CN116994427A - 一种基于大数据的道路路况预测方法 - Google Patents
一种基于大数据的道路路况预测方法 Download PDFInfo
- Publication number
- CN116994427A CN116994427A CN202310807737.3A CN202310807737A CN116994427A CN 116994427 A CN116994427 A CN 116994427A CN 202310807737 A CN202310807737 A CN 202310807737A CN 116994427 A CN116994427 A CN 116994427A
- Authority
- CN
- China
- Prior art keywords
- road
- layer
- features
- vector
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 238000007418 data mining Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于数据挖掘领域,具体涉及一种基于大数据的道路路况预测方法,包括:提取数据中的连续特征、类别特征以及空间特征;建立路况预测模型,基于动态注意力的多层感知机对连续特征和类别特征进行学习,基于拓扑子图的图神经网络对拓扑特征进行学习;将基于动态注意力的多层感知机输出向量和基于拓扑子图的图神经网络输出向量拼接在一起,通过分类层进行输出预测结果。本发明采用动态注意力的多层感知机将类别特征和离散特征充分挖掘,自动提取与道路拥堵情况联系更加紧密的深层特征并为他们赋予更高的权重,提升模型的拟合能力;还通过拓扑子图的图神经网络充分学习了复杂的道路拓扑信息,进一步提升了模型在道路路况预测的准确性。
Description
技术领域
本发明属于数据挖掘领域,具体涉及一种基于大数据的道路路况预测方法。
背景技术
随着城市化进程的加速和汽车持有量的增加,道路交通问题越来越受到关注。保证道路的通行效率和安全成为城市交通管理的关键。然而,传统的交通管制措施如限行、限号等并不能从根本上解决交通拥堵问题。因此,预测道路路况并采取针对性的交通管理措施成为了一种新的解决方案。
在大数据时代,道路交通数据的获取变得更容易。大量的传感器、摄像头、GPS设备等可以实时获取道路交通数据,这些数据可以用于分析道路路况并预测未来的交通流量。因此,基于大数据的道路路况预测方法成为了研究热点。
目前,道路交通流的预测方法可以分为基于模型和基于数据的方法。基于模型的方法包括ARIMA、SARIMA、VAR、VEC等,这些方法需要建立数学模型并拟合数据,对于非线性、非平稳的道路交通数据预测效果不佳。而基于数据的方法如机器学习、深度学习等则可以自适应地学习数据规律并进行预测,更适合处理道路交通数据。但由于道路路况的复杂性,目前的方法仍然存在很多问题,比如突发事件、道路拓扑关系难以学习等等。
发明内容
为解决上述技术问题,本发明提出一种基于大数据的道路路况预测方法,包括:
S1:获取三个道路路况原始数据表;第一个表中的字段包含路段id、含当前时间、待预测时间、当前时间的前5个时间片的车辆通过数、路况拥堵状态以及速度;第二个表中的字段包含路段id、道路长度、宽度、车道数、通行方向、限速、道路等级;第三个表中的字段包含与每条道路连同的下游道路id;
S2:将获取的三个道路路况原始数据表和并在一个数据表中,提取数据表中数据的连续特征、类别特征以及空间特征;
S3:建立路况预测模型,所述路况预测模块包括:基于动态注意力的多层感知机、基于拓扑子图的图神经网络以及分类层;
S4:采用基于动态注意力的多层感知机对连续特征和类别特征进行学习;
S5:采用基于拓扑子图的图神经网络对空间特征进行学习;
S6:将基于动态注意力的多层感知机输出向量和基于拓扑子图的图神经网络输出向量拼接在一起,通过分类层进行输出预测结果。
本发明的有益效果:
本发明通过将特征进行分类,更好地让同类特征进行交互,提升模型对特征的理解能力;并采用动态注意力的多层感知机将类别特征和离散特征充分挖掘,自动提取与道路拥堵情况联系更加紧密的深层特征并为他们赋予更高的权重,提升模型的拟合能力;还通过拓扑子图的图神经网络充分学习了复杂的道路拓扑信息,进一步提升了模型在道路路况预测的准确性。
附图说明
图1为本发明的整体流程图;
图2为特征交互的多层感知机的结构图;
图3为动态注意力网络的结构图。
具体实施方式
下面将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。
一种基于大数据的道路路况预测方法,包括:
S1:获取三个道路路况原始数据表;第一个表中的字段包含路段id、含当前时间、待预测时间、当前时间的前5个时间片的车辆通过数、路况拥堵状态以及速度;第二个表中的字段包含路段id、道路长度、宽度、车道数、通行方向、限速、道路等级;第三个表中的字段包含与每条道路连同的下游道路id;
S2:将获取的三个道路路况原始数据表和并在一个数据表中,提取数据表中数据的连续特征、类别特征以及空间特征;
S3:建立路况预测模型,所述路况预测模块包括:基于动态注意力的多层感知机、基于拓扑子图的图神经网络以及分类层;
S4:采用基于动态注意力的多层感知机对连续特征和类别特征进行学习;
S5:采用基于拓扑子图的图神经网络对空间特征进行学习;
S6:将基于动态注意力的多层感知机输出向量和基于拓扑子图的图神经网络输出向量拼接在一起,通过分类层进行输出预测结果。
在本发明实施例中,特征提取的过程为:
步骤1:对于连续特征,把当前时间片之前5个时间片数据构成一个序列,每一个时间片代表2分钟。在窗口内统计车辆平均速度、车辆最大速度、车辆最小速度、每分钟车辆平均通行数、每分钟车辆最大通行数、每分钟车辆最小通行数、拥堵比例、预计到达时间作为连续特征。
步骤2:对于类别特征,对于每一条道路id,统计每小时道路拥堵比例、每小时车辆平均速度、每小时车辆平均通行数、每星期道路拥堵比例、每星期车辆平均速度、每星期车辆平均通行数作为类别特征。
步骤3:对于空间特征,将路段作为节点,统计每个道路的上下游节点数量、上下游节点道路状况以及当前道路属性特征作为空间特征。
在本发明实施例中,基于动态注意力的多层感知机的过程为:
步骤1:将类别向量k送入基于特征交互的多层感知机进行特征提取,得到特征向量Ek。
步骤2:将所有连续特征s作为输入,通过动态注意力网络得到特征向量Es。
步骤3:将特征向量Ek和特征向量Es拼接在一起,得到输出特征向量Ea。
在本发明实施例中,如图2所示,基于特征交互的多层感知机的过程为:
步骤1:将类别向量k通过Embedding层进行编码,得到每个类别的编码向量Ee。
步骤2:将编码向量Ee进行转置,得到转置向量分别采用两个带有1个隐藏层的多层感知机对两个向量进行高维映射,得到Ee1和/>
步骤3:将Ee1和进行矩阵乘法,并利用sigmoid激活函数对其进行激活,再采用一个可学习权重矩阵M让激活后的矩阵与原始Ee1进行融合。得到最终输出的类别特征向量Ek。具体的计算公式如下所示:
Ee=ε(k)
Ek=ε(k)+σ(g1(ε(k))g2(ε(k)T))M
其中,Ek表示类别特征向量,ε表示Embedding编码,k表示类别向量,g1和g2表示第一、第二多层感知机,T表示矩阵转置,M表示可学习的权重矩阵,σ表示sigmoid激活函数。
其中sigmoid的计算方式如下:
其中,x表示输入元素。
在本发明实施例中,如图3所示,动态注意力网络的过程为:
步骤1:将连续特征s分别送入三个1×1的卷积核中,得到三个维度相同的向量E1、E2、E3。
步骤2:对E1和E2做矩阵乘法,得到特征交叉后的矩阵Es1,同时E1和E3做矩阵乘法,得到特征交叉后的矩阵Es2。采用softmax函数对两个特征矩阵进行激活,得到对应的相关性矩阵和/>
步骤3:将相关性矩阵与E3进行矩阵乘法,表示将相关性矩阵的权重赋予原向量,得到第一个注意力向量Esa,同时相关性矩阵/>与E2进行矩阵乘法,得到第二个注意力向量Esb。采用两个可学习参数α和β对两个注意力向量进行加权,并最终通过一个1×1的卷积核,将维度还原到原始维度,并原始特征S进行残差连接,得到连续特征向量Es。具体的公式如下所示:
其中,Es表示连续特征向量,f1、f2、f3、f4分别表示第一、第二、第三、第四1×1的卷积层,表示softmax激活函数,α、β分别表示第一、第二可学习权重参数,s表示输入的连续特征,f()表示卷积操作,T表示矩阵转置。
其中softmax激活函数的计算方式如下:
其中,xi和xj表示向量中第i个和第j个元素。
其中α的初始化数值为矩阵中所有数值的均值,β的初始化数值为矩阵中所有数值的均值。
在本发明实施例中,基于拓扑子图的图神经网络的过程为:
步骤1:对于任意一段道路,提取其上下游4阶的节点进行无向图构建。将所有道路的无向图构建出来,得到邻接矩阵A。
步骤2:将邻接矩阵A和空间特征F送入图神经网络中,通过逐层计算并将图神经网络第m层输出作为道路的拓扑向量Er。
其中,图神经网络的学习公式如下所示:
H0=εr(link,C1,C2,...,C8),F=[link,C1,C2,...,C8]
Er=Hm
其中,εr表示embedding词嵌入层,link,C1,C2,…,C8分别表示空间特征F的道路link和其上下游节点,H0表示图神经网络第一层输出,Hl表示图神经网络第l层输出,Hm表示图神经网络第m层输出,m为图神经网络的最大深度,σ表示sigmoid激活函数,Wl表示图神经网络第l层的权重,D表示度矩阵,tanh表示tanh激活函数,Ml表示图神经网络第l层的偏移权重。
