CN116580564B - 一种交通流预测方法及装置 - Google Patents
一种交通流预测方法及装置 Download PDFInfo
- Publication number
- CN116580564B CN116580564B CN202310848702.4A CN202310848702A CN116580564B CN 116580564 B CN116580564 B CN 116580564B CN 202310848702 A CN202310848702 A CN 202310848702A CN 116580564 B CN116580564 B CN 116580564B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road
- distance
- data
- flow prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 238000004220 aggregation Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种交通流预测方法及装置,涉及信息处理技术领域,该方法包括:根据节点位置及传感器位置确定多个交通流采集组;确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离;获取第一交通流数据,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理得到第二交通流数据;将第一距离及第一交通流数据作为第一样本数据,将第二距离及第二交通流数据作为第二样本数据;利用第一样本数据及第二样本数据对多个不同类型初始交通流预测模型进行训练,根据训练后的初始交通流预测模型构建交通流预测优化模型,利用交通流预测优化模型进行交通流预测。通过采用上述交通流预测方法及装置,解决了交通流预测结果不准确的问题。
Description
技术领域
本申请涉及信息处理技术领域,具体而言,涉及一种交通流预测方法及装置。
背景技术
交通流是指汽车再道路上连续行驶所形成的车流,交通流一般分为两种:宏观交通流和微观交通流。宏观交通流主要描述车辆的总体运动情况,例如:在目标道路上一定时间内的车流量、车辆平均速度、车辆平均密度。微观交通流主要描述车辆的具体运动状态,即每一辆车的位置、车速、加速度等特性。目前,宏观交通流预测主要是根据扩散方程建立的统计模型或者深度学习算法来进行预测。
然而,上述交通流预测方法未考虑不同节点之间的相互影响及交通路网独特的物理特性,导致交通流预测结果不准确的问题。
发明内容
有鉴于此,本申请的目的在于提供一种交通流预测方法及装置,以解决交通流预测结果不准确的问题。
第一方面,本申请实施例提供了一种交通流预测方法,包括:
根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组,每个交通流采集组包括一个道路节点及该道路节点对应的至少一个传感器,传感器用于采集交通流数据;
确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离;
获取每个传感器采集的第一交通流数据,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据;
将第一距离及第一交通流数据作为第一样本数据,将第二距离及第二交通流数据作为第二样本数据;
利用第一样本数据及第二样本数据对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,利用交通流预测优化模型对目标时刻的交通流进行预测。
可选地,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据,包括: 针对每个交通流采集组,从该交通流采集组中每个传感器采集的第一交通流数据中分别提取第一车流量、第一车辆平均速度及第一占有率;将多个第一车流量之和作为第二车流量,将多个第一车辆平均速度的权重之和作为第二车辆平均速度,将多个占有率的平均值作为第二占有率;将第二车流量、第二车辆平均速度及第二占有率作为该交通流采集组对应的第二交通流数据。
可选地,对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,包括:分别对第一样本数据及第二样本数据进行数据集划分,获得第一样本数据对应的第一训练数据集、第一验证数据集,第二样本数据对应的第二训练数据集、第二验证数据集;针对每个初始交通流预测模型,利用第一训练数据集及第二训练数据集分别对该初始交通流预测模型进行训练,获得该初始交通流预测模型对应的初始交通流预测优化模型;将第一验证数据集及第二验证数据集分别输入每个初始交通流预测优化模型,获得多个初始交通流预测结果;对多个初始交通流预测结果进行线性回归处理,获得每个初始交通流预测优化模型的模型权重;根据模型权重将多个初始交通流预测优化模型组合在一起,构建交通流预测优化模型。
可选地,根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组,包括:针对每个道路节点,计算该道路节点与每个传感器之间的球面距离;将球面距离小于第一设定值的所有传感器与该道路节点组成一个交通流采集组。
