CN116029463B - 基于动态时空关联学习的交通流量预测与停车场选址方法 - Google Patents

基于动态时空关联学习的交通流量预测与停车场选址方法 Download PDF

Info

Publication number
CN116029463B
CN116029463B CN202310307629.XA CN202310307629A CN116029463B CN 116029463 B CN116029463 B CN 116029463B CN 202310307629 A CN202310307629 A CN 202310307629A CN 116029463 B CN116029463 B CN 116029463B
Authority
CN
China
Prior art keywords
time
flow
space
parking lot
traffic
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
CN202310307629.XA
Other languages
English (en)
Other versions
CN116029463A (zh
Inventor
刘寒松
王国强
王永
刘瑞
董玉超
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.)
Sonli Holdings Group Co Ltd
Original Assignee
Sonli Holdings Group 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 Sonli Holdings Group Co Ltd filed Critical Sonli Holdings Group Co Ltd
Priority to CN202310307629.XA priority Critical patent/CN116029463B/zh
Publication of CN116029463A publication Critical patent/CN116029463A/zh
Application granted granted Critical
Publication of CN116029463B publication Critical patent/CN116029463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00Adapting or protecting infrastructure or their operation
    • Y02A30/60Planning or developing urban green infrastructure

Landscapes

  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于交通技术领域,涉及一种基于动态时空关联学习的交通流量预测与停车场选址方法,通过引入动态时空关联模块对历史时刻的网格道路交通流量进行时空特征的捕获,并采用时空关联的注意力机制提取对应的流量特征,然后通过特征向量层面的恢复与重构实现交通流量的未来一段时间的连续预测,针对城市内历史时刻与未来时刻的交通流量信息,设计停车场选址方案,适于大规模的流量预测,大大减少了资源的消耗以及减低了对硬件的要求。

