CN115394083A - 一种基于深度学习的高速公路交通拥堵预测方法 - Google Patents

一种基于深度学习的高速公路交通拥堵预测方法 Download PDF

Info

Publication number
CN115394083A
CN115394083A CN202211039892.7A CN202211039892A CN115394083A CN 115394083 A CN115394083 A CN 115394083A CN 202211039892 A CN202211039892 A CN 202211039892A CN 115394083 A CN115394083 A CN 115394083A
Authority
CN
China
Prior art keywords
road section
traffic
formula
time interval
ith
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
Application number
CN202211039892.7A
Other languages
English (en)
Other versions
CN115394083B (zh
Inventor
刘慧文
张卫华
程泽阳
周宏基
丁恒
王世广
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202211039892.7A priority Critical patent/CN115394083B/zh
Publication of CN115394083A publication Critical patent/CN115394083A/zh
Application granted granted Critical
Publication of CN115394083B publication Critical patent/CN115394083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • 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

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

Abstract

本发明公开了一种基于深度学习的高速公路交通拥堵预测方法，包括：1、获取车辆轨迹数据，包括：轨迹点编号、时间、速度、用户编号、经纬度等；2、初步删除无用信息；3、依据现实情况删除不符合实际情况的数据；4、根据经纬度删除选定范围以外的数据；5、路段匹配；6、从原始车辆轨迹数据中提取交通流参数；7、计算高速公路实际拥堵指数和拥堵阈值；8、模型进行预测。本发明利用基于通过原始的轨迹数据提取交通流参数，获得更加全面和准确的数据，然后构建Cov1D&LSTM‑Attention深度学习模型来预测短时交通流，其预测精度更高，能更好的把控高速公路交通运行状况，更有利于实时优化整个城市的高速公路运行状态。

