CN115410372B - 基于贝叶斯lstm的高速公路交通流量可靠预测方法 - Google Patents

基于贝叶斯lstm的高速公路交通流量可靠预测方法 Download PDF

Info

Publication number
CN115410372B
CN115410372B CN202211343407.5A CN202211343407A CN115410372B CN 115410372 B CN115410372 B CN 115410372B CN 202211343407 A CN202211343407 A CN 202211343407A CN 115410372 B CN115410372 B CN 115410372B
Authority
CN
China
Prior art keywords
traffic flow
lstm
parameter
bayesian
distribution
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
CN202211343407.5A
Other languages
English (en)
Other versions
CN115410372A (zh
Inventor
吕辰
陆锴
徐伟
邵舟
周子敬
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.)
Jiangsu Zhonglu Transportation Development Co ltd
Original Assignee
Jiangsu Zhonglu Transportation Development Co ltd
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 Jiangsu Zhonglu Transportation Development Co ltd filed Critical Jiangsu Zhonglu Transportation Development Co ltd
Priority to CN202211343407.5A priority Critical patent/CN115410372B/zh
Publication of CN115410372A publication Critical patent/CN115410372A/zh
Application granted granted Critical
Publication of CN115410372B publication Critical patent/CN115410372B/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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于贝叶斯LSTM的高速公路交通流量可靠预测方法，属于高速公路交通流量预测技术领域，基于贝叶斯LSTM的高速公路交通流量可靠预测方法，利用高速公路门架数据找出交通流时序特征，对高速公路交通流量进行预测，基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；构造损失函数，确定模型超参数，训练贝叶斯LSTM模型参数，训练完成后，对该高速公路路段未来交通流量的均值和置信区间进行预测，提高交通流量预测的合理性。