可选地,确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离,包括:根据传感器位置,确定每两个传感器之间的第一球面距离及第一道路距离,将第一球面距离及第一道路距离作为第一距离;根据节点位置,确定每两个道路节点之间的第二球面距离及第二道路距离,将第二球面距离及第二道路距离作为第二距离。
可选地,根据传感器位置,确定每两个传感器之间的第一球面距离及第一道路距离,包括:根据传感器位置,利用球面距离计算公式确定不同传感器之间的第一球面距离;针对每个传感器,将与该传感器的球面距离最近的道路节点作为该传感器的目标道路节点;从所有目标道路节点中选取具有连通关系的两个道路节点作为第一道路节点对;针对每个第一道路节点对,从该第一道路节点对所对应的至少一条连通道路中,选取距离最短的连通道路作为该第一道路节点对所对应的优选道路;将优选道路的长度作为该第一道路节点对所对应的两个传感器之间的第一道路距离。
可选地,根据节点位置,确定每两个道路节点之间的第二球面距离及第二道路距离,包括:根据节点位置,利用球面距离计算公式确定不同道路节点之间的第二球面距离;从多个道路节点中选取具有连通关系的两个道路节点作为第二道路节点对;针对每个第二道路节点对,从该第二道路节点对所对应的多条连通道路中,选取距离最短的连通道路作为该第二道路节点对所对应的优选道路;将优选道路的长度作为该第二道路节点对所对应的第二道路距离。
可选地,在将第一距离及第一交通流数据作为第一样本数据,将第二距离及第二交通流数据作为第二样本数据之后,还包括:针对每个第一距离或者每个第二距离,确定该第一距离或者该第二距离是否小于第二设定值;若小于第二设定值,则从该第一距离对应的两个传感器中随机选择一个传感器作为第一剔除节点,将该第一剔除节点对应的第一交通流数据从样本数据中剔除,或者,从该第二距离对应的两个道路节点中随机选择一个道路节点作为第二剔除节点,将该第二剔除节点对应的第二交通流数据从样本数据中剔除。
可选地,利用交通流预测优化模型对目标时刻的交通流进行预测,包括:从道路交通流数据中获取历史交通流数据,历史交通流数据是目标时刻之前的交通流数据;将历史交通流数据输入归一化指数函数中,生成历史时刻交通流数据;将历史时刻交通流数据输入交通流预测优化模型,获得目标时刻的交通流预测结果。
第二方面,本申请实施例还提供了一种交通流预测装置,所述装置包括:
采集组确定模块,用于根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组,每个交通流采集组包括一个道路节点及该道路节点对应的至少一个传感器,传感器用于采集交通流数据;
距离计算模块,用于确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离;
聚合处理模块,用于获取每个传感器采集的第一交通流数据,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据;
样本数据确定模块,用于将第一距离及第一交通流数据作为第一样本数据,将第二距离及第二交通流数据作为第二样本数据;
交通流预测模块,用于利用第一样本数据及第二样本数据对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,利用交通流预测优化模型对目标时刻的交通流进行预测。
本申请实施例带来了以下有益效果:
本申请实施例提供的一种交通流预测方法及装置,能够将不同传感器之间的第一距离及不同道路节点之间的第二距离作为训练初始交通流预测模型的训练数据,体现出交通路网的物理特性,并从传感器维度及道路节点两个维度建立样本数据,更准确地反映出道路节点之间及传感器之间的相关性,同时,使用多个不同类型的初始交通流预测模型来构建交通流预测优化模型,能够提高预测结果的准确性,与现有技术中的交通流预测方法相比,解决了交通流预测结果不准确的问题。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的交通流预测方法的流程图;
图2示出了本申请实施例所提供的交通流预测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
值得注意的是,在本申请提出之前,在自动驾驶仿真中,需要在一定区域内加入变化的交通参与者(交通流)来测试不同复杂路况下自驾算法的表现情况,交通流一般分为两种:宏观交通流和微观交通流。宏观交通流主要描述车辆的总体运动情况,例如:在目标道路上一定时间内的车流量、车辆平均速度、车辆平均密度。微观交通流主要描述车辆的具体运动状态,即每一辆车的位置、车速、加速度等特性。目前,宏观交通流预测主要是根据扩散方程建立的统计模型或者深度学习算法来进行预测。然而,上述交通流预测方法未考虑不同节点之间的相互影响及交通路网独特的物理特性,导致交通流预测结果不准确的问题。
基于此,本申请实施例提供了一种交通流预测方法,以提高交通流预测结果的准确性。
请参阅图1,图1为本申请实施例所提供的一种交通流预测方法的流程图。如图1所示,本申请实施例提供的交通流预测方法,包括:
步骤S101,根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组。
该步骤中,道路交通流数据可指地图数据及传感器数据,其中,地图数据包括道路节点的节点位置及节点之间的道路长度,传感器数据包括传感器位置及每个传感器采集到的交通流数据。
道路节点可指道路的关键节点,道路节点包括穿越特定空间边界的道路和入口、联系不同高差的台阶和坡道、道路交汇点以及沿途的停顿休息点。