其中tanh激活函数的计算公式如下:
其中x表示输入元素。
在本发明实施例中,使用路况预测模型进行交通道路路况预测为:通过分类层直接将预测的道路拥堵等级作为预测结果输出。分类层就是一个线性层,线性层的输出维度为类别数,把拼接向量作为输入,经过分类层后得到分类结果。
在本发明实施例中,在路况预测模型训练阶段,将预测结果和真实结果进行交叉熵损失计算,具体计算公式如下:
其中,L表示交叉熵损失函数,j表示样本总量,yi表示第i个样本的真实值,表示第i个样本的预测值。
得到损失值后通过反向传播,对模型的各个参数进行优化,直到最后收敛,完成模型训练。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于大数据的道路路况预测方法,其特征在于,包括:
S1:获取三个道路路况原始数据表;第一个表中的字段包含路段id、含当前时间、待预测时间、当前时间的前5个时间片的车辆通过数、路况拥堵状态以及速度;第二个表中的字段包含路段id、道路长度、宽度、车道数、通行方向、限速、道路等级;第三个表中的字段包含与每条道路连同的下游道路id;
S2:将获取的三个道路路况原始数据表和并在一个数据表中,提取数据表中数据的连续特征、类别特征以及空间特征;
S3:建立路况预测模型,所述路况预测模块包括:基于动态注意力的多层感知机、基于拓扑子图的图神经网络以及分类层;
S4:采用基于动态注意力的多层感知机对连续特征和类别特征进行学习;
S5:采用基于拓扑子图的图神经网络对空间特征进行学习;
S6:将基于动态注意力的多层感知机输出向量和基于拓扑子图的图神经网络输出向量拼接在一起,通过分类层进行输出预测结果。
2.根据权利要求1所述的一种基于大数据的道路路况预测方法,其特征在于,包括:提取数据表中数据的连续特征、类别特征以及空间特征,包括:
对于连续特征,把当前时间片之前5个时间片数据构成一个序列,每一个时间片代表2分钟,在窗口内统计车辆平均速度、车辆最大速度、车辆最小速度、每分钟车辆平均通行数、每分钟车辆最大通行数、每分钟车辆最小通行数、拥堵比例、预计到达时间作为连续特征;
对于类别特征,对于每一条道路id,统计每小时道路拥堵比例、每小时车辆平均速度、每小时车辆平均通行数、每星期道路拥堵比例、每星期车辆平均速度、每星期车辆平均通行数作为类别特征;
对于空间特征,将路段作为节点,统计每个道路的上下游节点数量、上下游节点道路状况以及当前道路属性特征作为空间特征。
3.根据权利要求1所述的一种基于大数据的道路路况预测方法,其特征在于,采用基于动态注意力的多层感知机对连续特征和类别特征进行学习,包括:
步骤1:将类别向量送入基于特征交互的多层感知机进行特征提取,得到特征向量Ek;
步骤2:将所有连续特征作为输入,通过动态注意力网络得到特征向量Es;
步骤3:将特征向量Ek和特征向量Es拼接在一起,得到输出特征向量Ea。
4.根据权利要求3所述的一种基于大数据的道路路况预测方法,其特征在于,基于特征交互的多层感知机进行特征提取,包括:
步骤1:将类别向量通过Embedding层进行编码,得到每个类别的编码向量Ee;
步骤2:将编码向量Ee进行转置,得到转置向量分别采用两个带有1个隐藏层的多层感知机对两个向量进行高维映射,得到Ee1和/>
步骤3:将Ee1和进行矩阵乘法,并利用sigmoid激活函数对其进行激活,再采用一个可学习权重矩阵M让激活后的矩阵与原始Ee进行融合,得到最终输出的类别特征向量Ek。
5.根据权利要求4所述的一种基于大数据的道路路况预测方法,其特征在于,采用基于特征交互的多层感知机获取类别特征向量Ek,包括:
Ek=ε(k)+σ(g1(ε(k))g2(ε(k)T))M
其中,Ek表示类别特征向量,ε表示Embedding编码,k表示类别向量,g1和g2表示第一、第二多层感知机,T表示矩阵转置,M表示可学习的权重矩阵,σ表示sigmoid激活函数,ε(k)表示对类别特征向量进行Embedding编码。
6.根据权利要求3所述的一种基于大数据的道路路况预测方法,其特征在于,通过动态注意力网络提取特征向量Es,包括:
步骤1:将连续特征S分别送入三个1×1的卷积核中,得到三个维度相同的向量E1、E2、E3;
步骤2:对E1和E2做矩阵乘法,得到特征交叉后的矩阵Es1,同时E1和E3做矩阵乘法,得到特征交叉后的矩阵Es2,采用softmax函数对两个特征矩阵进行激活,得到对应的相关性矩阵和/>
步骤3:将相关性矩阵与E3进行矩阵乘法,表示将相关性矩阵的权重赋予原向量,得到第一个注意力向量Esa,同时将相关性矩阵/>与E2进行矩阵乘法,得到第二个注意力向量Esb,采用两个可学习参数α和β对两个注意力向量进行加权,并最终通过一个1×1的卷积核,将维度还原到原始维度,并与原始连续特征S进行残差连接,得到连续特征向量Es。
7.根据权利要求6所述的一种基于大数据的道路路况预测方法,其特征在于,通过动态注意力网络获取连续特征向量Es,包括:
其中,Es表示连续特征向量,f1、f2、f3、f4分别表示第一、第二、第三、第四1×1的卷积层,表示softmax激活函数,α、β分别表示第一、第二可学习权重参数,s表示输入的连续特征,f()表示卷积操作,T表示矩阵转置。
8.根据权利要求1所述的一种基于大数据的道路路况预测方法,其特征在于,采用基于拓扑子图的图神经网络对空间特征进行学习,包括:
步骤1:对于任意一段道路,提取其上下游4阶的节点进行无向图构建,将所有道路的无向图构建出来,组成邻接矩阵A;
步骤2:将邻接矩阵A和空间特征F送入图神经网络中,通过逐层计算并将图神经网络第m层输出作为道路的拓扑向量Er。
9.根据权利要求8所述的一种基于大数据的道路路况预测方法,其特征在于,计算得到道路的拓扑向量Er,包括:
H0=εr(link,C1,C2,...,C8),F=[link,C1,C2,...,C8]
Er=Hm
其中,εr表示embedding词嵌入层,link,C1,C2,…,C8分别表示空间特征F的道路link和其上下游节点,H0表示图神经网络第一层输出,Hl表示图神经网络第l层输出,Hm表示图神经网络第m层输出,m为图神经网络的最大深度,σ表示sigmoid激活函数,Wl表示图神经网络第l层的权重,D表示度矩阵,tanh表示tanh激活函数,Ml表示图神经网络第l层的偏移权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310807737.3A CN116994427A (zh) | 2023-07-04 | 2023-07-04 | 一种基于大数据的道路路况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310807737.3A CN116994427A (zh) | 2023-07-04 | 2023-07-04 | 一种基于大数据的道路路况预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116994427A true CN116994427A (zh) | 2023-11-03 |
Family
ID=88524059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310807737.3A Pending CN116994427A (zh) | 2023-07-04 | 2023-07-04 | 一种基于大数据的道路路况预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994427A (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150081196A1 (en) * | 2013-09-18 | 2015-03-19 | Iteris, Inc | Traffic bottleneck detection and classification on a transportation network graph |
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
KR20200084750A (ko) * | 2018-12-27 | 2020-07-13 | 한국전자통신연구원 | 심층 신경망을 이용한 도로망 통행속도 예측 방법 및 장치 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
US20210150350A1 (en) * | 2019-11-15 | 2021-05-20 | Waymo Llc | Agent trajectory prediction using vectorized inputs |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN113673769A (zh) * | 2021-08-24 | 2021-11-19 | 北京航空航天大学 | 基于多元时间序列插补的图神经网络交通流预测方法 |
CN114925836A (zh) * | 2022-07-20 | 2022-08-19 | 中国海洋大学 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
US20220343756A1 (en) * | 2020-04-21 | 2022-10-27 | Chang An University | Method for constructing prediction model of auto trips quantity and prediction method and system |
