CN116050672B - 基于人工智能的城市管理方法及系统 - Google Patents

基于人工智能的城市管理方法及系统 Download PDF

Info

Publication number
CN116050672B
CN116050672B CN202310331864.0A CN202310331864A CN116050672B CN 116050672 B CN116050672 B CN 116050672B CN 202310331864 A CN202310331864 A CN 202310331864A CN 116050672 B CN116050672 B CN 116050672B
Authority
CN
China
Prior art keywords
road
traffic flow
representing
target
information
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
CN202310331864.0A
Other languages
English (en)
Other versions
CN116050672A (zh
Inventor
伏刚
张继波
伏晓梅
杨侗达
李欣
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.)
Shandong Yinhe Construction Technology Co ltd
Original Assignee
Shandong Yinhe Construction Technology 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 Shandong Yinhe Construction Technology Co ltd filed Critical Shandong Yinhe Construction Technology Co ltd
Priority to CN202310331864.0A priority Critical patent/CN116050672B/zh
Publication of CN116050672A publication Critical patent/CN116050672A/zh
Application granted granted Critical
Publication of CN116050672B publication Critical patent/CN116050672B/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
    • G08G1/065—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供一种基于人工智能的城市管理方法及系统，包括将城市路网中目标路段抽象为节点，将目标路段的连接关系抽象为连接边，构建所述城市路网的道路拓扑图，基于所述道路拓扑图以及与所述道路拓扑图对应的邻接矩阵，构建道路空间信息；确定所述目标路段中关联路段在预设时间周期的历史交通流量，基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测，其中，所述关联路段用于指示所述目标路段中关联度大于预设关联阈值的两个路段；基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划。

