CN115204470A - 一种行程时间预测方法及系统 - Google Patents
一种行程时间预测方法及系统 Download PDFInfo
- Publication number
- CN115204470A CN115204470A CN202210721981.3A CN202210721981A CN115204470A CN 115204470 A CN115204470 A CN 115204470A CN 202210721981 A CN202210721981 A CN 202210721981A CN 115204470 A CN115204470 A CN 115204470A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- attention
- space
- points
- 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 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims description 55
- 230000002123 temporal effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm 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
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种行程时间预测方法及系统,该方法先获取交通数据并进行预处理,然后根据预处理后的数据基于时空注意力网络模型预测路网中任意两点间所需的车辆速度,并采用最短路径算法计算出路网中任意两点间的最短路径,根据最短路径和预测的车辆速度计算得到任意两点间所需的最短时间,最后通过高速公路上布设的情报板将路网中任意两点间所需的最短时间进行展示。本发明能够有效提高高速公路的通行效率,大大提升了预测精度,且使用方便,仅需对接高速公路上现有的情报板设备,无需新设备,准确性高。
Description
技术领域
本发明涉及智慧公路技术领域,具体涉及一种行程时间预测方法及系统。
背景技术
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。根据2018年3月交通运输部发出的《关于加快推进新一代国家交通控制网和智慧公路试点的通知》,基于大数据的路网综合管理已在多个省市开展了试点工作,为智慧高速云控平台发展奠定了基础。2020年 8月,在第22届中国高速公路信息化大会开幕式上,交通运输部路网中心书记李作敏的报告中提出,在高速公路取消省界站“一张网”运营及全国高速公路视频云联网的基础上,下一步的重点工作是加快建设“智慧路网平台”,全面支撑路网运行监测、应急与服务工作。
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;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。
而行程时间预测是智慧公路技术领域一个重要的应用,目前对高速公路行程时间预测过程中,更新响应及刷新频率较慢,且车速预测也不够准确。
发明内容
为解决现有高速公路行程时间预测过程中存在的车速预测不够精准,更新响应及刷新频率较慢等问题,本发明提供了一种行程时间预测方法,通过创新性设计的时空注意力网络模型来预测高速公路路网中的车辆速度,并提出串式的时间和空间注意力机制来分别模拟动态空间和非线性时间相关性,先通过使用时间注意力机制实现时间因素的加载,再通过空间注意力机制提取具备时间相关性的空间特征,使完备性更高;同时通过使用最短路径算法计算得到任意两点间所需的最短时间,能够精准、高效的预测出车辆速度和行程所需时间,有效提高了高速公路的通行效率。本发明还涉及一种行程时间预测系统。
本发明的技术方案如下:
一种行程时间预测方法,其特征在于,包括以下步骤:
数据获取及预处理步骤:获取交通数据,并对获取的交通数据进行预处理;
速度预测步骤:根据预处理后的数据,基于时空注意力网络模型预测路网中任意两点间所需的车辆速度,所述时空注意力网络模型包括编码器和解码器,所述编码器和解码器均包括多个由串式的时间注意力机制和空间注意力机制构成的时空注意力块,用于将路网纳入到时空注意力网络模型中;
时间计算步骤:采用最短路径算法计算出路网中任意两点间的最短路径,根据最短路径和预测的车辆速度计算得到任意两点间所需的最短时间;
信息展示步骤:通过高速公路上布设的情报板将路网中任意两点间所需的最短时间进行展示。
优选地,所述数据获取及预处理步骤中,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,所述数据获取及预处理步骤中,所述交通数据包括实时交通数据和历史交通数据。
