CN117218868B - 一种基于几何散射图网络的交通流预测方法 - Google Patents
一种基于几何散射图网络的交通流预测方法 Download PDFInfo
- Publication number
- CN117218868B CN117218868B CN202311465654.7A CN202311465654A CN117218868B CN 117218868 B CN117218868 B CN 117218868B CN 202311465654 A CN202311465654 A CN 202311465654A CN 117218868 B CN117218868 B CN 117218868B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- network
- output
- layer
- 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 37
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005295 random walk Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了交通流预测技术领域的一种基于几何散射图网络的交通流预测方法，包括：步骤S1、获取交通流数据集，将交通流数据集划分为训练集、验证集以及测试集，分别对训练集、验证集以及测试集执行shuffle操作后，再执行标准化处理；步骤S2、基于两个时空模块以及一个输出模块创建一交通流预测模型；步骤S3、通过训练集对交通流预测模型进行训练，通过验证集对训练后的交通流预测模型进行验证；步骤S4、通过测试集对验证后的交通流预测模型进行测试，并不断优化交通流预测模型的损失函数、优化器函数以及超参数；步骤S5、利用测试后的交通流预测模型进行交通流预测。本发明的优点在于：极大的提升了交通流预测精度。
Description
技术领域
本发明涉及交通流预测技术领域，特别指一种基于几何散射图网络的交通流预测方法。
背景技术
随着城市的发展以及人口的扩张，交通网络变得越来越庞大且复杂，同时也出现了越来越多的与交通相关的问题，例如交通拥堵、交通事故等。随着智慧城市和智能交通系统（Intelligent Transportation Systems，ITS）的实施，大量传感器（测量装置）被部署在城市的交通网络上，人们可以通过这些传感器实时的对交通数据进行采集、分析，从而更好地应对各种交通问题。
精确并且可靠地预测交通流量是ITS的一个重要方面，精确预测交通流不仅可以提前预知交通网络的拥堵情况从而避免公共交通事故的发生，而且能够为人们的出行以及交通管理提供指导，从而大大提高交通网络的运行效率。交通流预测任务主要依赖于历史交通数据，比如流量、速度等，有了这些历史交通数据人们可以进行分析和建模，从而找出其中的模式或规律，最终完成交通流的预测任务。
由于交通流不仅具有较为复杂的时间依赖关系，还具有复杂的空间依赖关系，因为在一个交通网络中某一个节点的流量不是独立的，还会受到其它节点的影响，因此精确预测交通流是一个具有挑战性的任务。在交通流的预测和建模中，其核心问题是怎样同时捕捉交通流的时间空间依赖关系。早期的动态交通流建模，主要集中在交通网络的节点级时间序列建模上，因此很大程度上忽略交通网络不同节点的空间依赖关系。近年来，由于图神经网络对于非欧式结构数据具有强大的建模能力，因此现有的交通流预测模型大多采用图神经网络对空间依赖关系进行建模。
然而，传统的基于图神经网络的建模方法往往只考虑局部空间依赖关系，而交通网络的不同节点间往往存在长距离依赖关系，因此未能充分考虑交通网络的高阶依赖关系，且在处理交通流的动态时间依赖关系上，采用一维卷积的方法，只能考虑局部动态变化关系，对交通流的全局依赖关系考虑不足，导致交通流预测精度差强人意。
因此，如何提供一种基于几何散射图网络的交通流预测方法，实现提升交通流预测精度，成为一个亟待解决的技术问题。
发明内容
本发明要解决的技术问题，在于提供一种基于几何散射图网络的交通流预测方法，实现提升交通流预测精度。
本发明是这样实现的：一种基于几何散射图网络的交通流预测方法，包括如下步骤：