Description

基于贝叶斯LSTM的高速公路交通流量可靠预测方法
技术领域
本发明涉及基于贝叶斯LSTM的高速公路交通流量可靠预测方法，具体是基于贝叶斯LSTM的高速公路交通流量可靠预测方法。
背景技术
高速公路交通流量是高速公路智能运输系统中的关键参数之一。基于对未来时段交通流量的预测结果，可以实现高速公路交通流的主动管控和诱导，提升高速公路的运行效率。当前高速公路交通流量预测的主流方法是利用各种统计模型和人工智能技术对未来时段交通流量的平均值进行准确预测。然而，很少有成熟的方法能够实现对未来时段交通流量浮动范围的可靠预测。如何在交通流量预测中，将这种交通流演进过程的不确定浮动进行建模，对高速公路精确、主动管控的效果十分重要。
现有的高速公路交通流量预测方法侧重于对流量均值的预测，大致可分为两类：
（1）统计模型方法。此类方法利用历史流量、速度等检测指标的统计规律，拟合出未来某时段的流量均值。该方法简单易行但无法有效利用空间信息，最常用的方法是自回归移动平均模型（ARIMA）和卡尔曼滤波方法；
（2）机器学习方法。此类方法利用多种交通流时序数据，捕捉递归与未来时段流量均值的时空非线性关系。该方法模型复杂、数据依赖度高，预测精准度和可拓展性较高。常用的方法包括卷积神经网络（CNN）、循环神经网络（RNN）等。近年来，随着人工智能技术和算力水平的提升，机器学习方法中的深度学习成为交通流量预测的热门手段，其中RNN中的长短记忆神经网络（LSTM）以其在交通序列数据建模上的优势成为了主流方法，并在流量均值预测上取得了不错的效果。
在高速公路交通流运行过程中，由于车辆异常驾驶行为、自然天气条件变化、交通出行随机选择等因素的干扰，实际交通流量会在原始预测条件下产生随机波动，因而使模型预测值与真实值间存在误差。对高速公路实际交通流量置信区间的预测对于高速公路交通控制系统的可靠性十分重要。例如在匝道控制中，流量的置信区间反映了匝道交通需求范围，其准确预测相较流量均值预测更有实际应用价值。受限于传统LSTM模型结构，当前很少有方法对高速公路交通流量置信区间进行可靠预测。考虑到神经网络的易拓展性和高速公路交通流量可靠预测的巨大作用，基于贝叶斯理论和LSTM的高速公路交通流量可靠预测方法可行且关键。
现有技术的缺陷在于：由于自然天气条件变化、交通出行随机选择等因素，高速公路交通流量存在不确定性。现有高速公路交通流量预测方法大多是对交通流量均值的预测，少有考虑交通流量预测可靠性的方法，使得高速公路主动管控和诱导方法的鲁棒性难以得到保证，例如基于流量的入口匝道主动控制。
发明内容
发明目的：基于贝叶斯LSTM的高速公路交通流量可靠预测方法，以解决现有技术存在的上述问题。
技术方案：基于贝叶斯LSTM的高速公路交通流量可靠预测方法，包括如下步骤：
S1、从高速公路门架收费系统中获取路段门架数据；
S2、统计汇总高速公路路段的小时交通流量，得到时序流量数据作为模型输入；
S3、基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；
S4、通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；
S5、构建贝叶斯LSTM模型训练损失函数；
S6、确定模型超参数，利用Adam优化算法训练贝叶斯LSTM模型参数；
S7、利用训练好的贝叶斯LSTM模型，对该高速公路路段未来1小时交通流量的均值和置信区间进行预测。
在进一步实例中，所述S1进一步为：从高速公路门架系统中获取门架数据，主要字段包括门架编号、记录时段、汽车类别，每条数据表示特定编号的门架系统在1小时时间间隔内记录通过的不同类型车辆数量。
在进一步实例中，所述S2进一步为：
S2.1、将一条门架数据记录得到的所有不同车辆类型的交通流量相加，得到特定路段1小时车流量数据；
；
式中：表示种汽车类别中的第种，表示第种汽车的小时交通流量；
S2.2、将连续四个小时路段历史交通流量构成模型输入，用于预测接下来一个小时的路段交通流量。
在进一步实例中，所述步骤S3确定权重参数和偏置参数的概率分布形式和先验分布，包括以下步骤；
S3.1、以LSTM神经网络记忆单元的转换函数公式为基础，将记忆单元权重参数和偏置参数设置为高斯分布形式：
式中，是当前时间间隔内的路段车流量数据；是记忆单元在前一时间间隔内的输出；
，,,是权重参数；
分别服从分布,,,；
，,,是偏置参数；
分别服从分布,,，。
S3.2、设置权重参数和偏置参数的初始先验分布为标准正态分布，即，。
在进一步实例中，所述步骤S4进一步为：
S4.1、设定变分后验参数满足，其中为随机分布系；
S4.2、使用分布近似真实的后验概率分布，将贝叶斯LSTM网络训练时的网络权重、偏置参数后验概率分布的推断问题，转化为最佳参数的求解，以最小化和的KL散度作为优化目标求解；
式中，是变分后验参数的集合，是所有权重和偏置的集合，是用于神经网络训练的交通流数据。
在进一步实例中，所述步骤S5进一步为：
S5.1、将步骤S4.1中变分后参数的优化目标作为贝叶斯LSTM模型的损失函数：
；
式中，是变分后验参数的集合，是所有权重和偏置的集合，是用于神经网络训练的交通流数据。
在进一步实例中，所述步骤S6进一步为：
S6.1、确定贝叶斯神经网络模型训练超参数，包括LSTM网络层数、每层的记忆单元层数、初始学习率、迭代轮数、迭代系数、批大小、随机失活率等；
S6.2、使用Adam优化算法，在第一轮迭代的正向过程中，对随机分布系数采样，满足，生成采样后，依据梯度方向反向传播并更新和，继续正向迭代生成采样，直至最小化损失函数，得到训练好的贝叶斯神经网络参数。
