CN115830865A - 基于自适应超图卷积神经网络的车流量预测方法及装置 - Google Patents
基于自适应超图卷积神经网络的车流量预测方法及装置 Download PDFInfo
- Publication number
- CN115830865A CN115830865A CN202211447387.6A CN202211447387A CN115830865A CN 115830865 A CN115830865 A CN 115830865A CN 202211447387 A CN202211447387 A CN 202211447387A CN 115830865 A CN115830865 A CN 115830865A
- Authority
- CN
- China
- Prior art keywords
- data
- hypergraph
- adaptive
- time
- convolution
- 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
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于自适应超图卷积神经网络的车流量预测方法及装置,该方法借助自适应超图学习捕捉交通流结构中无法通过预定义图或者超图捕捉到的动态节点和超边关系;然后使用超图卷积方法,捕捉车流量在该自适应超图关系中的空间特征,将得到的空间特征使用循环神经网络结构中,用以捕捉时间特征,最终得到预测车流量。本发明的实现方法较为简便,网络结构简单,可以直接通过采集的数据进行训练得到模型,不需要手动对图网络关系进行建模;通过自适应超图学习空间关系,有着较强的鲁棒性,对节点位置数据缺失有着较强的干扰能力;相较于其他同类型模型,有着更好的预测效果,有利于提高预测精度,模型的性能好。
Description
技术领域
本发明涉及计算机网络技术中的智能交通运输系统领域,尤其涉及一种基于自适应超图卷积神经网络的车流量预测方法及装置。
背景技术
随着城市化进程和社会经济发展水平不断提高,大量车辆开始涌入道路,道路拥堵情况不断加重。而智能交通运输系统采用先进的传感技术,不断采集道路上车辆数据,对道路车辆进行建模分析已经成为国内外缓解道路拥堵情况的主流。作为道路的重要组成部分,对于道路交通流进行尽可能准确的时空建模和预测对于缓解道路拥堵状态有着较大意义。
目前的交通流预测方法主要采用静态图结构或者动态图结构来模拟路网节点关系,但是存在以下问题:1.静态图结构需要提前获得路网数据且只能静态描述路网关系,但是交通流时刻处于一个动态过程,显然简单的静态图结构无法准确捕获交通流中动态关系。2.普通动态图通过节点和节点关系来获得交通流中的动态抽象关系,而忽略了节点和边之间存在的抽象关系。以上情况使得系统对于交通流时空建模存在预测精度低,模型性能差等问题。对此问题进行进一步思考和解决是一个亟需解决的问题。
发明内容
本发明针对现有技术的不足,提出一种基于自适应超图卷积神经网络的车流量预测方法及装置。
本发明的目的是通过以下技术方案来实现的:本发明实施例第一方面提供了一种基于自适应超图卷积神经网络的车流量预测方法,包括以下步骤:
(1)通过提前铺设探测器获取交通数据,构建多维结构化特征数据;其中,所述交通数据包括车流量、速度、密度、车占比数据;
(2)确定模型的网络结构,所述网络结构包括数据输入层、时空卷积层和输出预测层;其中,所述数据输入层包括一个时空卷积模块,所述时空卷积层包括多个时空卷积模块,所述输出预测层采用二维卷积器;
(3)构建时空卷积模块,以提取到输入信息的时空特征;所述时空卷积模块主要分为两个部分:空间卷积网络和时间卷积网络;其中,所述空间卷积网络采用自适应超图卷积作为空间特征提取器,通过自适应超图,捕捉动态节点之间存在的空间关系,将空间关系和车流量进行卷积操作,完成空间卷积网络提取空间特征;所述时间卷积网络采用循环网络,将空间卷积网络得到的空间数据,通过循环网络得到时间特征;
(4)采用根据所述步骤(3)得到的时空卷积模块,构建数据输入层;
(5)将多个根据所述步骤(3)得到的时空卷积模块,通过网络堆叠的方式构建时空卷积层;
(6)将通过数据输入层和时空卷积层的特征输入到输出预测层中,以得到车流量的预测结果,并根据损失函数获取预测误差,通过优化算法迭代模型参数,直至模型收敛,以获取最优模型;
(7)将得到的历史数据经过处理后输入到所述步骤(6)中获取的最优模型中,以预测车流量。
进一步地,所述步骤(1)包括以下子步骤:
(1.1)在指定交通路网中,铺设N个传感器;
(1.2)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的历史车流量数据进行采样,以获取车流量数据;
