CN115019505B - 一种交通流速度的预测方法及装置 - Google Patents
一种交通流速度的预测方法及装置 Download PDFInfo
- Publication number
- CN115019505B CN115019505B CN202210586792.XA CN202210586792A CN115019505B CN 115019505 B CN115019505 B CN 115019505B CN 202210586792 A CN202210586792 A CN 202210586792A CN 115019505 B CN115019505 B CN 115019505B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- space
- time
- flow data
- prediction
- 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 26
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011166 aliquoting Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通流速度的预测方法，基于异质信息网络与时空注意力机制，包括：步骤1，对在路口处收取到的历史交通流数据进行数据采集，获取训练样本；步骤2，通过获取道路微观图的微观节点和区域节点图的区域节点构造异质信息网络训练模型；步骤3，通过所述异质信息网络训练模型对所述训练样本中的历史交通流数据进行交通流预测训练；步骤4，通过整合不同阶段的异质信息，获取所述微观节点和所述区域节点不同阶段的时空特征进行融合和提取，用于对交通流速度进行预测，得到预测结果。
Description
技术领域
本发明涉及智能交通技术领域，特别涉及一种交通流速度的预测方法及装置。
背景技术
随着近年来经济不断发展和飞跃，无论是城市的规模还是人口的数量，都在急剧增长，人们的出行也渐渐受到一定阻碍，同时汽车保有量的不断增加，也给城市交通带来了巨大的压力。
从今年来的经验和国内外的交通道路建设已经说明，城市道路的交通状况不能仅仅依赖于增加城市道路建设的数量来改善，而更应该通过智能交通系统来为人们的出行提供更多可参考信息，化被动为主动，才能更有效地缓解道路交通压力。而在智能交通的范畴内，对交通流进行实时合理地预测只是其中一项基础性工作，但同时也是智能交通非常重要的一环，准确的交通流预测可以对未来道路的交通状况做出准确合理的预测，从而提醒市民规划好自己的出行计划和出行路线，引导机动车驾驶员选择最佳同通行路径。
在此之前已经有很多交通流预测的方法被国内外众多学者提出，传统的方法只是简单的基于统计学的预测模型通过一些具体的数学方法进行简单的预测，这些方法对于交通流预测的不确定性较高，偶然性也较大，预测精度也较低；近年来随着深度学习的发展，深度学习也被广泛应用于交通流预测中，使得交通流预测方法更加可靠，预测精度也不断提高。
发明内容
本发明提供了一种交通流速度的预测方法及装置，其目的是为了提高交通流速度预测的精准度，保证了预测的有效性和可靠性。
为了达到上述目的，本发明提供了一种交通流速度的预测方法，基于异质信息网络与时空注意力机制，包括：
步骤1，对在路口处收取到的历史交通流数据进行数据采集，获取训练样本；
步骤2，通过获取道路微观图的微观节点和区域节点图的区域节点构造异质信息网络训练模型；
步骤3，通过所述异质信息网络训练模型对所述训练样本中的历史交通流数据进行交通流预测训练；
步骤4，通过整合不同阶段的异质信息，获取所述微观节点和所述区域节点不同阶段的时空特征进行融合和提取，用于对交通流速度进行预测，得到预测结果。
其中，步骤1具体包括：
对在路口处收到的历史交通流数据进行每10分钟一次的数据采集，取T′+T个连续时刻的交通流数据作为一个训练样本，获取若干个训练样本；记T′个连续时刻的交通流数据为历史交通流数据，记T个连续时刻的交通流数据为真实交通流数据。
其中，步骤2具体包括：
将微观节点图通过谱聚类方法得到聚类区域节点，同时得到微观节点图和区域节点图；
将微观节点图和区域节点图构造成异质信息网络训练模型；
异质信息网络训练模型通过时空特征处理并提取微观节点和区域节点的时空特征，再通过动态传输对所述时空特征进行融合和提取。
其中，时空特征处理包括：时间门卷积、空间门卷积以及时间注意力机制；
时间门卷积为
空间门卷积为
时空注意力机制为
其中，Φ代表时间卷积算子，ts为卷积核的大小，split表示等分的算子，tanh和sigmoid为激活函数，Φm，f，Φm，b*以及Φm，adp*代表对相应的和/>进行时间卷积操作，其中Pf＝A/rowsum(A)，rowsum为对行求和函数，A为邻接矩阵，/>是Pf的m阶矩阵幂，Pb＝AT/rowsum(AT)，/>是Pb的m阶矩阵幂，/>是/>的m阶矩阵幂，/>U1，U2，U3，be均为模型参数，/>为输入，E′i，t为计算得到的节点间注意力系数。
其中，步骤3具体包括：
通过异质信息网络训练模型对所述训练样本中的历史交通流数据进行交通流预测训练；在训练完成后对训练结果进行测试，计算预测结果的平均绝对百分误差MAPE、平均绝对误差MAE和均方根误差RMSE，并通过使用平均绝对误差MAE形成损失函数。
平均绝对百分误差MAPE为
平均绝对误差MAE为
均方根误差RMSE为
通过使用所述平均绝对误差MAE形成损失函数，假设真实情况用Truth来表示，所述损失函数表示为：
loss＝MAE(Output，Truth)
其中，F′为最终预测交通流，FGT为实际交通流，T2为预测时间，N为节点数量。
其中，步骤4具体包括：
采用跳跃连接的方式对不同阶段的时空特征整合，过程如下：
