CN116187591B - 基于动态时空趋势的商业停车场剩余车位数量预测方法 - Google Patents

基于动态时空趋势的商业停车场剩余车位数量预测方法 Download PDF

Info

Publication number
CN116187591B
CN116187591B CN202310464267.5A CN202310464267A CN116187591B CN 116187591 B CN116187591 B CN 116187591B CN 202310464267 A CN202310464267 A CN 202310464267A CN 116187591 B CN116187591 B CN 116187591B
Authority
CN
China
Prior art keywords
parking lot
parking
data
area
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.)
Active
Application number
CN202310464267.5A
Other languages
English (en)
Other versions
CN116187591A (zh
Inventor
刘寒松
王永
王国强
刘瑞
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 CN202310464267.5A priority Critical patent/CN116187591B/zh
Publication of CN116187591A publication Critical patent/CN116187591A/zh
Application granted granted Critical
Publication of CN116187591B publication Critical patent/CN116187591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通技术领域，涉及一种基于动态时空趋势的商业停车场剩余车位数量预测方法，先将停车场进行区域划分，收集每个区域停车场数据，并对停车场数据预处理和划分；再提取停车场各区域动态时空特征和额外特征；然后使用Cross‑attention融合停车场各区域时空特征和额外特征，将融合后的特征采用lstm网络预测将来一定时间内停车场各区域剩余停车位，得到预测的停车场各区域剩余停车位个数，训练好预测网络模型后，将用户的实时数据和道路实时情况输入训练好的预测网络模型中，根据用户位置获得停车场各区域停车位剩余量；通过融合停车场时空特征和额外特征，对剩余车位数量进行精准预测。