(1.3)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的其它历史交通数据进行采样,并根据采样到的历史交通数据获取相应的预测数据T+t1,T+t2,……T+tk的K个时间段上的交通数据,以获取交通态势数据;
(1.4)根据所述步骤(1.2)获取的车流量数据和所述步骤(1.3)获取的交通态势数据构建多维结构化特征数据。
进一步地,所述数据输入层为特征输入编码器,用于实现从时空数据到时空特征数据的编码转换;所述输出预测层用于将时空特征数据转换为最终的预测结果。
进一步地,所述步骤(3)包括以下子步骤:
(3.1)通过自适应超图生成器计算得到自适应超图,根据距离计算公式,计算输入数据之间的欧式距离,得到距离矩阵,与输入之前计算得出的自适应超图进行相乘操作得到新的自适应超图;
(3.2)空间卷积网络通过超图卷积网络得到空间特征;
(3.3)时间卷积网络采用门控循环单元(GRU)作为时间卷积模块,将得到的空间特征数据输入门控循环单元,利用门控机制筛选得到长短时时间特征数据,经过时间卷积网络前向传播公式中的权重参数计算之后,得到最终的时序特征输出。
进一步地,所述空间卷积网络通过超图卷积网络得到空间特征具体为:通过空间卷积公式计算得到自适应超图的度矩阵和边矩阵,采用自适应超图卷积的方式,对输入信号进行卷积,以得到空间特征。
进一步地,所述时间卷积网络前向传播公式为:
Ht=ReLU{dis(x)·Ht-1}
zt=σ(Wz[Xt,ht-1]+bz)
rt=σ(Wr[Xt,ht-1]+br)
其中,x为输入数据,Xt表示t时刻的输入数据,dis(·)为距离方程,ReLU为函数的激活函数,Ht-1为之前的自适应超图,Ht为更新后的自适应超图,zt、rt和ht分别为GRU的更新门、重置门和隐藏门,bz、br分别为更新门和重置门的偏置,Wz、Wr分别为更新门和重置门的权重,σ(·)为激活函数sigmoid函数。
进一步地,所述损失函数的表达式为:
进一步地,所述步骤(6)中通过优化算法迭代模型参数具体为:使用adam优化器作为模型参数迭代优化器,对模型参数进行迭代优化。
本发明实施例第二方面提供了一种基于自适应超图卷积神经网络的车流量预测装置,包括一个或多个处理器,用于实现上述的基于自适应超图卷积神经网络的车流量预测方法。
本发明实施例第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现上述的基于自适应超图卷积神经网络的车流量预测方法。
本发明的有益效果是,本发明能够有效解决其他基于节点与节点关系的图网路预测模型中无法对节点和超边关系进行进一步表述和建模的问题;本发明的实现方法较为简便,网络结构简单,可以直接通过采集的数据进行训练得到模型,不需要手动对图网络关系进行建模;通过自适应超图学习空间关系,有着较强的鲁棒性,对节点位置数据缺失有着较强的干扰能力;相较于其他同类型模型,有着更好的预测效果,有利于提高预测精度,模型的性能好。
附图说明
图1为自适应超图卷积神经网络算法结构;
图2为网络模型训练流程示意图;
图3为基于自适应超图卷积神经网络的车流量预测装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明中的基于自适应超图卷积神经网络的车流量预测方法,如图1所示,包括以下步骤:
(1)通过提前铺设探测器获取交通数据,构建多维结构化特征数据。其中,交通数据包括但不限于车流量、速度、密度和车占比数据。
(1.1)在指定交通路网中,提前铺设N个传感器。
(1.2)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的历史车流量数据进行采样,获取车流量数据。其中,车流量数据的采样数据的数量为Y/Δt。
(1.3)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的其它历史交通数据进行采样,并根据采样到的历史交通数据获取相应的预测数据T+t1,T+t2,……T+tk的K个时间段上的交通数据,以获取交通态势数据。其中,交通态势数据的采样数据的数量为为Y/Δt。
应当理解的是,交通态势数据为在N个传感器铺设处,T时刻之前的Y时段的历史数据和相应的预测数据T+t1,T+t2,…T+tk的K个时间段上的交通态势数据;其中包括的数据有速度、密度和车占比数据。
(1.4)根据步骤(1.2)获取的车流量数据和步骤(1.3)获取的交通态势数据构建多维结构化特征数据。
例如,采用PEMS-D4数据集,该数据集记录了美国旧金山大湾区高速公路上传感器记录的数据,其具体涵盖了307个传感器采集的从2018年1月1号到2018年2月28号的数据,每五分钟采集一次数据,此次主要采用道理交通流数据。通过pandas等数据分析与处理工具,将传感器网格数据整理得到图网络数据。
其中,将每一个小时作(12个连续五分钟)为一个时间窗口,取每个时刻中的交通流数据,组成历史数据,将之后一小时数据作为标签数据。最终训练数据维度为(10173,307,12,1),预测数据维度为(10173,307,12)。
