CN115565376A - 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 - Google Patents
融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 Download PDFInfo
- Publication number
- CN115565376A CN115565376A CN202211206533.6A CN202211206533A CN115565376A CN 115565376 A CN115565376 A CN 115565376A CN 202211206533 A CN202211206533 A CN 202211206533A CN 115565376 A CN115565376 A CN 115565376A
- Authority
- CN
- China
- Prior art keywords
- travel time
- characteristic
- data set
- vehicle
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种融合graph2vec、双层LSTM的车辆行程时间预测方法及系统，该方法包括：获取车辆历史出行轨迹数据，解析轨迹的相关特征信息，转换成键值对的形式存放，构建轨迹特征数据集；获取城市路网的路段唯一标识名与路段之间的邻接关系，构建拓扑空间数据集；对轨迹特征数据集中的特征因子与车辆行程时间进行相关性分析，选取强相关性的特征因子，并与拓扑空间数据集进行匹配，获取预测行程时间数据集；构建融合graph2vec、双层LSTM的车辆行程时间预测模型，将预测行程时间数据集输入到模型中，对车辆的行程时间进行预测，输出车辆行程时间。该方法及系统有利于更加精准的预测车辆行程时间，提高资源利用效率。
Description
技术领域
本发明属于交通领域，具体涉及一种融合graph2vec、双层LSTM的车辆行程时间预测方法及系统。
背景技术
车辆的行程时间预测是智能交通系统研究中的一个重要问题，为交通决策提供依据，广泛的应用在数字地图和车载导航中。准确的行程时间预测能够提高交通的运输效率，缓解城市的交通拥堵，为出行者提供理论参考，降低出行成本和环境污染，有效在行程中提高出行效率。因此，研究车辆行程时间预测问题是提高交通运输效率，提高出行者的出行体验、提供出行者有效的出行信息，实现交通系统服务水平良性循环、可持续性发展的重要举措。
随着深度学习在交通领域的快速发展，车辆行程时间预测受到广泛关注，目前的行程时间预测方法主要通过基于参数的统计方法（如：整合移动平均自回归、贝叶斯模型），机器学习（如：支持向量机、人工神经网络、k最近邻）等。但是行程时间预测受到很多动态特征因素的影响，现有的组合模型通过引入尽可能多的特征因素来还原出行时刻的交通现状仍存在局限性，空间特征提取不充分，导致预测精度整体水平不高，降低出行体验，导致交通拥堵、交通延误增加，资源利用效率低。
发明内容
本发明的目的在于提供一种融合graph2vec、双层LSTM的车辆行程时间预测方法及系统，该方法及系统有利于更加精准的预测车辆行程时间，提高资源利用效率。
为实现上述目的，本发明采用的技术方案是：一种融合graph2vec、双层LSTM的车辆行程时间预测方法，包括以下步骤：
步骤S1：获取车辆历史出行轨迹数据，解析轨迹的相关特征信息，转换成键值对的形式存放，构建轨迹特征数据集；
步骤S2：获取城市路网的路段唯一标识名与路段之间的邻接关系，构建拓扑空间数据集；
步骤S3：对轨迹特征数据集中的特征因子与车辆行程时间进行相关性分析，选取强相关性的特征因子，并与拓扑空间数据集进行匹配，获取预测行程时间数据集；
步骤S4：构建融合graph2vec、双层LSTM的车辆行程时间预测模型，将预测行程时间数据集输入到模型中，对车辆的行程时间进行预测，输出车辆行程时间。
进一步地，所述步骤S1中，轨迹的相关特征信息包括：路段交通拥堵状态、路段通行时间、路段长度、行程总时长、行程总长度、出发时刻、驾驶员编号、天气状况、工作日休息日、温度。
进一步地，所述步骤S3具体包括以下步骤：
步骤S31：采用夏皮罗-威尔克检验法检验轨迹特征数据集中的特征因子，对非正态分布数据采用斯皮尔曼相关系数进行相关性分析，获取变量之间的相关系数；
步骤S32：选取强相关性的特征因子，并与拓扑空间数据集进行匹配，构建预测行程时间数据集。
进一步地，所述步骤S4具体包括以下步骤：
步骤S41：采用CBAM注意力模块提取路径空间特征信息，获得路径空间特征矩阵；
步骤S42：将轨迹特征数据集中的特征因子进行编码，表征为特征向量，获取属性特征矩阵；
步骤S43：将相邻两个路段之间的标识连接表示为一条边，以键值对的形式对每条边进行边属性的录入，利用graph2vec方法，将拓扑空间数据集输入到图转向量模块中，生成路网空间表征矩阵；
步骤S44：将获得的路径空间特征矩阵、属性特征矩阵、路网空间表征矩阵进行拼接输入，利用双层LSTM，提取车辆行程中的时间特征，生成时间特征矩阵；