传感器可指感应回路检测器(Inductive-Loop Detector,ILP),传感器用于采集交通流数据。
节点位置可指道路节点的经纬度位置,传感器位置可指传感器的经纬度位置。
每个交通流采集组包括一个道路节点及该道路节点对应的至少一个传感器。
在本申请实施例中,在自动驾驶仿真中,获取地图数据及传感器数据,由地图数据及传感器数据组成道路交通流数据,在地图数据中标识了每个道路节点的经纬度位置及标识,在传感器数据中标识了每个传感器的经纬度位置及标识。从地图数据中获取每个道路节点的经纬度位置,从传感器数据中获取每个传感器的经纬度位置,根据道路节点的经纬度位置及传感器的经纬度位置确定多个交通流采集组。其中,地图数据可指OSM(OpenStreetMap)地图数据。
在一可选实施例中,根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组,包括:针对每个道路节点,计算该道路节点与每个传感器之间的球面距离;将球面距离小于第一设定值的所有传感器与该道路节点组成一个交通流采集组。
具体的,针对每个道路节点,将该道路节点的经纬度位置及传感器的经纬度位置代入球面距离计算公式Haversine中,计算出该道路节点与该传感器之间的球面距离,如此,可计算出该道路节点分别与每个传感器之间的球面距离。针对计算出的每个球面距离,确定该球面距离是否小于50米,若小于50米则将该球面距离对应的传感器加入到该道路节点的交通流采集组中,如果有N个球面距离小于50米,则将N个对应的传感器加入到该道路节点的交通流采集组中。以道路节点编号来唯一表示一个道路节点,以传感器编号来唯一表示一个传感器,则可得到多个由道路节点编号及传感器编号组成的交通流采集组。其中,50即为第一设定值,本领域技术人员可以根据实际情况选择第一设定值的具体取值。
步骤S102,确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离。
该步骤中,第一距离可指两个传感器之间的球面距离及道路距离,第二距离可指两个道路节点之间的球面距离及道路距离。
在本申请实施例中,根据每个传感器的传感器位置,可以确定每两个传感器之间的第一距离。根据每个道路节点的节点位置。可以确定每两个道路节点之间的第二距离。
在一可选实施例中,确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离,包括:根据传感器位置,确定每两个传感器之间的第一球面距离及第一道路距离,将第一球面距离及第一道路距离作为第一距离;根据节点位置,确定每两个道路节点之间的第二球面距离及第二道路距离,将第二球面距离及第二道路距离作为第二距离。
具体的,第一距离包括第一球面距离及第一道路距离,第二距离包括第二球面距离及第二道路距离。可以根据传感器位置,分别确定不同传感器之间的第一球面距离及第一道路距离,以得到第一距离。可以根据节点位置,分别确定不同道路节点之间的第二球面距离及第二道路距离,以得到第二距离。
在一可选实施例中,根据传感器位置,确定每两个传感器之间的第一球面距离及第一道路距离,包括:根据传感器位置,利用球面距离计算公式确定不同传感器之间的第一球面距离;针对每个传感器,将与该传感器的球面距离最近的道路节点作为该传感器的目标道路节点;从所有目标道路节点中选取具有连通关系的两个道路节点作为第一道路节点对;针对每个第一道路节点对,从该第一道路节点对所对应的至少一条连通道路中,选取距离最短的连通道路作为该第一道路节点对所对应的优选道路;将优选道路的长度作为该第一道路节点对所对应的两个传感器之间的第一道路距离。
具体的,将每两个传感器的经纬度位置代入球面距离计算公式Haversine中,计算出这两个传感器之间的第一球面距离,如此可以计算出每两个传感器之间的第一球面距离。
由于已经计算出了每个传感器与每个道路节点之间的球面距离,则可针对每个传感器,从该传感器对应的多个球面距离中选取数值最小的球面距离作为该传感器的目标道路节点。然后,从不同传感器对应的多个目标道路节点中,选取具有连通关系的两个道路节点作为第一道路节点对,这里,连通关系是指两个道路节点之间可以通过至少一条道路连接起来。以一个第一道路节点对A1、A2为例,这个两个道路节点A1和A2之间可能有多条连通道路,例如:一条连通道路为A1-A2,该条连通道路的长度为10米;另一条连通道路为A1-A3-A2,该条连通道路的长度为20米,还有一条连通道路为A1-A4-A5-A2,该条连通道路的长度为50米。从这三条连通道路中选取距离最短的连通道路,即选取第一条连通道路作为该第一道路节点对的优选道路,将10米作为该第一道路节点对的第一道路距离。其中,连通道路的长度是由地图数据提供的。
在一可选实施例中,根据节点位置,确定每两个道路节点之间的第二球面距离及第二道路距离,包括:根据节点位置,利用球面距离计算公式确定不同道路节点之间的第二球面距离;从多个道路节点中选取具有连通关系的两个道路节点作为第二道路节点对;针对每个第二道路节点对,从该第二道路节点对所对应的多条连通道路中,选取距离最短的连通道路作为该第二道路节点对所对应的优选道路;将优选道路的长度作为该第二道路节点对所对应的第二道路距离。
具体的,将每两个道路节点的经纬度位置代入球面距离计算公式Haversine中,计算出这两个道路节点之间的第二球面距离,如此可以计算出每两个道路节点之间的第二球面距离。