在进一步实例中，所述步骤S7进一步为；
S7.1、将S2.2得到的前四小时交通流量输入S62得到贝叶斯LSTM模型中，按照训练好权重参数和偏置参数的概率分布，多次对和的取值采样，输出多条不同的交通流量预测值；
S7.2统计模型所有输出的交通流量预测值，取平均值即为交通流量预测均值，计算交通流量预测值的95%置信区间即为交通流量预测浮动区间。
有益效果：本发明公开了基于贝叶斯LSTM的高速公路交通流量可靠预测方法，利用高速公路门架数据找出交通流的特点，对高速公路交通流量进行预测，基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；构造损失函数，确定模型超参数，训练贝叶斯LSTM模型参数，训练完成后，对该高速公路路段未来交通流量的均值和置信区间进行预测。提高交通流量预测的合理性。
附图说明
图1为本发明的流程图；
图2为本发明叶斯LSTM模型结构图；
图3为本发明对某四条路段24个小时时段交通流量浮动区间的预测结果；
图4为本发明某高速路段的部分门架数据图；
图5为本发明对某四条路段24个小时时段交通流量均值预测效果。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明实施例中可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施例中发生混淆，对于本领域公知的一些技术特征未进行描述。
在本发明的描述中，需要理解的是，术语“交通流量预测”指利用历史或实时交通流数据，预测未来一个或多个时间段内的交通流量、“可靠预测”指对某种指标进行预测时，不仅预测其未来的期望均值，还对其在一定置信区间下的浮动范围进行预测、“贝叶斯LSTM”即贝叶斯长短记忆（longshort-termmemory）神经网络，是指在标准LSTM神经模型框架下加入参数后验估计的一种改进神经网络模型、“高速公路门架数据”指车辆通过高速公路收费门架时，通过抓拍车牌图片得到的车辆通行信息，包括门架编号、抓拍时间、车牌号码、车辆类型、拍摄位置等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。
本发明通过基于贝叶斯LSTM的高速公路交通流量可靠预测方法，下面通过实施例，并结合附图对本方案做进一步具体说明。
具体的，包括如下步骤：
步骤1、如图4所示，从高速公路门架收费系统中获取路段门架数据，从高速公路门架系统中获取门架数据，主要字段包括门架编号、记录时段、汽车类别，每条数据表示特定编号的门架系统在1小时时间间隔内记录通过的不同类型车辆数量。
步骤2、统计汇总高速公路路段的小时交通流量，得到时序流量数据作为模型输入，将一条门架数据记录得到的所有不同车辆类型的交通流量相加，得到特定路段1小时车流量数据；
；
式中：表示种汽车类别中的第种，表示第种汽车的小时交通流量；将连续四个小时路段历史交通流量构成模型输入，通过计算训练数据为，用于预测接下来一个小时的路段交通流量。
步骤3、基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；通过LSTM神经网络记忆单元的转换函数公式为基础，将记忆单元权重参数和偏置参数设置为高斯分布形式：
式中，是当前时间间隔内的路段车流量数据；是记忆单元在前一时间间隔内的输出；
,,是权重参数；
分别服从分布,,,；
,,是偏置参数；
分别服从分布,,,，设置权重参数和偏置参数的初始先验分布为标准正态分布，即，。
步骤4、通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题，设定变分后验参数满足，其中为随机分布系；使用分布近似真实的后验概率分布，将贝叶斯LSTM网络训练时的网络权重、偏置参数后验概率分布的推断问题，转化为最佳参数的求解，以最小化和的KL散度作为优化目标求解；
；
式中，是变分后验参数的集合，是所有权重和偏置的集合，是用于神经网络训练的交通流数据。
步骤5、构建贝叶斯LSTM模型训练损失函数；将步骤4中变分后参数的优化目标作为贝叶斯LSTM模型的损失函数：其中下列式中，是变分后验参数的集合，是所有权重和偏置的集合，是用于神经网络训练的交通流数据；
。
步骤6、确定模型超参数，利用Adam优化算法训练贝叶斯LSTM模型参数如图2所示，确定贝叶斯神经网络模型训练超参数，包括LSTM网络层数、每层的记忆单元层数、初始学习率、迭代轮数、迭代系数、批大小、随机失活率等；使用Adam优化算法，在第一轮迭代的正向过程中，对随机分布系数采样，满足，生成采样后，依据梯度方向反向传播并更新和，继续正向迭代生成采样，直至最小化损失函数，得到训练好的贝叶斯神经网络参数。
步骤7、利用训练好的贝叶斯LSTM模型，对该高速公路路段未来1小时交通流量的均值和置信区间进行预测。将步骤2中得到的前四小时交通流量输入，得到贝叶斯LSTM模型中，按照训练好权重参数和偏置参数的概率分布，多次对和的取值采样，输出多条不同的交通流量预测值；然后统计模型所有输出的交通流量预测值，取平均值即为交通流量预测均值，计算交通流量预测值的95%置信区间即为交通流量预测浮动区间如图3所示。
具体的，对路段24个小时时段交通流量均值预测，使用平均绝对误差（MAE）、平均绝对百分比误差（MAPE）对预测结果评价：
其中，是高速公路路段流量均值的预测值，是高速公路路段流量真实值，N是预测样本数。某四条路段的评价结果如图5所示。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (4)