(2)确定模型的网络结构,网络结构主要包括三个主要部分:数据输入层、时空卷积层和输出预测层。其中,数据输入层包括一个时空卷积模块,时空卷积层包括多个时空卷积模块,输出预测层使用二维卷积器。
本实施例中,采用时空卷积模块作为数据输入层,实质上是作为一个特征输入编码器的,主要用于实现从时空数据到时空特征数据的编码转换。时空卷积层由多个时空卷积模块组成,将数据输入层得到的数据输入时空卷积层,可以提取时空特征。输出预测层使用二维卷积器作为最后一层的输出,通过二维卷积,将时空特征数据转换为最终的预测结果。
(3)构建时空卷积模块,时空卷积模块主要分为两个部分:空间卷积网络和时间卷积网络。其中,空间卷积网络采用自适应超图卷积作为空间特征提取器,通过自适应超图,捕捉动态节点之间存在的空间关系,将空间关系和车流量进行卷积操作,完成空间卷积网络提取空间特征。时间卷积网络采用循环网络,将空间卷积网络得到的空间数据,通过循环网络得到时间特征。
通过时空卷积模块,即可以提取到输入信息的时空特征。
(3.1)通过自适应超图生成器(AHC)计算得到自适应超图,根据距离计算公式dis(·),计算输入数据之间的欧式距离,得到距离矩阵,与输入之前计算得出的自适应超图进行相乘操作得到新的自适应超图。更新后的自适应超图的表达式为:
Ht=ReLU{dis(x)·Ht-1}
其中,x为输入数据,dis(·)为距离计算公式,ReLU为函数的激活函数,Ht-1为之前的自适应超图,Ht为更新后的自适应超图。
进一步地,距离计算公式dis(x)的表达式如下:
其中,xi和xj分别为输入数据的中第i个数据和第j个数据,n表示输入数据共有n个。
(3.2)空间卷积网络通过超图卷积网络(AHCN)得到空间特征。具体地,通过空间卷积网络的公式计算得到自适应超图的度矩阵和边矩阵,采用自适应超图卷积的方式,对输入信号进行卷积,空间卷积网络的输出便是空间特征。
其中,空间卷积公式为:
其中,X为输入数据,H为超图,IN为单位矩阵,W为超边的对角矩阵,Dv为自适应超图的度矩阵,De为自适应超图的边矩阵,EG为嵌入矩阵,WG为权重池矩阵,bG为偏执池矩阵。
(3.3)时间卷积网络采用门控循环单元(GRU)作为时间卷积模块,将得到的空间特征数据输入门控循环单元,利用门控机制筛选得到长短时时间特征数据,经过时间卷积网络前向传播公式中的权重参数计算之后,得到最终的时序特征输出。
其中,时间卷积网络前向传播公式为:
Ht=ReLU{dis(x)·Ht-1}
zt=σ(Wz[Xt,ht-1]+bz)
rt=σ(Wr[Xt,ht-1]+br)
其中,x为输入数据,Xt表示t时刻的输入数据,dis(·)为距离方程,ReLU为函数的激活函数,Ht-1为之前的自适应超图,Ht为更新后的自适应超图,zt、rt和ht分别为GRU的更新门、重置门和隐藏门,bz、br分别为更新门和重置门的偏置,Wz、Wr分别为更新门和重置门的权重,σ(·)为激活函数sigmoid函数。应当理解的是,仅是为了便于理解的中间变量,无实际意义。
示例性地,具体的时空卷积模块网络参数如表1所示。
表1:网络参数
参数名 | 参数量 |
超边数量 | 25 |
时空卷积层中时空卷积模块数量 | 64 |
(4)采用根据步骤(3)得到的时空卷积模块,构建数据输入层。
(5)将多个根据步骤(3)得到的时空卷积模块,通过网络堆叠的方式构建时空卷积层。
应当理解的是,数据输入层的时空卷积模块和时空卷积层的时空卷积模块的网络参数不同。
另外,可根据实际需要选择时空卷积层中的时空卷积模块的数量。
(6)将通过数据输入层和时空卷积层的特征输入到输出预测层中,可以得到最终需要的车流量的预测结果。通过计算损失函数,得到预测误差,使用优化算法迭代模型参数,达到模型收敛,获取最优模型。
模型的训练流程如图2所示,首先初始化学习率以及损失权重,即根据损失函数得到预测误差,得到模型参数;然后判断模型是否收敛,若收敛,则得到本实施例中需要的最优模型;若不收敛,则对模型参数进行迭代优化,更新自适应超图数据,重新进行预测,输出预测结果,根据新的预测结果计算损失函数,再次进行模型是否收敛的判断,直至模型收敛为止。
本实施例中,在输出时,采用二维卷积作为输出预测层。
二维卷积层具体数据如表2所示。
表2:卷积层数据
卷积层 | 卷积核个数 | 卷积核大小 | 是否偏置 |
Conv2D | 预测长度+输出维度 | (1,隐含层维度) | 是 |
本实施例中,在计算模型损失时,使用适用于回归问题的平均绝对误差作为模型的损失函数,其表达式为:
进一步地,在模型参数迭代时,使用adam优化器作为模型参数迭代优化器。应当理解的是,Adam优化器可以根据历史梯度的震荡情况和过滤震荡后的真实历史梯度对变量进行更新。
(7)将得到的历史数据经过处理后输入到步骤(6)中获取的最优模型中,以预测车流量。
应当理解的是,将某一个路段即相应的传感器处的历史数据输入最优模型中,即可预测车流量。