Description

基于动态时空关联学习的交通流量预测与停车场选址方法
技术领域
本发明属于交通技术领域,特别涉及一种基于动态时空关联学习的交通流量预测与停车场选址方法。
背景技术
停车场的选址是指确定一个适合的地点来建设停车场,以便提供方便的停车服务,并满足人们日益增长的车辆数量和停车需求。停车场选址时需要综合考虑多种因素,如地理位置、周围环境、交通流量、停车需求量、土地价格、法律法规等因素,选择合适的停车场能够为市民和商家提供方便的停车服务,缓解停车难问题,提高城市交通效率,促进城市的经济发展。
在影响停车场选址的各种因素中,交通流量是停车场选址至关重要的一个因素,这是因为交通流量的大小决定停车场的位置、入口出口数量和对应位置,如果交通流量大,则停车场需要更大的规模来满足车辆的停放需求,并且需要设置更多的入口出口,同时还需要将入口出口位置选择在交通流量较大的位置。但是现有技术中,通过历史时刻的交通流量获得未来时刻的交通流量的准确率偏低,难以依靠未来一段时间的交通流量对停车场进行合适的选址。
发明内容
为了解决上述两个问题,本发明提出了一种基于动态时空关联学习的交通流量预测与车场选址方法,通过引入动态时空关联模块对历史时刻的网格道路交通流量进行时空特征的捕获,不仅挖掘空间上和时间上的潜在流量规律,而且考虑到时空关联的复杂特性,采用时空关联的注意力机制提取对应的流量特征,并且通过特征向量层面的恢复与重构实现交通流量的未来一段时间的连续预测,针对城市内历史时刻与未来时刻的交通流量信息,设计一个停车场选址方案。
为了实现上述目的,本发明实现交通流量预测与停车场选址的具体过程包括以下步骤:
S1、将全部的历史时刻的流量图按照时间维度上的临近性、周期性以及趋势性原则进行挑选,将挑选出来的流量图整合为新数据集;
S2、将步骤S1中全部的历史时刻的流量图进行分块操作得到流量块,并将分好的全部流量块通过线性层映射到高维的空间进行空间和位置的编码,然后通过多层的包含动态时空关联模块的Transformer层,得到流量图的时空流量特征;
S3、将步骤S2得到的已知的时空流量特征与未知的多个时间段的特征进行排序重构后送入包含空间注意力模块的Transformer层,得到未来时刻流量图特征;
S4、将步骤S3得到的未来时刻流量图特征通过映射恢复为未来一段时间内的城市交通流量图;
S5、将动态时空关联损失函数与均方根误差加权和作为总的损失函数,采用训练集进行整个网络训练;
S6、根据已获得的未来一段时间的流量,综合历史时刻的城市交通流量信息,设计网格区域评分策略,依据评分选择合适的停车场地址。
作为本发明的进一步技术方案,步骤S1的具体过程为:
定义预测目标为一系列时刻的完整的流量图{
Figure SMS_1
},其中k表示未来时刻的预测片段数量,t表示当前预测的时刻,/>
Figure SMS_2
为t时刻的流量图,临近性表示为时间上接近t的时间,对应的流量图{/>
Figure SMS_3
},其中c表示为临近时刻片段的数量;周期性表示为t时刻的历史周期片段,对应的流量图{/>
Figure SMS_4
},其中z表示一周的时间片段数量,e表示周期性的片段数量;趋势性表示为t时刻的遥远时刻的历史片段,一般为月间隔,对应的流量图为{/>
Figure SMS_5
},其中m为一个月的时间片段数量,d表示为趋势性的片段数量;再将所有挑选出的时间片段在时间维度上按先后顺序排列组合成新数据集{
Figure SMS_6
,/>
Figure SMS_7
}。
作为本发明的进一步技术方案,步骤S2的具体过程为:
将步骤S1中t时刻的流量图进行分块,将每个流量图
Figure SMS_8
划分为2D块
Figure SMS_9
,其中H、W、C分别对应流量图的高度、宽度和通道数,P对应块的尺寸,
Figure SMS_10
为块的数量,同样对全部数据集中流量图进行分块操作得{
Figure SMS_11
,/>
Figure SMS_12
},用/>
Figure SMS_13
表示该集合;
将划分好的全部流量块通过线性层映射到高维的空间得到初始向量
Figure SMS_14
其中/>
Figure SMS_15
为位置编码向量,/>
Figure SMS_16
为时间维度编码向量,
Figure SMS_17
为/>
Figure SMS_18
集合内的时间序列;
然后将初始向量
Figure SMS_19
通过多层的Transformer层进行时空特征提取,其中Transformer层核心为动态时空关联模块,同时进行空间维度上和时间维度上的注意力运算,先计算对应的Q、K、V,
Figure SMS_20
Figure SMS_21
Figure SMS_22
其中
Figure SMS_23
代表归一化层,特征维度为D维;再计算时空关联注意力,
Figure SMS_24
其中
Figure SMS_25
代表softmax激活函数,/>
Figure SMS_26