从不同道路节点中选取具有连通关系的两个道路节点作为第二道路节点对。以一个第二道路节点对B1、B2为例,这个两个道路节点B1和B2之间可能有多条连通道路,例如:一条连通道路为B1-B3-B2,该条连通道路的长度为30米,还有一条连通道路为B1-B4-B5-B2,该条连通道路的长度为60米。从这两条连通道路中选取距离最短的连通道路,即选取第一条连通道路作为该第二道路节点对的优选道路,将30米作为该第二道路节点对的第二道路距离。
步骤S103,获取每个传感器采集的第一交通流数据,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据。
该步骤中,第一交通流数据可指传感器采集到交通流数据,第一交通流数据是未经聚合处理的交通流数据。
第二交通流数据可指经过聚合处理后的交通流数据。
在本申请实施例中,从传感器数据中提取每个传感器采集到的交通流数据作为第一交通流数据,然后根据每个传感器所在的交通流采集组,将该传感器采集到的第一交通流数据作为该传感器所在的交通流采集组对应的第一交通流数据。这样,每个交通流采集组至少包括一组第一交通流数据。
当交通流采集组中包括多组第一交通流数据时,对这多组第一交通流数据进行聚合处理,将聚合处理后的聚合数据作为该交通流采集组对应的第二交通流数据。这样,实现了由传感器维度的交通流数据到道路节点维度的交通流数据的转化。
在一可选实施例中,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据,包括:针对每个交通流采集组,从该交通流采集组中每个传感器采集的第一交通流数据中分别提取第一车流量、第一车辆平均速度及第一占有率;将多个第一车流量之和作为第二车流量,将多个第一车辆平均速度的权重之和作为第二车辆平均速度,将多个占有率的平均值作为第二占有率;将第二车流量、第二车辆平均速度及第二占有率作为该交通流采集组对应的第二交通流数据。
具体的,以一个交通流采集组中包括一个道路节点及三个传感器为例,三个传感器采集到的三组第一交通流数据,每组第一交通流数据包括了采集时间,以5分钟为一个数据采集周期进行交通流采集,在每个小时内共有12条交通流记录。分别针对三组第一交通流数据中的第一条交通流记录进行数据提取,则可获得三个第一车流量、三个第一车辆平均速度及三个第一占有率。
将这三个第一车流量之和作为第二车流量,将这三个第一车辆平均速度的权重之和作为第二车辆平均速度,将这三个占有率的平均值作为第二占有率。其中,各个第一车辆平均速度的权重由对应的第一车流量的数值大小决定,第一车流量的数值越大则对应的权重越大,第一车流量的数值越小则对应的权重越小。然后,将第二车流量、第二车辆平均速度及第二占有率作为该交通流采集组对应的第二交通流数据。
步骤S104,将第一距离及第一交通流数据作为第一样本数据,将第二距离及第二交通流数据作为第二样本数据。
该步骤中,第一样本数据可指传感器维度所对应的样本数据,第二样本数据可指道路节点维度所对应的样本数据。
第一样本数据包括每个传感器采集到的第一交通流数据、每两个传感器之间的第一球面距离及每两个传感器之间的第一道路距离。
第二样本数据包括每个道路节点对应的第二交通流数据、每两个道路节点之间的第二球面距离及每两个道路节点之间的第二道路距离。
其中,交通流数据包括车流量、车辆平均速度及占有率,车流量指的是一定时间内经过的车辆数量,车辆平均速度指的是一定时间内车辆的平均行驶速度,占有率指的是传感器被行驶车辆所覆盖的时间比例。
在本申请实施例中,将第一距离及第一交通流数据作为传感器维度对应的第一样本数据,将第二距离及第二交通流数据作为道路节点维度对应的第二样本数据,以利用第一样本数据及第二样本数据分别对多个不同类型的初始交通流预测模型进行训练,使得训练后的每个初始交通流预测模型都能够获得更准确的预测结果。
在一可选实施例中,在将第一距离及第一交通流数据作为第一样本数据,将第二距离及第二交通流数据作为第二样本数据之后,还包括:针对每个第一距离或者每个第二距离,确定该第一距离或者该第二距离是否小于第二设定值;若小于第二设定值,则从该第一距离对应的两个传感器中随机选择一个传感器作为第一剔除节点,将该第一剔除节点对应的第一交通流数据从样本数据中剔除,或者,从该第二距离对应的两个道路节点中随机选择一个道路节点作为第二剔除节点,将该第二剔除节点对应的第二交通流数据从样本数据中剔除。
这里,无论是从传感器维度构建样本数据,还是从道路节点维度构建样本数据,都需要通过数据过滤来减少相应样本数量,以提升训练效率、减少重复工作量。
第二设定值包括第二球面距离设定值及第二道路距离设定值,第二球面距离设定值用于作为两个传感器或者两个道路节点之间的球面距离是否满足过滤条件的依据,第二道路距离设定值用于作为两个传感器或者两个道路节点之间的道路距离是否满足过滤条件的依据。
具体的,针对每两个传感器对应的第一球面距离,确定该第一球面距离是否小于1000米,该1000米即为第二球面距离设定值,若小于1000米,则从该第一球面距离对应的两个传感器中随机选择一个传感器作为第一剔除节点,将该第一剔除节点对应的第一交通流数据从样本数据中剔除。同时,针对每个第二球面距离也作同样地处理。
针对每两个传感器对应的第一道路距离,确定该第一道路距离是否小于3000米,该3000米即为第二道路距离设定值,若小于3000米,则从该第一道路距离对应的两个传感器中随机选择一个传感器作为第一剔除节点,将该第一剔除节点对应的第一交通流数据从样本数据中剔除。同时,针对每个第二道路距离也作同样地处理。