步骤S45：将获得的时间特征矩阵，输入到行程时间预测模块，对LSTM输出的隐藏状态利用softmax函数分配不同的权重，识别关键路段对通行时间的影响；在全连接层，使用平均绝对误差作为模型的损失函数，将预测结果与真实结果进行比较，对模型进行不断的迭代训练，实现对车辆行程时间的预测。
本发明还提供了一种用于实现上述方法的车辆行程时间预测系统，包括：
路径特征提取模块，用于采用CBAM注意力模块提取路径空间特征信息，生成路径空间特征矩阵，区分不同特征对于车辆行程时间的影响，提高模型提取空间特征的精度；
时间特征提取模块，用于利用双层的LSTM提取车辆行程过程中的时间特征，考虑相邻路段的时间特征；以及
行程时间预测模块，用于利用softmax函数，对LSTM隐藏状态赋予不同的权重，区分不同隐藏状态的重要性，识别关键路段对行程时间的重要性，实现精准的时间特征预测。
与现有技术相比，本发明具有以下有益效果：提供了一种融合graph2vec、双层LSTM的车辆行程时间预测方法及系统，将图转向量引入到车辆行程时间预测中，能够学习表征任意大小的图网络，提高模型训练效率，是一种无监督的学习方法，充分挖掘邻接路段之间的空间关系；将CBAM注意力模块引入到车辆行程时间预测中，生成路径空间特征矩阵，区分不同特征对于车辆行程时间的影响，提高模型提取空间特征的精度；将LSTM引入到车辆行程时间预测中，LSTM擅长处理长序列数据，且解决了在训练过程中的梯度消失和梯度爆炸的问题，挖掘前后路段的时间特性；有效的提升了模型的预测精度，实现车辆行程时间精准预测，提升司机出行体验，促进交通运输系统的良性发展。
附图说明
图1是本发明实施例的方法流程示意图；
图2是本发明实施例中融合graph2vec、双层LSTM的车辆行程时间预测模型结构图；
图3是本发明实施例中局部路网数据示意图；
图4是本发明实施例中所获得的行程时间预测结果与真实值对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种融合graph2vec、双层LSTM的车辆行程时间预测方法，包括以下步骤：
步骤S1：获取车辆历史出行轨迹数据，解析轨迹的路段交通拥堵状态、路段通行时间、路段长度、行程总时长、行程总长度、出发时刻、驾驶员编号、天气状况、工作日休息日、温度等数据，转换成键值对的形式存放到json文件，构建轨迹特征数据集。
步骤S2：获取城市路网的路段唯一标识名与路段之间的邻接关系，构建拓扑空间数据集。
步骤S3：对轨迹特征数据集中的特征因子与车辆行程时间进行相关性分析，选取强相关性的特征因子，并与拓扑空间数据集进行匹配，获取预测行程时间数据集。
步骤S4：构建如图2所示的融合graph2vec、双层LSTM的车辆行程时间预测模型，将预测行程时间数据集输入到模型中，对车辆的行程时间进行预测，输出车辆行程时间。
本发明还提供了上述方法的车辆行程时间预测系统，其特征在于，包括：
路径特征提取模块，用于采用CBAM注意力模块提取路径空间特征信息，生成路径空间特征矩阵，区分不同特征对于车辆行程时间的影响，提高模型提取空间特征的精度；
时间特征提取模块，用于利用双层的LSTM提取车辆行程过程中的时间特征，考虑相邻路段的时间特征；以及
行程时间预测模块，用于利用softmax函数，对LSTM隐藏状态赋予不同的权重，区分不同隐藏状态的重要性，识别关键路段对行程时间的重要性，实现精准的时间特征预测。
实施例1：
本实施例以深圳市网约车订单轨迹数据为研究对象，选取了2020年8月17日至8月31日早高峰（8：00-10：00）网约车订单数据作为实例数据，如图3所示。该方法具体实施如下：
步骤S1、获取网约车历史出行轨迹数据，转换成键值对的形式存放到json文件。数据预处理。对现有数据进行解析，结合网约车出行过程中采集数据特征，采用键值对的形式进行存储。历史出行轨迹数据包括订单编号、行驶过程中当前交通拥堵状态、到达交通拥堵状态、路段通行时间等。不同的时间通行距离的网约车订单量级差别较大，对同类别数据中不同的网约车订单数据进行归一化处理。
步骤S2、获取城市路网的路段唯一标识名、路段之间的邻接关系，构建拓扑空间数据集。
步骤S3、采用夏皮罗-威尔克检验法检验属性数据集中的特征因子，对非正态分布数据采用斯皮尔曼相关系数进行相关性分析，获取变量之间的相关系数；选取强相关性的特征因子并与行程时间基础数据集、拓扑空间数据集进行匹配，构建预测行程时间数据集。
1、对属性数据集中交通拥堵状态、通行距离、天气状况、路径总距离与网约车行程时间做相关性分析，采用夏皮罗一威尔克检验法检验数据分布形式，采用斯皮尔曼相关系数对非正态分布数据做相关性分析。
2、对属性数据集中非数值型数据进行embedding编码，表征为可计算的向量形式，将相关系数与编码向量数据与行程时间基础数据集、拓扑空间数据集进行匹配，构建预测行程时间数据集。
步骤S4、基于融合graph2vec、双层LSTM的车辆行程时间预测模型，将预测行程时间数据集输入到模型中，对网约车的行程时间预测进行预测，输出网约车的预计行程时间。
1、基于Pytorch深度学习框架搭建融合graph2vec、双层LSTM的网约车行程时间预测模型。该模型按如下步骤实现：
步骤S41：采用CBAM注意力模块提取路径空间特征信息，获得路径空间特征矩阵；
步骤S42：将轨迹特征数据集中的特征因子进行编码，表征为特征向量，获取属性特征矩阵；