Description

一种基于深度学习的高速公路交通拥堵预测方法
技术领域
本发明涉及交通拥堵预测技术领域，具体来说是一种基于深度学习的高速公路交通拥堵预测方法。
背景技术
近年来，我国经济社会快速发展，机动车保有量持续增长，引发了更多的交通需求。当城市的交通设施供给水平无法满足迅速增长的交通需求时，便会引发交通拥堵。为了降低交通拥堵引起的生活质量下降和环境污染问题，需要科学有效地疏散和预防交通拥堵，确保市民出行能够回避交通拥堵区域，绕行交通畅通区域，提高出行效率。交通拥堵的有效疏导以及预防，在于路段拥堵的准确识别和预测。同时，路段拥堵预测也是智能交通系统的基础，只有很好的对路段拥堵进行预测，才能更好的实现交通管理与控制以及交通诱导等。
要实现准确的对未来交通流状况的预测，进而预测交通拥堵的状况，准确的交通流的预测是重要的前提。交通流的预测指的是根据过去的道路交通状况，包括流量速度密度等数据来预测未来短期内的交通的流量速度和密度。短时交通流状况通常指的是以5分钟，10分钟为间隔的一段时间的交通状况。短时的交通流的预测可以帮助预测未来一段时间内交通发展状况，为管理者的决策管理提供信息支撑。个体出行者也可以通过未来的交通状况的预测来实现对出行方式的合理选择。管理者引导交通在路网上的合理分配，出行者选择合适的出行方式，两者相辅相成，可以做到对未来一段时间的交通状况的极为显著的改善。
对于传统采集数据方法，几乎都是采用传统线圈采集的数据，地磁线圈不可能每个路段都有布设，这样就造成有的路段无法获取交通流，对数据的准确性造成了一定的影响。
发明内容
本发明为克服现有技术的不足之处，提出了一种基于深度学习的高速公路交通拥堵预测方法，通过原始的轨迹数据提取交通流参数，获得更加全面和准确的数据，使构建的模型更加准确，能提高交通拥堵预测的准确性，从而能帮助管理者更好的在宏观和微观两个层面把控高速公路交通运行状况，更有利于管理者实时优化整个城市的高速公路运行状态。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于深度学习的高速公路交通拥堵预测方法的特点在于，包括以下步骤：
步骤1、令相邻两个时间的间隔为Δt，则任意一个时间间隔的序号记为t；将当前高速公路分成T路段，并通过电子地图获取第t个时间间隔内第j辆车在第i路段的速度Vi,j(t)，其中，j＝1,2,...,Ni，i＝1,2,...,T；Ni表示第i路段上的车辆总数；
对第i路段上所有车辆在第t个时间间隔内的速度统计后得到第t个时间间隔内第i路段的交通量fi(t)；
按照车辆行驶的方向，定义车辆在当前高速公路行驶的上游有交叉口；
通过电子地图上第i路段的中心位置与上游交叉口之间的距离，测得第i路段的中心位置与上游交叉口之间的距离si；
步骤2、根据式(1)计算第t个时间间隔内第i路段的速度Vi(t)；
Figure BDA0003819828540000021
步骤3、根据式(2)计算第t个时间间隔内第i路段的密度Ki(t)；
Figure BDA0003819828540000022
步骤4、求得第i路段的交通拥堵指数；
步骤4.1、根据式(3)计算第t个时间间隔内第i路段归一化后的平均速度
Figure BDA0003819828540000023
Figure BDA0003819828540000024
式(3)中，Vmax表示高速公路的最大速度；Vmin表示高速公路的最小速度；
步骤4.2、根据式(4)计算第t个时间间隔内第i路段归一化后的交通量
Figure BDA0003819828540000025
Figure BDA0003819828540000026
式(4)中，fmax表示高速公路的最大交通量；fmin表示高速公路的最小交通量；E(f)表示期望流量f；
步骤4.3、根据式(5)计算第t个时间间隔内第i路段归一化后的密度
Figure BDA0003819828540000027
Figure BDA0003819828540000028
式(5)中，Kmax表示高速公路的最大密度；Kmin表示高速公路的最小密度；
步骤4.4、根据式(6)计算第i路段的权重Wi；
Figure BDA0003819828540000031
步骤4.5、根据式(7)计算第t个时间间隔内第i路段的道路交通拥堵指数Ci(t)；
Figure BDA0003819828540000032
式(7)中，b1表示平均车速
Figure BDA0003819828540000033
的加权参数；b2表示交通量
Figure BDA0003819828540000038
的加权参数；b3表示密度
Figure BDA0003819828540000034
的加权参数；
步骤5、构建基于深度学习的短时交通流预测模型；