优选地,所述速度预测步骤中,所述时空注意力网络模型还包括时空嵌入机制、桥连接层、第一全连接层和第二全连接层,所述编码器、桥连接层和解码器依次连接并均接收时空嵌入机制的时间特征、空间特征和速度特征,所述编码器连接第一全连接层,所述解码器连接第二全连接层。
一种行程时间预测系统,其特征在于,包括依次连接的数据获取及预处理模块、速度预测模块、时间计算模块和信息展示模块,
数据获取及预处理模块:获取交通数据,并对获取的交通数据进行预处理;
速度预测模块:根据预处理后的数据,基于时空注意力网络模型预测路网中任意两点间所需的车辆速度,所述时空注意力网络模型包括编码器和解码器,所述编码器和解码器均包括多个由串式的时间注意力机制和空间注意力机制构成的时空注意力块,用于将路网纳入到时空注意力网络模型中;
时间计算模块:采用最短路径算法计算出路网中任意两点间的最短路径,根据最短路径和预测的车辆速度计算得到任意两点间所需的最短时间;
信息展示模块:通过高速公路上布设的情报板将路网中任意两点间所需的最短时间进行展示。
优选地,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,所述时空注意力网络模型还包括时空嵌入机制、桥连接层、第一全连接层和第二全连接层,所述编码器、桥连接层和解码器依次连接并均接收时空嵌入机制的时间特征、空间特征和速度特征,所述编码器连接第一全连接层,所述解码器连接第二全连接层。
优选地,所述交通数据包括实时交通数据和历史交通数据。
本发明的有益效果为:
本发明提供了一种行程时间预测方法,该方法通过利用创新性设计的时空注意力网络模型来预测高速公路路网中的车辆速度,并提出了串式的时间和空间注意力机制来分别模拟动态空间和非线性时间相关性,先通过使用时间注意力机制实现时间因素的加载,然后通过空间注意力机制提取具备时间相关性的空间特征,使完备性更高,且具有先进性;同时通过使用最短路径算法计算得到任意两点间所需的最短时间,预测的时间通过高速公路上布设的情报板以简易图的方式发布出去,能够精准、高效的预测出车辆速度和行程所需时间,有效提高了高速公路的通行效率。本发明在实现时,仅需对接高速公路上现有的情报板设备即可,无需新设备,使用方便、准确性高;本发明方法启用后,车辆在行进过程中对行程时间预测的更新响应小于1min,刷新频率小于5min,具有及时性。
本发明还涉及一种行程时间预测系统,该系统与上述的行程时间预测方法相对应,可理解为是一种实现上述行程时间预测方法的系统,包括依次连接的数据获取及预处理模块、速度预测模块、时间计算模块和信息展示模块,各模块相互协同工作,通过时空注意力网络模型来预测高速公路路网中的车辆速度,并提出串式的时间和空间注意力机制来分别模拟动态空间和非线性时间相关性,同时通过使用最短路径算法计算得到任意两点间所需的最短时间,预测的时间通过高速公路上布设的情报板以简易图的方式发布出去,通过情报板信息来诱导司乘用户的行为,从而提高高速公路通行效率。
附图说明
图1是本发明行程时间预测方法的流程图。
图2是本发明优选的时空注意力网络模型的整体框架示意图。
图3是本发明时空注意力网络模型中的时空注意力块ST-Block的框架示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种行程时间预测方法,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:先获取实时和历史交通数据,并对获取的交通数据进行预处理,去除交通数据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做脱敏处理。
速度预测步骤:根据预处理及脱敏后的交通数据,基于时空注意力网络模型预测路网中任意两点间所需的车辆速度,时空注意力网络模型包括时空嵌入机制、编码器、桥连接层、解码器、第一全连接层和第二全连接层,编码器和解码器均包括多个时空注意力块,各时空注意力块均由串式的时间注意力机制和空间注意力机制构成,用于将路网纳入到时空注意力网络模型中;
具体地,先将高速公路网络表示为加权有向图G=(V,E,A)。这里,V是高速公路网络上的节点,N=|V|表示高速公路网络上的节点数;E是一组边,表示顶点之间的连接关系;A∈RN×N是加权邻接矩阵,其中表示顶点vi和vj之间的里程。时间步长t的车辆表示为图G上的图节点表示Xt∈RN×C,其中C是感兴趣的车辆相关特征的数量(车速和时间戳)。鉴于在历史P时间步长的N个节点上的观测值本发明的目标是预测所有节点的下Q个时间步长的车速,表示为 H表示车辆速度属性。
