CN116597657A - 基于人工智能的城市交通预测方法、设备及介质 - Google Patents

基于人工智能的城市交通预测方法、设备及介质 Download PDF

Info

Publication number
CN116597657A
CN116597657A CN202310872272.XA CN202310872272A CN116597657A CN 116597657 A CN116597657 A CN 116597657A CN 202310872272 A CN202310872272 A CN 202310872272A CN 116597657 A CN116597657 A CN 116597657A
Authority
CN
China
Prior art keywords
matrix
traffic flow
traffic
processor
memory
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
Application number
CN202310872272.XA
Other languages
English (en)
Inventor
周星
林旭
丁从敏
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.)
Sichuan Shangtou Information Technology Co ltd
Original Assignee
Sichuan Shangtou Information 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 Sichuan Shangtou Information Technology Co ltd filed Critical Sichuan Shangtou Information Technology Co ltd
Priority to CN202310872272.XA priority Critical patent/CN116597657A/zh
Publication of CN116597657A publication Critical patent/CN116597657A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于人工智能的城市交通预测方法、设备及介质，通过构建包含车流量、平均车速、平均车道空间占有率信息的图网络，使用CGN图卷积提取交通流的空间特征，同时在RNN网络中加入长记忆滤波器，提取局部时间特征信息，通过多头注意力机制得到全局时间特征，将局部时间和全局时间特征进行融合输出，以实现未来交通状况的高效预测。