步骤S43：将相邻两个路段之间的标识连接表示为一条边，以键值对的形式对每条边进行边属性的录入，利用graph2vec方法，将拓扑空间数据集输入到图转向量模块中，生成路网空间表征矩阵；
步骤S44：将获得的路径空间特征矩阵、属性特征矩阵、路网空间表征矩阵进行拼接输入，利用双层LSTM，提取车辆行程中的时间特征，生成时间特征矩阵；
步骤S45：将获得的时间特征矩阵，输入到行程时间预测模块，对LSTM输出的隐藏状态利用softmax函数分配不同的权重，识别关键路段对通行时间的影响；在全连接层，使用平均绝对误差作为模型的损失函数，将预测结果与真实结果进行比较，对模型进行不断的迭代训练，实现对网约车行程时间的预测。
2、对预测行程时间数据集进行划分，将2020年8月17日至8月30日早高峰（8：00-10：00）网约车订单数据作为训练集；2020年8月31日早高峰（8：00-10：00）网约车订单数据作为测试集进行验证。
3、将预测行程时间数据集的训练集数据输入到模型中进行训练，损失函数采用平均绝对误差作为衡量指标。
4、将测试集输入到训练好的模型中，对相对应的网约车订单数据进行预测，输出预计行程时间。
遵循以上具体实施步骤，得到测试集中预测行程时间与真实时间的对比图，如图4所示。基于以上发明所预测得到的网约车行程时间，平均绝对误差10.52%。
在本实施例中，基于融合graph2vec时空特征深度学习的网约车行程时间预测模型，为验证模型的有效性，与多种神经网络模型进行对比，表1为不同模型之间的预测结果。
表1
与传统方法的行程时间预测模型进行对比，随机森林抗噪声强，稳定性高，但对于异常数据的预测结果不敏感，预测精度一般，本发明提出的模型相对精度提高36.43%；与其他神经网络模型相比，善于处理长序列数据的LSTM预测结果与随机森林差别不大，相比较改进后的双向LSTM，能够从前后两个方向同时捕捉时间特性，预测精度再一次提高；经过改进融合多种特征因素的DEEPTRAVEL模型，本发明提出的模型相对精度提高21.32%.由此可知，融合graph2vec时空特征深度学习的网约车行程时间预测模型考虑时间和空间特征，充分挖掘行程过程中的时空特性，相比较其他的模型具有较高的预测精度。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (5)
1.一种融合graph2vec、双层LSTM的车辆行程时间预测方法，其特征在于，包括以下步骤：
步骤S1：获取车辆历史出行轨迹数据，解析轨迹的相关特征信息，转换成键值对的形式存放，构建轨迹特征数据集；
步骤S2：获取城市路网的路段唯一标识名与路段之间的邻接关系，构建拓扑空间数据集；
步骤S3：对轨迹特征数据集中的特征因子与车辆行程时间进行相关性分析，选取强相关性的特征因子，并与拓扑空间数据集进行匹配，获取预测行程时间数据集；
步骤S4：构建融合graph2vec、双层LSTM的车辆行程时间预测模型，将预测行程时间数据集输入到模型中，对车辆的行程时间进行预测，输出车辆行程时间。
2.根据权利要求1所述的融合graph2vec、双层LSTM的车辆行程时间预测方法，其特征在于，所述步骤S1中，轨迹的相关特征信息包括：路段交通拥堵状态、路段通行时间、路段长度、行程总时长、行程总长度、出发时刻、驾驶员编号、天气状况、工作日休息日、温度。
3.根据权利要求1所述的融合graph2vec、双层LSTM的车辆行程时间预测方法，其特征在于，所述步骤S3具体包括以下步骤：
步骤S31：采用夏皮罗-威尔克检验法检验轨迹特征数据集中的特征因子，对非正态分布数据采用斯皮尔曼相关系数进行相关性分析，获取变量之间的相关系数；
步骤S32：选取强相关性的特征因子，并与拓扑空间数据集进行匹配，构建预测行程时间数据集。
4.根据权利要求1所述的融合graph2vec、双层LSTM的车辆行程时间预测方法，其特征在于，所述步骤S4具体包括以下步骤：
步骤S41：采用CBAM注意力模块提取路径空间特征信息，获得路径空间特征矩阵；
步骤S42：将轨迹特征数据集中的特征因子进行编码，表征为特征向量，获取属性特征矩阵；
步骤S43：将相邻两个路段之间的标识连接表示为一条边，以键值对的形式对每条边进行边属性的录入，利用graph2vec方法，将拓扑空间数据集输入到图转向量模块中，生成路网空间表征矩阵；
步骤S44：将获得的路径空间特征矩阵、属性特征矩阵、路网空间表征矩阵进行拼接输入，利用双层LSTM，提取车辆行程中的时间特征，生成时间特征矩阵；
步骤S45：将获得的时间特征矩阵，输入到行程时间预测模块，对LSTM输出的隐藏状态利用softmax函数分配不同的权重，识别关键路段对通行时间的影响；在全连接层，使用平均绝对误差作为模型的损失函数，将预测结果与真实结果进行比较，对模型进行不断的迭代训练，实现对车辆行程时间的预测。
5.一种用于实现如权利要求1-4任一项所述方法的车辆行程时间预测系统，其特征在于，包括：
路径特征提取模块，用于采用CBAM注意力模块提取路径空间特征信息，生成路径空间特征矩阵，区分不同特征对于车辆行程时间的影响，提高模型提取空间特征的精度；
时间特征提取模块，用于利用双层的LSTM提取车辆行程过程中的时间特征，考虑相邻路段的时间特征；以及