1.基于贝叶斯LSTM的高速公路交通流量可靠预测方法，其特征在于：包括如下步骤：
S1、从高速公路门架收费系统中获取路段门架数据；
S2、统计汇总高速公路路段的小时交通流量，得到时序流量数据作为模型输入；
S3、基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；
所述S3确定权重参数和偏置参数的概率分布形式和先验分布，包括以下步骤；
S3.1、以LSTM神经网络记忆单元的转换函数公式为基础，将记忆单元权重参数w和偏置参数b设置为高斯分布形式：
ft＝sigmod(Wfxt+Wfht-1+bf)
it＝sigmod(Wixt+Wiht-1+bi)
ot＝sigmod(Woxt+Woht-1+bo)
Ct′＝tanh(Wcxt+Wcht-1+bc)
ht＝ot·tanh(Ct)
Ct＝ftCt-1+itC′t
式中，xt是当前时间间隔t内的路段车流量数据；x为自变量；
ht-1是记忆单元在前一时间间隔t-1内的输出；
Wf，Wi,Wo,Wc是权重参数；
分别服从分布bf，bi,bo,bc是偏置参数；
分别服从分布
S3.2、设置权重参数w和偏置参数b的初始先验分布为标准正态分布，即w～N(0，1)，b～N(0，1)；μ是分布的均值，σ是分布的方差；
S4、通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；
S4.1、设定变分后验参数θ＝(μ，σ)满足w＝μ+σ∈，(μ，σ)～N(μ，σ2)，其中∈为随机分布系；
S4.2、使用分布q(w|θ)近似真实的后验概率分布将贝叶斯LSTM网络训练时的网络权重、偏置参数后验概率分布的推断问题，转化为最佳参数θ的求解，以最小化q(w|θ)和的KL散度作为优化目标求解；
式中，θ是变分后验参数的集合，w是所有权重和偏置的集合，是用于神经网络训练的交通流数据；
S5、构建贝叶斯LSTM模型训练损失函数；
S5.1、将步骤S4.1中变分后参数θ的优化目标作为贝叶斯LSTM模型的损失函数
式中，θ是变分后验参数的集合，w是所有权重和偏置的集合，是用于神经网络训练的交通流数据；
S6、确定模型超参数，利用Adam优化算法训练贝叶斯LSTM模型参数；
S6.1、确定贝叶斯神经网络模型训练超参数，包括LSTM网络层数、每层的记忆单元层数、初始学习率、迭代轮数、迭代系数、批大小、随机失活率；
S6.2、使用Adam优化算法，在第一轮迭代的正向过程中，对随机分布系数∈采样，满足∈～N(0，1)，生成采样w后，依据梯度方向反向传播并更新μ和σ，继续正向迭代生成采样w，直至最小化损失函数得到训练好的贝叶斯神经网络参数；
S7、利用训练好的贝叶斯LSTM模型，对该高速公路路段未来1小时交通流量的均值和置信区间进行预测。
2.根据权利要求1所述的基于贝叶斯LSTM的高速公路交通流量可靠预测方法，其特征在于：所述S1进一步为：从高速公路门架系统中获取门架数据，主要字段包括门架编号、记录时段、汽车类别，每条数据表示特定编号的门架系统在1小时时间间隔内记录通过的不同类型车辆数量。
3.根据权利要求1所述的基于贝叶斯LSTM的高速公路交通流量可靠预测方法，其特征在于：所述S2进一步为：
S2.1、将一条门架数据记录得到的所有不同车辆类型的交通流量相加，得到特定路段1小时车流量数据xt；
式中：vk(k∈1，...，n)表示n种汽车类别中的第k种，表示第k种汽车的小时交通流量；
S2.2、将连续四个小时路段历史交通流量构成模型输入X＝(xt-3，xt-2，xt-1，xt)T，用于预测接下来一个小时的路段交通流量xt+1。
4.根据权利要求1所述的基于贝叶斯LSTM的高速公路交通流量可靠预测方法，其特征在于：所述步骤S7进一步为；
S7.1、将S2.2得到的前四小时交通流量X输入S62得到贝叶斯LSTM模型中，按照训练好权重参数w和偏置参数b的概率分布，多次对w和b的取值采样，输出多条不同的交通流量预测值；
S7.2、统计模型所有输出的交通流量预测值，取平均值即为交通流量预测均值，计算交通流量预测值的95％置信区间即为交通流量预测浮动区间。
CN202211343407.5A 2022-10-31 2022-10-31 基于贝叶斯lstm的高速公路交通流量可靠预测方法 Active CN115410372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211343407.5A CN115410372B (zh) 2022-10-31 2022-10-31 基于贝叶斯lstm的高速公路交通流量可靠预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211343407.5A CN115410372B (zh) 2022-10-31 2022-10-31 基于贝叶斯lstm的高速公路交通流量可靠预测方法