表示为块的数量,/>
Figure SMS_27
表示每个块被计算
Figure SMS_28
次在时间和空间上,最后经过残差连接方式将向量与MPL层链接,得到流量图的时空流量特征/>
Figure SMS_29
作为本发明的进一步技术方案,步骤S3的具体过程为:将已知的时空流量特征
Figure SMS_30
与未知的多个时间段的特征{/>
Figure SMS_31
/>
Figure SMS_32
/>
Figure SMS_33
}进行一个有序的合并,
Figure SMS_34
其中
Figure SMS_35
表示为一个线性映射,/>
Figure SMS_36
是一个重新排列函数将所有的块按照对应的时间顺序排序,/>
Figure SMS_37
是其排序后的新的位置编码;合并后继续经过Transformer层的,将已知和未知的特征进行多次的注意力运算,得到学习好的未来时刻流量图特征
Figure SMS_38
作为本发明的进一步技术方案,步骤S4的具体过程为:将步骤S3最后得到的未来时刻流量图特征
Figure SMS_39
依据预测像素值来重构缺失的流量,将全部的预测流量特征通过线性层映射、重塑组成一组2D交通流量图{/>
Figure SMS_40
},
Figure SMS_41
其中
Figure SMS_42
表示一个重塑函数将所有的块重新组合成为2D平面交通流量图,/>
Figure SMS_43
表示为线性映射。
作为本发明的进一步技术方案,步骤S5所述总的损失函数为:
Figure SMS_44
其中
Figure SMS_45
为超参数;/>
Figure SMS_46
,/>
Figure SMS_47
表示为周期性的多个时间片段内的流量图特征。
作为本发明的进一步技术方案,步骤S6的具体过程为:
利用历史时刻的流量图{
Figure SMS_49
,
Figure SMS_52
,/>
Figure SMS_54
}和预测的未来一段时间的流量信息{/>
Figure SMS_50
}进行加权求和计算获得每个区域的得分,权重函数为
Figure SMS_51
其中/>
Figure SMS_53
为超参数,/>
Figure SMS_55
对应距离当前时刻的时间片段的数量,即历史时刻距当前时刻为负时间片段数量,未来时刻距当前时刻为正时间片段数量,将全部时刻的流量图与对应权重的乘积累加得到/>
Figure SMS_48
,最后依据网格区域评分策略,并结合现实场景的限制选择指定区域内得分最高的地址作为停车场选址。
与现有技术相比,本发明设计了交通流量预测与停车场选址结合的新策略,提出了基于动态时空关联提取流量的时空特征;设计了流量特征重构的预测模式,关联了同一空间不同时间上的流量特征并与未知的未来时间段的流量特征进行组合、解码,以此完成预测任务,具体有益效果如下:
(1)通过预测未来一段时间的道路交通流量来对停车场进行合适的选址,确保停车场不仅在当下也在未来都能够适应周围的流量情况;
(2)动态时空关联的注意力机制能够非常有效地适用于时空数据挖掘任务,尤其是对于大规模的随时空连续变化的交通流量数据;
(3)基于已知特征与未知特征的组合、解码过程,将未知特征重构为未来时间片段下的流量特征,可以快速且高效地一步预测出未来全部时间片段的流量,适于大规模的流量预测,大大减少了资源的消耗以及减低了对硬件的要求;
附图说明
图1为本发明提供的基于动态时空关联学习的交通流量预测与停车场选址的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例:
如图1所示,本发明实施例中的一种基于动态时空关联学习的交通流量预测与停车场选址方法,包括如下步骤:
S1、数据集划分:
本实施例将利用某些特殊的时间片段的流量图对未来流量进行预测,先对数据集中全部的历史时刻的流量图按照时间维度上的临近性、周期性以及趋势性原则进行挑选,定义预测目标为一系列时刻的完整的流量图{
Figure SMS_56
},其中k表示未来时刻的预测片段数量,t表示当前预测的时刻,/>
Figure SMS_57
为t时刻的流量图,临近性表示为时间上接近t的时间,对应的流量图{/>
Figure SMS_58
},其中c表示为临近时刻片段的数量;周期性表示为t时刻的历史周期片段,对应的流量图{/>
Figure SMS_59
},其中z表示一周的时间片段数量,e表示周期性的片段数量;趋势性表示为t时刻的遥远时刻的历史片段,一般为月间隔,对应的流量图为{/>
Figure SMS_60
},其中m为一个月的时间片段数量,d表示为趋势性的片段数量;
再将所有挑选出的时间片段在时间维度上按先后顺序排列组合成新数据集{
Figure SMS_61
,/>
Figure SMS_62
,/>
Figure SMS_63
},根据一些历史时刻的流量图{/>
Figure SMS_64
,/>
Figure SMS_65