Description

基于人工智能的城市管理方法及系统
技术领域
本公开涉及人工智能技术领域，尤其涉及一种基于人工智能的城市管理方法及系统。
背景技术
随着社会经济的快速发展以及城市化进程的快速推进， 城市发展面临道路交通压力逐年增大、交通拥挤与堵塞现象日趋严重的困局，如何解决交通拥堵问题成了智慧城市建设中的一道难题，基于智慧城市建设中的数据挖掘和人工智能深度学习，以海量交通数据为基础，可以分析道路交通运行的规律性和相似性，建立智能学习模型，通过机器学习去预 测流量、拥堵等多项交通参数。
在智慧城市交通建设中，用采集收集到的交通数据前瞻性地预测未来短期交通流量变化，能高效提升城市道路的利用率，智能化缓解城市拥堵，交通出行更轻松。目前统计方法模型、单独机器学习模型和深度学习模型是短时交通流量预测方法经常采用的三类方法。目前的方法主要存在如下问题：
传统路径规划策略具有诱导局限性。以导航系统为例的路径规划策略主 要以实时路网状态进行路径规划，且现实应用中驾驶员得到的信息实际为 3~5min前的道路状态，由于交通系统是一个复杂多用户系统且具有强时空依赖性的特点，对于空间依赖性上，相距较远的道路交通状态可以通过传递效应相互影响；对于时间依赖性上，交通流量随着周期和出行趋势随时间动态变化，例如周末的出行量相比工作日在全天更加均衡，而工作日则会出现早晚通勤高峰现象，判断未来路况实际仍然不准确。
发明内容
本公开实施例提供一种基于人工智能的城市管理方法及系统，能够解决现有技术对于交通流量预测不准以及道路规划不够合理的问题。
本公开实施例的第一方面，
提供一种基于人工智能的城市管理方法，包括：
将城市路网中目标路段抽象为节点，将目标路段的连接关系抽象为连接边，构建所述城市路网的道路拓扑图，基于所述道路拓扑图以及与所述道路拓扑图对应的邻接矩阵，构建道路空间信息；
确定所述目标路段中关联路段在预设时间周期的历史交通流量，基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测，其中，所述关联路段用于指示所述目标路段中关联度大于预设关联阈值的两个路段；
基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划。
在一种可选的实施方式中，
所述交通流量预测模型包括第一特征提取模块和第二特征提取模块，
所述基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测包括：
通过所述第一特征提取模块提取所述历史交通流量对应的第一特征信息，通过所述第二特征提取模块提取所述道路空间信息对应的第二特征信息；
将所述第一特征信息和所述第二特征信息进行融合，得到融合特征信息，将所述融合特征信息输入所述交通流量预测模型的学习器中输出短时交通流量预测结果，其中，所述方法还包括训练所述交通流量预测模型：
将预先获取的训练数据集输入待训练的交通流量预测模型的当前学习器中，结合所述当前学习器之前的多个之前的多个学习器的累加结果，确定所述训练数据集对应的前向分布；
将待训练的交通流量预测模型的损失函数的负梯度作为下降方向迭代优化所述训练数据集对应的前向分布，直至满足迭代次数或者所述交通流量预测模型的预测精度。
在一种可选的实施方式中，
所述通过所述第一特征提取模块提取所述历史交通流量对应的第一特征信息包括：
确定所述历史交通流量经过所述第一特征提取模块中每一卷积层的卷积输出信息，以及所述历史交通流量经过所述第一特征提取模块中每一隐藏层的隐藏向量得分；
根据所述隐藏向量得分确定所述历史交通流量对应的注意力权重值，基于所述注意力权重值以及所述卷积输出信息确定所述历史交通流量对应的第一特征信息；
其中，确定所述历史交通流量对应的第一特征信息如下公式所示：
Figure SMS_1
其中，
Figure SMS_2
表示t时刻的第一特征信息，T表示总时长，/>
Figure SMS_3
表示t时刻卷积模块中第s层对应的卷积输出信息，/>
Figure SMS_4
、/>
Figure SMS_5
分别表示卷积模块和长短期记忆模块对应的权重，/>
Figure SMS_6
、/>
Figure SMS_7
分别表示t-1时刻长短期记忆模块和卷积模块对应的输出。
在一种可选的实施方式中，
所述通过所述第二特征提取模块提取所述道路空间信息对应的第二特征信息包括：
基于所述第二特征提取模块的共享注意力机制确定所述道路空间信息中每个节点与其相邻节点的相关性；
结合所述道路空间信息对应的变换矩阵，以及非线性激活函数，确定所述道路空间信息对应的第二特征信息；
其中，确定所述第二特征信息的方法如下公式所示：
Figure SMS_8
其中，E表示第二特征信息，G表示道路拓扑图，A表示道路拓扑图对应的邻接矩阵，
Figure SMS_9
表示道路空间信息对应的变换矩阵，/>
Figure SMS_10
表示超参数， />
Figure SMS_11
表示每个节点与其相邻节点的相关性， />
Figure SMS_12
表示非线性激活函数。
在一种可选的实施方式中，
结合所述当前学习器之前的多个弱学习器的累加结果，确定所述训练数据集对应的前向分布，将待训练的交通流量预测模型的损失函数的负梯度作为下降方向迭代优化所述训练数据集对应的前向分布，直至满足迭代次数或者所述交通流量预测模型的预测精度包括：
多个弱学习器的累加结果表示为：