步骤S105,利用第一样本数据及第二样本数据对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,利用交通流预测优化模型对目标时刻的交通流进行预测。
该步骤中,不同类型包括但不限于:逻辑回归模型、卷积神经网络模型、长短时间记忆网络模型、基于时空图卷积的神经网络模型。
在本申请实施例中,可预先设定N种不同类型的交通流预测模型,然后从这N种不同类型的预测模型中选择M种预测模型作为待训练的交通流预测模型,然后,利用第一样本数据及第二样本数据分别对每种预测模型进行训练,获得M种训练后的初始交通流预测模型,再根据这M种训练后的初始交通流预测模型构建交通流预测优化模型,以利用交通流预测优化模型对目标时刻的交通流进行预测。其中,M的取值可以为4,也可以为5,本领域技术人员可以根据实际情况设置M的具体取值,本申请在此不作限定。
在一可选实施例中,对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,包括:分别对第一样本数据及第二样本数据进行数据集划分,获得第一样本数据对应的第一训练数据集、第一验证数据集,第二样本数据对应的第二训练数据集、第二验证数据集;针对每个初始交通流预测模型,利用第一训练数据集及第二训练数据集分别对该初始交通流预测模型进行训练,获得该初始交通流预测模型对应的初始交通流预测优化模型;将第一验证数据集及第二验证数据集分别输入每个初始交通流预测优化模型,获得多个初始交通流预测结果;对多个初始交通流预测结果进行线性回归处理,获得每个初始交通流预测优化模型的模型权重;根据模型权重将多个初始交通流预测优化模型组合在一起,构建交通流预测优化模型。
具体的,以第一样本数据为例,将第一样本数据划分为第一训练数据集及第一验证数据集,从第一训练数据集中选取某一时间段的样本数据作为训练时的输入数据,从训练数据集中选取该时间段之后时间段的样本数据作为标签数据,例如:训练数据集中包含0-24点的24小时数据,将0点至1点、1点至2点、……、22点至23点共计23个样本数据作为输入数据,对应1点至2点、……、23点至24点的样本数据作为标签数据,将输入数据输入一个初始交通流预测优化模型中得到输出数据,根据输出数据及标签数据对这个初始交通流预测模型中的模型参数进行优化,得到传感器维度下的初始交通流预测优化模型,针对第二样本数据,同样采用上述的方法对传感器维度下的初始交通流优化模型进行训练,得到道路节点维度下的初始交通流预测优化模型。其中,本申请对使用第一训练数据集及第二训练数据集进行模型训练的顺序不做限定,本领域技术人员可以根据实际情况进行选择。
获取初始交通流优化模型之后,分别将第一验证数据集及第二验证数据集输入每个初始交通流预测优化模型,获得每个初始交通流预测优化模型输出的初始交通流预测结果。然后,将初始交通流预测结果作为训练数据对线性回归模型进行训练,由训练后的线性回归模型输出每个初始交通流预测优化模型的模型权重,按照模型权重将多个初始交通流预测优化模型组合在一起,得到交通流预测优化模型。
在一可选实施例中,利用交通流预测优化模型对目标时刻的交通流进行预测,包括:从道路交通流数据中获取历史交通流数据,历史交通流数据是目标时刻之前的交通流数据;将历史交通流数据输入归一化指数函数中,生成历史时刻交通流数据;将历史时刻交通流数据输入交通流预测优化模型,获得目标时刻的交通流预测结果。
具体的,交通流预测优化模型是使用新的N1时刻的交通流数据来对N2时刻的交通流数据进行预测,且N1时刻是N2时刻之前的时刻。如果无法获得新的N1时刻的交通流数据,则可利用归一化指数函数softmax根据过去N个N1时刻的历史交通流数据生成新的N1时刻数据。此时,可将样本数据作为归一化指数函数的输入,例如:从第一样本数据或者第二样本数据中提取N个N1时刻的历史样本数据输入归一化指数函数,将归一化指数函数的输出作为新的N1时刻的交通流数据,然后将N1时刻的交通流数据输入交通流预测优化模型,得到N2时刻的交通流数据。可利用如下公式来生成N1时刻的交通流数据:
;
上式中,表示新生成的N1时刻的交通流数据;N表示历史N1时刻交通流记录的条数;i表示第几条记录,/>表示第i条历史N1时刻交通流记录;/>及/>均是服从均值为0,标准差为1的正太分布的随机变量;/>表示N维的向量,服从均值为0,协方差矩阵为/>的高维正态分布。
如果能够获得N1时刻的交通流数据,则可直接将N1时刻的交通流数据输入归一化指数函数,以预测出N1时刻的交通流数据。
与现有技术中交通流预测方法相比,本申请能够将不同传感器之间的第一距离及不同道路节点之间的第二距离作为训练初始交通流预测模型的训练数据,体现出交通路网的物理特性,并从传感器维度及道路节点两个维度建立样本数据,更准确地反映出道路节点之间及传感器之间的相关性,同时,使用多个不同类型的初始交通流预测模型来构建交通流预测优化模型,能够提高预测结果的准确性,解决了交通流预测结果不准确的问题。
基于同一发明构思,本申请实施例中还提供了与交通流预测方法对应的交通流预测装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述交通流预测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图2,图2为本申请实施例所提供的一种交通流预测装置的结构示意图。如图2中所示,所述交通流预测装置200包括:
采集组确定模块201,用于根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组,每个交通流采集组包括一个道路节点及该道路节点对应的至少一个传感器,传感器用于采集交通流数据;
距离计算模块202,用于确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离;
聚合处理模块203,用于获取每个传感器采集的第一交通流数据,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据;
样本数据确定模块204,用于将第一距离及第一交通流数据作为第一样本数据,将第二距离及第二交通流数据作为第二样本数据;
交通流预测模块205,用于利用第一样本数据及第二样本数据对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,利用交通流预测优化模型对目标时刻的交通流进行预测。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种交通流预测方法,其特征在于,包括:
根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组,每个交通流采集组包括一个道路节点及该道路节点对应的至少一个传感器,所述传感器用于采集交通流数据;
确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离;
获取每个传感器采集的第一交通流数据,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据;
将所述第一距离及所述第一交通流数据作为第一样本数据,将所述第二距离及所述第二交通流数据作为第二样本数据;
利用所述第一样本数据及所述第二样本数据,对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,利用所述交通流预测优化模型对目标时刻的交通流进行预测;
所述对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,包括:
分别对所述第一样本数据及所述第二样本数据进行数据集划分,获得第一样本数据对应的第一训练数据集、第一验证数据集,第二样本数据对应的第二训练数据集、第二验证数据集;
针对每个初始交通流预测模型,利用所述第一训练数据集及第二训练数据集分别对该初始交通流预测模型进行训练,获得该初始交通流预测模型对应的初始交通流预测优化模型;
将所述第一验证数据集及所述第二验证数据集分别输入每个初始交通流预测优化模型,获得多个初始交通流预测结果;
对所述多个初始交通流预测结果进行线性回归处理,获得每个初始交通流预测优化模型的模型权重;
根据所述模型权重将多个初始交通流预测优化模型组合在一起,构建交通流预测优化模型。
2.根据权利要求1所述的方法,其特征在于,所述对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据,包括:
针对每个交通流采集组,从该交通流采集组中每个传感器采集的第一交通流数据中分别提取第一车流量、第一车辆平均速度及第一占有率;
将多个第一车流量之和作为第二车流量,将多个第一车辆平均速度的权重之和作为第二车辆平均速度,将多个占有率的平均值作为第二占有率;
将所述第二车流量、所述第二车辆平均速度及所述第二占有率作为该交通流采集组对应的第二交通流数据。
3.根据权利要求1所述的方法,其特征在于,所述根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组,包括:
针对每个道路节点,计算该道路节点与每个传感器之间的球面距离;
将球面距离小于第一设定值的所有传感器与该道路节点组成一个交通流采集组。
4.根据权利要求1所述的方法,其特征在于,所述确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离,包括:
根据所述传感器位置,确定每两个传感器之间的第一球面距离及第一道路距离,将所述第一球面距离及所述第一道路距离作为第一距离;
根据所述节点位置,确定每两个道路节点之间的第二球面距离及第二道路距离,将所述第二球面距离及所述第二道路距离作为第二距离。
5.根据权利要求4所述的方法,其特征在于,所述根据所述传感器位置,确定每两个传感器之间的第一球面距离及第一道路距离,包括:
根据所述传感器位置,利用球面距离计算公式确定不同传感器之间的第一球面距离;
针对每个传感器,将与该传感器的球面距离最近的道路节点作为该传感器的目标道路节点;
从所有目标道路节点中选取具有连通关系的两个道路节点作为第一道路节点对;
针对每个第一道路节点对,从该第一道路节点对所对应的至少一条连通道路中,选取距离最短的连通道路作为该第一道路节点对所对应的优选道路;
将所述优选道路的长度作为该第一道路节点对所对应的两个传感器之间的第一道路距离。
6.根据权利要求4所述的方法,其特征在于,所述根据所述节点位置,确定每两个道路节点之间的第二球面距离及第二道路距离,包括:
根据所述节点位置,利用球面距离计算公式确定不同道路节点之间的第二球面距离;
从多个道路节点中选取具有连通关系的两个道路节点作为第二道路节点对;
针对每个第二道路节点对,从该第二道路节点对所对应的多条连通道路中,选取距离最短的连通道路作为该第二道路节点对所对应的优选道路;
将所述优选道路的长度作为该第二道路节点对所对应的第二道路距离。
