实值确定流量预测回归损失。
可选地,所述第三确定单元中,所述最终损失函数的计算公式如下所示:
min L=min Lreg+min Ldec+min Lmin_mu-max Lmax_mu-max Ldis
上式中,min L表示最终损失函数,Lreg表示流量预测回归损失,Ldec表示重构损失,Lmin_mu表示最小化互信息损失,Lmax_mu表示最大化互信息损失,Ldis表示解耦损失。
在本申请的第三个方面,还提出了一种计算机设备,包括处理器和存储器,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序,所述处理器被配置用于调用所述计算机程序,执行上述第一方面的方法。
在本申请的第四个方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行以实现上述第一方面的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中一种交通流量预测方法的流程图;
图2为本发明实施例1中一种交通流量预测方法的示意图;
图3为本发明实施例1中步骤S102的流程图;
图4为本发明实施例1中第一卷积神经网络的示意图;
图5为本发明实施例1中第二卷积神经网络的示意图;
图6为本发明实施例1中第三卷积神经网络的示意图;
图7为本发明实施例1中第四卷积神经网络的示意图;
图8为本发明实施例1中步骤S103的流程图;
图9为本发明实施例1中步骤S1031的流程图;;
图10为本发明实施例1中初始卷积神经网络模型的示意图;
图11为本发明实施例1中互信息的示意图;
图12为本发明实施例2中一种交通流量预测装置的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种交通流量预测方法,如图1-2所示,包括如下步骤:
S101、采集历史交通流量数据,将上述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据。
其中,如图2所示,上述多种时间分量数据,包括:邻近时间分量数据C(预设目标时间的前两小时的流量信息)、周期时间分量数据P(预设目标时间的前三天同一时间点的流量信息)和趋势时间分量数据T(预设目标时间的前三周同一星期同一时间点的流量信息);预设目标时间可以为在上述历史交通流量中的时间中选取的目标时间,或者人为根据经验预先设置的目标时间。
S102、对上述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征;其中,上述数据分布特征包括近似分布特征和条件概率特征。
具体的,将多种时间分量数据进行组合分别送入五个不同的编码器,以捕获不同时间分量之间的多种特定流量特征、共享流量特征和数据分布特征。
S103、基于上述多种特定流量特征、上述共享流量特征和上述数据分布特征构建交通流量预测模型。
S104、采集当前交通流量数据,将上述当前交通流量数据传输给上述交通流量预测模型,生成交通流量预测数据。
上述一种交通流量预测方法,将上述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据,通过对多种时间分量数据数据处理,生成多种特定流量特征和共享流量特征,进而利用多种特定流量特征和共享流量特征有效地捕获多种时间分量数据之间的相关性和差异性,更好地揭露了交通流量的时间依赖关系,提升了交通流量预测的精度。
优选地,如图3所示,步骤S102中上述对上述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征;其中,上述数据分布特征包括近似分布特征和条件概率特征,包括:
S1021、将上述多种时间分量数据分别输入特定时间分量编码器中,生成多种特定流量特征和与上述多种特定流量特征对应的近似分布特征。
具体的,特定时间分量编码器的输入为单一时间分量数据(即邻近时间分量数据、周期时间分量数据和趋势时间分量数据中的一种),通过第一卷积神经网络提取单一时间分量数据的近似分布特征和多种特定流量特征(包括邻近时间分量数据流量特征、周期时间分量数据流量特征和趋势时间分量数据流量特征);其中第一卷积神经网络结构如图4所示,以邻近时间分量数据为例,输入经过卷积核大小为1×1的卷积层学习多种特定流量特征,然后通过全连接层采样得到其均值和标准差,该均值和标准差作为邻近时间分量数据的近似分布特征。
S1022、将上述多种时间分量数据分别输入单一时间分量变分编码器中,生成上述多种时间分量数据对应的条件概率分布特征。
具体的,单一时间分量变分编码器是一种变分编码器,通过第二卷积神经网络采样共享特征关于单一时间分量(即邻近时间分量数据、周期时间分量数据和趋势时间分量数据中的一种)的条件概率分布特征,其中第二卷积神经网络如图5所示,以周期时间分量数据为例,输入分别经过两层卷积核大小为1×1的卷积层以及一层全连接层采样得到均值和标准差,该均值和标准差作为共享特征关于周期时间分量数据的条件概率分布特征。
S1023、将上述多种时间分量数据两两组合,生成多组时间分量数据,并将上述多组时间分量数据分别输入双时间分量变分编码器中,生成上述多组时间分量数据对应的条件概率分布特征。