与前述基于自适应超图卷积神经网络的车流量预测方法的实施例相对应,本发明还提供了基于自适应超图卷积神经网络的车流量预测装置的实施例。
参见图3,本发明实施例提供的一种基于自适应超图卷积神经网络的车流量预测装置,包括一个或多个处理器,用于实现上述实施例中的基于自适应超图卷积神经网络的车流量预测方法。
本发明基于自适应超图卷积神经网络的车流量预测装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图3所示,为本发明基于自适应超图卷积神经网络的车流量预测装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于自适应超图卷积神经网络的车流量预测方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于自适应超图卷积神经网络的车流量预测方法,其特征在于,包括以下步骤:
(1)通过提前铺设探测器获取交通数据,构建多维结构化特征数据;其中,所述交通数据包括车流量、速度、密度、车占比数据;
(2)确定模型的网络结构,所述网络结构包括数据输入层、时空卷积层和输出预测层;其中,所述数据输入层包括一个时空卷积模块,所述时空卷积层包括多个时空卷积模块,所述输出预测层采用二维卷积器;
(3)构建时空卷积模块,以提取到输入信息的时空特征;所述时空卷积模块主要分为两个部分:空间卷积网络和时间卷积网络;其中,所述空间卷积网络采用自适应超图卷积作为空间特征提取器,通过自适应超图,捕捉动态节点之间存在的空间关系,将空间关系和车流量进行卷积操作,完成空间卷积网络提取空间特征;所述时间卷积网络采用循环网络,将空间卷积网络得到的空间数据,通过循环网络得到时间特征;
(4)采用根据所述步骤(3)得到的时空卷积模块,构建数据输入层;
(5)将多个根据所述步骤(3)得到的时空卷积模块,通过网络堆叠的方式构建时空卷积层;
(6)将通过数据输入层和时空卷积层的特征输入到输出预测层中,以得到车流量的预测结果,并根据损失函数获取预测误差,通过优化算法迭代模型参数,直至模型收敛,以获取最优模型;
(7)将得到的历史数据经过处理后输入到所述步骤(6)中获取的最优模型中,以预测车流量。
2.根据权利要求1所述的基于自适应超图卷积神经网络的车流量预测方法,其特征在于,所述步骤(1)包括以下子步骤:
(1.1)在指定交通路网中,铺设N个传感器;
(1.2)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的历史车流量数据进行采样,以获取车流量数据;
(1.3)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的其它历史交通数据进行采样,并根据采样到的历史交通数据获取相应的预测数据T+t1,T+t2,......T+tk的K个时间段上的交通数据,以获取交通态势数据;
(1.4)根据所述步骤(1.2)获取的车流量数据和所述步骤(1.3)获取的交通态势数据构建多维结构化特征数据。
3.根据权利要求1所述的基于自适应超图卷积神经网络的车流量预测方法,其特征在于,所述数据输入层为特征输入编码器,用于实现从时空数据到时空特征数据的编码转换;所述输出预测层用于将时空特征数据转换为最终的预测结果。
4.根据权利要求1所述的基于自适应超图卷积神经网络的车流量预测方法,其特征在于,所述步骤(3)包括以下子步骤:
(3.1)通过自适应超图生成器计算得到自适应超图,根据距离计算公式,计算输入数据之间的欧式距离,得到距离矩阵,与输入之前计算得出的自适应超图进行相乘操作得到新的自适应超图;
(3.2)空间卷积网络通过超图卷积网络得到空间特征;
(3.3)时间卷积网络采用门控循环单元(GRU)作为时间卷积模块,将得到的空间特征数据输入门控循环单元,利用门控机制筛选得到长短时时间特征数据,经过时间卷积网络前向传播公式中的权重参数计算之后,得到最终的时序特征输出。
5.根据权利要求4所述的基于自适应超图卷积神经网络的车流量预测方法,其特征在于,所述空间卷积网络通过超图卷积网络得到空间特征具体为:通过空间卷积公式计算得到自适应超图的度矩阵和边矩阵,采用自适应超图卷积的方式,对输入信号进行卷积,以得到空间特征。
8.根据权利要求1所述的基于自适应超图卷积神经网络的车流量预测方法,其特征在于,所述步骤(6)中通过优化算法迭代模型参数具体为:使用adam优化器作为模型参数迭代优化器,对模型参数进行迭代优化。