步骤S1、获取交通流数据集，基于预设比例按时间顺序将所述交通流数据集划分为训练集、验证集以及测试集，分别对所述训练集、验证集以及测试集执行shuffle操作后，再执行标准化处理；
步骤S2、基于两个时空模块以及一个输出模块创建一交通流预测模型；
步骤S3、通过所述训练集对交通流预测模型进行训练，通过所述验证集对训练后的交通流预测模型进行验证；
步骤S4、通过所述测试集对验证后的交通流预测模型进行测试，并不断优化所述交通流预测模型的损失函数、优化器函数以及超参数；
步骤S5、利用测试后的所述交通流预测模型进行交通流预测。
进一步的，所述步骤S1中，所述预设比例为7：1.5：1.5。
进一步的，所述步骤S1中，所述执行标准化处理具体为：
通过z-score法对所述训练集、验证集以及测试集执行标准化处理。
进一步的，所述步骤S2中，其中一个所述时空模块的输入端通过层归一化与另一个时空模块连接，输出端通过层归一化与所述输出模块连接。
进一步的，所述步骤S2中，所述时空模块设有两个时间提取层以及一个几何散射图网络层；
所述几何散射图网络层的输入端与其中一个时间提取层连接，输出端通过非线性激活函数与另一个所述时间提取层连接。
进一步的，所述时间提取层设有一个1D卷积层以及一个多头注意力层。
进一步的，所述几何散射图网络层设有三个图卷积网络以及两个几何散射图网络。
进一步的，所述步骤S2中，所述输出模块设有两个全连接层以及一个时间提取层；
其中一个所述全连接层的输入端与时间提取层连接，输出端通过非线性激活函数与另一个所述全连接层连接。
进一步的，所述步骤S4中，所述超参数至少包括随机失活率、权值衰减率以及学习率。
本发明的优点在于：
通预设比例按时间顺序将获取的交通流数据集划分为训练集、验证集以及测试集，分别对训练集、验证集以及测试集执行shuffle操作后，再执行标准化处理，接着基于两个时空模块以及一个输出模块创建一交通流预测模型，通过训练集和验证集分别对交通流预测模型进行训练和验证，通过测试集对验证后的交通流预测模型进行测试，并不断优化交通流预测模型的损失函数、优化器函数以及超参数，最后利用测试后的所述交通流预测模型进行交通流预测；由于时空模块由两个时间提取层以及一个几何散射图网络层构成，时间提取层用于学习局部动态依赖关系和长时间动态依赖关系（同时考虑短期和长期的动态时间依赖关系），几何散射图网络层用于学习一阶邻居的依赖关系和节点间的高阶依赖关系（同时考虑局部和高阶的空间依赖关系），即通过时空模块建模交通流的时空依赖关系，进而极大的提升了交通流预测精度。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于几何散射图网络的交通流预测方法的流程图。
图2是本发明交通流预测模型的架构示意图。
图3是本发明时间提取层的架构示意图。
图4是本发明几何散射图网络层的架构示意图。
图5是本发明多头注意力层的架构示意图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：通过两个时间提取层以及一个几何散射图网络层构成时空模块，通过两个时空模块以及一个输出模块构成一交通流预测模型，时间提取层用于学习短期和长期的动态时间依赖关系，几何散射图网络层用于学习局部和高阶的空间依赖关系，以建模交通流的时空依赖关系，进而提升交通流预测精度。
请参照图1至图5所示，本发明一种基于几何散射图网络的交通流预测方法的较佳实施例，包括如下步骤：
步骤S1、获取交通流数据集，基于预设比例按时间顺序将所述交通流数据集划分为训练集、验证集以及测试集，分别对所述训练集、验证集以及测试集执行shuffle操作（打乱顺序）后，再执行标准化处理；具体实施时，可选取公共数据集PEMS-bay作为所述交通流数据集；
步骤S2、基于两个时空模块以及一个输出模块创建一交通流预测模型；
交通流预测的一个基本假设，是节点的未来信息取决于其历史信息以及邻居的历史信息；所述交通流预测模型用于捕捉时空数据的时空依赖性；若给定一个具有H个历史状态特征的时空序列图，所述交通流预测模型构造一种函数映射关系：/>，用于预测未来P个时间步长的结果。
步骤S3、通过所述训练集对交通流预测模型进行训练，通过所述验证集对训练后的交通流预测模型进行验证；
步骤S4、通过所述测试集对验证后的交通流预测模型进行测试，并不断优化所述交通流预测模型的损失函数、优化器函数以及超参数，使所述交通流预测模型的性能达到最佳状态；
步骤S5、利用测试后的所述交通流预测模型进行交通流预测。