Figure SMS_13
其中，
Figure SMS_14
表示多个弱学习器的累加结果，x表示输入弱学习器的输入值，/>
Figure SMS_15
表示多个弱学习器的输出值，M表示弱学习器的个数， />
Figure SMS_16
表示第i个弱学习器的在所有学习器中所占比重， />
Figure SMS_17
表示第i个弱学习器的学习参数；
确定所述训练数据集对应的前向分布如下公式所示：
Figure SMS_18
其中，N表示迭代次数，
Figure SMS_19
表示弱学习器的最优参数；
将待训练的交通流量预测模型的损失函数的负梯度作为下降方向迭代优化所述训练数据集对应的前向分布如下公式所示：
Figure SMS_20
其中，LOSS表示损失函数，
Figure SMS_21
表示损失函数的负梯度。
在一种可选的实施方式中，
所述基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划包括：
基于经过所述目标路段的目标车辆的当前节点，将所述短时交通流量、目的地信息，以及影响路径规划的影响因素作为所述路阻函数的因变量设置所述路阻函数，并以所述最短经过时间为目标，迭代求解所述路阻函数，直至所述路阻函数的参数满足预设条件，输出路径规划策略。
在一种可选的实施方式中，
所述路阻函数如下公式所示：
Figure SMS_22
其中，L表示路阻函数的输出值，
Figure SMS_23
表示目标车辆的当前节点对应的道路拓扑图，
Figure SMS_24
表示目标车辆的当前节点， />
Figure SMS_25
表示目的地信息， />
Figure SMS_26
表示影响路径规划的影响因素， />
Figure SMS_27
表示预测短时交通流量信息。
本公开实施例的第二方面，
提供一种基于人工智能的城市管理系统，包括：
第一单元，用于将城市路网中目标路段抽象为节点，将目标路段的连接关系抽象为连接边，构建所述城市路网的道路拓扑图，基于所述道路拓扑图以及与所述道路拓扑图对应的邻接矩阵，构建道路空间信息；
第二单元，用于确定所述目标路段中关联路段在预设时间周期的历史交通流量，基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测，其中，所述关联路段用于指示所述目标路段中关联度大于预设关联阈值的两个路段；
第三单元，用于基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划。
本公开实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本公开实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本申请的基于人工智能的城市管理方法，为捕获道路空间信息与所述历史交通流量时间属性邻近性与周期性特征，通过提取局部的空间特征，并挖掘潜在的流量规律，进一步提取道路空间信息与所述历史交通流量在时序上的依赖关系与空间维度的特征，其中，历史交通流量对应特征的作用就是为了提取数据时间维度的特征，而道路空间信息对应的特征就是为了刻画影响流量变化空间上的因素，而最终的输出融合特征就是通过卷积的方式将两者进行融合，联结起来反映时空维度的相互作用，能够有效避免因模型结构复杂而导致的训练时长过长等问题，加强交通流量预测模型对时空特征的提取准确性。
本申请的交通流量预测模型，对训练样本进行采样，能够实现在保留大梯度样本的同时减少小梯度样本采样，降低样本维度、减少样本加速模型训练从而降低决策树生成的复杂性；进一步通过减少特征个数使数据规模进一步变小，用于减少较高特征维度下缩减数据要素的数量，并从要素规模角度优化算法复杂度。
附图说明
图1为本公开实施例基于人工智能的城市管理方法的流程示意图；
图2为本公开实施例基于人工智能的城市管理系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通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，都属于本公开保护的范围。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本公开实施例基于人工智能的城市管理方法的流程示意图，如图1所示，所述方法包括：
S101. 将城市路网中目标路段抽象为节点，将目标路段的连接关系抽象为连接边，构建所述城市路网的道路拓扑图，基于所述道路拓扑图以及与所述道路拓扑图对应的邻接矩阵，构建道路空间信息；
示例性地，对城市交通流量的时间特性分析的大量研究表明，城市交通流量具有邻近性、日周期性和周周期性。邻近性是指交通流在t时刻的值与t时刻之前的值存在一定的相关性，即同一变量在不同时刻的取值存在相关性。城市交通流量遵循着日周期模式和周周期模式，其中，日周期模式指的是相邻两天的交通流量有很强的相关性，周周期模式指的是每周的交通流量变化趋势是一致的。
本申请将城市路网中目标路段抽象为节点
Figure SMS_28
，将目标路段的连接关系抽象为连接边 />
Figure SMS_29
，基于节点和连接边构建城市路网的道路拓扑图 />
Figure SMS_30
。