7.根据权利要求1所述的方法,其特征在于,在所述将所述第一距离及所述第一交通流数据作为第一样本数据,将所述第二距离及所述第二交通流数据作为第二样本数据之后,还包括:
针对每个第一距离或者每个第二距离,确定该第一距离或者该第二距离是否小于第二设定值;
若小于第二设定值,则从该第一距离对应的两个传感器中随机选择一个传感器作为第一剔除节点,将该第一剔除节点对应的第一交通流数据从样本数据中剔除,或者,从该第二距离对应的两个道路节点中随机选择一个道路节点作为第二剔除节点,将该第二剔除节点对应的第二交通流数据从样本数据中剔除。
8.根据权利要求1所述的方法,其特征在于,所述利用所述交通流预测优化模型对目标时刻的交通流进行预测,包括:
从所述道路交通流数据中获取历史交通流数据,所述历史交通流数据是目标时刻之前的交通流数据;
将所述历史交通流数据输入归一化指数函数中,生成历史时刻交通流数据;
将所述历史时刻交通流数据输入所述交通流预测优化模型,获得目标时刻的交通流预测结果。
9.一种交通流预测装置,其特征在于,包括:
采集组确定模块,用于根据道路交通流数据中道路节点的节点位置及传感器的传感器位置,确定多个交通流采集组,每个交通流采集组包括一个道路节点及该道路节点对应的至少一个传感器,所述传感器用于采集交通流数据;
距离计算模块,用于确定每两个传感器之间的第一距离及每两个道路节点之间的第二距离;
聚合处理模块,用于获取每个传感器采集的第一交通流数据,对每个交通流采集组中传感器采集的第一交通流数据进行聚合处理,得到多个交通流采集组对应的第二交通流数据;
样本数据确定模块,用于将所述第一距离及所述第一交通流数据作为第一样本数据,将所述第二距离及所述第二交通流数据作为第二样本数据;
交通流预测模块,用于利用所述第一样本数据及所述第二样本数据,对多个不同类型的初始交通流预测模型进行训练,根据训练后的多个初始交通流预测模型构建交通流预测优化模型,利用所述交通流预测优化模型对目标时刻的交通流进行预测;
所述交通流预测模块,具体用于:
分别对所述第一样本数据及所述第二样本数据进行数据集划分,获得第一样本数据对应的第一训练数据集、第一验证数据集,第二样本数据对应的第二训练数据集、第二验证数据集;
针对每个初始交通流预测模型,利用所述第一训练数据集及第二训练数据集分别对该初始交通流预测模型进行训练,获得该初始交通流预测模型对应的初始交通流预测优化模型;
将所述第一验证数据集及所述第二验证数据集分别输入每个初始交通流预测优化模型,获得多个初始交通流预测结果;
对所述多个初始交通流预测结果进行线性回归处理,获得每个初始交通流预测优化模型的模型权重;
根据所述模型权重将多个初始交通流预测优化模型组合在一起,构建交通流预测优化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310848702.4A CN116580564B (zh) | 2023-07-12 | 2023-07-12 | 一种交通流预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310848702.4A CN116580564B (zh) | 2023-07-12 | 2023-07-12 | 一种交通流预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580564A CN116580564A (zh) | 2023-08-11 |
CN116580564B true CN116580564B (zh) | 2023-09-15 |
Family
ID=87536266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310848702.4A Active CN116580564B (zh) | 2023-07-12 | 2023-07-12 | 一种交通流预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580564B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021027153A1 (zh) * | 2019-08-15 | 2021-02-18 | 平安科技(深圳)有限公司 | 交通流数据分析模型的构建方法和装置 |
CN113591380A (zh) * | 2021-07-28 | 2021-11-02 | 浙江大学 | 基于图高斯过程的交通流预测方法、介质及设备 |
CN113674524A (zh) * | 2021-07-28 | 2021-11-19 | 长安大学 | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统 |
CN114913689A (zh) * | 2022-06-01 | 2022-08-16 | 南通大学 | 一种基于先验知识时变图卷积网络的交通流预测方法 |
CN115905629A (zh) * | 2022-11-08 | 2023-04-04 | 武汉大学 | 一种基于时空门控超图卷积网络的交通预测系统及方法 |
-
2023
- 2023-07-12 CN CN202310848702.4A patent/CN116580564B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021027153A1 (zh) * | 2019-08-15 | 2021-02-18 | 平安科技(深圳)有限公司 | 交通流数据分析模型的构建方法和装置 |