Description

基于人工智能的城市交通预测方法、设备及介质
技术领域
本发明属于交通预测领域，具体涉及一种基于人工智能的城市交通预测方法、设备及介质。
背景技术
交通预测作为时空预测中的一个重要研究方向，其中的交通数据是时空序列数据，具有复杂的时空相关性，因此交通预测任务的实现具有一定的挑战性，准确及时的交通流预测不仅可以缓解交通堵塞等问题，也能节约各种资源。
机器学习和深度学习在人工智能领域具有举足轻重的作用，随着城市大脑概念的产生，深度学习作为一种非常适合于非线性复杂系统演化中的研究手段，通过海量的交通数据挖掘和自主学习，已经在城市交通管理中凸显出巨大优势。
由于交通网络具有非欧式拓扑结构，可能出现两条在欧式空间中很近的道路却实际上相关度很小，因而衡量两个道路之间的相关度不能简单通过距离来测量，需要有效的空间建模方法捕获路网的空间依赖性。此外，交通时间序列具有很强的时间依赖性，这种时间依赖性除了具有自相关性和周期性以外，还因为工作日节假日变换、天气、以及不可预知的突发事件等而具有非平稳的变化特性，这些特性使得预测精度较低。
发明内容
为了解决现有技术存在的缺陷，本发明提供了一种基于人工智能的城市交通预测方法、设备及介质。
本发明采用技术方案是，一种基于人工智能的城市交通预测方法，步骤包括：
S1：数据预处理：对实际交通流数据X进行预处理，包括交通拥堵数据的预处理和路网数据的预处理；
S2：空间特征提取：结合车流量、平均车速、平均车道空间占有率信息构造交通图网络，分别计算每两个节点之间车流量差、平均车速差、平均车道空间占有率差，进而构造相关图的邻接矩阵A，将邻接矩阵A构造出拉普拉斯矩阵，输入到图卷积GCN模型中，提取空间特征；
S3：时间特征提取：在RNN的不同位置添加长记忆滤波器，将经过图卷积GCN提取空间特征的交通流数据输入到添加长记忆滤波器的RNN网络中提取局部时间特征信息HL，对每个节点i的输入数据Ht进行位置编码，获得时间嵌入，将时间嵌入/>与输入数据Ht进行加和得到自注意力层的输入/>，然后通过多头注意力机制得到全局时间特征表示/>；最后通过卷积层得到局部时间和全局时间特征的融合输出/>。
S4：模型预测输出：使用softmax函数作为全连接层输出获得预测交通流数据Y。
优选的，步骤S2中，计算车流量矩阵C、平均速度矩阵S、平均车道空间占有率矩阵O：
其中为超参数；表示节点i的交通流量，平均速度和平均车道空间占有率，/>表示节点j的交通流量，平均速度和平均车道空间占有率；
根据交通网络中i，j节点之间的距离计算得到距离矩阵Q：
其中 表示节点之间的距离，和分别控制距离矩阵 A 的分布和稀疏性， 分别设定为10和 0.5；
计算邻接矩阵A：
其中，为权重参数，且 />。
优选的，步骤S2中，GCN模型的计算公式为：
其中，为添加了自连接的邻接矩阵,A为邻接矩阵，表示单位矩阵，为度矩阵，，是第l 层的输入，是第l 层的参数，是激活函 数。
优选的，步骤S3中，第i个长期记忆滤波器可以表示为：
其中表示t时刻的交通流数据，B 表示时序分析方法中的后移运算符，I表示单 位矩阵。是第i个记忆滤波器的差分记忆参数，；
优选的，步骤S3中全局时间特征表示的计算公式为：
其中，为权重矩阵，d为输入维度，K为注意力头个数，/>为自注意力层的输入；
融合输出为：
其中，为卷积层，权重矩阵 /> 和/> 将局部和全局时间特征进行融合输出，/>为激活函数。
相应地，本发明提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述特征选择方法中任一方法的步骤。
相应地，本发明提出一种计算机可读存储介质，其存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行上述特征选择方法中任一方法的步骤。
本发明的有益效果是，本发明利用历史交通时空序列数据，探寻城市交通的动态演化规律，以实现未来交通状况的预测，在交通规划、安全管理和资源配置等方面起到重要作用，为道路管理部门决策管理提供决策依据，来实现高速公路交通流诱导，进而提高道路服务质量。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面详细描述本申请，本申请的实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面结合附图1对本发明的技术方案如何解决上述技术问题进行详细说明。
如图1所示，本发明采用技术方案是，一种基于人工智能的城市交通预测方法，其步骤包括：
S1：数据预处理：对实际交通流数据X进行预处理，包括交通拥堵数据的预处理和路网数据的预处理；
S2：空间特征提取：结合车流量、平均车速、平均车道空间占有率信息构造交通图网络，分别计算每两个节点之间车流量差、平均车速差、平均车道空间占有率差，进而构造相关图的邻接矩阵A，将邻接矩阵A构造出拉普拉斯矩阵，输入到图卷积GCN模型中，提取空间特征；
S3：时间特征提取：在RNN的不同位置添加长记忆滤波器，将经过图卷积GCN提取空 间特征的交通流数据输入到添加长记忆滤波器的RNN网络中提取局部时间特征信息HL，对 每个节点i的输入数据Ht进行位置编码，获得时间嵌入，将时间嵌入 与输入数据Ht 进行加和得到自注意力层的输入 ，然后通过多头注意力机制得到全局时间特征表示 ；最后通过卷积层得到局部时间和全局时间特征的融合输出。
S4：模型预测输出：使用softmax函数作为全连接层输出获得预测交通流数据Y。