,/>
Figure SMS_66
}来预测未来一段时间的流量图{/>
Figure SMS_67
};
S2、时空关联学习:
将步骤S1中t时刻的流量图进行分块,将每个流量图
Figure SMS_68
划分为2D块
Figure SMS_69
,其中H、W、C分别对应流量图的高度、宽度和通道数,P对应块的尺寸,
Figure SMS_70
为块的数量,同样对全部数据集中流量图进行分块操作得{
Figure SMS_71
,/>
Figure SMS_72
},用/>
Figure SMS_73
表示该集合;
将划分好的全部流量块通过线性层映射到高维的空间得到初始向量
Figure SMS_74
Figure SMS_75
其中
Figure SMS_76
为位置编码向量,/>
Figure SMS_77
为时间维度编码向量,/>
Figure SMS_78
为/>
Figure SMS_79
集合内的时间序列;
然后将初始向量
Figure SMS_80
通过多层的Transformer层进行时空特征提取,其中Transformer层核心为动态时空关联模块,同时进行空间维度上和时间维度上的注意力运算,先计算对应的Q、K、V,
Figure SMS_81
Figure SMS_82
Figure SMS_83
其中
Figure SMS_84
代表归一化层,特征维度为D维;
再计算时空关联注意力,
Figure SMS_85
其中
Figure SMS_86
代表softmax激活函数,/>
Figure SMS_87
表示为块的数量,/>
Figure SMS_88
表示每个块被计算
Figure SMS_89
次在时间和空间上,最后经过残差连接方式将向量与MPL层链接,得到流量图的时空流量特征/>
Figure SMS_90
Figure SMS_91
S3、流量特征重构:
为预测多个时间片段的流量图,本实施例提出重构的技术,将已知的时空流量特征
Figure SMS_92
与未知的多个时间段的特征{/>
Figure SMS_93
/>
Figure SMS_94
/>
Figure SMS_95
}进行一个有序的合并,
Figure SMS_96
其中
Figure SMS_97
表示为一个线性映射,/>
Figure SMS_98
是一个重新排列函数将所有的块按照对应的时间顺序排序,/>
Figure SMS_99
是其排序后的新的位置编码;
合并后继续经过Transformer层的,将已知和未知的特征进行多次的注意力运算,得到学习好的未来时刻流量图特征
Figure SMS_100
S4、交通流量预测:
将步骤S3最后得到的未来时刻流量图特征
Figure SMS_101
依据预测像素值来重构缺失的流量,步骤S3获得不同时刻下每个块的流量特征中每个元素是一个块的像素值向量,全部的预测流量特征通过线性层映射、重塑组成一组2D交通流量图{
Figure SMS_102
},
Figure SMS_103
其中
Figure SMS_104
表示一个重塑函数将所有的块重新组合成为2D平面交通流量图,/>
Figure SMS_105
表示为线性映射;
S5、联合训练:
动态时空关联损失函数
Figure SMS_106
为本实施例用于约束时空注意力模块的损失函数,将周期性时间下同一块对所有空间区域的注意力计算特征相互拉进,不同时间下特征相互拉远,
Figure SMS_107
其中
Figure SMS_108
表示为周期性的多个时间片段内的流量图特征;
将动态时空关联损失函数与均方根误差加权和作为总的损失函数,进行整个网络训练,
Figure SMS_109
其中
Figure SMS_110
为超参数;并且为了加快训练速度,本实施例采用预训练-微调策略,先在分割好的部分数据集上进行预训练模型,然后再整个训练集上进行微调,可以更快的收敛模型,降低模型的训练难度;
S6、停车场选址:
利用历史时刻的流量图{
Figure SMS_111
}和预测的未来一段时间的流量信息{/>
Figure SMS_112
}进行加权求和计算获得每个区域的得分,权重函数为/>
Figure SMS_113
其中/>
Figure SMS_114
为超参数,一般设置为1,而/>
Figure SMS_115
对应距离当前时刻的时间片段的数量,即历史时刻距当前时刻为负时间片段数量,未来时刻距当前时刻为正时间片段数量,将全部时刻的流量图与对应权重的乘积累加得到/>
Figure SMS_116
,最后依据网格区域评分策略,并结合现实场景的限制选择指定区域内得分最高的地址作为停车场选址。
本文中未详细说明的算法和计算过程均为本领域通用技术。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的,因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。