对于城市交通而言，节点间距离越近，其空间相关性越强，可以通过反距离加权方式构建邻接矩阵，具体地，两个节点的距离可以通过第一节点距离、第二节点距离以及第三节点距离三种方式进行综合表示，其中，dist1第一节点距离用于指示两节点间的空间绝对距离，dist2第二节点距离用于指示车辆在实际行驶过程中起点到终点的最短行驶距离，dist3第三节点距离用于指示起点到终点经过的最少交叉口所需的距离。其中，本申请中道路拓扑图对应的邻接矩阵可以表示为：
Figure SMS_31
其中，
Figure SMS_32
、 />
Figure SMS_33
、/>
Figure SMS_34
分别表示第一节点距离、第二节点距离以及第三节点距离对应的距离系数。
本申请中基于所述道路拓扑图以及与所述道路拓扑图对应的邻接矩阵，构建空间特征值可以包括：
Figure SMS_35
其中，K表示空间特征值，f表示空间映射函数，W表示道路拓扑图对应的学习系数。
S102. 确定所述目标路段中关联路段在预设时间周期的历史交通流量，基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测；
示例性地，所述关联路段用于指示所述目标路段中关联度大于预设关联阈值的两个路段，本申请的交通流量预测模型可以包括多个模型混合而成的模型，其框架可以包括深度学习的模型框架。
城市交通路网流量的时空变化幅度大，路段间关联度高，如只考虑时间相关性，仅采用相邻路段进行预测不具备适用性。本申请的方法在考虑时间相关性的同时，充分考虑城市路段间的空间相关性，提高模型中输入矩阵的有效性。
为了提高短时交通流量预测的准确性以及降低预测所需的计算量，可以进一步确定目标路段中的关联路段，筛除部分相关性不强的路段，具体地，
从目标路段中提取的历史车辆行驶轨迹，对历史车辆行驶轨迹中所包含的所有路段计算路段支持度，其中，路段支持度用于指示路段在历史车辆行驶轨迹中出现的频次，路段支持度计算公式如下：
Figure SMS_36
其中，
Figure SMS_37
表示路段 />
Figure SMS_38
对应的路段支持度， />
Figure SMS_39
表示历史车辆行驶轨迹中出现路段
Figure SMS_40
的总和， />
Figure SMS_41
表示历史车辆行驶轨迹的总和。
为了提高运算效率，同时使信息挖掘更准确，对路段支持度较低的路段进行剪枝，将路段支持度
Figure SMS_42
小于支持度阈值的路段进行剪枝删除，组成新的路段集合，对新集合中任意两个路段计算关联支持度，计算公式如下：
Figure SMS_43
其中，G表示任意两个路段计算关联支持度，K表示路段的总数量，
Figure SMS_44
、/>
Figure SMS_45
分别表示历史车辆行驶轨迹中出现路段 />
Figure SMS_46
、/>
Figure SMS_47
的总和，/>
Figure SMS_48
表示支持度阈值。
在一种可选的实施方式中，
所述交通流量预测模型包括第一特征提取模块和第二特征提取模块，
所述基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测包括：
通过所述第一特征提取模块提取所述历史交通流量对应的第一特征信息，通过所述第二特征提取模块提取所述道路空间信息对应的第二特征信息；
将所述第一特征信息和所述第二特征信息进行融合，得到融合特征信息，将所述融合特征信息输入所述交通流量预测模型的学习器中输出短时交通流量预测结果，其中，所述方法还包括训练所述交通流量预测模型：
将预先获取的训练数据集输入待训练的交通流量预测模型的当前学习器中，结合所述当前学习器之前的多个弱学习器的累加结果，确定所述训练数据集对应的前向分布；
将待训练的交通流量预测模型的损失函数的负梯度作为下降方向迭代优化所述训练数据集对应的前向分布，直至满足迭代次数或者所述交通流量预测模型的预测精度。
实时、准确的交通流量的预测信息在智能交通管理中起着至关重要的作用。不仅可以帮助出行者利用预测信息提前改变自己的出行计划，错开出行高峰，选择更便捷的出行方式，减少时间和金钱成本，还可以预先发现城市中可能发生的交通拥堵，使得交通管理部门提前部署交通，采取有效策略缓解交通拥堵，优化交通分配，有效地控制和应对各种风险，从而达到提高交通的效率和安全性的目的。
但传统的交通流量预测方法是通过时序处理方法，由于模型的局限性，且只能获取交通数据时间上的信息，因此预测性能较差。近年来，深度学习方法己逐渐作用于交通预测领域，但传统的深度学习方法常常只对数据部分属性建模，提取的特征信息不充分，即使对空间信息也进行获取，但提取的空间域的特征过于粗糙，同样也影响预测精度，同时一些外部因素的影响也 未纳入模型的考量。
示例性地，本公开实施例的交通流量预测模型可以包括两个特征提取模块，其中，两个特征提取模块分别用于提取历史交通流量对应的第一特征信息以及道路空间信息对应的第二特征信息。
通过所述第一特征提取模块提取所述历史交通流量对应的第一特征信息，通过所述第二特征提取模块提取所述道路空间信息对应的第二特征信息；
将所述第一特征信息和所述第二特征信息进行融合，得到融合特征信息。
为捕获道路空间信息与所述历史交通流量时间属性邻近性与周期性特征，通过提取局部的空间特征，并挖掘潜在的流量规律，进一步提取道路空间信息与所述历史交通流量在时序上的依赖关系与空间维度的特征，其中，历史交通流量对应特征的作用就是为了提取数据时间维度的特征，而道路空间信息对应的特征就是为了刻画影响流量变化空间上的因素，而最终的输出融合特征就是通过卷积的方式将两者进行融合，联结起来反映时空维度的相互作用，能够有效避免因模型结构复杂而导致的训练时长过长等问题，加强交通流量预测模型对时空特征的提取准确性。