具体的,双时间分量变分编码器类似于单一时间分量变分编码器,通过第二卷积神经网络采样共享特征关于两种时间分量(即邻近时间分量数据、周期时间分量数据和趋势时间分量数据中任意两种分量的组合)的条件概率分布特征,双时间分量编码器的网络结构与单一时间分量变分编码器一致(如图5所示),两种时间分量数据通过卷积神经网络提取其均值和标准差作为共享特征关于双时间分量的条件概率分布特征。
S1024、将上述多种时间分量数据同时输入共享时间分量编码器中,生成共享流量特征和与上述共享流量特征对应的近似分布特征。
具体的,共享时间分量编码器的输入为多时间分量数据(即邻近时间分量数据、周期时间分量数据和趋势时间分量数据的集合),通过第三卷积神经网络提取所有类型时间分量的联合分布特征和共享流量特征,其中共享时间分量编码器的网络结构(即第三卷积神经网络)如图6所示,三种时间分量数据经过两层卷积核大小为1×1的卷积层学习共享流量特征,然后通过全连接层采样得到其均值和标准差作为共享特征的近似分布特征。
S1025、将上述多种特定流量特征和上述共享流量特征同时输入重构编码器中,生成重构交通流量特征。
具体的,重构编码器的输入为多种特定流量特征以及共享流量特征,通过全连接网络将多种特定流量特征和共享特征重构成原始的交通流量特征,即重构交通流量特征,其中,重构编码器的网络结构(即第四卷积神经网络)如图7所示,以邻近时间分量数据为例,联合邻近时间分量数据的特定流量特征值和共享流量特征作为输入,经过全连接层和tanh激活函数(双曲正切激活函数)生成重构的邻近时间交通流量特征进而,基于上述方法重构周期时间交通流量特征和趋势时间交通流量特征
优选地,如图8所示,步骤S103中上述基于上述多种特定流量特征、上述共享流量特征和上述数据分布特征构建交通流量预测模型,包括:
S1031、基于上述多种特定流量特征、上述共享流量特征、上述多种特定流量特征对应的近似分布特征、上述多种时间分量数据对应的条件概率分布特征、上述多组时间分量数据对应的条件概率分布特征、上述共享流量特征的近似分布特征和上述重构交通流量特征确定最终损失函数。
具体的,最终损失函数包括流量预测回归损失、解耦损失、最小化互信息损失、最大化互信息损失和重构损失。
S1032、利用上述最终损失函数对初始空间卷积神经网络模型进行参数调整,生成交通流量预测模型。
优选地,如图9所示,步骤S1031中上述基于上述多种特定流量特征、上述共享流量特征、上述多种特定流量特征对应的近似分布特征、上述多种时间分量数据对应的条件概率分布特征、上述多组时间分量数据对应的条件概率分布特征、上述共享流量特征的近似分布特征和上述重构交通流量特征确定最终损失函数,包括:
S10311、基于上述多种特定流量特征和上述共享流量特征确定多种时间分量数据对应的流量预测回归损失。
具体的,将上述多种特定流量特征和上述共享流量特征输入上述初始空间卷积神经网络模型中,生成流量预测值,并基于上述流量预测值与上述历史流量数据中的流量真实值确定流量预测回归损失。
其中,初始空间卷积神经网络模型中的空间卷积神经网络如图10所示,三种时间分量的多种特定流量特征与共享流量特征联合作为输入,首先通过一个卷积核大小为1×1的卷积层压缩特征数量,再分别通过一个卷积核大小为3×3以及一个卷积核大小为输入大小的卷积层生成局部空间特征和全局空间特征,然后联合局部和全局空间特征再次经过一个卷积核大小为3×3的卷积层进一步提取空间信息,提取的信息与输入相加成为输出特征,最后经过tanh激活函数(双曲正切激活函数)生成流量预测值。
进一步地,流量预测回归损失的目标是通过训练模型,使流量预测值和流量真实值之间的误差最小,流量预测回归损失的计算公式如下所示:
S10312、提取上述历史交通流量数据中交通流量数据的真实分布特征,基于上述多种特定流量特征对应的近似分布特征、上述共享流量特征对应的近似分布特征与上述交通流量数据的真实分布特征确定多种时间分量数据对应的解耦损失。
具体的,假设邻近时间分量数据C、周期时间分量数据P和趋势时间分量数据T,通过最大化边缘似然函数将多种时间片数据解耦成相应的多种特定流量特征,即邻近时间分量数据流量特征ZC、周期时间分量数据流量特征ZP、趋势时间分量数据流量特征ZT以及共享流量特征ZS,最大化边缘似然函数pθ(C,P,T)的计算公式如下所示:
为了简化其求解复杂度,求解最大化边缘似然函数可简化为求解最大化该函数的下界,因此解耦损失的计算公式如下所示:
上式中,p(·)表示数据的真实分布特征,可使用均值和标准差均为零的均匀分布特征表示;q(·)表示多种特定流量特征对应的近似分布特征,Eq(·)表示数学期望,DKL(·)表示KL散度(Kullback-Leibler divergence,相对熵)。
S10313、分别计算上述多种特定流量特征对应的近似分布特征和上述共享流量特征对应的近似分布特征之间的相似度,将上述相似度作为多种时间分量数据对应的最小化互信息损失。
具体的,最小化互信息损失旨在促使学习到的多种特定流量特征和共享流量特征互不相关,其中,如图11所示,互信息表示多种特定流量特征与共享流量特征互相包含的信息量,衡量两种特征之间的互信息等价于计算两种特征的近似分布特征(即均值和标准差)之间的相似度,如果两种特征之间的数据分布特征差异越大,则互信息越小,说明两种特征之间的相关性越小。
