CN116682261A - 一种节假日道路流量数据预测分析方法及分析装置 - Google Patents
一种节假日道路流量数据预测分析方法及分析装置 Download PDFInfo
- Publication number
- CN116682261A CN116682261A CN202310705256.1A CN202310705256A CN116682261A CN 116682261 A CN116682261 A CN 116682261A CN 202310705256 A CN202310705256 A CN 202310705256A CN 116682261 A CN116682261 A CN 116682261A
- Authority
- CN
- China
- Prior art keywords
- data
- road section
- road
- traffic
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002245 particle Substances 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通控制技术领域,具体涉及一种节假日道路流量数据预测分析方法及分析装置,为解决现有的算法没有融合气象数据特征和没有把各个不同节日之间的区别进行特征处理的问题。该方法包括以门架、收费站为定节点划分道路,对路段进行编号;获取门架、收费站的原始数据;计算各个路段的流量数据,以及各个路段的通行时间数据;获取各个路段的气象数据,将气象数据与流量数据和通行时间数据匹配;获取节假日的历史气象数据、历史流量数据和各个路段节假日的气象数据,基于深度学习算法,预测节假日各个路段的流量数据。能够反应出气象数据对交通的影响。把各个不同节日之间的区别进行特征处理。在时效性和精读更加准确。
Description
技术领域
本发明涉及道路流量预测技术领域,尤其涉及一种节假日道路流量数据预测分析方法及分析装置。
背景技术
现有的技术方案利用交通信息进行预测,通过门架、收费站出入口数据、历史流量数据为数据特征。利用机器学习算法将特征数据进行回归模型训练和推理。但是气象数据对于交通量预测和通行预测有着很强的线性相关性,而现有的算法没有融合气象数据特征,不能反应出气象数据对交通的影响。在每一个节假日在统计上,在时间维度上的特征是重要的统计特征,具有全局性和统计性,而现有的方法没有把各个不同节日之间的区别进行特征处理。并且现有的预测方式是基于机器学习算法,进行回归任务的训练,利用已有的大数据能够反映趋势信息和统计信息,没有反映出高速路上的数据的时空依赖性,没有充分的进行特征抽取,就不能在不同的路段状态和不同的路网形态下进行更加细致的场景应用,在时效性和精读上会有更大的偏差。
发明内容
有鉴于此,本发明的目的在于提出一种节假日道路流量数据预测分析方法,以解决现有的算法没有融合气象数据特征和没有把各个不同节日之间的区别进行特征处理的问题。
基于上述目的,本发明提供了一种节假日道路流量数据预测分析方法及分析装置,包括以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号;获取门架、收费站的原始数据;根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据;获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;获取节假日的历史气象数据、各个路段的历史流量数据和各个路段节假日的气象数据,基于深度学习算法,预测节假日各个路段的流量数据。
作为本申请的进一步改进,所述根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据,包括:获得的原始数据进行预处理,获得各个车辆的轨迹数据,通过轨迹数据获得各个路段的流量数据。
作为本申请的进一步改进,所述以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号,包括根据门架、收费站位置,确定门架、收费站之间的邻接关系,根据门架、收费站的经纬度,得到各个门架、收费站之间的距离,进而获得各个路段的长度。
作为本申请的进一步改进,所述根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据,包括确定邻接门架之间的路段的最大通行时间其中,n为路段的最大通行时间,dis路段为路段距离,/>为路段最低限速;
确定小时粒度车流量其中若车辆经过该门架或收费站,计算[范围内,其是否经过临近门架或收费站,若是,则将该轨迹/>加入t时间片路段的轨迹集合/>
确定小时粒度平均通行时间其中,/>表示小时的车流量,表示车辆轨迹,/>表示t时间片路段的轨迹集合,dt为小时片统计得到路段间轨迹/>的通行时间。
作为本申请的进一步改进,所述获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;
包括:对节假日进行编码;
筛选出节假日时间段内各个路段的气象数据、各个路段的流量数据和各个路段的通行时间数据,然后将获得的节假日时间段内各个路段的气象数据、流量数据和通行时间数据匹配。
作为本申请的进一步改进,所述深度学习算法包括:基于时空图采用GraphWaveNet建模,该模型架构中,由堆叠的时空层和输出层组成,堆叠的时空层主要包括两个模块,两个模块分别为图卷积层GCN和门控时间卷积层TCN;
所述门控时间卷积层TCN由两个并行的时间卷积层TCN-a和TCN-b组成。
作为本申请的进一步改进,所述输出层使用长短期记忆LSTM获取序列预测结果。
一种基于交通流时空特性的节假日道路流量数据预测分析装置,所述装置包括:
路段编号模块,用于以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号;
数据获取模块,用于获取门架、收费站的原始数据;
数据分析模块,用于根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据;
数据匹配模块,用于获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;
预测模块,用于获取节假日的历史气象数据、各个路段的历史流量数据和各个路段节假日的气象数据,基于深度学习算法,预测节假日各个路段的流量数据。
本发明的有益效果:
本申请的预测方法融合气象数据特征,能够反应出气象数据对交通的影响。并且抽出节假日时间段单独进行分析,把各个不同节日之间的区别进行特征处理。不同的路段状态和不同的路网形态反应的各个数据信息进行单独运算预测,在时效性和精读更加准确。
附图说明
为了更清楚地说明本发明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,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为本申请具体实施方式一种节假日道路流量数据预测分析方法的深度学习算法的流程图;