步骤5.1、利用式(8)所示的滑动窗口法构建第i路段的道路输入特征向量Xi；
Xi＝(Ci(t),Ci(t-Δt),...,Ci(t-(n-1)Δt)) (8)
式(8)中，n表示滑动窗口法选择的窗口大小；Ci(t-(n-1)Δt)表示第t-(n-1)Δt个时间间隔内第i路段的道路交通拥堵指数；Ci(t-Δt)表示第t-Δt个时间间隔内第i路段的道路交通拥堵指数；
步骤5.2、构建短时交通流预测模型，包括：输入层、卷积层Cov1D、LSTM模型、ATTENTION模型和全连接层；
所述道路输入特征向量Xi输入所述输入层中并划分为两个时间序列，其中，一个时间序列输入所述卷积层Cov1D中进行处理，得到拥堵局部特征；另一个时间序列输入所述LSTM模型中进行处理，得到时间序列的步长；
所述时间序列步长输入所述ATTENTION模型中进行处理，得到添加注意力机制的时间序列步长；
将拥堵局部特征和添加注意力机制的时间序列步长一起输入所述全连接层中进行处理，并输出下一时刻拥堵预测指数
Figure BDA0003819828540000035
利用式(9)建立短时交通流预测模型的损失函数MAE：
Figure BDA0003819828540000036
式(9)中，
Figure BDA0003819828540000037
表示第t+Δt个时间间隔内第i路段的道路交通拥堵指数的预测值；Ci(t+Δt)表示第t+Δt个时间间隔内第i路段的道路交通拥堵指数的真实值；
利用梯度下降法对短时交通流预测模型进行训练，并计算损失函数以更新网络模型，直至损失函数收敛为止，从而得到训练好的短时交通流预测模型用于实现交通拥堵预测。
本发明一种电子设备，包括存储器以及处理器，其特点在于，所述存储器用于存储支持处理器执行所述高速公路交通拥堵预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特嗲在于，所述计算机程序被处理器运行时执行所述高速公路交通拥堵预测方法的步骤。
与已有技术相比，本发明的有益技术效果体现在：
1、本发明首先对高速公路的原始轨迹数据进行加工处理，通过每组数据的经纬度和返回时间等信息进行分析后再提取流量速度密度数据，在提取到流量速度密度等参数之后，使用Cov1D&LSTM-Attention深度学习办法对速度和流量进行分别的预测，其次在预测的速度流量的基础上，预测的精度更高，可以帮助管理者更好的在宏观和微观两个层面把控高速公路交通运行状况，更有利于管理者实时优化整个城市高速公路的运行状态。
2、本发明通过电子地图获取高速公路车辆行驶轨迹数据和车辆的行程数据，构建交通拥堵综合指标，根据不同的路段给予不同的权重，应地制宜，使得拥堵指标更加的符合实际，提高了拥堵预测的精度。
3、本发明使用的Cov1D&LSTM-Attention预测模型其中一份作为卷积运算的输入，另一份作为LSTM的输入序列，将LSTM输出结果添加一个注意力机制，找到最需要注意的时间步，最后将两者的输出结果进行连接后再经过一次全连接层后再输出下一时刻拥堵预测指数，相较于单独的深度学习方法，模型预测的准确性更高。
附图说明
图1为本发明方法的总体流程图；
图2为本发明数据处理全过程流程图；
图3为本发明模型运行框架图。
具体实施方式
本实施例中，如图1所示，一种基于深度学习的高速公路交通拥堵预测方法，其特征在于，包括以下步骤：
步骤1、令相邻两个时间的间隔为Δt，则任意一个时间间隔的序号记为t；将当前高速公路分成T路段，并通过高德地图获取第t个时间间隔内第j辆车在第i路段的速度Vi,j(t)，其中，j＝1,2,...,Ni，i＝1,2,...,T；Ni表示第i路段上的车辆总数；
对第i路段上所有车辆在第t个时间间隔内的速度统计后得到第t个时间间隔内第i路段的交通量fi(t)；
本发明通过从原始轨迹数据提取交通流参数，统计在连续Δt间隔，某路段的车辆ID(重复的ID只统计一次)。以最终得到的总的统计数目作为此路段Δt间隔内的交通量。
定义车辆行驶的方向为下游，车辆行驶的反方向为上游；
定义当前高速公路的上游有交叉口；
通过电子地图上第i路段的中心位置与上游交叉口之间的距离，测得第i路段的中心位置与上游交叉口之间的距离si；
如图2所示，展示了完整的数据处理流程；
步骤2、根据式(1)计算第t个时间间隔内第i路段的速度Vi(t)；
Figure BDA0003819828540000051
步骤3、根据式(2)计算第t个时间间隔内第i路段的密度Ki(t)；
Figure BDA0003819828540000052
步骤4、求得第i路段的交通拥堵指数；
步骤4.1、根据式(3)计算第t个时间间隔内第i路段归一化后的平均速度
Figure BDA0003819828540000053
Figure BDA0003819828540000054