所述交通流预测模型在公共数据集PEMS-bay上使用MAE、MAPE和RMSE评价指标进行预测能力评估，结果表明对动态变化的交通流具有较好的学习和建模能力，在短期（预测时长15分钟）、中期（预测时长30分钟）和长期（预测时长60分钟）的交通流预测中均具有较好的效果，超越了传统的基准模型。
所述步骤S1中，所述预设比例为7：1.5：1.5。
所述步骤S1中，所述执行标准化处理具体为：
通过z-score法（Z分数，z-score）对所述训练集、验证集以及测试集执行标准化处理。
所述步骤S2中，其中一个所述时空模块的输入端通过层归一化与另一个时空模块连接，输出端通过层归一化与所述输出模块连接。
所述步骤S2中，所述时空模块设有两个时间提取层以及一个几何散射图网络层；
所述几何散射图网络层的输入端与其中一个时间提取层连接，输出端通过非线性激活函数（sigmoid函数）与另一个所述时间提取层连接。
为了完成提取交通流数据的时空依赖特性，实现交通流短期预测和长期预测任务，使用两个所述时间提取层中间夹一个几何散射图网络层来构成时空模块，以建模交通流的时空依赖关系。
所述时间提取层设有一个1D卷积层以及一个多头注意力层，分别用于学习局部动态依赖关系和长时间动态依赖关系。
所述几何散射图网络层设有三个图卷积网络以及两个几何散射图网络，用于学习一阶邻居的依赖关系和节点间的高阶依赖关系。
所述时间提取层以及几何散射图网络层的网络输出进行特征拼接后，还接着一个残差连接。
所述时间提取层的计算过程为：
设交通流预测中输入的交通流序列为，其中/>，为t时刻交通网络中N个节点的交通流；H表示输出嵌入的维度；交通流/>会受其他节点影响，整个交通网络可以看成是一个无向图，节点与节点的相互影响可以用边连接起来，连接关系用邻接矩阵/>表示；交通流序列X经过1D卷积层表示为/>，其中*为卷积算符，/>为宽度M的卷积核，使用合适大小的padding使输入输出的维度相等，则/>；交通流序列X经过1D卷积层后，再经过非线性激活函数得到输出：/>（1）
交通流序列X通过多头注意力层，把序列通过三个可学习的矩阵、/>、/>分别进行线性变换，转换为Q、K、V，其中d为线性变换的隐藏层维度，用公式表示为：/>（2）
对Q、K、V应用归一化的缩放点乘注意力机制计算自注意力SAttn：（3）
其中，表示归一化指数函数，T表示矩阵转置操作；
为了稳定自注意力的计算结果，采用多头注意力机制；具体而言，并行地执行多次归一化的缩放点乘注意力机制，然后把计算得到的自注意力矩阵SAttn相加取平均，作为节点嵌入XMHead，计算过程为：（4）
其中，为经过多头注意力机制学习得到的节点嵌入；Head为多头注意力机制的头数；/>，表示可学习的参数矩阵。之后，将经过多头注意力机制学习完的输出节点嵌入XMHead先进行非线性激活后做残差连接得到输出Q：（5）
最后P和Q做哈达玛积，得到时间提取层的输出T：T=P⊙Q∈RN×H（6）
所述几何散射图网络层的计算过程为：
构建一个懒惰随机游走矩阵L∈RN×N：（7）
其中，为单位矩阵；/>为交通网络的邻接矩阵；/>为交通网络的度矩阵；度矩阵是对角矩阵即非对角元素为0，对角元素的值等于相应节点连接边的个数。在几何散射中，为了得到网络图信号的低通分量，引入几何散射小波矩阵，k是大于等于1的整数：/>（8）
对于时间提取层输出的序列T∈RN×H，通过几何散射小波矩阵进行传播，与图卷积网络类似，几何散射图网络的传播规则为：（9）
其中，S∈RN×H为几何散射图网络的输出序列；为几何散射小波矩阵，可以选择中的任意一个，在这里分别取为/>和/>进行计算；/>为几何散射图网络的可学习参数矩阵。
为了同时对交通网络的局部空间依赖和高阶空间依赖进行建模，在模型中使用混合架构，即同时使用图卷积网络和几何散射图网络来构建几何散射图网络层，先引入以下符号：
（10）
其中，表示拼接操作；/>，/>，均表示几何散射图网络的可学习参数矩阵；/>表示图卷积网络，计算公式为：（11）
其中，T∈RN×H是时间提取层的输出序列；是图卷积网络可学习参数矩阵；A∈RN×N是交通网络的邻接矩阵。由于图卷积网络使用了不同的传播矩阵Ak，因此能够聚合长距离节点信息。最后，图卷积网络的输出和几何散射图网络的输出进行拼接得到输出/>：/>（12）
最后输出SC经过一个残差连接得到最终输出，图残差卷积矩阵由超参数进行定义如下：/>（13）