图2为本申请具体实施方式一种节假日道路流量数据预测分析方法的输出层使用长短期记忆LSTM的流程图;
图3为本申请具体实施方式基于交通流时空特性的节假日道路流量数据预测分析装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1-2所示,一种节假日道路流量数据预测分析方法,包括以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号;获取门架、收费站的原始数据;根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据;获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;获取节假日的历史气象数据、各个路段的历史流量数据和各个路段节假日的气象数据,基于深度学习算法,预测节假日各个路段的流量数据。
本申请的预测方法融合气象数据特征,能够反应出气象数据对交通的影响。并且抽出节假日时间段单独进行分析,把各个不同节日之间的区别进行特征处理。不同的路段状态和不同的路网形态反应的各个数据信息进行单独运算预测,在时效性和精读更加准确。
一种节假日道路流量数据预测分析方法,包括
以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号;包括根据门架、收费站位置,确定门架、收费站之间的邻接关系,根据门架、收费站的经纬度,得到各个门架、收费站之间的距离,进而获得各个路段的长度。
获取门架、收费站的原始数据;根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据;包括:获得的原始数据进行预处理,获得各个车辆的轨迹数据,通过轨迹数据获得各个路段的流量数据。包括确定邻接门架之间的路段的最大通行时间其中,n为路段的最大通行时间,dis路段为路段距离,/>为路段最低限速;
确定小时粒度车流量其中若车辆经过该门架或收费站,计算[范围内,其是否经过临近门架或收费站,若是,则将该轨迹/>加入t时间片路段的轨迹集合/>
若一辆车,完整地经过一个路段,则该车辆轨迹经过该路段的时间加入该路段的通行时间数据内;
确定小时粒度平均通行时间其中,/>表示小时的车流量,表示车辆轨迹,/>表示t时间片路段的轨迹集合,dt为小时片统计得到路段间轨迹/>的通行时间。
获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;包括对节假日进行编码;筛选出节假日时间段内各个路段的气象数据、各个路段的流量数据和各个路段的通行时间数据,然后将获得的节假日时间段内各个路段的气象数据、流量数据和通行时间数据匹配。
获取节假日的历史气象数据、各个路段的历史流量数据和各个路段节假日的气象数据,基于深度学习算法,预测节假日各个路段的流量数据。
所述深度学习算法包括:基于时空图采用GraphWaveNet建模,该模型架构中,由堆叠的时空层和输出层组成,堆叠的时空层主要包括两个模块,两个模块分别为图卷积层GCN和门控时间卷积层TCN;
所述门控时间卷积层TCN由两个并行的时间卷积层TCN-a和TCN-b组成。通过堆叠多个时空层,GraphWaveNet能够处理不同时间级别的空间依存关系。例如,在底层的图卷积层GCN接收短期时间信息,而在顶层的图卷积层GCN处理长期时间信息。
所述输出层使用长短期记忆LSTM获取序列预测结果。
如图3所示,一种基于交通流时空特性的节假日道路流量数据预测分析装置,所述装置包括:
路段编号模块,用于以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号;
数据获取模块,用于获取门架、收费站的原始数据;
数据分析模块,用于根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据;
数据匹配模块,用于获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;
预测模块,用于获取节假日的历史气象数据、各个路段的历史流量数据和各个路段节假日的气象数据,基于深度学习算法,预测节假日各个路段的流量数据。
1)数据处理方面,本申请打通气象数据,将气象作为重要影响因素进行特征融合。
2)在节假日类型上面,本发明对不同节假日进行了特征编码,确保每一个类型的节假日预测上面,保证模型在不同域上面有更加精准的预测效果。
3)在模型结构方面,我们通过交通大数据的时空数据和路网路段的特殊性,进行了GraphWaveNet的特征自适应抽取,因地制宜,兼具模型的鲁棒性和特定场景的精准性。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种节假日道路流量数据预测分析方法,其特征在于,包括
以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号;
获取门架、收费站的原始数据;
根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据;
获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;
获取节假日的历史气象数据、各个路段的历史流量数据和各个路段节假日的气象数据,基于深度学习算法,预测节假日各个路段的流量数据。
2.根据权利要求1所述的节假日道路流量数据预测分析方法,其特征在于,所述根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据,包括:获得的原始数据进行预处理,获得各个车辆的轨迹数据,通过轨迹数据获得各个路段的流量数据。
3.根据权利要求1所述的基于交通流时空-特性的节假日道路流量数据预测分析方法,其特征在于,所述以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号,包括根据门架、收费站位置,确定门架、收费站之间的邻接关系,根据门架、收费站的经纬度,得到各个门架、收费站之间的距离,进而获得各个路段的长度。
4.根据权利要求1所述的节假日道路流量数据预测分析方法,其特征在于,所述根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据,包括确定邻接门架之间的路段的最大通行时间其中,n为路段的最大通行时间,dis路段为路段距离,/>为路段最低限速;
确定小时粒度车流量其中若车辆经过该门架或收费站,计算范围内,其是否经过临近门架或收费站,若是,则将该轨迹/>加入t时间片路段的轨迹集合/>
确定小时粒度平均通行时间其中,/>表示小时的车流量,/>表示车辆轨迹,/>表示t时间片路段的轨迹集合,dt为小时片统计得到路段间轨迹/>的通行时间。
5.根据权利要求1所述的节假日道路流量数据预测分析方法,其特征在于,所述获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;
包括:对节假日进行编码;
筛选出节假日时间段内各个路段的气象数据、各个路段的流量数据和各个路段的通行时间数据,然后将获得的节假日时间段内各个路段的气象数据、流量数据和通行时间数据匹配。