如图2所示,时空注意力网络模型由一个时空嵌入机制、一个编码器、一个桥连接层(简写为Bridge-Block)、一个解码器和两个全连接层FCs组成,编码器、桥连接层Bridge-Block 和解码器依次连接并均接收时空嵌入机制的时间特征、空间特征和速度特征,编码器连接第一全连接层FCs,解码器连接第二全连接层FCs,时空多注意力网络模型的框架,是一种编码器-解码器结构。编码器和解码器都包含L个带有密集连接的时空注意力块(简写为ST-Block),每个时空注意力块ST-Block均由串式的空间注意力机制和时间注意力机制组成,时间注意力机制用于提取输入数据时间相关性,空间注意力机制用于提取输入数据的空间相关性。在编码器和解码器之间,向网络添加了一个桥连接层Bridge-Block,用于将编码的输入特征转换到解码器。还通过由时间特征、空间特征和速度特征构成的时空嵌入机制提升计算的精准度。此外,为了防止模型的过拟合和特征信息的损失,为模型的每一层添加密集连接,所有层都产生D维的输出。
其中,由于车辆速度受到高速公路路网的限制,因此将高速公路路网纳入预测模型至关重要。为此,如图3所示,提出了由串式的时间注意力机制和空间注意力机制构成的时空注意力块ST-Block将路网纳入到时空注意力网络模型中,先通过使用时间注意力机制实现时间因素的加载,后通过空间注意力机制提取具备时间相关性的空间特征,完备性更高。
但空间注意力机制仅提供静态表示,不能表示高速公路路网中车辆速度之间的动态相关性。因此,进一步提出了一个与空间注意力机制串联的时间注意力机制来将每个时间步长编码为一个向量。具体地,让一天有T个时间步长,再使用one-hot编码将每个时间步的星期几和一天中的时间编码到R7和RT中,并将它们连接成一个向量R7+T。然后,应用两层全连接神经网络将时间特征转换为向量RD。在时空多注意力网络模型中,嵌入了历史0和未来Q时间步长的时间特征,表示为其中tj=t1,...,tP,...,tP+Q。
为了获得时变顶点表示,将上述时间注意力机制和空间注意力机制融合为时空注意力块 ST-Block,具体地,对于时间步长tj的顶点vi,时空嵌入机制定义为因此,P+Q时间步长中N个顶点的时空嵌入机制表示为E∈R(P +Q)×N×D。时空嵌入机制包含了图结构、节点速度信息和时间信息,它将用于空间注意力机制、时间注意力机制和 Bridge-Block中。
ST-Block包括空间注意力机制和时间注意力机制。将第l个块的输入表示为H(l-1),其中顶点vi在时间步长tj的隐藏状态表示为第l个块中空间和时间注意力机制的输出表示为和顶点vi在时间步长tj的隐藏状态分别表示为和得到第lt9个块的输出,表示为H(l)。出于说明目的,将非线性变换表示为:
f(x)=ReLU(xW+b) (1)
其中,W,b是可学习参数,ReLU是激活函数。
高速公路每条道路的车速受到历史车速变化的影响,呈现动态变化,并且整个变化过程为非线性。为了模拟这一重要的交通属性,通过设计用于提取时间相关性的时间注意力机制来自适应地模拟不同时间步长交通速度的非线性相关性。值得注意的是,本方法同时考虑车速、时间、地理位置信息特征来衡量不同时间步长之间的相关性。通过将隐藏状态与时空嵌入机制连接起来,并采用多头注意力打分来计算最终时间相关性,如图2和图3所示。对于顶点vi,时间步长tj和t之间的相关系数可表示为:
其中,表示第k头中tj和t的注意力打分,即表示时间步长t对tj的影响;d=D/K,D表述隐藏特征维度,K表示多头注意力的头数。在计算得到注意力打分后,在时间步tj处顶点vi的隐藏状态可由以下公式更新得到:
高路公路网络中的车辆行驶速度受其他其他车辆影响,且影响权重不同。这种影响是动态变化的,受时间变化的影响。为了模拟空间相关性动态变化这一属性,通过设计一种空间注意力机制自适应地捕获所有道路车速之间的动态相关性。关键思想是为不同的顶点动态分配权重在不同的时间步。空间相关性可以解释为,在某个时间步,当前路段车速和高路公路网络中其他路段车速之间的相关性。例如,某个路段的交通拥堵可能会直接影响其相邻路段的车速,或间接影响非相邻路段的车速。因此,通过考虑交通网络中车速相关因素特征来学习注意力打分。具体地,将隐藏状态与时空嵌入表示连接起来,通过点积方法来计算顶点vi和 v之间的相关性:
需要说明的是,这里的逻辑顺序是先进行时间注意力机制计算,再进行空间注意力机制计算。每个ST-Block的最终输出为空间注意力机制的输出。
为了解决长时间预测过程中发生的误差传播问题,在编码器和解码器之间添加了一个桥连接层(Bridge-Block)。它对每个未来时间步长和每个历史时间步长之间的直接关系进行建模,以转换编码的输入数据特征以生成未来表示作为解码器的输入。对于顶点vi,预测时间步长tj(tj=tP+1,...,tP+Q)与历史时间步长t(t=t1,...,tP)之间的相关性通过时空嵌入机制测量:
公式(8)、(9)和(10)中的可学习参数通过并行计算在所有顶点和时间步长之间共享。
实施例:
如图1所示,时空注意力网络模型是一种编码器-解码器架构。在进入编码器之前,使用全连接层将历史观察X∈RP×N×C转换为H(0)∈RP×N×D。然后,H(0)被送入带有L个 ST-Block的编码器,并产生一个输出H(L)∈RP×N×D。在编码器之后,添加一个桥连接层 (Bridge-Block)来转换编码特征H(L)以生成未来序列表示H(L+1)∈RP×N×D。接下来,解码器在H(L+1)上堆叠L个ST-Block,并产生输出为H(2l+1)∈RP×N×D。最后,全连接层产生Q 时间步长预测