其中，S1，S2，W1，W2均为模型参数， 与为不同阶段提取时空特征后的输出。
本发明还提供了一种交通流速度的预测装置，基于异质信息网络与时空注意力机制，应用于上述交通流速度的预测方法，包括：异质信息网络训练模块、时空特征处理块、动态传输块和交通流预测块。
其中，异质信息网络训练模块与时空特征处理块连接，对所述异质信息网络训练模块中的微观节点和区域节点同时进行时空特征的提取和处理；时空特征处理块与动态传输块连接，将微观节点和区域节点的时空特征进行融合并提取；动态传输块与交通流预测块连接，将不同阶段的时空特征输入到交通流预测块中进行预测。
其中，时空特征处理块内包含有时间门卷积、空间门卷积以及时间注意力机制；交通流预测块是由两个叠加的线性变换的Relu层组成，通过跳跃连接对不同阶段的时空特征进行整合。
本发明的上述方案有如下的有益效果：
本发明不仅考虑了城市道路的微观道路网络，同时也考虑到了城市中热点区域对于道路交通网络的影响，从而保证了预测结果的有效性和可靠性，对道路网络的拓扑结构进行有效分析，能适用于复杂的道路交通环境，进一步提高预测的精确度。
发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明实施例中预测装置的结构图；
图2为本发明实施例中预测装置的整体框架图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
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。
本发明的实施例提供了一种交通流速度的预测方法，基于异质信息网络与时空注意力机制，包括：
步骤1，对在路口处收取到的历史交通流数据进行数据采集，获取训练样本；
具体来说，根据每个交通路口的传感器所收取到的历史时刻数据[Xt-T，Xt-T+1，Xt-T+2，…，Xt-1|，其中T为滑动窗口大小，即历史数据的数量，每隔10分钟进行一次数据采集，取T′+T个连续时刻的交通流数据作为一个训练样本，获取若干个训练样本；记T′个连续时刻的交通流数据为历史交通流数据，记T个连续时刻的交通流数据为真实交通流数据。
步骤2，通过获取道路微观图的微观节点和区域节点图的区域节点构造异质信息网络训练模型；
首先将城市道路交通网络的微观节点图通过谱聚类方法得到城市内固定数量的聚类区域节点，同时得到微观节点图和区域节点图；
将微观节点图和区域节点图构造成异质信息网络训练模型，该异质信息网络训练模型内既包含城市的道路节点，也包含城市内的热点区域节点；
所述异质信息网络训练模型通过时空特征处理并提取微观节点和区域节点的时空特征，再通过动态传输对所述时空特征进行融合和提取，从而方便进行下一步时空特征提取和最终的交通流预测。
时空特征处理包括：时间门卷积、空间门卷积以及时间注意力机制；
时间门卷积表示为
空间门卷积表示为
时空注意力机制表示为
其中，Φ代表时间卷积算子，ts为卷积核的大小，split表示等分的算子，tanh和sigmoid为激活函数，Φm，f，Φm，b*以及Φm，adp*代表对相应的和/>进行时间卷积操作，其中Pf＝A/rowsum(A)，rowsum为对行求和函数，A为邻接矩阵，/>是Pf的m阶矩阵幂，Pb＝AT/rowsum(AT)，/>是Pb的m阶矩阵幂，/>是/>的m阶矩阵幂，/>U1，U2，U3，be均为模型参数，/>为输入，E′i，t为计算得到的节点间注意力系数。
其中的定义如下：
其中，E1，E2为参数，diag为相应的对角矩阵。
步骤3，通过所述异质信息网络训练模型对所述训练样本中的历史交通流数据进行交通流预测训练；
通过异质信息网络训练模型对所述训练样本中的历史交通流数据进行交通流预测训练；在训练完成后对训练结果进行测试，计算预测结果的平均绝对百分误差MAPE、平均绝对误差MAE和均方根误差RMSE，并通过使用平均绝对误差MAE形成损失函数。
平均绝对百分误差MAPE为
平均绝对误差MAE为
均方根误差RMSE为
通过使用平均绝对误差MAE形成损失函数，假设真实情况用Truth来表示，所述损失函数表示为：
loss＝MAE(Output，Truth) (17)
其中，F′为最终预测交通流，FGT为实际交通流，T2为预测时间，N为节点数量。
步骤4，通过整合不同阶段的异质信息，获取所述微观节点和所述区域节点不同阶段的时空特征进行融合和提取，用于实现对交通流速度进行预测，得到预测结果。
具体采用跳跃连接的方式对不同阶段的时空特征整合，过程如下：
其中，S1，S2，W1，W2均为模型参数， 与/>为不同阶段提取时空特征后的输出。
为验证本实施例对交通流速度预测的精准度，与其他图卷积网络的交通流预测方法结果进行对比，通过在西安和济南两个城市的城市道路网络交通数据集上进行训练，得到分别在30分钟、1小时以及2小时的训练误差数据如下表所示：
其中，OGCRNN为优化图卷积递归神经网络，LSTM为长短期记忆网络，GRU为循环神经网络，STGCN为时空图卷积神经网络，GCN即为本文提出的基于异质信息网络的图卷积神经网络。
通过上表可以比较明显地看出无论是30分钟、1小时还是2小时，无论是西安还是济南的城市数据集，本发明实施例所提出的方法在预测结果的平均绝对百分误差MAPE、平均绝对误差MAE以及均方根误差RMSE等指标上都是效果最好的，由此可看出本发明实施例由于现有的其他交通流速度预测方法。
如图1、2所示，本发明实施例还提供了一种交通流速度的预测装置，基于异质信息网络与时空注意力机制，应用于上述交通流速度的预测方法，包括：异质信息网络训练模块、时空特征处理块、动态传输块和交通流预测块；
异质信息网络训练模块与时空特征处理块连接，对所述异质信息网络训练模块中的微观节点和区域节点同时进行时空特征的提取和处理；
时空特征处理块与动态传输块连接，将微观节点和区域节点的时空特征进行融合并提取；