Publications (2)

Publication Number Publication Date
CN115410372A CN115410372A (zh) 2022-11-29
CN115410372B true CN115410372B (zh) 2023-04-07

Family

ID=84168528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211343407.5A Active CN115410372B (zh) 2022-10-31 2022-10-31 基于贝叶斯lstm的高速公路交通流量可靠预测方法

Country Status (1)

Country Link
CN (1) CN115410372B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612379B (zh) * 2024-01-24 2024-03-29 山东华夏高科信息股份有限公司 一种智慧交通车流量预测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436740A (zh) * 2011-09-29 2012-05-02 东南大学 一种高速公路交通事件自动检测方法
CN111292525B (zh) * 2019-12-30 2023-01-13 南京艾特斯科技有限公司 基于神经网络的交通流预测方法
CN111553535B (zh) * 2020-05-06 2022-07-29 东华大学 一种基于ae-lstm-bo车流量预测的导航参考方法
DE102020212502A1 (de) * 2020-10-02 2022-04-07 Robert Bosch Gesellschaft mit beschränkter Haftung Bayessche kontext-aggregation für neuronale prozesse

Also Published As

Publication number Publication date
CN115410372A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN110503833B (zh) 一种基于深度残差网络模型的入口匝道联动控制方法
CN110491146B (zh) 一种基于深度学习的交通信号控制方案实时推荐方法
CN112085947B (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN111653088B (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN111915059B (zh) 基于注意力机制的Seq2seq泊位占有率预测方法
CN111882869B (zh) 一种考虑不良天气的深度学习交通流预测方法
CN111553535B (zh) 一种基于ae-lstm-bo车流量预测的导航参考方法
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN113096388B (zh) 一种基于梯度提升决策树的短时交通流量预测方法
CN108417032B (zh) 一种城市中心区路边停车需求分析预测方法
CN111709549A (zh) 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法
CN115206092B (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN113537580B (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
CN112614346B (zh) 基于奇异谱分析和回声状态网络的短时交通流预测方法
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
CN112257847A (zh) 一种基于CNN和LSTM预测地磁Kp指数的方法
CN114565187A (zh) 一种基于图时空自编码网络的交通路网数据预测方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN116311880A (zh) 基于局部-全局时空特征融合的交通流量预测方法及设备
CN115659609A (zh) 一种基于dtw-dcrnn的化工园区噪声预测方法
CN111524349B (zh) 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法
Zaki et al. Time aware hybrid hidden Markov models for traffic Congestion prediction

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