以邻近时间分量数据为例,其最小化互信息损失的计算公式如下:
Lmin_mu=I(ZC;ZS)=-I(C;ZC;ZS)+I(C;ZC)+I(C;ZS)≤I(C;ZC)+I(C;ZS)
≤EPD(C,P,T)[DKL[q(ZC|C)||p(ZC)]+DKL[q(ZS|C)||p(ZS)]]上式中,I(·)表示邻近时间流量特征与共享流量特征之间的互信息,q(ZC|C)表示邻近时间分量数据对应的近似分布特征,q(ZS|C)表示共享流量特征对应的近似分布特征,p(ZC)表示历史交通流量数据中邻近时间分量数据对应的的真实分布特征,p(ZS)表示历史交通流量数据中共享流量特征对应的真实分布特征。
S10314、基于上述多种时间分量数据对应的条件概率分布特征、上述多组时间分量数据对应的条件概率分布特征和上述共享流量特征对应的近似分布特征确定多种时间分量数据对应的最大化互信息损失。
具体的,最大化互信息损失旨在促使学习到的共享流量信息充分挖掘多个时间分量数据间的相关性,从而尽可能包含各时间分量的重要信息,如果共享流量特征与各时间分量数据之间的近似分布特征差异越小,则互信息越大,说明共享特征与各时间分量原始数据的相关性越大,其中最大化互信息损失的计算公式如下所示:
Lmax_mu=I(C;P;T;ZS)=I(C;P;ZS)-I(C;P;ZS|T)
=(I(C;ZS)-I(C;ZS|P))-(I(C;ZS|T)-I(C;ZS|P,T))
=EPD(C,P,T)[DKL[q(ZS|C)||P(ZS)]]-EPD(C,P,T)[DKL[q(ZS|C,P)||rP(ZS|P)]]
-EPD(C,P,T)[DKL[q(ZS|C,T)||rT(ZS|T)]]
-EPD(C,P,T)[DKL[q(ZS|C,P,T)||rP(ZS|P,T)]]
上式中,rP(ZS|P)表示周期时间分量流量数据对应的条件概率分布特征,rP(ZS|T)表示趋势时间分量流量数据对应的条件概率分布特征,rp(ZS|P,T)表示周期时间分量数据和趋势时间分量数据的组合对应的条件概率分布特征。
S10315、基于上述多种时间分量数据和上述重构交通流量特征确定重构损失。
具体的,重构损失确保了特定流量特征与共享流量特征符合原始交通流量数据分布,重构损失的计算公式如下所示:
S10316、基于上述流量预测回归损失、上述解耦损失、上述最小化互信息损失、上述最大化互信息损失和上述重构损失确定最终损失函数。
具体的,基于上述流量预测回归损失、上述解耦损失、上述最小化互信息损失、上述最大化互信息损失和上述重构损失确定最终损失函数,上述最终损失函数的计算公式如下所示:
min L=min Lreg+min Ldec+min Lmin_mu-max Lmax_mu-max Ldis
上式中,min L表示最终损失函数,Lreg表示流量预测回归损失,Ldec表示重构损失,Lmin_mu表示最小化互信息损失,Lmax_mu表示最大化互信息损失,Ldis表示解耦损失。
实施例2
本施例提供一种交通流量预测装置,如图12所示,包括:
采集模块121,用于采集历史交通流量数据,将上述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据。
其中,上述多种时间分量数据,包括:邻近时间分量数据C(预设目标时间的前两小时的流量信息)、周期时间分量数据P(预设目标时间的前三天同一时间点的流量信息)和趋势时间分量数据T(预设目标时间的前三周同一星期同一时间点的流量信息);预设目标时间可以为在上述历史交通流量中的时间中选取的目标时间,或者人为根据经验预先设置的目标时间。
处理模块122,用于对上述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征;其中,上述数据分布特征包括近似分布特征和条件概率特征。
具体的,将多种时间分量数据进行组合分别送入五个不同的编码器,以捕获不同时间分量之间的多种特定流量特征、共享流量特征和数据分布特征。
构建模块123,用于基于上述多种特定流量特征、上述共享流量特征和上述数据分布特征构建交通流量预测模型。
预测模块124,用于采集当前交通流量数据,将上述当前交通流量数据传输给上述交通流量预测模型,生成交通流量预测数据。
上述一种交通流量预测装置,将上述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据,通过对多种时间分量数据数据处理,生成多种特定流量特征和共享流量特征,进而利用多种特定流量特征和共享流量特征有效地捕获多种时间分量数据之间的相关性和差异性,更好地揭露了交通流量的时间依赖关系,提升了交通流量预测的精度。
优选地,上述处理模块122,包括:
第一生成子模块1221,用于将上述多种时间分量数据分别输入特定时间分量编码器中,生成多种特定流量特征和与上述多种特定流量特征对应的近似分布特征。