Description

基于动态时空趋势的商业停车场剩余车位数量预测方法
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趋势的商业停车场剩余车位数量预测方法。
背景技术
随着经济发展和人们生活水平的日益提高，各地区的骑车数量稳步增长。随着汽车数量的增多，停车的需求变的复杂多样，停车管理难度也随之加大，对于商业停车场剩余车位数量预测显得尤为重要。
针对商业停车场剩余车位预测问题，目前基于深度学习的推荐方法获得了比较好的推荐结果和运行效率，但由于剩余车位数不断更新，且更新会有一定延时性，用户看到的剩余车位数与到达停车场的有效剩余车位数往往不一致，这就会导致用户再次寻找停车场的情况发生。因此，如何从泊车大数据中挖掘有效的泊车用户行为特征和规律，并准确预测用户到达停车场时的剩余车位数，从而辅助用户选择最佳停车场，成为缓解动态交通压力的主要工作之一。
发明内容
为解决上述问题，本发明提供一种基于动态时空趋势的商业停车场剩余车位数量预测方法，提高商业停车场剩余车位数量预测准确性。
为实现上述目的，本发明实现商业停车场剩余车位预测的过程具体包括以下步骤：
将停车场进行区域划分，收集每个区域停车场数据；
对停车场数据预处理并划分为训练集、验证集和测试集三个数据集；
提取停车场各区域动态时空特征和额外特征；
使用Cross-attention融合停车场各区域时空特征和额外特征，得到融合后的停车场高级语义特征；
根据融合后的停车场高级语义特征，采用lstm网络预测将来一定时间内停车场各区域剩余停车位，得到预测的停车场各区域剩余停车位个数；
训练预测网络模型，得到训练好的预测网络模型；
将用户的实时数据和道路实时情况输入训练好的预测网络模型中，根据用户位置获得停车场各区域停车位剩余量。
作为本发明的进一步技术方案，停车场进行区域划分时，将每个停车场划分为
Figure SMS_1
的区域，代表停车场不同的区域。
作为本发明的进一步技术方案，所述停车场数据从不同数据源收集，根据停车场的记录获得停车场各个区域停车剩余车位数据以及周边道路交通情况构成停车场数据集；从城市信息中心获得每个时刻的天气、节假日数据构成实时数据集；从停车APP和停车场管理数据中提取用户需求数据构成用户需求数据集；停车场实时记录每个时间段的停车情况，对应的天气节假日信息、周边道路车辆情况，每天晚上24点收集前一天每个时间段的停车场数据，更新到历史停车场停车数据中并保存。
作为本发明的进一步技术方案，对停车场数据预处理时，停车场数据中的天气、节假日数据使用独热编码进行处理。
作为本发明的进一步技术方案，划分数据集时，先根据每条用户需求信息，找到用户发出需求请求时间前两个小时到现在的实时停车场各区域剩余车位数据、前一周对应周期停车场各区域剩余车位数据、天气节假日信息和周边道路情况数据，再将找到的周边道路情况数据U、停车场各区域剩余车位数据P和天气节假日信息C构造三元组<U，P，C>，此三元组将用于预测未来一定时间内停车场各区域停车位，最后将所有数据集数据划分为训练集、验证集和测试集。
作为本发明的进一步技术方案，所述停车场各区域动态时空特征包括动态空间特征和动态时间特征，动态空间特征提取时采用Transformer空间特征提取算法进行提取，先给停车场每个区域加入一个区域编码以区分不同区域，将停车场每个区域周边道路情况作为查询信息Q，当前时刻加入区域编码的停车场各区域信息K和当前时刻停车场各区域实时信息V，通过Attention操作获得当前区域和不同区域的相似关系，以及停车场不同区域周边道路影响情况，并根据权重关系融合不同道路的特征，获得此时停车场各区域的整体空间变化趋势特征即为动态空间特征：
Figure SMS_2
；动态时间特征提取时通过Transformer时间特征提取算法进行提取，将停车场前两小时停车场剩余车位数据作为Q，前一周对应周期性停车场剩余车位数据作为K，当前时刻停车场各区域实时信息作为V，利用Attention获得当前时刻和过去时刻、周期性时刻的关系并融合过去时刻、周期时刻的特征，获得停车场剩余车位的实时变化特征，即为动态时间特征，将动态空间特征通过layer_norm标准化后与动态时间特征按位相加，获得停车场各区域动态时空特征。
作为本发明的进一步技术方案，所述额外特征是将天气节假日特征和距离特征合在一起得到的，将表示天气、节假日的独热编码通过多层感知机制提取实时外部特征，并将实时停车场利用率数据和实时外部特征拼接，获得随实际变化的天气节假日特征；根据用户位置利用Haversine公式计算用户到每个停车场的距离，用户的经纬度坐标为
Figure SMS_3
，停车场各区域的坐标为/>
Figure SMS_4
，则用户到停车场各区域的距离特征
Figure SMS_5
。
作为本发明的进一步技术方案，训练预测网络模型时，将预测的停车车场各区域剩余停车位预测个数与停车场各区域真实剩余停车位个数进行比较，使用均方误差作为损失函数：
Figure SMS_6
，
Figure SMS_7
表示一定时间内停车场各区域真实剩余车位个数，/>
Figure SMS_8
表示预测的停车场各区域剩余车位个数，通过最小化损失函数使用户实际选择的停车场的预测分数最大，完成预测网络模型的训练。
与现有技术相比，本发明具有如下有益效果：通过获取的停车场时间和空间信息，并融合额外天气节假日信息，对停车场、停车楼各层、各区域的车位占用情况以及剩余车位数量进行精准预测，避免因用户看到的剩余车位数与到达停车场的有效剩余车位数不一致，导致用户再次寻找停车场的情况发生，缓解一定的交通压力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于动态时空趋势的商业停车场剩余车位数量预测方法流程示意图。