6.根据权利要求1所述的节假日道路流量数据预测分析方法,其特征在于,所述深度学习算法包括:基于时空图采用GraphWaveNet建模,该模型架构中,由堆叠的时空层和输出层组成,堆叠的时空层主要包括两个模块,两个模块分别为图卷积层GCN和门控时间卷积层TCN;
所述门控时间卷积层TCN由两个并行的时间卷积层TCN-a和TCN-b组成。
7.根据权利要求6所述的节假日道路流量数据预测分析方法,其特征在于,所述输出层使用长短期记忆LSTM获取序列预测结果。
8.一种基于交通流时空特性的节假日道路流量数据预测分析装置,其特征在于,所述装置包括:
路段编号模块,用于以门架、收费站为定节点划分道路,获得各个路段,并对路段进行编号;
数据获取模块,用于获取门架、收费站的原始数据;
数据分析模块,用于根据获得的原始数据,计算各个路段的流量数据,以及各个路段的通行时间数据;
数据匹配模块,用于获取各个路段的气象数据,将各个路段的气象数据于各个路段的流量数据和各个路段的通行时间数据匹配;
预测模块,用于获取节假日的历史气象数据、各个路段的历史流量数据和各个路段节假日的气象数据,基于深度学习算法,预测节假日各个路段的流量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705256.1A CN116682261A (zh) | 2023-06-14 | 2023-06-14 | 一种节假日道路流量数据预测分析方法及分析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705256.1A CN116682261A (zh) | 2023-06-14 | 2023-06-14 | 一种节假日道路流量数据预测分析方法及分析装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116682261A true CN116682261A (zh) | 2023-09-01 |
Family
ID=87788841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310705256.1A Pending CN116682261A (zh) | 2023-06-14 | 2023-06-14 | 一种节假日道路流量数据预测分析方法及分析装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682261A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475641A (zh) * | 2023-12-28 | 2024-01-30 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
-
2023
- 2023-06-14 CN CN202310705256.1A patent/CN116682261A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475641A (zh) * | 2023-12-28 | 2024-01-30 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
CN117475641B (zh) * | 2023-12-28 | 2024-03-08 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
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 | |
CN113724504B (zh) | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 | |
CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
Liang et al. | A deep spatio-temporal fuzzy neural network for passenger demand prediction | |
CN112017436B (zh) | 城市市内交通旅行时间的预测方法及系统 | |
CN115440032A (zh) | 一种长短期公共交通流量预测方法 | |
CN116682261A (zh) | 一种节假日道路流量数据预测分析方法及分析装置 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
WO2022129421A1 (en) | Traffic prediction | |
Xayasouk et al. | Air pollution prediction system using deep learning | |
CN107730893A (zh) | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
CN112559585A (zh) | 交通时空序列单步预测方法、系统及存储介质 | |
CN114692984A (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
Zhao et al. | Spatiotemporal data fusion in graph convolutional networks for traffic prediction | |
CN112926768A (zh) | 基于时空注意力机制的地面道路车道级交通流预测方法 | |
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 | |
CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
CN116612645A (zh) | 一种高速公路服务区车流量预测方法 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
Zhang et al. | A hybrid deep learning approach for urban expressway travel time prediction considering spatial-temporal features | |
Ashwini et al. | A dynamic model for bus arrival time estimation based on spatial patterns using machine learning | |
Tian et al. | A generalized approach for anomaly detection from the Internet of moving things |
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 |