具体的,特定时间分量编码器的输入为单一时间分量数据(即邻近时间分量数据、周期时间分量数据和趋势时间分量数据中的一种),通过第一卷积神经网络提取单一时间分量数据的近似分布特征和多种特定流量特征(包括邻近时间分量数据流量特征、周期时间分量数据流量特征和趋势时间分量数据流量特征);其中第一卷积神经网络结构如图4所示,以邻近时间分量数据为例,输入经过卷积核大小为1×1的卷积层学习多种特定流量特征,然后通过全连接层采样得到其均值和标准差,该均值和标准差作为邻近时间分量数据的近似分布特征。
第二生成子模块1222,用于将上述多种时间分量数据分别输入单一时间分量变分编码器中,生成上述多种时间分量数据对应的条件概率分布特征。
具体的,单一时间分量变分编码器是一种变分编码器,通过第二卷积神经网络采样共享特征关于单一时间分量(即邻近时间分量数据、周期时间分量数据和趋势时间分量数据中的一种)的条件概率分布特征,其中第二卷积神经网络如图5所示,以周期时间分量数据为例,输入分别经过两层卷积核大小为1×1的卷积层以及一层全连接层采样得到均值和标准差,该均值和标准差作为共享特征关于周期时间分量数据的条件概率分布特征。
第三生成子模块1223,用于将上述多种时间分量数据两两组合,生成多组时间分量数据,并将上述多组时间分量数据分别输入双时间分量变分编码器中,生成上述多组时间分量数据对应的条件概率分布特征。
具体的,双时间分量变分编码器类似于单一时间分量变分编码器,通过第二卷积神经网络采样共享特征关于两种时间分量(即邻近时间分量数据、周期时间分量数据和趋势时间分量数据中任意两种分量的组合)的条件概率分布特征,双时间分量编码器的网络结构与单一时间分量变分编码器一致(如图5所示),两种时间分量数据通过卷积神经网络提取其均值和标准差作为共享特征关于双时间分量的条件概率分布特征。
第四生成子模块1224,用于将上述多种时间分量数据同时输入共享时间分量编码器中,生成共享流量特征和与上述共享流量特征对应的近似分布特征。
具体的,共享时间分量编码器的输入为多时间分量数据(即邻近时间分量数据、周期时间分量数据和趋势时间分量数据的集合),通过第三卷积神经网络提取所有类型时间分量的联合分布特征和共享流量特征,其中共享时间分量编码器的网络结构(即第三卷积神经网络)如图6所示,三种时间分量数据经过两层卷积核大小为1×1的卷积层学习共享流量特征,然后通过全连接层采样得到其均值和标准差作为共享特征的近似分布特征。
第五生成子模块1225,用于将上述多种特定流量特征和上述共享流量特征同时输入重构编码器中,生成重构交通流量特征。
具体的,重构编码器的输入为多种特定流量特征以及共享流量特征,通过全连接网络将多种特定流量特征和共享特征重构成原始的交通流量特征,即重构交通流量特征,其中,重构编码器的网络结构(即第四卷积神经网络)如图7所示,以邻近时间分量数据为例,联合邻近时间分量数据的特定流量特征值和共享流量特征作为输入,经过全连接层和tanh激活函数(双曲正切激活函数)生成重构的邻近时间交通流量特征进而,基于上述方法重构周期时间交通流量特征和趋势时间交通流量特征
优选地,上述构建模块123,包括:
确定子模块1231,用于基于上述多种特定流量特征、上述共享流量特征、上述多种特定流量特征对应的近似分布特征、上述多种时间分量数据对应的条件概率分布特征、上述多组时间分量数据对应的条件概率分布特征、上述共享流量特征的近似分布特征和上述重构交通流量特征确定最终损失函数。
具体的,最终损失函数包括流量预测回归损失、解耦损失、最小化互信息损失、最大化互信息损失和重构损失。
调整模块1232,用于利用上述最终损失函数对初始空间卷积神经网络模型进行参数调整,生成交通流量预测模型。
优选地,上述确定子模块1231,包括:
第一确定单元12311,用于基于上述多种特定流量特征和上述共享流量特征确定多种时间分量数据对应的流量预测回归损失。
具体的,将上述多种特定流量特征和上述共享流量特征输入上述初始空间卷积神经网络模型中,生成流量预测值,并基于上述流量预测值与上述历史流量数据中的流量真实值确定流量预测回归损失。
其中,初始空间卷积神经网络模型中的空间卷积神经网络如图9所示,三种时间分量的多种特定流量特征与共享流量特征联合作为输入,首先通过一个卷积核大小为1×1的卷积层压缩特征数量,再分别通过一个卷积核大小为3×3以及一个卷积核大小为输入大小的卷积层生成局部空间特征和全局空间特征,然后联合局部和全局空间特征再次经过一个卷积核大小为3×3的卷积层进一步提取空间信息,提取的信息与输入相加成为输出特征,最后经过tanh激活函数(双曲正切激活函数)生成流量预测值。
进一步地,流量预测回归损失的目标是通过训练模型,使流量预测值和流量真实值之间的误差最小,流量预测回归损失的计算公式如下所示:
第二确定单元12312,用于提取上述历史交通流量数据中交通流量数据的真实分布特征,基于上述多种特定流量特征对应的近似分布特征、上述共享流量特征对应的近似分布特征与上述交通流量数据的真实分布特征确定多种时间分量数据对应的解耦损失。
具体的,假设邻近时间分量数据C、周期时间分量数据P和趋势时间分量数据T,通过最大化边缘似然函数将多种时间片数据解耦成相应的多种特定流量特征,即邻近时间分量数据流量特征ZC、周期时间分量数据流量特征ZP、趋势时间分量数据流量特征ZT以及共享流量特征ZS,最大化边缘似然函数pθ(C,P,T)的计算公式如下所示:
为了简化其求解复杂度,求解最大化边缘似然函数可简化为求解最大化该函数的下界,因此解耦损失的计算公式如下所示:
上式中,p(·)表示数据的真实分布特征,可使用均值和标准差均为零的均匀分布特征表示;q(·)表示多种特定流量特征对应的近似分布特征,Eq(·)表示数学期望,DKL(·)表示KL散度(Kullback-Leibler divergence,相对熵)。
第三确定单元12313,用于分别计算上述多种特定流量特征对应的近似分布特征和上述共享流量特征对应的近似分布特征之间的相似度,将上述相似度作为多种时间分量数据对应的最小化互信息损失。
具体的,最小化互信息损失旨在促使学习到的多种特定流量特征和共享流量特征互不相关,其中,互信息表示多种特定流量特征与共享流量特征互相包含的信息量,衡量两种特征之间的互信息等价于计算两种特征的近似分布特征(即均值和标准差)之间的相似度,如果两种特征之间的数据分布特征差异越大,则互信息越小,说明两种特征之间的相关性越小。
以邻近时间分量数据为例,其最小化互信息损失的计算公式如下:
Lmin_mu=I(ZC;ZS)=-I(C;ZC;ZS)+I(C;ZC)+I(C;ZS)
≤I(C;ZC)+I(C;ZS)
≤EPD(C,P,T)[DKL[q(ZC|C)||p(ZC)]+DKL[q(ZS|C)||p(ZS)]]上式中,I(·)表示邻近时间流量特征与共享流量特征之间的互信息,q(ZC|C)表示邻近时间分量数据对应的近似分布特征,q(ZS|C)表示共享流量特征对应的近似分布特征,p(ZC)表示历史交通流量数据中邻近时间分量数据对应的的真实分布特征,p(ZS)表示历史交通流量数据中共享流量特征对应的真实分布特征。
第四确定单元12314,用于基于上述多种时间分量数据对应的条件概率分布特征、上述多组时间分量数据对应的条件概率分布特征和上述共享流量特征对应的近似分布特征确定多种时间分量数据对应的最大化互信息损失。
具体的,最大化互信息损失旨在促使学习到的共享流量信息充分挖掘多个时间分量数据间的相关性,从而尽可能包含各时间分量的重要信息,如果共享流量特征与各时间分量数据之间的近似分布特征差异越小,则互信息越大,说明共享特征与各时间分量原始数据的相关性越大,其中最大化互信息损失的计算公式如下所示:
Lmax_mu=I(C;P;T;ZS)=I(C;P;ZS)-I(C;P;ZS|T)
=(I(C;ZS)-I(C;ZS|P))-(I(C;ZS|T)-I(C;ZS|P,T))
=EPD(C,P,T)[DKL[q(ZS|C)||P(ZS)]]-EPD(C,P,T)[DKL[q(ZS|C,P)||rP(ZS|P)]]
-EPD(C,P,T)[DKL[q(ZS|C,T)||rT(ZS|T)]]
-EPD(C,P,T)[DKL[q(ZS|C,P,T)||rP(ZS|P,T)]]
上式中,rP(ZS|P)表示周期时间分量流量数据对应的条件概率分布特征,rP(ZS|T)表示趋势时间分量流量数据对应的条件概率分布特征,rp(ZS|P,T)表示周期时间分量数据和趋势时间分量数据的组合对应的条件概率分布特征。
第五确定单元12315,用于基于上述多种时间分量数据和上述重构交通流量特征确定重构损失。
具体的,重构损失确保了特定流量特征与共享流量特征符合原始交通流量数据分布,重构损失的计算公式如下所示:
第六确定单元12316,用于基于上述流量预测回归损失、上述解耦损失、上述最小化互信息损失、上述最大化互信息损失和上述重构损失确定最终损失函数。
具体的,基于上述流量预测回归损失、上述解耦损失、上述最小化互信息损失、上述最大化互信息损失和上述重构损失确定最终损失函数,上述最终损失函数的计算公式如下所示:
min L=min Lreg+min Ldec+min Lmin_mu-max Lmax_mu-max Ldis
上式中,min L表示最终损失函数,Lreg表示流量预测回归损失,Ldec表示重构损失,Lmin_mu表示最小化互信息损失,Lmax_mu表示最大化互信息损失,Ldis表示解耦损失。
实施例3
本施例提供一种计算机设备,包括存储器和处理器,处理器用于读取存储器中存储的指令,以执行上述任意方法实施例中的一种交通流量预测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
实施例4
本实施例提供一种计算机可读存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的一种交通流量预测方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种交通流量预测方法,其特征在于,包括如下步骤:
采集历史交通流量数据,将所述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据;
对所述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征;其中,所述数据分布特征包括近似分布特征和条件概率特征;
基于所述多种特定流量特征、所述共享流量特征和所述数据分布特征构建交通流量预测模型;
采集当前交通流量数据,将所述当前交通流量数据传输给所述交通流量预测模型,生成交通流量预测数据。