式(3)中，Vmax表示高速公路的最大速度；Vmin表示高速公路的最小速度；
步骤4.2、根据式(4)计算第t个时间间隔内第i路段归一化后的交通量
Figure BDA0003819828540000055
Figure BDA0003819828540000056
式(4)中，fmax表示高速公路的最大交通量；fmin表示高速公路的最小交通量；E(f)表示期望流量f；
步骤4.3、根据式(5)计算第t个时间间隔内第i路段归一化后的密度
Figure BDA0003819828540000061
Figure BDA0003819828540000062
式(5)中，Kmax表示高速公路的最大密度；Kmin表示高速公路的最小密度；
步骤4.4、根据式(6)计算第i路段的权重Wi；
Figure BDA0003819828540000063
道路交通拥堵通常发生在整个道路的某一个路段处。例如，若拥堵发生点距离上游交叉口较近，则此时产生的拥堵车辆对整个上游交叉口的影响是巨大的，因此，距离上游交叉口较近的路段的对整个交叉口的通行能力影响较大。
步骤4.5、根据式(7)计算第t个时间间隔内第i路段的道路交通拥堵指数Ci(t)；
Figure BDA0003819828540000064
式(7)中，b1表示平均车速
Figure BDA0003819828540000065
的加权参数；b2表示交通量
Figure BDA0003819828540000066
的加权参数；b3表示密度
Figure BDA0003819828540000067
的加权参数；
步骤5、构建基于深度学习的短时交通流预测模型；
步骤5.1、利用式(8)所示的滑动窗口法构建第i路段的道路输入特征向量Xi；
Xi＝(Ci(t),Ci(t-Δt),...,Ci(t-(n-1)Δt)) (8)
式(8)中，n表示滑动窗口法选择的窗口大小；Ci(t-(n-1)Δt)表示第t-(n-1)Δt个时间间隔内第i路段的道路交通拥堵指数；Ci(t-Δt)表示第t-Δt个时间间隔内第i路段的道路交通拥堵指数；
步骤5.2、构建短时交通流预测模型，包括：输入层、卷积层Cov1D、LSTM模型、ATTENTION模型和全连接层；
道路输入特征向量Xi输入所述输入层中并划分为两个时间序列，其中，一个时间序列输入卷积层Cov1D中进行处理，得到拥堵局部特征；另一个时间序列输入所述LSTM模型中进行处理，得到时间序列的步长；
LSTM模型输出的时间序列步长输入所述ATTENTION模型中进行处理，得到添加注意力机制的时间序列步长；
将拥堵局部特征和添加注意力机制的时间序列步长一起输入所述全连接层中，从而根据时间序列对拥堵局部特征进行预测，并输出下一时刻拥堵预测指数
Figure BDA0003819828540000071
利用式(9)建立短时交通流预测模型的损失函数MAE：
Figure BDA0003819828540000072
式(9)中，
Figure BDA0003819828540000073
表示第t+Δt个时间间隔内第i路段的道路交通拥堵指数的预测值；Ci(t+Δt)表示第t+Δt个时间间隔内第i路段的道路交通拥堵指数的真实值；
利用梯度下降法对短时交通流预测模型进行训练，并计算损失函数以更新网络模型，直至损失函数收敛为止，从而得到训练好的短时交通流预测模型用于实现交通拥堵预测。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行该高速公路交通拥堵预测方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行该高速公路交通拥堵预测方法的步骤。
实施例中，选定北京市2018年12月整月的部分区域的数据进行数据的处理；如表1所示，为测算高速公路综合拥堵指标分级阈值；
表1高速公路交通拥堵综合
综合阈值 非常畅通 一般畅通 轻度拥堵 中度拥堵 严重拥堵
高速公路 0.80-1 0.70-0.80 0.56-0.70 0.40-0.56 0-0.40
图3所示，介绍了模型的整体结构图。使用的预测模型包含两个部分，第一部分是利用Cov1D对交通数据特征的提取，Cov1D可以很好的提取交通流数据的时空特征，相较于单独的LSTM模型的优势更加明显。第二部分是利用含注意力机制的LSTM模型对数据进行处理.
表2常见模型预测流量的结果对比分析
Cov1D&LSTM-Attention RNN LSTM GRU
MAE 2.5 3.6 3.3 4.5
如表2所示，展示了几种常用的模型对速度的预测效果,本发明选用的Cov1D&LSTM-Attention模型在交通拥堵预测方面相较于其余三个传统的模型，具有明显的优势，预测效果的整体准确率是高于其余的传统的模型的。