优选的，步骤S2中，计算车流量矩阵C、平均速度矩阵S、平均车道空间占有率矩阵O：
其中 为超参数；，表示节点i的交通流量，平均速度和平均车道空间占有率，/>表示节点j的交通流量，平均速度和平均车道空间占有率；
根据交通网络中i，j节点之间的距离计算得到距离矩阵Q：
其中表示节点之间的距离，和分别控制距离矩阵 A 的分布和稀疏性，分 别设定为10和 0.5；
计算邻接矩阵A：
其中，为权重参数，且/>。
优选的，步骤S2中，GCN模型的计算公式为：
其中，为添加了自连接的邻接矩阵,A为邻接矩阵，表示单位矩阵，为度矩阵，，是第l 层的输入（初始输入为），是 第l 层的参数，是激活函数；
优选的，步骤S3中，第i个长期记忆滤波器可以表示为：
其中 表示t时刻的交通流数据，B 表示时序分析方法中的后移运算符，I表示单位矩阵。/>是第i个记忆滤波器的差分记忆参数，/>；
优选的，步骤S3中全局时间特征表示的计算公式为：
其中，为权重矩阵，d为输入维度，K为注意力头个数，/>为自注意力层的输入；
融合输出为：
为卷积层，权重矩阵 和将局部和全局时间特征进行融合输 出，为激活函数。
相应地，本发明提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述特征选择方法中任一方法的步骤。
相应地，本发明提出一种计算机可读存储介质，其存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行上述特征选择方法中任一方法的步骤。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应当理解，上述较佳实施方式仅用来解释和说明本发明的技术方案，而并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所作的任何修饰、等效替换、变形、改进等，均应包含在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于人工智能的城市交通预测方法，其特征在于，所述方法包括：
S1：数据预处理：对实际交通流数据X进行预处理，包括交通拥堵数据的预处理和路网数据的预处理；
S2：空间特征提取：结合车流量、平均车速、平均车道空间占有率信息构造交通图网络，分别计算每两个节点之间车流量差、平均车速差、平均车道空间占有率差，进而构造相关图的邻接矩阵A，将邻接矩阵A构造出拉普拉斯矩阵，输入到图卷积GCN模型中，提取空间特征；
S3：时间特征提取：在RNN的不同位置添加长记忆滤波器，将经过图卷积GCN提取空间特征的交通流数据输入到添加长记忆滤波器的RNN网络中提取局部时间特征信息HL，对每个节点i的输入数据进行位置编码，获得时间嵌入/>，将时间嵌入/>与输入数据/>进行加和得到自注意力层的输入/>,然后通过多头注意力机制得到全局时间特征表示/>；最后通过卷积层得到局部时间和全局时间特征的融合输出/>；
S4：模型预测输出：使用softmax函数作为全连接层输出获得预测交通流数据Y。
2.如权利要求1所述的方法，其特征在于，步骤S2中：
计算车流量矩阵C、平均速度矩阵S、平均车道空间占有率矩阵O：
，
其中 为超参数；表示节点i的交通流量，平均速度和平均车道空间占有率，/>表示节点j的交通流量，平均速度和平均车道空间占有率；
根据交通网络中i，j节点之间的距离计算得到距离矩阵Q：
，
其中表示节点之间的距离，/>和/>分别控制距离矩阵 A 的分布和稀疏性，分别设定为10和 0.5；
计算邻接矩阵A：
，
其中，为权重参数，且/>。
3.如权利要求1所述的方法，其特征在于，步骤S2中，GCN模型的计算公式为：
，
其中，为添加了自连接的邻接矩阵,A为邻接矩阵，/>表示单位矩阵，/>为度矩阵，/>，/>是第l 层的输入，/>是第l 层的参数，/>是激活函数。
4.如权利要求1所述的方法，其特征在于，步骤S3中，第i个长期记忆滤波器表示为：
，
其中表示t时刻的交通流数据，B 表示时序分析方法中的后移运算符，I表示单位矩阵，/>是第i个记忆滤波器的差分记忆参数，/>。
5.如权利要求1所述的方法，其特征在于，步骤S3中全局时间特征表示 的计算公式为：
，
其中，为权重矩阵，d为输入维度，K为注意力头个数，/>为自注意力层的输入；
融合输出为：
，
其中，为卷积层，权重矩阵/>将局部和全局时间特征进行融合输出，为激活函数。
6.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行权利要求1-5任一项所述方法。
7.一种计算机可读存储介质，其特征在于，其存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行权利要求1-5任一项所述方法。
CN202310872272.XA 2023-07-17 2023-07-17 基于人工智能的城市交通预测方法、设备及介质 Pending CN116597657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310872272.XA CN116597657A (zh) 2023-07-17 2023-07-17 基于人工智能的城市交通预测方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310872272.XA CN116597657A (zh) 2023-07-17 2023-07-17 基于人工智能的城市交通预测方法、设备及介质