2.根据权利要求1所述的一种交通流量预测方法,其特征在于,所述多种时间分量数据,包括:
邻近时间分量数据、周期时间分量数据和趋势时间分量数据。
3.根据权利要求2所述的一种交通流量预测方法,其特征在于,所述对所述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征,包括:
将所述多种时间分量数据分别输入特定时间分量编码器中,生成多种特定流量特征和与所述多种特定流量特征对应的近似分布特征;
将所述多种时间分量数据分别输入单一时间分量变分编码器中,生成所述多种时间分量数据对应的条件概率分布特征;
将所述多种时间分量数据两两组合,生成多组时间分量数据,并将所述多组时间分量数据分别输入双时间分量变分编码器中,生成所述多组时间分量数据对应的条件概率分布特征;
将所述多种时间分量数据同时输入共享时间分量编码器中,生成共享流量特征和与所述共享流量特征对应的近似分布特征;
将所述多种特定流量特征和所述共享流量特征同时输入重构编码器中,生成重构交通流量特征。
4.根据权利要求3所述的一种交通流量预测方法,其特征在于,所述基于所述多种特定流量特征、所述共享流量特征和所述数据分布特征构建交通流量预测模型,包括:
基于所述多种特定流量特征、所述共享流量特征、所述多种特定流量特征对应的近似分布特征、所述多种时间分量数据对应的条件概率分布特征、所述多组时间分量数据对应的条件概率分布特征、所述共享流量特征的近似分布特征和所述重构交通流量特征确定最终损失函数;
利用所述最终损失函数对初始空间卷积神经网络模型进行参数调整,生成交通流量预测模型。
5.根据权利要求4所述的一种交通流量预测方法,其特征在于,所述基于所述多种特定流量特征、所述共享流量特征、所述多种特定流量特征对应的近似分布特征、所述多种时间分量数据对应的条件概率分布特征、所述多组时间分量数据对应的条件概率分布特征、所述共享流量特征的近似分布特征和所述重构交通流量特征确定最终损失函数,包括:
基于所述多种特定流量特征和所述共享流量特征确定多种时间分量数据对应的流量预测回归损失;
提取所述历史交通流量数据中交通流量数据的真实分布特征,基于所述多种特定流量特征对应的近似分布特征、所述共享流量特征对应的近似分布特征与所述交通流量数据的真实分布特征确定多种时间分量数据对应的解耦损失;
分别计算所述多种特定流量特征对应的近似分布特征和所述共享流量特征对应的近似分布特征之间的相似度,将所述相似度作为多种时间分量数据对应的最小化互信息损失;
基于所述多种时间分量数据对应的条件概率分布特征、所述多组时间分量数据对应的条件概率分布特征和所述共享流量特征对应的近似分布特征确定多种时间分量数据对应的最大化互信息损失;
基于所述多种时间分量数据和所述重构交通流量特征确定重构损失;
基于所述流量预测回归损失、所述解耦损失、所述最小化互信息损失、所述最大化互信息损失和所述重构损失确定最终损失函数。
6.根据权利要求5所述的一种交通流量预测方法,其特征在于,所述基于所述多种特定流量特征和所述共享流量特征确定多种时间分量数据对应的流量预测回归损失,包括:
将所述多种特定流量特征和所述共享流量特征输入所述初始空间卷积神经网络模型中,生成流量预测值,并基于所述流量预测值与所述历史流量数据中的流量真实值确定流量预测回归损失。
7.根据权利要求5所述的一种交通流量预测方法,其特征在于,所述基于所述流量预测回归损失、所述解耦损失、所述最小化互信息损失、所述最大化互信息损失和所述重构损失确定最终损失函数,所述最终损失函数的计算公式如下所示:
minL=minLreg+minLdec+minLmin_mu-maxLmax_mu-maxLdis
上式中,minL表示最终损失函数,Lreg表示流量预测回归损失,Ldec表示重构损失,Lmin_mu表示最小化互信息损失,Lmax_mu表示最大化互信息损失,Ldis表示解耦损失。
8.一种交通流量预测装置,其特征在于,包括:
采集模块,用于采集历史交通流量数据,将所述历史交通流量数据按照与预设目标时间的时间相关性划分为多种时间分量数据;
处理模块,用于对所述多种时间分量数据进行数据处理,生成多种特定流量特征、共享流量特征和数据分布特征;其中,所述数据分布特征包括近似分布特征和条件概率特征;
构建模块,用于基于所述多种特定流量特征、所述共享流量特征和所述数据分布特征构建交通流量预测模型;
预测模块,用于采集当前交通流量数据,将所述当前交通流量数据传输给所述交通流量预测模型,生成交通流量预测数据。
9.一种计算机设备,其特征在于,包括处理器和存储器,其中,所述存储器用于存储计算机程序,所述处理器被配置用于调用所述计算机程序,执行如权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210622541.2A CN115017990B (zh) | 2022-06-01 | 2022-06-01 | 一种交通流量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210622541.2A CN115017990B (zh) | 2022-06-01 | 2022-06-01 | 一种交通流量预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115017990A true CN115017990A (zh) | 2022-09-06 |