本申请的交通流量预测模型能够预测短时交通流量预测结果，其中，交通流量预测可分为短时预测（小于30 min)和长时预测(大于30 min)，由于交通流量变化迅速，15min内的短时交通流量预测更能满足现实生活需求。
可选地，
多个弱学习器的累加结果可以表示为：
Figure SMS_49
其中，
Figure SMS_50
表示多个弱学习器的累加结果，x表示输入弱学习器的输入值，/>
Figure SMS_51
表示多个弱学习器的输出值，M表示弱学习器的个数，/>
Figure SMS_52
表示第i个弱学习器的在所有学习器中所占比重，/>
Figure SMS_53
表示第i个弱学习器的学习参数；
确定所述训练数据集对应的前向分布可以如下公式所示：
Figure SMS_54
其中，N表示迭代次数，
Figure SMS_55
表示弱学习器的最优参数。
随机取出一些特征对选取出来的特征进行遍历比较，每个特征都有不同的权重，权重越高越容易被选取到，这是为了更好的减少残差，梯度越大说明残差下降的空间和速度很大，因此，可以将损失函数的负梯度作为下降方向迭代优化所述训练数据集对应的前向分布，具体地：
Figure SMS_56
其中，LOSS表示损失函数，
Figure SMS_57
表示损失函数的负梯度。
本申请的交通流量预测模型，对训练样本进行采样，能够实现在保留大梯度样本的同时减少小梯度样本采样，降低样本维度、减少样本加速模型训练从而降低决策树生成的复杂性；进一步通过减少特征个数使数据规模进一步变小，用于减少较高特征维度下缩减数据要素的数量，并从要素规模角度优化算法复杂度。
在一种可选的实施方式中，
所述通过所述第一特征提取模块提取所述历史交通流量对应的第一特征信息包括：
确定所述历史交通流量经过所述第一特征提取模块中每一卷积层的卷积输出信息，以及所述历史交通流量经过所述第一特征提取模块中每一隐藏层的隐藏向量得分；
根据所述隐藏向量得分确定所述历史交通流量对应的注意力权重值，基于所述注意力权重值以及所述卷积输出信息确定所述历史交通流量对应的第一特征信息；
其中，确定所述历史交通流量对应的第一特征信息如下公式所示：
Figure SMS_58
其中，
Figure SMS_59
表示t时刻的第一特征信息，T表示总时长，/>
Figure SMS_60
表示t时刻卷积模块中第s层对应的卷积输出信息，/>
Figure SMS_61
、 />
Figure SMS_62
分别表示卷积模块和长短期记忆模块对应的权重， />
Figure SMS_63
、/>
Figure SMS_64
分别表示t-1时刻长短期记忆模块和卷积模块对应的输出。
示例性地，本申请的第一特征提取模块可以包括基于注意力机制的深度学习模型，其中，第一特征提取模块进一步包括卷积神经网络模块、长短期记忆模块、注意力机制模块以及输出层，卷积神经网络模块用于提取历史交通流量的空间特征，该模块由两个卷积模块组成，每个卷积模块都由一个卷积层和一个池化层组成。长短期记忆模块由两个标准 LSTM 网络组成，用来捕捉历史交通流量的短期时间特征。
首先将每个时间下的注意力值，分配给LSTM在每个时间步的输出结果，然后将它们相加得到历史交通流量对应的第一特征信息，其中，
确定所述历史交通流量经过所述第一特征提取模块中每一隐藏层的隐藏向量得分，如下公式所示：
Figure SMS_65
其中，
Figure SMS_66
表示隐藏向量得分， />
Figure SMS_67
、 />
Figure SMS_68
分别表示卷积模块和长短期记忆模块对应的权重，/>
Figure SMS_69
、 />
Figure SMS_70
分别表示t-1时刻长短期记忆模块和卷积模块对应的输出。
根据所述隐藏向量得分确定所述历史交通流量对应的注意力权重值如下公式所示：
Figure SMS_71
其中，
Figure SMS_72
表示t时刻的注意力权重值，T表示总时长。
基于所述注意力权重值以及所述卷积输出信息确定所述历史交通流量对应的第一特征信息如下公式所示：
Figure SMS_73
其中，
Figure SMS_74
表示t时刻的第一特征信息，T表示总时长， />
Figure SMS_75
分别表示t时刻卷积模块中第s层对应的卷积输出信息， />
Figure SMS_76
表示t时刻隐藏向量得分。
在一种可选的实施方式中，
所述通过所述第二特征提取模块提取所述道路空间信息对应的第二特征信息包括：
基于所述第二特征提取模块的共享注意力机制确定所述道路空间信息中每个节点与其相邻节点的相关性；
结合所述道路空间信息对应的变换矩阵，以及非线性激活函数，确定所述道路空间信息对应的第二特征信息；
其中，确定所述第二特征信息的方法如下公式所示：
Figure SMS_77
其中，E表示第二特征信息，G表示道路拓扑图，A表示道路拓扑图对应的邻接矩阵，
Figure SMS_78
表示道路空间信息对应的变换矩阵，/>
Figure SMS_79
表示超参数，/>
Figure SMS_80
表示每个节点与其相邻节点的相关性， />
Figure SMS_81
表示非线性激活函数。