Claims (3)

1.一种基于深度学习的高速公路交通拥堵预测方法，其特征在于，包括以下步骤：
步骤1、令相邻两个时间的间隔为Δt，则任意一个时间间隔的序号记为t；将当前高速公路分成T路段，并通过电子地图获取第t个时间间隔内第j辆车在第i路段的速度Vi,j(t)，其中，j＝1,2,...,Ni，i＝1,2,...,T；Ni表示第i路段上的车辆总数；
对第i路段上所有车辆在第t个时间间隔内的速度统计后得到第t个时间间隔内第i路段的交通量fi(t)；
按照车辆行驶的方向，定义车辆在当前高速公路行驶的上游有交叉口；
通过电子地图上第i路段的中心位置与上游交叉口之间的距离，测得第i路段的中心位置与上游交叉口之间的距离si；
步骤2、根据式(1)计算第t个时间间隔内第i路段的速度Vi(t)；
Figure FDA0003819828530000011
步骤3、根据式(2)计算第t个时间间隔内第i路段的密度Ki(t)；
Figure FDA0003819828530000012
步骤4、求得第i路段的交通拥堵指数；
步骤4.1、根据式(3)计算第t个时间间隔内第i路段归一化后的平均速度Vt 1(t)；
Figure FDA0003819828530000013
式(3)中，Vmax表示高速公路的最大速度；Vmin表示高速公路的最小速度；
步骤4.2、根据式(4)计算第t个时间间隔内第i路段归一化后的交通量
Figure FDA0003819828530000015
Figure FDA0003819828530000014
式(4)中，fmax表示高速公路的最大交通量；fmin表示高速公路的最小交通量；E(f)表示期望流量f；
步骤4.3、根据式(5)计算第t个时间间隔内第i路段归一化后的密度
Figure FDA0003819828530000016
Figure FDA0003819828530000021
式(5)中，Kmax表示高速公路的最大密度；Kmin表示高速公路的最小密度；
步骤4.4、根据式(6)计算第i路段的权重Wi；
Figure FDA0003819828530000022
步骤4.5、根据式(7)计算第t个时间间隔内第i路段的道路交通拥堵指数Ci(t)；
Figure FDA0003819828530000023
式(7)中，b1表示平均车速
Figure FDA0003819828530000024
的加权参数；b2表示交通量
Figure FDA0003819828530000025
的加权参数；b3表示密度
Figure FDA0003819828530000026
的加权参数；
步骤5、构建基于深度学习的短时交通流预测模型；
步骤5.1、利用式(8)所示的滑动窗口法构建第i路段的道路输入特征向量Xi；
Xi＝(Ci(t),Ci(t-Δt),...,Ci(t-(n-1)Δt)) (8)
式(8)中，n表示滑动窗口法选择的窗口大小；Ci(t-(n-1)Δt)表示第t-(n-1)Δt个时间间隔内第i路段的道路交通拥堵指数；Ci(t-Δt)表示第t-Δt个时间间隔内第i路段的道路交通拥堵指数；
步骤5.2、构建短时交通流预测模型，包括：输入层、卷积层Cov1D、LSTM模型、ATTENTION模型和全连接层；
所述道路输入特征向量Xi输入所述输入层中并划分为两个时间序列，其中，一个时间序列输入所述卷积层Cov1D中进行处理，得到拥堵局部特征；另一个时间序列输入所述LSTM模型中进行处理，得到时间序列的步长；
所述时间序列步长输入所述ATTENTION模型中进行处理，得到添加注意力机制的时间序列步长；
将拥堵局部特征和添加注意力机制的时间序列步长一起输入所述全连接层中进行处理，并输出下一时刻拥堵预测指数
Figure FDA0003819828530000031
利用式(9)建立短时交通流预测模型的损失函数MAE：
Figure FDA0003819828530000032
式(9)中，
Figure FDA0003819828530000033
表示第t+Δt个时间间隔内第i路段的道路交通拥堵指数的预测值；Ci(t+Δt)表示第t+Δt个时间间隔内第i路段的道路交通拥堵指数的真实值；
利用梯度下降法对短时交通流预测模型进行训练，并计算损失函数以更新网络模型，直至损失函数收敛为止，从而得到训练好的短时交通流预测模型用于实现交通拥堵预测。
2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述方法的步骤。
CN202211039892.7A 2022-08-29 2022-08-29 一种基于深度学习的高速公路交通拥堵预测方法 Active CN115394083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211039892.7A CN115394083B (zh) 2022-08-29 2022-08-29 一种基于深度学习的高速公路交通拥堵预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211039892.7A CN115394083B (zh) 2022-08-29 2022-08-29 一种基于深度学习的高速公路交通拥堵预测方法

Publications (2)

Publication Number Publication Date
CN115394083A true CN115394083A (zh) 2022-11-25
CN115394083B CN115394083B (zh) 2023-06-06

Family

ID=84123065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211039892.7A Active CN115394083B (zh) 2022-08-29 2022-08-29 一种基于深度学习的高速公路交通拥堵预测方法