CN115017990B CN115017990B (zh) | 2023-01-17 |
Family
ID=83073241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210622541.2A Active CN115017990B (zh) | 2022-06-01 | 2022-06-01 | 一种交通流量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017990B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601960A (zh) * | 2022-09-15 | 2023-01-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)(Cn) | 一种基于图对比学习的多模态交通流量预测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
CN108091132A (zh) * | 2016-11-22 | 2018-05-29 | 中国移动通信有限公司研究院 | 一种交通流量预测方法及装置 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN111081010A (zh) * | 2018-10-18 | 2020-04-28 | 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 |
CN111508240A (zh) * | 2020-06-29 | 2020-08-07 | 之江实验室 | 一种基于混合特征挖掘的交通流量预测方法 |
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 |
CN111915881A (zh) * | 2020-06-11 | 2020-11-10 | 西安理工大学 | 一种基于变分自动编码器的小样本交通流量预测方法 |
CN112070324A (zh) * | 2020-11-11 | 2020-12-11 | 江西鹭鹭行科技有限公司 | 站点客流量预测方法、装置、可读存储介质及计算机设备 |
CN112712695A (zh) * | 2020-12-30 | 2021-04-27 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN113591380A (zh) * | 2021-07-28 | 2021-11-02 | 浙江大学 | 基于图高斯过程的交通流预测方法、介质及设备 |
CN114065996A (zh) * | 2021-04-02 | 2022-02-18 | 四川省计算机研究院 | 基于变分自编码学习的交通流预测方法 |
-
2022
- 2022-06-01 CN CN202210622541.2A patent/CN115017990B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
CN108091132A (zh) * | 2016-11-22 | 2018-05-29 | 中国移动通信有限公司研究院 | 一种交通流量预测方法及装置 |
CN111081010A (zh) * | 2018-10-18 | 2020-04-28 | 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 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN111915881A (zh) * | 2020-06-11 | 2020-11-10 | 西安理工大学 | 一种基于变分自动编码器的小样本交通流量预测方法 |
CN111508240A (zh) * | 2020-06-29 | 2020-08-07 | 之江实验室 | 一种基于混合特征挖掘的交通流量预测方法 |
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 |
CN112070324A (zh) * | 2020-11-11 | 2020-12-11 | 江西鹭鹭行科技有限公司 | 站点客流量预测方法、装置、可读存储介质及计算机设备 |
CN112712695A (zh) * | 2020-12-30 | 2021-04-27 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN114065996A (zh) * | 2021-04-02 | 2022-02-18 | 四川省计算机研究院 | 基于变分自编码学习的交通流预测方法 |