时间计算步骤:采用最短路径算法计算出路网中任意两点间的最短路径,根据最短路径和预测的车辆速度计算得到任意两点间所需的最短时间;
具体地,最短路径算法选择使用Dijkstra算法,该算法的时间复杂度为0(n^2),算法过程如下:
1)给定一个带权有向图G=(V,E),它的每一条边(U,V)∈E都有一个权W(U,V),在G中指定一个节点V0,要求把从V0到G的每一个节点Vj(Vj∈V)的最短有向路找出来。图中所有节点分为两组,每一个节点对应一个距离值。
2)将已确定最短路径的节点放入第一组,节点对应的距离值是由V0到此节点的最短路径长度。
3)还未确定最短路径的节点放入第二组,节点对应的距离值是V0经由第一组节点至此节点的最短路径长度。
4)按最短路径长度递增的顺序把第二组的节点加到第一组中去,直至V0可达的所有节点都包含于第一组。
5)在过程中,总保持从V0到第一组各节点的最短路径长度都不大于从V0至第二组任何结点的路径长度。
信息展示步骤:通过高速公路上布设的情报板将路网中任意两点间所需的最短时间进行展示。
具体地,基于每个情报板具体的位置信息,换算得到情报板到下个枢纽或者重要交通设施的时间。该时间通过外场布设的情报板以简易路线图(路线图标识下个枢纽或者重要交通设施的名称及时间)的方式发布出去,从而诱导司乘用户的行为,提高高速公路通行效率。
本发明还涉及了一种行程时间预测系统,该系统与上述行程时间预测方法相对应,可理解为是实现上述方法的系统,该系统包括依次连接的数据获取及预处理模块、速度预测模块、时间计算模块和信息展示模块,具体地,
数据获取及预处理模块,获取交通数据,并对获取的交通数据进行预处理;
速度预测模块,根据预处理后的数据,基于时空注意力网络模型预测路网中任意两点间所需的车辆速度,所述时空注意力网络模型包括时空嵌入机制、编码器、桥连接层、解码器、第一全连接层和第二全连接层,编码器和解码器均包括多个具有串联结构的时空注意力块(各时空注意力块由串式的时间注意力机制和空间注意力机制构成,用于将高速公路路网纳入到时空注意力网络模型中),所述编码器、桥连接层和解码器依次连接并均接收时空嵌入机制的时间特征、空间特征和速度特征,所述编码器连接第一全连接层,所述解码器连接第二全连接层;
时间计算模块,采用最短路径算法计算出路网中任意两点间的最短路径,根据最短路径和预测的车辆速度计算得到任意两点间所需的最短时间;
信息展示模块,通过高速公路上布设的情报板将路网中任意两点间所需的最短时间进行展示。
优选地,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,交通数据包括实时交通数据和历史交通数据。
本发明提供了客观、科学的行程时间预测方法及系统,通过时空注意力网络模型来预测高速公路路网中的车辆速度,并提出空间和时间注意力机制来分别模拟动态空间和非线性时间相关性,同时通过使用最短路径算法计算得到任意两点间所需的最短时间,预测的时间通过高速公路上布设的情报板以简易图的方式发布出去,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通行效率。
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 (8)
1.一种行程时间预测方法,其特征在于,包括以下步骤:
数据获取及预处理步骤:获取交通数据,并对获取的交通数据进行预处理;
速度预测步骤:根据预处理后的数据,基于时空注意力网络模型预测路网中任意两点间所需的车辆速度,所述时空注意力网络模型包括编码器和解码器,所述编码器和解码器均包括多个由串式的时间注意力机制和空间注意力机制构成的时空注意力块,用于将路网纳入到时空注意力网络模型中;
时间计算步骤:采用最短路径算法计算出路网中任意两点间的最短路径,根据最短路径和预测的车辆速度计算得到任意两点间所需的最短时间;
信息展示步骤:通过高速公路上布设的情报板将路网中任意两点间所需的最短时间进行展示。
2.根据权利要求1所述的行程时间预测方法,其特征在于,所述数据获取及预处理步骤中,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。
3.根据权利要求1所述的行程时间预测方法,其特征在于,所述数据获取及预处理步骤中,所述交通数据包括实时交通数据和历史交通数据。
4.根据权利要求1所述的行程时间预测方法,其特征在于,所述速度预测步骤中,所述时空注意力网络模型还包括时空嵌入机制、桥连接层、第一全连接层和第二全连接层,所述编码器、桥连接层和解码器依次连接并均接收时空嵌入机制的时间特征、空间特征和速度特征,所述编码器连接第一全连接层,所述解码器连接第二全连接层。