Country Status (1)

Country Link
CN (1) CN115394083B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079482A (zh) * 2023-09-14 2023-11-17 山东金宇信息科技集团有限公司 一种基于交叉路口的车辆通行预测方法、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108269401A (zh) * 2018-01-30 2018-07-10 银江股份有限公司 一种基于数据驱动的高架桥交通拥堵预测方法
KR101969064B1 (ko) * 2018-10-24 2019-04-15 주식회사 블루시그널 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버
CN110688922A (zh) * 2019-09-18 2020-01-14 苏州奥易克斯汽车电子有限公司 基于深度学习的交通拥堵检测系统及检测方法
JP2020086647A (ja) * 2018-11-19 2020-06-04 沖電気工業株式会社 交通流予測装置、交通流予測方法及びプログラム
CN112966871A (zh) * 2021-03-15 2021-06-15 上海交通大学 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
CN114783183A (zh) * 2022-04-15 2022-07-22 中远海运科技股份有限公司 一种基于交通态势算法的监控方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108269401A (zh) * 2018-01-30 2018-07-10 银江股份有限公司 一种基于数据驱动的高架桥交通拥堵预测方法
KR101969064B1 (ko) * 2018-10-24 2019-04-15 주식회사 블루시그널 딥러닝 기반 도심지 교통 혼잡 예측 및 신호 제어 솔루션 방법 및 이를 실행하는 서버
JP2020086647A (ja) * 2018-11-19 2020-06-04 沖電気工業株式会社 交通流予測装置、交通流予測方法及びプログラム
CN110688922A (zh) * 2019-09-18 2020-01-14 苏州奥易克斯汽车电子有限公司 基于深度学习的交通拥堵检测系统及检测方法
CN112966871A (zh) * 2021-03-15 2021-06-15 上海交通大学 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
CN114783183A (zh) * 2022-04-15 2022-07-22 中远海运科技股份有限公司 一种基于交通态势算法的监控方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZAINAB ABBAS 等: "Real-time Traffic Jam Detection and Congestion Reduction Using Streaming Graph Analytics", 《2020 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA)》 *
丁恒;郭放;郑小燕;马寒月;张卫华;: "基于时空检测的城市交通网络瓶颈识别方法研究", 合肥工业大学学报(自然科学版) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079482A (zh) * 2023-09-14 2023-11-17 山东金宇信息科技集团有限公司 一种基于交叉路口的车辆通行预测方法、设备及介质
CN117079482B (zh) * 2023-09-14 2024-05-17 山东金宇信息科技集团有限公司 一种基于交叉路口的车辆通行预测方法、设备及介质

Also Published As

Publication number Publication date
CN115394083B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN108269401B (zh) 一种基于数据驱动的高架桥交通拥堵预测方法
CN109064748B (zh) 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN107146013A (zh) 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法
CN111063204B (zh) 一种基于收费站流量的高速公路车速预测模型训练方法
CN114187766B (zh) 一种基于饱和率的道路服务水平评价方法
CN113051811B (zh) 一种基于gru网络的多模式短期交通拥堵预测方法
CN113344254A (zh) 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法
CN111753910A (zh) 基于lstm的滴滴订单需求预测方法及装置
CN109489679B (zh) 一种导航路径中的到达时间计算方法
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
CN115409256A (zh) 基于行程时间预测的拥堵区避让的路径推荐方法
CN112863182A (zh) 基于迁移学习的跨模态数据预测方法
CN106327867B (zh) 一种基于gps数据的公交准点预测方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN109635914A (zh) 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法
CN115394083A (zh) 一种基于深度学习的高速公路交通拥堵预测方法
CN113449905A (zh) 一种基于门控循环单元神经网络的交通拥堵预警方法
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
CN111476449A (zh) 一种基于改进k均值聚类算法的地铁车站运营时段划分方法
CN109741597B (zh) 一种基于改进深度森林的公交车路段运行时间预测方法
CN112101132A (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN116451867A (zh) 一种基于时空出行路径标定的地铁短时客流预测方法
CN113449780B (zh) 基于随机森林和lstm神经网络的路内泊位占有率预测方法
CN114463978B (zh) 一种基于轨道交通信息处理终端的数据监测方法

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