行程时间预测模块，用于利用softmax函数，对LSTM隐藏状态赋予不同的权重，区分不同隐藏状态的重要性，识别关键路段对行程时间的重要性，实现精准的时间特征预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211206533.6A CN115565376B (zh) | 2022-09-30 | 2022-09-30 | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211206533.6A CN115565376B (zh) | 2022-09-30 | 2022-09-30 | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115565376A true CN115565376A (zh) | 2023-01-03 |
| CN115565376B CN115565376B (zh) | 2024-05-03 |
Family
ID=84742233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211206533.6A Active CN115565376B (zh) | 2022-09-30 | 2022-09-30 | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115565376B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116959257A (zh) * | 2023-08-14 | 2023-10-27 | 重庆邮电大学 | 基于自适应图嵌入的起始地-目的地时间预测方法和装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3214406A1 (en) * | 2016-03-04 | 2017-09-06 | Volvo Car Corporation | Method and system for utilizing a trip history |
| KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
| CN110176142A (zh) * | 2019-05-17 | 2019-08-27 | 佳都新太科技股份有限公司 | 车辆轨迹预测模型建立及预测方法 |
| US20190378405A1 (en) * | 2018-06-12 | 2019-12-12 | Electronics And Telecommunications Research Institute | Method for predicting travel time using spatio-temporal model and apparatus thereof |
| CN112884014A (zh) * | 2021-01-26 | 2021-06-01 | 南京邮电大学 | 一种基于路段拓扑结构分类的交通速度短时预测方法 |
| WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
| CN113470352A (zh) * | 2021-06-17 | 2021-10-01 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测系统及方法 |
| CN113724504A (zh) * | 2021-08-06 | 2021-11-30 | 之江实验室 | 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 |
| CN114202120A (zh) * | 2021-12-13 | 2022-03-18 | 中国电子科技集团公司第十五研究所 | 一种针对多源异构数据的城市交通行程时间预测方法 |
| CN114328675A (zh) * | 2022-01-06 | 2022-04-12 | 福州大学 | 基于双注意力机制和双向双层lstm的公交行程时间预测方法 |
-
2022
- 2022-09-30 CN CN202211206533.6A patent/CN115565376B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3214406A1 (en) * | 2016-03-04 | 2017-09-06 | Volvo Car Corporation | Method and system for utilizing a trip history |
| KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
| US20190378405A1 (en) * | 2018-06-12 | 2019-12-12 | Electronics And Telecommunications Research Institute | Method for predicting travel time using spatio-temporal model and apparatus thereof |