动态传输块与交通流预测块连接，将不同阶段的时空特征输入到交通流预测块中进行预测。
时空特征处理块内包含有时间门卷积、空间门卷积以及时间注意力机制；
交通流预测块是由两个叠加的线性变换的Relu层组成，通过跳跃连接对不同阶段的时空特征进行整合。
本发明实施例不仅考虑了城市道路的微观道路网络，同时也考虑到了城市中热点区域对于道路交通网络的影响，从而保证了预测结果的有效性和可靠性，对道路网络的拓扑结构进行有效分析，能适用于复杂的道路交通环境，进一步提高预测的精确度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种交通流速度的预测方法，基于异质信息网络与时空注意力机制，应用于一种交通流速度的预测装置，其特征在于，所述预测装置包括：
异质信息网络训练模块、时空特征处理块、动态传输块和交通流预测块；
所述异质信息网络训练模块的输出端与所述时空特征处理块的输入端连接，所述时空特征处理块的输出端与所述动态传输块的输入端连接，所述动态传输块的输出端与所述交通流预测块的输入端连接；
所述方法包括：
步骤1，对在路口处收取到的历史交通流数据进行数据采集，获取训练样本并构建道路的微观节点图和区域节点图；
所述对在路口处收取到的历史交通流数据进行数据采集，获取训练样本，包括：
对在路口处收到的历史交通流数据进行每10分钟一次的数据采集，取T′+T个连续时刻的交通流数据作为一个训练样本，获取若干个训练样本；记T′个连续时刻的交通流数据为历史交通流数据，记T个连续时刻的交通流数据为真实交通流数据；
通过所述训练样本，构建所述微观节点图；
将所述微观节点图进行谱聚类得到聚类区域节点，同时得到区域节点图；
步骤2，通过所述微观节点图中的微观节点和所述区域节点图中的区域节点构造所述异质信息网络训练模块，将所述历史交通流数据输入所述异质信息网络训练模块进行交通流预测训练，得到所述历史交通流数据在不同阶段的异质信息；
步骤3，根据不同阶段的异质信息，将所述微观节点和所述区域节点输入所述时空特征提取块，对所述微观节点和所述区域节点进行时空特征提取和处理，得到所述微观节点图的时空特征和所述区域节点图的时空特征；
所述时空特征处理块内包含有时间门卷积、空间门卷积以及时间注意力机制；
所述时间门卷积为
所述空间门卷积为
所述时空注意力机制为
其中，Φ代表时间卷积算子，ts为卷积核的大小，split表示等分的算子，tanh(·)和sigmoid(·)为激活函数，Φm,f，Φm,b以及Φm,adp代表对相应的和/>进行时间卷积操作，其中Pf＝A/rowsum(A),rowsum为对行求和函数，A为图的邻接矩阵，/>是Pf的m阶矩阵幂，Pb＝AT/rowsum(AT)，/>是Pb的m阶矩阵幂，/>是/>的m阶矩阵幂，/>U1，U2，U3，be均为模型参数，/>为输入，E'i,t为计算得到的节点间注意力系数；
步骤4，将所述微观节点图的时空特征和所述区域节点图的时空特征输入动态传输块进行融合并提取，得到所述历史交通流数据在不同阶段的时空特征；
步骤5，通过整合不同阶段的异质信息，将所述历史交通流数据在不同阶段的时空特征输入所述交通流预测块对交通流速度进行预测，得到预测结果；
所述交通流预测块是由两个叠加的线性变换的Relu层组成，通过跳跃连接对所述历史交通流数据在不同阶段的时空特征进行整合，过程如下：
其中，S1，S2，W1，W2均为模型参数， 与/>为不同阶段提取时空特征后的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210586792.XA CN115019505B (zh) | 2022-05-27 | 2022-05-27 | 一种交通流速度的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210586792.XA CN115019505B (zh) | 2022-05-27 | 2022-05-27 | 一种交通流速度的预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115019505A CN115019505A (zh) | 2022-09-06 |
| CN115019505B true CN115019505B (zh) | 2024-04-30 |
Family
ID=83070625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210586792.XA Active CN115019505B (zh) | 2022-05-27 | 2022-05-27 | 一种交通流速度的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115019505B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10108611A1 (de) * | 2001-02-22 | 2002-09-05 | Daimler Chrysler Ag | Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
| WO2021218131A1 (zh) * | 2020-04-26 | 2021-11-04 | 百度在线网络技术（北京）有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