CN113591380A (zh) * | 2021-07-28 | 2021-11-02 | 浙江大学 | 基于图高斯过程的交通流预测方法、介质及设备 |
CN113674524A (zh) * | 2021-07-28 | 2021-11-19 | 长安大学 | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统 |
CN114913689A (zh) * | 2022-06-01 | 2022-08-16 | 南通大学 | 一种基于先验知识时变图卷积网络的交通流预测方法 |
CN115905629A (zh) * | 2022-11-08 | 2023-04-04 | 武汉大学 | 一种基于时空门控超图卷积网络的交通预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116580564A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN110969857B (zh) | 一种交通信息处理方法及装置 | |
Yan et al. | Distributionally consistent simulation of naturalistic driving environment for autonomous vehicle testing | |
Rahman et al. | Improving the efficacy of car-following models with a new stochastic parameter estimation and calibration method | |
Olia et al. | Optimizing the number and locations of freeway roadside equipment units for travel time estimation in a connected vehicle environment | |
Hu et al. | Advancing usage‐based insurance–a contextual driving risk modelling and analysis approach | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
JP7504647B2 (ja) | 車両の走行曲線及び/又は走行経路を生成するための機械学習システムを訓練するための、コンピュータにより実行されるコンピュータ実装方法、車両の走行曲線及び/又は走行経路を生成するための方法、車両の走行曲線及び/又は走行経路を評価するための方法、車両の駆動システムの経路固有の排出量を特定するための方法、車両の駆動システムを適合させるための方法、並びに、コンピュータプログラム、機械可読記憶媒体、及び、コンピュータ実装式の機械学習システム | |
CN115311860B (zh) | 一种交通流量预测模型的在线联邦学习方法 | |
FR3122011A1 (fr) | Procédé de détermination de la quantité d’émissions polluantes émises par un véhicule sur un brin d’un réseau routier | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN116580564B (zh) | 一种交通流预测方法及装置 | |
Shen et al. | Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report | |
JP2007249845A (ja) | 交通状況推定プログラムおよび交通状況推定方法 | |
CN115470872B (zh) | 一种基于车辆轨迹数据的司机画像构建方法 | |
CN115114786B (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 | |
CN112884190B (zh) | 一种流量预测方法及装置 | |
CN113887811B (zh) | 一种充电桩数据管理方法及系统 | |
CN116663939B (zh) | 一种无人车路径规划场景及任务的复杂度评价方法和系统 | |
Bagdatli et al. | A decision model based on gene expression programming for discretionary lane-changing move | |
Pakeerathan et al. | Driving Behaviour Analysis using Low Sampling GPS Trajectories of Ride-hailing Services | |
CN117975745B (zh) | 一种基于车联网的智慧交通监控系统 |
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 |