图2为本发明所述剩余车位数量预测网络模型框架示意图。
具体实施方式
下面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，本领域的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，都属于本发明保护的范围。
实施例：
如图1和2所示，本实施例采用如图1所示流程和如图2所示预测网络模型实现商业停车场剩余车位数量预测，具体包括以下步骤：
101、将停车场进行区域划分，收集每个区域停车场数据；
将每个停车场划分为
Figure SMS_9
的区域，代表停车场不同的区域，由于不同区域由于附近周边道路不同，停车情况也会有所不同，对于每个时间戳/>
Figure SMS_10
，停车场剩余车位表示为
Figure SMS_11
；
停车场数据从不同数据源收集，根据停车场的记录获得停车场各个区域停车剩余车位数据以及周边道路交通情况构成停车场数据集；从城市信息中心获得每个时刻的天气、节假日数据构成实时数据集；从停车APP和停车场管理数据中提取用户需求数据构成用户需求数据集；
停车场实时记录每个时间段的停车情况，对应的天气节假日信息、周边道路车辆情况，每天晚上24点收集前一天每个时间段的停车场数据，更新到历史停车场停车数据中并保存；
102、对停车场数据预处理并划分为训练集、验证集和测试集三个数据集；
对停车场数据中的天气、节假日数据使用独热编码进行处理，其中节假日信息
Figure SMS_12
扩展成为独热编码，一周七天独热编码一共七维，例如周一表示为/>
Figure SMS_13
；对于天气信息/>
Figure SMS_14
也扩展为独热编码，一共十六种天气类型独热编码一共十六维；
划分数据集时，先根据每条用户需求信息，找到用户发出需求请求时间前两个小时到现在的实时停车场各区域剩余车位数据、前一周对应周期停车场各区域剩余车位数据、天气节假日信息和周边道路情况数据，再将找到的周边道路情况数据U、停车场各区域剩余车位数据P和天气节假日信息C构造三元组<U，P，C>，此三元组将用于预测未来一定时间内停车场各区域停车位，最后将所有数据集数据划分为训练集、验证集和测试集，其中训练集用于训练网络模型，验证集用于训练时验证网络模型的性能，测试集用于测试训练结束后网络模型的性能；
103、提取停车场各区域动态时空特征和额外特征；
停车场各区域动态时空特征包括动态空间特征和动态时间特征，动态空间特征提取时采用Transformer空间特征提取算法，利用停车场各区域停车剩余车位数据和每个区域周边道路信息，来获取停车场各区域剩余车位空间变化趋势特征：
先给停车场每个区域加入一个区域编码以区分不同区域，将停车场每个区域周边道路情况作为查询信息Q，当前时刻加入区域编码的停车场各区域信息K和当前时刻停车场各区域实时信息V，通过Attention操作获得当前区域和不同区域的相似关系，以及停车场不同区域周边道路影响情况，并根据权重关系融合不同道路的特征，获得此时停车场各区域的整体空间变化趋势特征即为动态空间特征：
Figure SMS_15
，动态时间特征提取时通过Transformer时间特征提取算法进行提取，利用过去两个小时的历史停车场剩余车位数据和前一周对应周期性停车场剩余车位数据获得时间变化趋势特征：
将停车场前两小时停车场剩余车位数据作为Q，前一周对应周期性停车场剩余车位数据作为K，当前时刻停车场各区域实时信息作为V，利用Attention获得当前时刻和过去时刻、周期性时刻的关系并融合过去时刻、周期时刻的特征，获得停车场剩余车位的实时变化特征，即为动态时间特征，将动态空间特征通过layer_norm标准化后与动态时间特征按位相加，获得停车场各区域动态时空特征；
将表示天气、节假日的独热编码通过多层感知机制提取实时外部特征，并将实时停车场利用率数据和实时外部特征拼接，获得随实际变化的天气节假日特征；预测网络着重推荐与当前距离断的停车场区域，以便节省用户时间和体力，根据用户的位置利用Haversine公式计算用户到每个停车场的距离，用户的经纬度坐标为
Figure SMS_16
，停车场各区域的坐标为/>
Figure SMS_17
，则用户到停车场各区域的距离特征
Figure SMS_18
，将天气节假日特征和距离特征合在一起即为额外特征；
104、使用Cross-attention融合停车场各区域时空特征和额外特征，得到融合后的停车场高级语义特征；
105、根据融合后的停车场高级语义特征，采用lstm网络预测将来一定时间内停车场各区域剩余停车位，得到预测的停车场各区域剩余停车位个数
Figure SMS_19
；
106、训练预测网络模型，得到训练好的预测网络模型；
将预测的停车车场各区域剩余停车位预测个数与停车场各区域真实剩余停车位个数进行比较，使用均方误差作为损失函数：
Figure SMS_20
，
Figure SMS_21
表示一定时间内停车场各区域真实剩余车位个数，/>
Figure SMS_22
表示预测的停车场各区域剩余车位个数，通过最小化损失函数使用户实际选择的停车场的预测分数最大；
107、将用户的实时数据和道路实时情况输入训练好的预测网络模型中，根据用户位置获得停车场各区域停车位剩余量，并将结果输出。
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 (1)