基于所述第二特征提取模块的共享注意力机制确定所述道路空间信息中每个节点与其相邻节点的相关性可以如下公式所示:
Figure SMS_82
其中，
Figure SMS_84
表示每个节点与其相邻节点的相关性， />
Figure SMS_86
表示节点相关性函数，
Figure SMS_88
、/>
Figure SMS_85
表示相邻的两个节点， />
Figure SMS_87
表示共享注意力机制， />
Figure SMS_89
表示归一化系数，/>
Figure SMS_90
、 />
Figure SMS_83
分别表示相邻节点对应的权重向量。
结合所述道路空间信息对应的变换矩阵，以及非线性激活函数，确定所述道路空间信息对应的第二特征信息可以如下公式所示：
Figure SMS_91
其中，E表示第二特征信息，G表示道路拓扑图，A表示道路拓扑图对应的邻接矩阵，
Figure SMS_92
表示道路空间信息对应的变换矩阵，/>
Figure SMS_93
表示超参数，/>
Figure SMS_94
表示每个节点与其相邻节点的相关性， />
Figure SMS_95
表示非线性激活函数。
通过共享注意力机制和激活函数来捕捉不同层级的信息，结合自适应的方式构建图节点间的拓扑关系，找到不同节点的相关性。最后，融合各个维度信息有利于对未来交通流量进行预测。
S103. 基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划。
在一种可选的实施方式中，
所述基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划包括：
基于经过所述目标路段的目标车辆的当前节点，将所述短时交通流量、目的地信息，以及影响路径规划的影响因素作为所述路阻函数的因变量设置所述路阻函数，并以所述最短经过时间为目标，迭代求解所述路阻函数，直至所述路阻函数的参数满足预设条件，输出路径规划策略。
在一种可选的实施方式中，
所述路阻函数如下公式所示：
Figure SMS_96
其中，L表示路阻函数的输出值，
Figure SMS_97
表示目标车辆的当前节点对应的道路拓扑图，
Figure SMS_98
表示目标车辆的当前节点，/>
Figure SMS_99
表示目的地信息，/>
Figure SMS_100
表示影响路径规划的影响因素，/>
Figure SMS_101
表示预测短时交通流量信息。
示例性地，路径规划结果的好坏取决于综合影响因素考量的选择。交通网络状态的影响因素有很多，使用单一的影响因素可能会导致实验结果出现偏差，而过多的影响因素则会加大计算复杂度。本申请中将目标车辆的当前节点，将所述短时交通流量、目的地信息，以及影响路径规划的影响因素作为所述路阻函数的因变量设置所述路阻函数，其中，影响路径规划的影响因素可以包括交通流密度、车道时间占有率以及车道规划用途中至少一种；进一步地，为了体现各个因变量在函数中的占比，可以对各个因变量设置权重参数，通过权重参数调整路阻函数的输出结果，其中，权重参数的设置方法可以包括主观赋权法、客观赋权法及综合赋权法中至少一种。
可选地，输出路径规划策略可以包括：
从目标车辆的当前节点开始，保留当前节点与其相邻节点的图结构，并将这些邻居节点放入第1状态节点集合X1中；将X1中的每个节点作为新起点进行遍历，保留与其相邻节点的图结构，将集合X1中节点的所有邻居节点放入第2状态节点集合X2中。
再对集合X2中每个节点作为新起点进行遍历，保留与其相邻节点的图结构，一直进行下去，直到遍历完集合X2所有节点，最终形成当前节点对应的道路拓扑图。
按照遍历节点的方式，结合预测短时交通流量信息、目标车辆的当前节点所在的平均车辆速度以及目标路段的整体平均车辆速度，以最短经过时间为目标，依次遍历相邻节点经过的时间，将时间最短的相邻节点作为选定的节点，直至遍历完所有的节点，以此实现迭代求解所述路阻函数，直至所述路阻函数的参数满足预设条件。
本公开实施例的第二方面，
提供一种基于人工智能的城市管理系统，图2为本公开实施例基于人工智能的城市管理系统的结构示意图，包括：
第一单元，用于将城市路网中目标路段抽象为节点，将目标路段的连接关系抽象为连接边，构建所述城市路网的道路拓扑图，基于所述道路拓扑图以及与所述道路拓扑图对应的邻接矩阵，构建道路空间信息；
第二单元，用于确定所述目标路段中关联路段在预设时间周期的历史交通流量，基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测，其中，所述关联路段用于指示所述目标路段中关联度大于预设关联阈值的两个路段；
第三单元，用于基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划。
本公开实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本公开实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，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，或者对其中部分或者全部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公开各实施例技术方案的范围。