5.一种行程时间预测系统,其特征在于,包括依次连接的数据获取及预处理模块、速度预测模块、时间计算模块和信息展示模块,
数据获取及预处理模块:获取交通数据,并对获取的交通数据进行预处理;
速度预测模块:根据预处理后的数据,基于时空注意力网络模型预测路网中任意两点间所需的车辆速度,所述时空注意力网络模型包括编码器和解码器,所述编码器和解码器均包括多个由串式的时间注意力机制和空间注意力机制构成的时空注意力块,用于将路网纳入到时空注意力网络模型中;
时间计算模块:采用最短路径算法计算出路网中任意两点间的最短路径,根据最短路径和预测的车辆速度计算得到任意两点间所需的最短时间;
信息展示模块:通过高速公路上布设的情报板将路网中任意两点间所需的最短时间进行展示。
6.根据权利要求5所述的行程时间预测系统,其特征在于,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。
7.根据权利要求5所述的行程时间预测系统,其特征在于,所述时空注意力网络模型还包括时空嵌入机制、桥连接层、第一全连接层和第二全连接层,所述编码器、桥连接层和解码器依次连接并均接收时空嵌入机制的时间特征、空间特征和速度特征,所述编码器连接第一全连接层,所述解码器连接第二全连接层。
8.根据权利要求5所述的行程时间预测系统,其特征在于,所述交通数据包括实时交通数据和历史交通数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210721981.3A CN115204470A (zh) | 2022-06-24 | 2022-06-24 | 一种行程时间预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210721981.3A CN115204470A (zh) | 2022-06-24 | 2022-06-24 | 一种行程时间预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204470A true CN115204470A (zh) | 2022-10-18 |
Family
ID=83579141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210721981.3A Pending CN115204470A (zh) | 2022-06-24 | 2022-06-24 | 一种行程时间预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204470A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436347A (zh) * | 2008-12-09 | 2009-05-20 | 北京交通大学 | 一种快速路行程时间预测方法 |
CN104408958A (zh) * | 2014-11-11 | 2015-03-11 | 河海大学 | 一种城市动态路径行程时间预测方法 |
WO2021126500A1 (en) * | 2019-12-18 | 2021-06-24 | Google Llc | Processing multi-horizon forecasts for time series data |
CN113408786A (zh) * | 2021-05-21 | 2021-09-17 | 浙江银江智慧交通工程技术研究院有限公司 | 一种基于控制信息的适用长时间预测的交通特征预测方法及系统 |
CN113627676A (zh) * | 2021-08-18 | 2021-11-09 | 湘潭大学 | 一种基于多注意力因果关系的交通预测方法及系统 |
CN114566047A (zh) * | 2022-03-02 | 2022-05-31 | 中远海运科技股份有限公司 | 一种基于短时路况预测算法的预警方法及系统 |
-
2022
- 2022-06-24 CN CN202210721981.3A patent/CN115204470A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436347A (zh) * | 2008-12-09 | 2009-05-20 | 北京交通大学 | 一种快速路行程时间预测方法 |
CN104408958A (zh) * | 2014-11-11 | 2015-03-11 | 河海大学 | 一种城市动态路径行程时间预测方法 |
WO2021126500A1 (en) * | 2019-12-18 | 2021-06-24 | Google Llc | Processing multi-horizon forecasts for time series data |