其中，是单位矩阵；A是交通网络邻接矩阵；D是度矩阵。最后SC通过残差连接得到几何散射图网络层的最终输出/>：
（14）
其中，是可学习的参数矩阵；/>是可学习的偏置参数矩阵。
所述交通流预测模型的预测过程如下：
序列经过时间提取层和几何散射图网络层后输入输出维度不变，输入序列首先经过第一个时空模块，经过时间提取层、几何散射图网络层和时间提取层，再经过层归一化后得到输出/>，同样经过第二个时空模块以及层归一化后得到输出/>，最后进入输出模块，首先经过输出模块的时间提取层得到输出/>，最后经过两个线性层得到最终的预测输出/>：
（15）
最终输出SP包含了对N个节点的交通网络未来P个时间长度的交通流预测结果。
所述交通流预测模型训练过程中，使用误差平方和作为损失函数来衡量模型性能，公式如下：（16）
其中，Y是已知的标签数据，即已知的未来P个时间长度的交通流数据；是对所有元素求和的函数。
所述步骤S2中，所述输出模块设有两个全连接层以及一个时间提取层；
其中一个所述全连接层的输入端与时间提取层连接，输出端通过非线性激活函数与另一个所述全连接层连接。
所述步骤S4中，所述超参数至少包括随机失活率、权值衰减率以及学习率。
综上所述，本发明的优点在于：
通预设比例按时间顺序将获取的交通流数据集划分为训练集、验证集以及测试集，分别对训练集、验证集以及测试集执行shuffle操作后，再执行标准化处理，接着基于两个时空模块以及一个输出模块创建一交通流预测模型，通过训练集和验证集分别对交通流预测模型进行训练和验证，通过测试集对验证后的交通流预测模型进行测试，并不断优化交通流预测模型的损失函数、优化器函数以及超参数，最后利用测试后的所述交通流预测模型进行交通流预测；由于时空模块由两个时间提取层以及一个几何散射图网络层构成，时间提取层用于学习局部动态依赖关系和长时间动态依赖关系（同时考虑短期和长期的动态时间依赖关系），几何散射图网络层用于学习一阶邻居的依赖关系和节点间的高阶依赖关系（同时考虑局部和高阶的空间依赖关系），即通过时空模块建模交通流的时空依赖关系，进而极大的提升了交通流预测精度。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。
Claims (4)
1.一种基于几何散射图网络的交通流预测方法，其特征在于：包括如下步骤：
步骤S1、获取交通流数据集，基于预设比例按时间顺序将所述交通流数据集划分为训练集、验证集以及测试集，分别对所述训练集、验证集以及测试集执行shuffle操作后，再执行标准化处理；
步骤S2、基于两个时空模块以及一个输出模块创建一交通流预测模型；
所述交通流预测模型用于捕捉时空数据的时空依赖性；若给定一个具有H1个历史状态特征的时空序列图，所述交通流预测模型构造一种函数映射关系：/>，用于预测未来P1个时间步长的结果；
所述时空模块设有两个时间提取层以及一个几何散射图网络层；
所述几何散射图网络层的输入端与其中一个时间提取层连接，输出端通过非线性激活函数与另一个所述时间提取层连接；
所述时间提取层设有一个1D卷积层以及一个多头注意力层；
所述几何散射图网络层设有三个图卷积网络以及两个几何散射图网络；
所述时间提取层以及几何散射图网络层的网络输出进行特征拼接后，还接着一个残差连接；
所述输出模块设有两个全连接层以及一个时间提取层；
其中一个所述全连接层的输入端与时间提取层连接，输出端通过非线性激活函数与另一个所述全连接层连接；
其中一个所述时空模块的输入端通过层归一化与另一个时空模块连接，输出端通过层归一化与所述输出模块连接；
步骤S3、通过所述训练集对交通流预测模型进行训练，通过所述验证集对训练后的交通流预测模型进行验证；
步骤S4、通过所述测试集对验证后的交通流预测模型进行测试，并不断优化所述交通流预测模型的损失函数、优化器函数以及超参数；
步骤S5、利用测试后的所述交通流预测模型进行交通流预测；
所述步骤S2中，所述时间提取层的计算过程为：
设交通流预测中输入的交通流序列为，其中，为t时刻交通网络中N个节点的交通流；H表示输出嵌入的维度；交通流/>会受其他节点影响，整个交通网络看成是一个无向图，节点与节点的相互影响用边连接起来，连接关系用邻接矩阵/>表示；交通流序列X经过1D卷积层表示为/>，其中*为卷积算符，/>为宽度M的卷积核，使用padding使输入输出的维度相等，则/>；交通流序列X经过1D卷积层后，再经过非线性激活函数得到输出/>:(1)