Claims (8)

1.一种基于人工智能的城市管理方法，其特征在于，包括：
将城市路网中目标路段抽象为节点，将目标路段的连接关系抽象为连接边，构建所述城市路网的道路拓扑图，基于所述道路拓扑图以及与所述道路拓扑图对应的邻接矩阵，构建道路空间信息；
确定所述目标路段中关联路段在预设时间周期的历史交通流量，基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测，其中，所述关联路段用于指示所述目标路段中关联度大于预设关联阈值的两个路段；
基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划；
所述基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划包括：
基于经过所述目标路段的目标车辆的当前节点，将所述短时交通流量、目的地信息，以及影响路径规划的影响因素作为所述路阻函数的因变量设置所述路阻函数，并以所述最短经过时间为目标，迭代求解所述路阻函数，直至所述路阻函数的参数满足预设条件，输出路径规划策略；
所述路阻函数如下公式所示：
Figure QLYQS_1
；
其中，L表示路阻函数的输出值，
Figure QLYQS_2
表示目标车辆的当前节点对应的道路拓扑图，/>
Figure QLYQS_3
表示目标车辆的当前节点，/>
Figure QLYQS_4
表示目的地信息，/>
Figure QLYQS_5
表示影响路径规划的影响因素，/>
Figure QLYQS_6
表示预测短时交通流量信息。
2.根据权利要求1所述的方法，其特征在于，所述交通流量预测模型包括第一特征提取模块和第二特征提取模块，
所述基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测包括：
通过所述第一特征提取模块提取所述历史交通流量对应的第一特征信息，通过所述第二特征提取模块提取所述道路空间信息对应的第二特征信息；
将所述第一特征信息和所述第二特征信息进行融合，得到融合特征信息，将所述融合特征信息输入所述交通流量预测模型的学习器中输出短时交通流量预测结果，其中，所述方法还包括训练所述交通流量预测模型：
将预先获取的训练数据集输入待训练的交通流量预测模型的当前学习器中，结合所述当前学习器之前的多个弱学习器的累加结果，确定所述训练数据集对应的前向分布；
将待训练的交通流量预测模型的损失函数的负梯度作为下降方向迭代优化所述训练数据集对应的前向分布，直至满足迭代次数或者所述交通流量预测模型的预测精度。
3.根据权利要求2所述的方法，其特征在于，所述通过所述第一特征提取模块提取所述历史交通流量对应的第一特征信息包括：
确定所述历史交通流量经过所述第一特征提取模块中每一卷积层的卷积输出信息，以及所述历史交通流量经过所述第一特征提取模块中每一隐藏层的隐藏向量得分；
根据所述隐藏向量得分确定所述历史交通流量对应的注意力权重值，基于所述注意力权重值以及所述卷积输出信息确定所述历史交通流量对应的第一特征信息；
其中，确定所述历史交通流量对应的第一特征信息如下公式所示：
Figure QLYQS_7
；
其中，
Figure QLYQS_8
表示t时刻的第一特征信息，T表示总时长，/>
Figure QLYQS_9
表示t时刻卷积模块中第s层对应的卷积输出信息，/>
Figure QLYQS_10
、/>
Figure QLYQS_11
分别表示卷积模块和长短期记忆模块对应的权重，/>
Figure QLYQS_12
、/>
Figure QLYQS_13
分别表示t-1时刻长短期记忆模块和卷积模块对应的输出。
4.根据权利要求2所述的方法，其特征在于，所述通过所述第二特征提取模块提取所述道路空间信息对应的第二特征信息包括：
基于所述第二特征提取模块的共享注意力机制确定所述道路空间信息中每个节点与其相邻节点的相关性；
结合所述道路空间信息对应的变换矩阵，以及非线性激活函数，确定所述道路空间信息对应的第二特征信息；
其中，确定所述第二特征信息的方法如下公式所示：
Figure QLYQS_14
；
其中，E表示第二特征信息，G表示道路拓扑图，A表示道路拓扑图对应的邻接矩阵，
Figure QLYQS_15
表示道路空间信息对应的变换矩阵，/>
Figure QLYQS_16
表示超参数，/>
Figure QLYQS_17
表示每个节点与其相邻节点的相关性，
Figure QLYQS_18
表示非线性激活函数。
5.根据权利要求2所述的方法，其特征在于，结合所述当前学习器之前的多个弱学习器的累加结果，确定所述训练数据集对应的前向分布，将待训练的交通流量预测模型的损失函数的负梯度作为下降方向迭代优化所述训练数据集对应的前向分布，直至满足迭代次数或者所述交通流量预测模型的预测精度包括：
多个弱学习器的累加结果表示为：
Figure QLYQS_19
；
其中，
Figure QLYQS_20
表示多个弱学习器的累加结果，x表示输入弱学习器的输入值，/>
Figure QLYQS_21
表示多个弱学习器的输出值，M表示弱学习器的个数，/>
Figure QLYQS_22
表示第i个弱学习器的在所有学习器中所占比重，表示第i个弱学习器的学习参数；
确定所述训练数据集对应的前向分布如下公式所示：
Figure QLYQS_23
；
其中，N表示迭代次数，
Figure QLYQS_24
表示弱学习器的最优参数；
将待训练的交通流量预测模型的损失函数的负梯度作为下降方向迭代优化所述训练数据集对应的前向分布如下公式所示：
Figure QLYQS_25
；
其中，LOSS表示损失函数，
Figure QLYQS_26
表示损失函数的负梯度。
6.一种基于人工智能的城市管理系统，其特征在于，包括：
第一单元，用于将城市路网中目标路段抽象为节点，将目标路段的连接关系抽象为连接边，构建所述城市路网的道路拓扑图，基于所述道路拓扑图以及与所述道路拓扑图对应的邻接矩阵，构建道路空间信息；
第二单元，用于确定所述目标路段中关联路段在预设时间周期的历史交通流量，基于所述道路空间信息与所述历史交通流量，通过预先训练好的交通流量预测模型实现对所述关联路段的短时交通流量预测，其中，所述关联路段用于指示所述目标路段中关联度大于预设关联阈值的两个路段；
第三单元，用于基于所预测的短时交通流量，结合经过所述目标路段的目标车辆的目的地信息设置路阻函数，并以最短经过时间为目标，进行路径规划；
所述第三单元还用于：
基于经过所述目标路段的目标车辆的当前节点，将所述短时交通流量、目的地信息，以及影响路径规划的影响因素作为所述路阻函数的因变量设置所述路阻函数，并以所述最短经过时间为目标，迭代求解所述路阻函数，直至所述路阻函数的参数满足预设条件，输出路径规划策略；
所述路阻函数如下公式所示：
Figure QLYQS_27
；
其中，L表示路阻函数的输出值，
Figure QLYQS_28
表示目标车辆的当前节点对应的道路拓扑图，/>
Figure QLYQS_29
表示目标车辆的当前节点，/>
Figure QLYQS_30
表示目的地信息，/>
Figure QLYQS_31
表示影响路径规划的影响因素，/>
Figure QLYQS_32
表示预测短时交通流量信息。
7.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
CN202310331864.0A 2023-03-31 2023-03-31 基于人工智能的城市管理方法及系统 Active CN116050672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310331864.0A CN116050672B (zh) 2023-03-31 2023-03-31 基于人工智能的城市管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310331864.0A CN116050672B (zh) 2023-03-31 2023-03-31 基于人工智能的城市管理方法及系统