1.一种基于动态时空趋势的商业停车场剩余车位数量预测方法，其特征在于，具体包括以下步骤：
将停车场进行区域划分，将每个停车场划分为
Figure QLYQS_1
的区域，代表停车场不同的区域，收集每个区域停车场数据；其中停车场数据从不同数据源收集，根据停车场的记录获得停车场各个区域停车剩余车位数据以及周边道路交通情况构成停车场数据集；从城市信息中心获得每个时刻的天气、节假日数据构成实时数据集；从停车APP和停车场管理数据中提取用户需求数据构成用户需求数据集；停车场实时记录每个时间段的停车情况，对应的天气节假日信息、周边道路车辆情况，每天晚上24点收集前一天每个时间段的停车场数据，更新到历史停车场停车数据中并保存；
对停车场数据预处理，其中停车场数据中的天气、节假日数据使用独热编码进行处理，先根据每条用户需求信息，找到用户发出需求请求时间前两个小时到现在的实时停车场各区域剩余车位数据、前一周对应周期停车场各区域剩余车位数据、天气节假日信息和周边道路情况数据，再将将找到的周边道路情况数据U、停车场各区域剩余车位数据P和天气节假日信息C构造三元组<U，P，C>，此三元组将用于预测未来一定时间内停车场各区域停车位，最后将所有数据集数据划分为训练集、验证集和测试集并划分为训练集、验证集和测试集三个数据集；
提取停车场各区域动态时空特征和额外特征；所述停车场各区域动态时空特征包括动态空间特征和动态时间特征，动态空间特征提取时采用Transformer空间特征提取算法进行提取，先给停车场每个区域加入一个区域编码以区分不同区域，将停车场每个区域周边道路情况作为查询信息Q，当前时刻加入区域编码的停车场各区域信息K和当前时刻停车场各区域实时信息V，通过Attention操作获得当前区域和不同区域的相似关系，以及停车场不同区域周边道路影响情况，并根据权重关系融合不同道路的特征，获得此时停车场各区域的整体空间变化趋势特征即为动态空间特征：
Figure QLYQS_2
；动态时间特征提取时通过Transformer时间特征提取算法进行提取，将停车场前两小时停车场剩余车位数据作为Q，前一周对应周期性停车场剩余车位数据作为K，当前时刻停车场各区域实时信息作为V，利用Attention获得当前时刻和过去时刻、周期性时刻的关系并融合过去时刻、周期时刻的特征，获得停车场剩余车位的实时变化特征，即为动态时间特征，将动态空间特征通过layer_norm标准化后与动态时间特征按位相加，获得停车场各区域动态时空特征；所述额外特征是将天气节假日特征和距离特征合在一起得到的，将天气、节假日的独热编码通过多层感知机制提取实时外部特征，并将实时停车场利用率数据和实时外部特征拼接，获得随实际变化的天气节假日特征；根据用户位置利用Haversine公式计算用户到每个停车场的距离，用户的经纬度坐标为/>
Figure QLYQS_3
，停车场各区域的坐标为/>
Figure QLYQS_4
，则用户到停车场各区域的距离特征/>
Figure QLYQS_5
；
使用Cross-attention融合停车场各区域时空特征和额外特征，得到融合后的停车场高级语义特征；
根据融合后的停车场高级语义特征，采用lstm网络预测将来一定时间内停车场各区域剩余停车位，得到预测的停车场各区域剩余停车位个数；
训练预测网络模型，将预测的停车车场各区域剩余停车位预测个数与停车场各区域真实剩余停车位个数进行比较，使用均方误差作为损失函数：
Figure QLYQS_6
，/>
Figure QLYQS_7
表示一定时间内停车场各区域真实剩余车位个数，/>
Figure QLYQS_8
表示预测的停车场各区域剩余车位个数，通过最小化损失函数使用户实际选择的停车场的预测分数最大，得到训练好的预测网络模型；
将用户的实时数据和道路实时情况输入训练好的预测网络模型中，根据用户位置获得停车场各区域停车位剩余量。
CN202310464267.5A 2023-04-27 2023-04-27 基于动态时空趋势的商业停车场剩余车位数量预测方法 Active CN116187591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310464267.5A CN116187591B (zh) 2023-04-27 2023-04-27 基于动态时空趋势的商业停车场剩余车位数量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310464267.5A CN116187591B (zh) 2023-04-27 2023-04-27 基于动态时空趋势的商业停车场剩余车位数量预测方法