| CN114023068A (zh) * | 2021-11-09 | 2022-02-08 | 合肥工业大学设计院(集团)有限公司 | 一种短距离交织区交通流短时预测与主动控制系统及方法 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11620492B2 (en) * | 2019-08-27 | 2023-04-04 | Nec Corporation | Flexible edge-empowered graph convolutional networks with node-edge enhancement |
-
2022
- 2022-05-27 CN CN202210586792.XA patent/CN115019505B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10108611A1 (de) * | 2001-02-22 | 2002-09-05 | Daimler Chrysler Ag | Verfahren zur Simulation und Prognose der Bewegung von Einzelfahrzeugen auf einem Verkehrswegenetz |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
| WO2021218131A1 (zh) * | 2020-04-26 | 2021-11-04 | 百度在线网络技术（北京）有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
| CN114023068A (zh) * | 2021-11-09 | 2022-02-08 | 合肥工业大学设计院(集团)有限公司 | 一种短距离交织区交通流短时预测与主动控制系统及方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 杜圣东 ; 李天瑞 ; 杨燕 ; 王浩 ; 谢鹏 ; 洪西进 ; .一种基于序列到序列时空注意力学习的交通流预测模型.计算机研究与发展.2020,(第08期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115019505A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hashemi et al. | End‐to‐end deep learning methodology for real‐time traffic network management | |
| CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
| Sun et al. | DxNAT—Deep neural networks for explaining non-recurring traffic congestion | |
| CN113724504B (zh) | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 | |
| CN113487061A (zh) | 一种基于图卷积-Informer模型的长时序交通流量预测方法 | |
| CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
| CN105702041A (zh) | 基于神经网络的高速公路多源数据融合状态估计系统及方法 | |
| CN116853272A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 | |
| CN115565369B (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
| CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
| CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
| CN111554118A (zh) | 一种公交车到站时间的动态预测方法及系统 | |
| CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
| CN114372503A (zh) | 一种集群车辆运动轨迹预测方法 | |
| CN115797403A (zh) | 交通事故预测方法和装置、存储介质及电子设备 | |
| CN115019505B (zh) | 一种交通流速度的预测方法及装置 | |
| Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
| Raiyn | Classification of road traffic anomaly based on travel data analysis | |
| CN115240418B (zh) | 基于因果门控-低通图卷积网络的短时交通流量预测方法 | |
| CN116186547A (zh) | 一种环境水务监测采样异常数据快速识别方法 | |
| CN114925994A (zh) | 一种基于深度学习的城中村风险评估和风险因素定位方法 | |
| CN108665705B (zh) | 交通诱导统计模型校对方法及装置 | |
| CN113077079A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 | |
| CN113065690A (zh) | 一种交通预测方法及装置 | |
| CN111222666A (zh) | 一种数据计算方法和装置 |
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 |