US20220355825A1 (en) * | 2021-04-23 | 2022-11-10 | Motional Ad Llc | Predicting agent trajectories |
CN115346372A (zh) * | 2022-08-16 | 2022-11-15 | 重庆邮电大学 | 一种基于图神经网络的多组件融合交通流量预测方法 |
CN115374844A (zh) * | 2022-08-05 | 2022-11-22 | 中国科学院深圳先进技术研究院 | 交通数据预测方法、装置、设备及存储介质 |
CN115620510A (zh) * | 2022-08-25 | 2023-01-17 | 重庆邮电大学 | 一种基于自适应窗口注意力提取时空依赖的交通流预测方法 |
CN115662142A (zh) * | 2022-11-21 | 2023-01-31 | 南京大学 | 基于车联网稀疏信息的深度学习交通状态估计方法及系统 |
CN115795996A (zh) * | 2022-09-30 | 2023-03-14 | 合肥泰瑞数创科技有限公司 | 一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统 |
CN116307152A (zh) * | 2023-03-07 | 2023-06-23 | 北京工业大学 | 时空交互式动态图注意力网络的交通预测方法 |
-
2023
- 2023-07-04 CN CN202310807737.3A patent/CN116994427A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150081196A1 (en) * | 2013-09-18 | 2015-03-19 | Iteris, Inc | Traffic bottleneck detection and classification on a transportation network graph |
KR20200084750A (ko) * | 2018-12-27 | 2020-07-13 | 한국전자통신연구원 | 심층 신경망을 이용한 도로망 통행속도 예측 방법 및 장치 |
US20210150350A1 (en) * | 2019-11-15 | 2021-05-20 | Waymo Llc | Agent trajectory prediction using vectorized inputs |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
US20220343756A1 (en) * | 2020-04-21 | 2022-10-27 | Chang An University | Method for constructing prediction model of auto trips quantity and prediction method and system |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
US20220355825A1 (en) * | 2021-04-23 | 2022-11-10 | Motional Ad Llc | Predicting agent trajectories |
CN113673769A (zh) * | 2021-08-24 | 2021-11-19 | 北京航空航天大学 | 基于多元时间序列插补的图神经网络交通流预测方法 |
CN114925836A (zh) * | 2022-07-20 | 2022-08-19 | 中国海洋大学 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
CN115374844A (zh) * | 2022-08-05 | 2022-11-22 | 中国科学院深圳先进技术研究院 | 交通数据预测方法、装置、设备及存储介质 |
CN115346372A (zh) * | 2022-08-16 | 2022-11-15 | 重庆邮电大学 | 一种基于图神经网络的多组件融合交通流量预测方法 |
CN115620510A (zh) * | 2022-08-25 | 2023-01-17 | 重庆邮电大学 | 一种基于自适应窗口注意力提取时空依赖的交通流预测方法 |
CN115795996A (zh) * | 2022-09-30 | 2023-03-14 | 合肥泰瑞数创科技有限公司 | 一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统 |