Publications (2)

Publication Number Publication Date
CN116187591A CN116187591A (zh) 2023-05-30
CN116187591B true CN116187591B (zh) 2023-07-07

Family

ID=86446593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310464267.5A Active CN116187591B (zh) 2023-04-27 2023-04-27 基于动态时空趋势的商业停车场剩余车位数量预测方法

Country Status (1)

Country Link
CN (1) CN116187591B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272849B (zh) * 2023-11-22 2024-02-02 上海随申行智慧交通科技有限公司 区域停车场饱和度的预测方法、系统及可读存储介质
CN117829377A (zh) * 2024-03-04 2024-04-05 德阳城市智慧之心信息技术有限公司 基于神经网络的剩余车位预测方法、装置、设备及介质
CN117874474B (zh) * 2024-03-13 2024-05-24 三峡电能有限公司 一种基于深度学习的充电场站空闲状态设备数量预测方法
CN117937571B (zh) * 2024-03-18 2024-06-21 三峡电能有限公司 基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503104A (zh) * 2019-08-29 2019-11-26 桂林电子科技大学 一种基于卷积神经网络的短时剩余车位数量预测方法
CN114519932A (zh) * 2022-01-10 2022-05-20 中国科学院深圳先进技术研究院 一种基于时空关系抽取的区域交通状况集成预测方法
WO2023000261A1 (zh) * 2021-07-22 2023-01-26 深圳先进技术研究院 一种区域交通的预测方法以及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210656B (zh) * 2020-01-23 2021-12-24 北京百度网讯科技有限公司 停车场空闲车位预测方法、装置、电子设备及存储介质
CN113362637B (zh) * 2021-05-04 2022-11-29 温州大学 一种区域性多场点空余停车位预测方法及系统
CN113487905A (zh) * 2021-06-09 2021-10-08 海南漫游谷电子商务有限公司 一种停车场车位预测方法及服务器
CN114219901B (zh) * 2022-02-22 2022-06-10 松立控股集团股份有限公司 基于投影一致性和孪生Transformer的三维底盘投影方法
CN115830848A (zh) * 2022-10-25 2023-03-21 重庆电子工程职业学院 一种基于lstm模型的共享停车位智能分配系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503104A (zh) * 2019-08-29 2019-11-26 桂林电子科技大学 一种基于卷积神经网络的短时剩余车位数量预测方法
WO2023000261A1 (zh) * 2021-07-22 2023-01-26 深圳先进技术研究院 一种区域交通的预测方法以及设备
CN114519932A (zh) * 2022-01-10 2022-05-20 中国科学院深圳先进技术研究院 一种基于时空关系抽取的区域交通状况集成预测方法

Also Published As

Publication number Publication date
CN116187591A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116187591B (zh) 基于动态时空趋势的商业停车场剩余车位数量预测方法
CN109670277B (zh) 一种基于多模态数据融合与多模型集成的旅行时间预测方法
CN109993970B (zh) 一种城市区域交通事故风险预测方法
CN109840660B (zh) 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN107529651B (zh) 一种基于深度学习的城市交通客流预测方法和设备
CN101751777B (zh) 基于空间聚类分析的城市路网交通小区动态划分方法
CN108629979B (zh) 一种基于历史和周边路口数据的拥堵预测算法
Pflügler et al. Predicting the availability of parking spaces with publicly available data
CN113127591B (zh) 一种基于Transformer和LSTM的位置预测方法
US20240054321A1 (en) Traffic prediction
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
CN104063467A (zh) 基于改进的相似性搜索技术的域内交通流量模式发现方法
CN114065364B (zh) 基于无人机遥感测绘的城市工程规划方法及系统
CN112863182B (zh) 基于迁移学习的跨模态数据预测方法
CN110956807A (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN113327417B (zh) 基于3d动态时空残差卷积关联网络的交通流预测方法
CN114913689B (zh) 一种基于先验知识时变图卷积网络的交通流预测方法
CN111932010B (zh) 一种基于骑行上下文信息的共享单车流量预测方法
CN111435470A (zh) 一种出行路线规划方法、存储介质、服务器
CN114493034B (zh) 一种面向区域流量预测的时空全局语义表示学习方法
CN115204477A (zh) 一种上下文感知图递归网络的自行车流量预测方法
CN114708746A (zh) 智慧城市的交通信号提示方法及系统
CN113052405A (zh) 基于物联网和人工智能的交通拥堵预测与优化方法
CN114418606B (zh) 基于时空卷积网络的网约车订单需求预测方法
CN114462313B (zh) 交通事故风险预测方法、装置、设备、介质及产品

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