Publications (1)

Publication Number Publication Date
CN116597657A true CN116597657A (zh) 2023-08-15

Family

ID=87601279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310872272.XA Pending CN116597657A (zh) 2023-07-17 2023-07-17 基于人工智能的城市交通预测方法、设备及介质

Country Status (1)

Country Link
CN (1) CN116597657A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540198A (zh) * 2020-04-17 2020-08-14 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法
CN112969068A (zh) * 2021-05-19 2021-06-15 四川省商投信息技术有限责任公司 一种监控视频数据存储播放方法及装置
CN113283581A (zh) * 2021-05-14 2021-08-20 南京邮电大学 多融合图网络协同多通道注意力模型及其应用和应用方法
CN113435658A (zh) * 2021-07-09 2021-09-24 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
CN113762338A (zh) * 2021-07-30 2021-12-07 湖南大学 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN114241754A (zh) * 2021-12-03 2022-03-25 东南大学 基于高速公路合流影响区事故前兆特征的实时控制方法
CN114639243A (zh) * 2022-03-31 2022-06-17 四川九洲视讯科技有限责任公司 智能交通预测与决策方法、系统及可读存储介质
CN115050177A (zh) * 2022-05-11 2022-09-13 杭州像素元科技有限公司 一种基于时空多头注意力机制的高速公路拥堵预测方法
CN115331428A (zh) * 2022-07-05 2022-11-11 成利吉(厦门)智能股份有限公司 一种基于规则库的交通信号优化方法
CN115935796A (zh) * 2022-11-21 2023-04-07 南通大学 一种基于时空异质的和同步的图卷积网络交通流预测方法
CN116029459A (zh) * 2023-02-28 2023-04-28 速度时空信息科技股份有限公司 结合图傅里叶变换tmgcn交通流预测模型的提取方法
CN116311921A (zh) * 2023-03-01 2023-06-23 中国矿业大学 一种基于多空间尺度时空Transformer的交通速度预测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540198A (zh) * 2020-04-17 2020-08-14 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法
CN113283581A (zh) * 2021-05-14 2021-08-20 南京邮电大学 多融合图网络协同多通道注意力模型及其应用和应用方法
CN112969068A (zh) * 2021-05-19 2021-06-15 四川省商投信息技术有限责任公司 一种监控视频数据存储播放方法及装置
CN113435658A (zh) * 2021-07-09 2021-09-24 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
CN113762338A (zh) * 2021-07-30 2021-12-07 湖南大学 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN114241754A (zh) * 2021-12-03 2022-03-25 东南大学 基于高速公路合流影响区事故前兆特征的实时控制方法
CN114639243A (zh) * 2022-03-31 2022-06-17 四川九洲视讯科技有限责任公司 智能交通预测与决策方法、系统及可读存储介质
CN115050177A (zh) * 2022-05-11 2022-09-13 杭州像素元科技有限公司 一种基于时空多头注意力机制的高速公路拥堵预测方法
CN115331428A (zh) * 2022-07-05 2022-11-11 成利吉(厦门)智能股份有限公司 一种基于规则库的交通信号优化方法
CN115935796A (zh) * 2022-11-21 2023-04-07 南通大学 一种基于时空异质的和同步的图卷积网络交通流预测方法
CN116029459A (zh) * 2023-02-28 2023-04-28 速度时空信息科技股份有限公司 结合图傅里叶变换tmgcn交通流预测模型的提取方法
CN116311921A (zh) * 2023-03-01 2023-06-23 中国矿业大学 一种基于多空间尺度时空Transformer的交通速度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
程曼茹: "基于多特征时空图网络的智慧城市交通预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 034 - 1852 *
薛延明: "基于深度学习的交通流预测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 034 - 1742 *

Similar Documents

Publication Publication Date Title
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
CN111145541B (zh) 交通流量数据预测方法、存储介质和计算机设备
CN114519932B (zh) 一种基于时空关系抽取的区域交通状况集成预测方法
CN110047291B (zh) 一种考虑扩散过程的短时交通流预测方法
CN111242292B (zh) 基于深度时空网络的od数据预测方法及系统
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
CN113673769A (zh) 基于多元时间序列插补的图神经网络交通流预测方法
CN116895157A (zh) 一种基于趋势时空图卷积的交通流量预测方法、系统及介质
CN114944053A (zh) 一种基于时空超图神经网络的交通流预测方法
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
CN111815098A (zh) 基于极端天气的交通信息处理方法、装置、存储介质和电子设备
CN114841400A (zh) 基于多任务时空图卷积的空气质量预测方法
CN116384565A (zh) 一种基于缺失数据填补的层次式大气臭氧浓度预测方法
Wang et al. Transworldng: Traffic simulation via foundation model
CN113240219A (zh) 一种土地利用模拟及预测方法
CN116629460B (zh) 一种基于ST-RANet模型的地铁客流预测方法
CN113327417A (zh) 基于3d动态时空残差卷积关联网络的交通流预测方法
Chen et al. Short‐Term Traffic Flow Prediction with Recurrent Mixture Density Network
Ramhormozi et al. Multi-task graph neural network for truck speed prediction under extreme weather conditions
CN114566048B (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN116665448A (zh) 一种基于图卷积网络的交通速度实时预测方法及系统
CN116612633A (zh) 一种基于车路协同感知下的自适应动态路径规划方法
CN116597657A (zh) 基于人工智能的城市交通预测方法、设备及介质
Vankdoth et al. Deep intelligent transportation system for travel time estimation on spatio-temporal data
CN115762147A (zh) 一种基于自适应图注意神经网络的交通流量预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230815