CN113408786A (zh) * | 2021-05-21 | 2021-09-17 | 浙江银江智慧交通工程技术研究院有限公司 | 一种基于控制信息的适用长时间预测的交通特征预测方法及系统 |
CN113627676A (zh) * | 2021-08-18 | 2021-11-09 | 湘潭大学 | 一种基于多注意力因果关系的交通预测方法及系统 |
CN114566047A (zh) * | 2022-03-02 | 2022-05-31 | 中远海运科技股份有限公司 | 一种基于短时路况预测算法的预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
张安泰;柴干;丁闪闪;: "基于行程-时间域的路段行程时间预测", 交通信息与安全, no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132264B (zh) | 基于时空残差感知网络的区域尾气排放预测方法及系统 | |
JP7163099B2 (ja) | エネルギー管理装置、モデル管理方法及びコンピュータプログラム | |
US20050091176A1 (en) | Forecasting apparatus | |
CN111275965B (zh) | 一种基于互联网大数据的实时交通仿真分析系统与方法 | |
CN115063978B (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
Kim et al. | Genetic-algorithm based approach for calibrating microscopic simulation models | |
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 | |
CN118025203A (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 | |
CN114492919A (zh) | 一种基于交通流量的电动汽车充电负荷预测系统及方法 | |
CN115100867B (zh) | 一种基于数字孪生的城市智能交通仿真方法 | |
JP2023175992A (ja) | エネルギー供給システムおよび情報処理装置 | |
CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 | |
Hu et al. | Mass rapid transit system passenger traffic forecast using a re-sample recurrent neural network | |
CN110363358B (zh) | 基于多智能体模拟的公共交通分担率预测方法 | |
JP2019046021A (ja) | 交通路線計画策定支援装置及び交通路線計画策定の支援方法 | |
CN107977914B (zh) | 一种城市交通管理与控制策略可视量化测试方法 | |
Araldo et al. | Implementation & policy applications of AMOD in multi-modal activity-driven agent-based urban simulator simmobility | |
CN115204470A (zh) | 一种行程时间预测方法及系统 | |
CN115049167B (zh) | 交通态势预测方法、装置、设备及存储介质 | |
CN113610298B (zh) | 考虑用户出行行为的用户出行能耗预测及路径推荐方法 | |
Cheng et al. | A hyper-heuristic approach to the strategic planning of bike-sharing infrastructure | |
Tran et al. | SIMCal: A High-Performance Toolkit For Calibrating Traffic Simulation | |
Zhao et al. | A learning-based vehicle-trajectory generation method for vehicular networking | |
Liu | Design and application of real-time traffic simulation platform based on UTC/SCOOT and VISSIM | |
Zang et al. | Towards predicting vehicular data consumption |
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 |