Publications (2)

Publication Number Publication Date
CN116050672A CN116050672A (zh) 2023-05-02
CN116050672B true CN116050672B (zh) 2023-06-20

Family

ID=86131658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310331864.0A Active CN116050672B (zh) 2023-03-31 2023-03-31 基于人工智能的城市管理方法及系统

Country Status (1)

Country Link
CN (1) CN116050672B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758744A (zh) * 2023-06-21 2023-09-15 山东宜鑫致远信息科技有限公司 基于人工智能的智慧城市运维管理方法、系统及存储介质
CN117058888B (zh) * 2023-10-13 2023-12-22 华信纵横科技有限公司 一种交通大数据处理方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020220439A1 (zh) * 2019-04-29 2020-11-05 东北大学 基于深度神经网络的高速公路交通流量状态识别方法
WO2022129421A1 (en) * 2020-12-18 2022-06-23 Imec Vzw Traffic prediction
CN115796007A (zh) * 2022-11-15 2023-03-14 中山大学·深圳 一种基于时空图网络的交通流量预测方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10733877B2 (en) * 2017-11-30 2020-08-04 Volkswagen Ag System and method for predicting and maximizing traffic flow
CN109754605B (zh) * 2019-02-27 2021-12-07 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110322695B (zh) * 2019-07-23 2020-10-09 内蒙古工业大学 一种基于深度学习的短时交通流预测方法
CN111210633B (zh) * 2020-02-09 2021-01-05 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111583639B (zh) * 2020-04-30 2021-05-14 山东交通学院 一种道路交通拥堵预警方法及系统
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN112183862A (zh) * 2020-09-29 2021-01-05 长春理工大学 一种城市路网的交通流量预测方法及系统
CN112950934A (zh) * 2021-01-26 2021-06-11 西安电子科技大学 一种道路拥堵原因识别方法
CN113435658B (zh) * 2021-07-09 2024-04-30 江南大学 一种基于时空融合相关性和注意力机制的交通流预测方法
CN113554878A (zh) * 2021-09-18 2021-10-26 深圳市城市交通规划设计研究中心股份有限公司 一种路段阻抗函数确定方法、计算设备及存储介质
CN114299723B (zh) * 2022-02-15 2022-11-08 北京科技大学 一种交通流量预测方法
CN115206092B (zh) * 2022-06-10 2023-09-19 南京工程学院 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020220439A1 (zh) * 2019-04-29 2020-11-05 东北大学 基于深度神经网络的高速公路交通流量状态识别方法
WO2022129421A1 (en) * 2020-12-18 2022-06-23 Imec Vzw Traffic prediction
CN115796007A (zh) * 2022-11-15 2023-03-14 中山大学·深圳 一种基于时空图网络的交通流量预测方法

Also Published As

Publication number Publication date
CN116050672A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN116050672B (zh) 基于人工智能的城市管理方法及系统
Shu et al. A short-term traffic flow prediction model based on an improved gate recurrent unit neural network
Lazar et al. Learning how to dynamically route autonomous vehicles on shared roads
Tang et al. Spatiotemporal gated graph attention network for urban traffic flow prediction based on license plate recognition data
Coşkun et al. Deep reinforcement learning for traffic light optimization
Ting et al. Freeway travel time prediction using deep hybrid model–taking Sun Yat-Sen freeway as an example
CN115409256B (zh) 基于行程时间预测的拥堵区避让的路径推荐方法
CN113516277B (zh) 一种基于路网动态定价的网联智能交通路径规划方法
Chatterjee et al. Real time traffic delay optimization using shadowed type-2 fuzzy rule base
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN113264064B (zh) 用于交叉路口场景的自动驾驶方法及相关设备
CN114253975A (zh) 一种负载感知的路网最短路径距离计算方法及装置
Cosido et al. Automatic calculation of bicycle routes by combining meta-heuristics and GIS techniques within the framework of smart cities
Verma et al. A systematic review on the advancement in the study of fuzzy variational problems
Wang et al. Modeling crossing behaviors of E-bikes at intersection with deep maximum entropy inverse reinforcement learning using drone-based video data
Hussain et al. Urban traffic flow estimation system based on gated recurrent unit deep learning methodology for Internet of Vehicles
CN116486624A (zh) 基于时空图卷积神经网络的交通流预测方法及系统
Ajani et al. Dynamic path planning approaches based on artificial intelligence and machine learning
CN109741597A (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
CN114267170A (zh) 基于考虑人类流动性的图时空Transformer模型的交通流预测方法
Cao et al. Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM
Ranjan et al. Large-Scale Road Network Congestion Pattern Analysis and Prediction Using Deep Convolutional Autoencoder. Sustainability 2021, 13, 5108
Faqir et al. Deep q-learning approach for congestion problem in smart cities
CN111325414A (zh) 一种基于数据驱动的平行交通预测方法
Mousa et al. Comparative evaluation of tree-based ensemble algorithms for short-term travel time 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