交通流序列X通过多头注意力层，把序列通过三个可学习的矩阵、/>、/>分别进行线性变换，转换为Q、K、V，其中d为线性变换的隐藏层维度，用公式表示为：/>（2）
对Q、K、V应用归一化的缩放点乘注意力机制计算自注意力SAttn：（3）
其中，表示归一化指数函数，T表示矩阵转置操作；
并行地执行多次归一化的缩放点乘注意力机制，然后把计算得到的自注意力矩阵SAttn相加取平均，作为节点嵌入XMHead，计算过程为：（4）
其中，为经过多头注意力机制学习得到的节点嵌入；Head为多头注意力机制的头数；/>，表示可学习的参数矩阵；之后，将经过多头注意力机制学习完的输出节点嵌入XMHead先进行非线性激活后做残差连接得到输出Q：（5）
最后P和Q做哈达玛积，得到时间提取层的输出T： （6）
所述几何散射图网络层的计算过程为：
构建一个懒惰随机游走矩阵L∈RN×N：（7）
其中，为单位矩阵；/>为交通网络的邻接矩阵；/>为交通网络的度矩阵；度矩阵是对角矩阵即非对角元素为0，对角元素的值等于相应节点连接边的个数；在几何散射中，为了得到网络图信号的低通分量，引入几何散射小波矩阵，k是大于等于1的整数：/>（8）
对于时间提取层输出的序列T∈RN×H，通过几何散射小波矩阵进行传播，与图卷积网络类似，几何散射图网络的传播规则为：（9）
其中，S∈RN×H为几何散射图网络的输出序列；为几何散射小波矩阵，可以选择/>中的任意一个，在这里分别取为/>和/>进行计算；/>为几何散射图网络的可学习参数矩阵；
同时使用图卷积网络和几何散射图网络来构建几何散射图网络层，先引入以下符号：（10）
其中，表示拼接操作；/>，/>，均表示几何散射图网络的可学习参数矩阵；/>表示图卷积网络，计算公式为：（11）
其中，T∈RN×H是时间提取层的输出序列；是图卷积网络可学习参数矩阵；A∈RN×N是交通网络的邻接矩阵；最后，图卷积网络的输出和几何散射图网络的输出进行拼接得到输出/>：/>（12）
最后输出SC经过一个残差连接得到最终输出，图残差卷积矩阵由超参数进行定义如下：/>（13）
其中，是单位矩阵；A是交通网络邻接矩阵；D是度矩阵；最后SC通过残差连接得到几何散射图网络层的最终输出/>：/>（14）
其中，是可学习的参数矩阵；/>是可学习的偏置参数矩阵；
所述交通流预测模型的预测过程如下：
序列经过时间提取层和几何散射图网络层后输入输出维度不变，输入序列首先经过第一个时空模块，经过时间提取层、几何散射图网络层和时间提取层，再经过层归一化后得到输出/>，同样经过第二个时空模块以及层归一化后得到输出/>，最后进入输出模块，首先经过输出模块的时间提取层得到输出/>，最后经过两个线性层得到最终的预测输出/>：（15）
最终输出SP包含了对N个节点的交通网络未来P个时间长度的交通流预测结果。
2.如权利要求1所述的一种基于几何散射图网络的交通流预测方法，其特征在于：所述步骤S1中，所述预设比例为7：1.5：1.5。
3.如权利要求1所述的一种基于几何散射图网络的交通流预测方法，其特征在于：所述步骤S1中，所述执行标准化处理具体为：通过z-score法对所述训练集、验证集以及测试集执行标准化处理。
4.如权利要求1所述的一种基于几何散射图网络的交通流预测方法，其特征在于：所述步骤S4中，所述超参数至少包括随机失活率、权值衰减率以及学习率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465654.7A CN117218868B (zh) | 2023-11-07 | 2023-11-07 | 一种基于几何散射图网络的交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465654.7A CN117218868B (zh) | 2023-11-07 | 2023-11-07 | 一种基于几何散射图网络的交通流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117218868A CN117218868A (zh) | 2023-12-12 |
| CN117218868B true CN117218868B (zh) | 2024-03-22 |
Family