CN115662142A (zh) * | 2022-11-21 | 2023-01-31 | 南京大学 | 基于车联网稀疏信息的深度学习交通状态估计方法及系统 |
CN116307152A (zh) * | 2023-03-07 | 2023-06-23 | 北京工业大学 | 时空交互式动态图注意力网络的交通预测方法 |
Non-Patent Citations (3)
Title |
---|
ADIYANA PUTRI 等: "Traffic Flow Estimation using Graph Neural Network with Aggregation of Traffic Features", 《2022 17TH INTERNATIONAL CONFERENCE ON CONTROL,AUTOMATION,ROBOTICS AND VISION》, 31 December 2022 (2022-12-31), pages 972 - 977, XP034268527, DOI: 10.1109/ICARCV57592.2022.10004365 * |
李小妍: "基于图神经网络的交通流量预测", 《中国优秀硕士学位论文全文数据库工程科技二辑》, 15 July 2020 (2020-07-15), pages 034 - 430 * |
王慧;乐孜纯;龚轩;武玉坤;左浩;: "从信息学的角度分析复杂网络链路预测", 小型微型计算机系统, no. 02, 15 February 2020 (2020-02-15), pages 94 - 104 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109887282B (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
CN110263280B (zh) | 一种基于多视图的动态链路预测深度模型及应用 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
Nie et al. | Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks | |
CN111383452A (zh) | 一种城市路网短期交通运行状态估计与预测方法 | |
CN114038200B (zh) | 基于注意力机制的时空同步图卷积网络交通流量预测方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN115082147B (zh) | 一种基于超图神经网络的序列推荐方法及装置 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN114944053B (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
CN114202122A (zh) | 基于马尔可夫聚类图注意力网络的城市交通流量预测方法 | |
CN111966823A (zh) | 一种面向标签噪声的图节点分类方法 | |
CN113688253B (zh) | 一种层次感知的时态知识图谱表示学习方法 | |
CN112784479B (zh) | 一种洪水流量预测的方法 | |
CN113610286B (zh) | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN114780866B (zh) | 一种基于时空上下文兴趣学习模型的个性化智能推荐方法 | |
CN113345236A (zh) | 一种基于Transformer网络的时空交通状态预测方法 | |
CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
CN115376317A (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN112562312B (zh) | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 | |
CN116052427B (zh) | 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240402 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Yami Technology (Guangzhou) Co.,Ltd. Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
TA01 | Transfer of patent application right |