Claims (5)

1.一种基于动态时空关联学习的交通流量预测与停车场选址方法,其特征在于,具体包括以下步骤:
S1、将全部的历史时刻的流量图按照时间维度上的临近性、周期性以及趋势性原则进行挑选,将挑选出来的流量图整合为新数据集;
S2、将步骤S1中全部的历史时刻的流量图进行分块操作得到流量块,并将分好的全部流量块通过线性层映射到高维的空间进行空间和位置的编码,然后通过多层的包含动态时空关联模块的Transformer层,得到流量图的时空流量特征,具体过程为:
将t时刻的每个流量图
Figure QLYQS_1
划分为2D块/>
Figure QLYQS_2
,其中H、W、C分别对应流量图的高度、宽度和通道数,P对应块的尺寸,/>
Figure QLYQS_3
为块的数量,同样对全部数据集中流量图进行分块操作得{
Figure QLYQS_4
,/>
Figure QLYQS_5
},用/>
Figure QLYQS_6
表示该集合;
将划分好的全部流量块通过线性层映射到高维的空间得到初始向量
Figure QLYQS_7
其中/>
Figure QLYQS_8
为位置编码向量,/>
Figure QLYQS_9
为时间维度编码向量,
Figure QLYQS_10
为/>
Figure QLYQS_11
集合内的时间序列;
然后将初始向量
Figure QLYQS_12
通过多层的Transformer层进行时空特征提取,其中Transformer层核心为动态时空关联模块,同时进行空间维度上和时间维度上的注意力运算,先计算对应的Q、K、V,
Figure QLYQS_13
Figure QLYQS_14
Figure QLYQS_15
其中
Figure QLYQS_16
代表归一化层,特征维度为D维;再计算时空关联注意力,
Figure QLYQS_17
其中
Figure QLYQS_18
代表softmax激活函数,/>
Figure QLYQS_19
表示为块的数量,/>
Figure QLYQS_20
表示每个块被计算
Figure QLYQS_21
次在时间和空间上,最后经过残差连接方式将向量与MPL层链接,得到流量图的时空流量特征/>
Figure QLYQS_22
S3、将步骤S2得到的已知的时空流量特征与未知的多个时间段的特征进行排序重构后送入包含空间注意力模块的Transformer层,得到未来时刻流量图特征,具体过程为:将已知的时空流量特征特征
Figure QLYQS_23
与未知的多个时间段的特征{/>
Figure QLYQS_24
Figure QLYQS_25
Figure QLYQS_26
}进行一个有序的合并,
Figure QLYQS_27
其中
Figure QLYQS_28
表示为一个线性映射,/>
Figure QLYQS_29
是一个重新排列函数将所有的块按照对应的时间顺序排序,/>
Figure QLYQS_30
是其排序后的新的位置编码;合并后继续经过Transformer层的,将已知和未知的特征进行多次的注意力运算,得到学习好的未来时刻流量图特征
Figure QLYQS_31
S4、将步骤S3得到的未来时刻流量图特征通过映射恢复为未来一段时间内的城市交通流量图;
S5、将动态时空关联损失函数与均方根误差加权和作为总的损失函数,采用训练集进行整个网络训练;
S6、根据已获得的未来一段时间的流量,综合历史时刻的城市交通流量信息,设计网格区域评分策略,依据评分选择合适的停车场地址。
2.根据权利要求1所述基于动态时空关联学习的交通流量预测与停车场选址方法,其特征在于,步骤S1的具体过程为:
定义预测目标为一系列时刻的完整的流量图{
Figure QLYQS_32
},其中k表示未来时刻的预测片段数量,t表示当前预测的时刻,/>
Figure QLYQS_33
为t时刻的流量图,临近性表示为时间上接近t的时间,对应的流量图{/>
Figure QLYQS_34
},其中c表示为临近时刻片段的数量;周期性表示为t时刻的历史周期片段,对应的流量图{/>
Figure QLYQS_35
},其中z表示一周的时间片段数量,e表示周期性的片段数量;趋势性表示为t时刻的遥远时刻的历史片段,一般为月间隔,对应的流量图为{/>
Figure QLYQS_36
},其中m为一个月的时间片段数量,d表示为趋势性的片段数量;
再将所有挑选出的时间片段在时间维度上按先后顺序排列组合成新数据集{
Figure QLYQS_37
,/>
Figure QLYQS_38
}。
3.根据权利要求2所述基于动态时空关联学习的交通流量预测与停车场选址方法,其特征在于,步骤S4的具体过程为:将步骤S3最后得到的未来时刻流量图特征
Figure QLYQS_39
依据预测像素值来重构缺失的流量,将全部的预测流量特征通过线性层映射、重塑组成一组2D交通流量图{/>
Figure QLYQS_40
},
Figure QLYQS_41
其中
Figure QLYQS_42
表示一个重塑函数将所有的块重新组合成为2D平面交通流量图,/>
Figure QLYQS_43
表示为线性映射。
4.根据权利要求3所述基于动态时空关联学习的交通流量预测与停车场选址方法,其特征在于,步骤S5所述总的损失函数为:
Figure QLYQS_44
其中
Figure QLYQS_45
为超参数;/>
Figure QLYQS_46
,/>
Figure QLYQS_47
表示为周期性的多个时间片段内的流量图特征。
5.根据权利要求4所述基于动态时空关联学习的交通流量预测与停车场选址方法,其特征在于,步骤S6的具体过程为:
利用历史时刻的流量图{
Figure QLYQS_49
,/>
Figure QLYQS_51
,/>
Figure QLYQS_53
}和预测的未来一段时间的流量信息{/>
Figure QLYQS_50
}进行加权求和计算获得每个区域的得分,权重函数为/>
Figure QLYQS_52
其中/>
Figure QLYQS_54
为超参数,/>
Figure QLYQS_55
对应距离当前时刻的时间片段的数量,即历史时刻距当前时刻为负时间片段数量,未来时刻距当前时刻为正时间片段数量,将全部时刻的流量图与对应权重的乘积累加得到
Figure QLYQS_48
,最后依据网格区域评分策略,并结合现实场景的限制选择指定区域内得分最高的地址作为停车场选址。
CN202310307629.XA 2023-03-28 2023-03-28 基于动态时空关联学习的交通流量预测与停车场选址方法 Active CN116029463B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310307629.XA CN116029463B (zh) 2023-03-28 2023-03-28 基于动态时空关联学习的交通流量预测与停车场选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310307629.XA CN116029463B (zh) 2023-03-28 2023-03-28 基于动态时空关联学习的交通流量预测与停车场选址方法