CN113591380A (zh) * | 2021-07-28 | 2021-11-02 | 浙江大学 | 基于图高斯过程的交通流预测方法、介质及设备 |
Non-Patent Citations (7)
Title |
---|
CEN CHEN 等: "Exploiting Spatio-Temporal Correlations with Multiple 3D Convolutional Neural Networks for Citywide Vehicle Flow Prediction", 《2018 IEEE INTERNATIONAL CONFERENCE ON DATA MINING》 * |
WU YUANKAI 等: "Short-term traffic flow forecasting with spatial-temporal correlation in a hybrid deep learning framework", 《ARXIV》 * |
姚智胜 等: "交通流短时预测的相关性研究", 《交通运输系统工程与信息》 * |
宋瑞蓉 等: "融合多维时空特征的交通流量预测模型", 《科学技术与工程》 * |
张建晋等: "面向季节性时空数据的预测式循环网络及其在城市计算中的应用", 《计算机学报》 * |
林海涛: "面向短时交通流量预测的神经网络算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
闫杨等: "基于时空相关性的短时交通流量预测方法", 《计算机工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601960A (zh) * | 2022-09-15 | 2023-01-13 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)(Cn) | 一种基于图对比学习的多模态交通流量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115017990B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
US10795056B2 (en) | Local weather forecast | |
CN106709588B (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
CN115223063B (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
US10685443B2 (en) | Cloud detection using images | |
US20230131518A1 (en) | Model Generation Method and Apparatus, Object Detection Method and Apparatus, Device, and Storage Medium | |
CN115017990B (zh) | 一种交通流量预测方法、装置、设备及存储介质 | |
CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
CN115391561A (zh) | 图网络数据集的处理方法、装置、电子设备、程序及介质 | |
CN114942947A (zh) | 一种基于智慧医疗的复诊随访数据处理方法及系统 | |
CN113222209B (zh) | 基于域适应的区域尾气迁移预测方法、系统及存储介质 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN116825363B (zh) | 基于融合深度学习网络的早期肺腺癌病理类型预测系统 | |
CN112598590B (zh) | 基于深度学习的光学遥感时间序列影像重建方法及系统 | |
CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
CN112712855A (zh) | 一种基于联合训练的含缺失值基因微阵列的聚类方法 | |
CN111027771A (zh) | 景区客流量预估方法、系统、装置及可存储介质 | |
Saraswathi et al. | RETRACTED ARTICLE: Adaptive supervised multi-resolution approach based modeling of performance improvement in satellite image classification | |
CN114399901B (zh) | 一种控制交通系统的方法和设备 | |
CN111144652B (zh) | 基于游览舒适度算法和趋势预测方法、系统和装置 | |
CN115730631A (zh) | 联邦学习的方法和装置 | |
CN117786438B (zh) | 一种元宇宙数字孪生方法及系统 |
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 |