9.一种基于自适应超图卷积神经网络的车流量预测装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-8中任一项所述的基于自适应超图卷积神经网络的车流量预测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,用于实现权利要求1-8中任一项所述的基于自适应超图卷积神经网络的车流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211447387.6A CN115830865A (zh) | 2022-11-18 | 2022-11-18 | 基于自适应超图卷积神经网络的车流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211447387.6A CN115830865A (zh) | 2022-11-18 | 2022-11-18 | 基于自适应超图卷积神经网络的车流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830865A true CN115830865A (zh) | 2023-03-21 |
Family
ID=85529150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211447387.6A Pending CN115830865A (zh) | 2022-11-18 | 2022-11-18 | 基于自适应超图卷积神经网络的车流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830865A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116055224A (zh) * | 2023-03-29 | 2023-05-02 | 山东省计算中心(国家超级计算济南中心) | 基于时空超图卷积的加密应用程序行为流量检测方法 |
-
2022
- 2022-11-18 CN CN202211447387.6A patent/CN115830865A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116055224A (zh) * | 2023-03-29 | 2023-05-02 | 山东省计算中心(国家超级计算济南中心) | 基于时空超图卷积的加密应用程序行为流量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241814B (zh) | 一种基于强化时空图神经网络的交通预测方法 | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
CN114220271B (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
CN112071065A (zh) | 一种基于全局扩散卷积残差网络的交通流预测方法 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
CN111540193A (zh) | 一种基于图卷积时序生成对抗网络的交通数据修复方法 | |
CN112988723A (zh) | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN109741364B (zh) | 目标跟踪方法及装置 | |
CN111832228B (zh) | 基于cnn-lstm的振动传递系统 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
Rao et al. | Discovering nonlinear PDEs from scarce data with physics-encoded learning | |
CN115830865A (zh) | 基于自适应超图卷积神经网络的车流量预测方法及装置 | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
CN105678790A (zh) | 基于可变高斯混合模型的高分辨率遥感影像监督分割方法 | |
CN112489420B (zh) | 一种公路交通状态预测方法、系统、终端以及存储介质 | |
CN114566048B (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
CN116579468A (zh) | 基于云系记忆的台风生成预测方法、装置、设备及介质 | |
CN116663395A (zh) | 基于参数优化的支持向量机回归的降雨量等值面生成方法 | |
CN116434531A (zh) | 一种基于Conv1D-LSTM模型的短时交通流预测方法 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN115936762A (zh) | 景区人流量的预测方法、装置、设备及存储介质 |
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 |