| CN110176142A (zh) * | 2019-05-17 | 2019-08-27 | 佳都新太科技股份有限公司 | 车辆轨迹预测模型建立及预测方法 |
| WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
| CN112884014A (zh) * | 2021-01-26 | 2021-06-01 | 南京邮电大学 | 一种基于路段拓扑结构分类的交通速度短时预测方法 |
| CN113470352A (zh) * | 2021-06-17 | 2021-10-01 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测系统及方法 |
| CN113724504A (zh) * | 2021-08-06 | 2021-11-30 | 之江实验室 | 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 |
| CN114202120A (zh) * | 2021-12-13 | 2022-03-18 | 中国电子科技集团公司第十五研究所 | 一种针对多源异构数据的城市交通行程时间预测方法 |
| CN114328675A (zh) * | 2022-01-06 | 2022-04-12 | 福州大学 | 基于双注意力机制和双向双层lstm的公交行程时间预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116959257A (zh) * | 2023-08-14 | 2023-10-27 | 重庆邮电大学 | 基于自适应图嵌入的起始地-目的地时间预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115565376B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108629978B (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| CN107977734B (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
| CN108062857B (zh) | 用于出租车乘客出行目的的预测方法 | |
| CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
| CN115409256B (zh) | 基于行程时间预测的拥堵区避让的路径推荐方法 | |
| CN111199247B (zh) | 一种公交运行仿真方法 | |
| 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 | |
| CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
| CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
| 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 | |
| CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
| CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
| CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
| Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
| CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
| CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
| Lin et al. | Insights into Travel Pattern Analysis and Demand Prediction: A Data-Driven Approach in Bike-Sharing Systems | |
| CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
| Xia et al. | A distributed EMDN-GRU model on Spark for passenger waiting time forecasting | |
| CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
| CN117134978A (zh) | 基于局部和全局行为模式分析的车辆身份验证方法及系统 | |
| CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 |
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 |