Publications (2)

Publication Number Publication Date
CN116029463A CN116029463A (zh) 2023-04-28
CN116029463B true CN116029463B (zh) 2023-07-14

Family

ID=86089547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310307629.XA Active CN116029463B (zh) 2023-03-28 2023-03-28 基于动态时空关联学习的交通流量预测与停车场选址方法

Country Status (1)

Country Link
CN (1) CN116029463B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006123903A1 (en) * 2005-05-18 2006-11-23 Lg Electronics Inc. Fourniture d'information de trafic comprenant des sous liaisons de liaisons
CN107705004A (zh) * 2017-09-26 2018-02-16 广东轻工职业技术学院 一种城市加油站选址方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110365B (zh) * 2009-12-28 2013-11-06 日电(中国)有限公司 基于时空关系的路况预测方法和系统
JP2019220048A (ja) * 2018-06-22 2019-12-26 株式会社日立製作所 交通流予測装置及び交通流予測システム
CN110310479A (zh) * 2019-06-20 2019-10-08 云南大学 一种城市交通流量预测系统及方法
CN115587454A (zh) * 2022-10-24 2023-01-10 北京工商大学 基于改进Transformer模型的交通流量长时预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006123903A1 (en) * 2005-05-18 2006-11-23 Lg Electronics Inc. Fourniture d'information de trafic comprenant des sous liaisons de liaisons
CN107705004A (zh) * 2017-09-26 2018-02-16 广东轻工职业技术学院 一种城市加油站选址方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GA的公共停车场选址模型研究;郭涛;杨涛;;交通运输工程与信息学报(第01期);全文 *

Also Published As

Publication number Publication date
CN116029463A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN109410575B (zh) 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
Guo et al. Deep spatial–temporal 3D convolutional neural networks for traffic data forecasting
Korkmaz SolarNet: A hybrid reliable model based on convolutional neural network and variational mode decomposition for hourly photovoltaic power forecasting
CN109657839B (zh) 一种基于深度卷积神经网络的风电功率预测方法
Li et al. Autost: Efficient neural architecture search for spatio-temporal prediction
CN110766942B (zh) 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
Shen et al. Research on traffic speed prediction by temporal clustering analysis and convolutional neural network with deformable kernels (May, 2018)
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
CN112417752B (zh) 基于卷积lstm神经网络的云层轨迹预测方法及系统
CN114004428B (zh) 一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统
CN115662128A (zh) 一种基于注意力机制的动态时空神经网络交通流量预测方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN115841625A (zh) 一种基于改进U-Net模型的遥感建筑物影像提取方法
Dai et al. Attention based simplified deep residual network for citywide crowd flows prediction
CN114493034A (zh) 一种面向区域流量预测的时空全局语义表示学习方法
CN116029463B (zh) 基于动态时空关联学习的交通流量预测与停车场选址方法
Tang et al. SPRNN: A spatial–temporal recurrent neural network for crowd flow prediction
CN111524358A (zh) 一种区域辐射性交通流量预测方法
CN115840261A (zh) 一种台风降水短临预测模型优化及预测方法
Di et al. An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM
Li et al. LSTN: long short-term traffic flow forecasting with transformer networks
CN112633579B (zh) 一种基于域对抗的交通流迁移预测方法
CN113034195A (zh) 一种基于卷积网络和非局部网络的网约车需求预测方法
Shen et al. Fine-grained urban flow prediction via a spatio-temporal super-resolution scheme
Hu et al. A simplified deep residual network for citywide crowd flows 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