ID=89048518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311465654.7A Active CN117218868B (zh) | 2023-11-07 | 2023-11-07 | 一种基于几何散射图网络的交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218868B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| DE102019204242A1 (de) * | 2018-03-28 | 2019-10-02 | Robert Bosch Gmbh | Verfahren und System zum effizienten Rendern von Wolkenwitterungseinflussgrafiken in dreidimensionalen Karten |
| CN113643394A (zh) * | 2021-07-22 | 2021-11-12 | 上海联影医疗科技股份有限公司 | 散射校正方法、装置、计算机设备和存储介质 |
| CN116386312A (zh) * | 2022-11-22 | 2023-07-04 | 福州大学 | 一种交通量预测模型的构建方法和系统 |
| CN116821776A (zh) * | 2023-08-30 | 2023-09-29 | 福建理工大学 | 一种基于图自注意力机制的异质图网络节点分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CH715314B1 (de) * | 2018-09-12 | 2023-02-28 | Graphmasters Sa C/O Robert Dohrendorf | Sendungsverteilungssystem und Verfahren zum Verteilen von Warensendungen. |
-
2023
- 2023-11-07 CN CN202311465654.7A patent/CN117218868B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019204242A1 (de) * | 2018-03-28 | 2019-10-02 | Robert Bosch Gmbh | Verfahren und System zum effizienten Rendern von Wolkenwitterungseinflussgrafiken in dreidimensionalen Karten |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN113643394A (zh) * | 2021-07-22 | 2021-11-12 | 上海联影医疗科技股份有限公司 | 散射校正方法、装置、计算机设备和存储介质 |
| CN116386312A (zh) * | 2022-11-22 | 2023-07-04 | 福州大学 | 一种交通量预测模型的构建方法和系统 |
| CN116821776A (zh) * | 2023-08-30 | 2023-09-29 | 福建理工大学 | 一种基于图自注意力机制的异质图网络节点分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器学习的天线-FSS罩系统RCS工程预估算法研究;王一哲;郑理;张吒;;战术导弹技术(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117218868A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| CN110210644A (zh) | 基于深度神经网络集成的交通流量预测方法 | |
| CN111832814A (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
| CN109919358A (zh) | 一种基于神经网络时空注意力机制的实时站点流量预测方法 | |
| US20160125307A1 (en) | Air quality inference using multiple data sources | |
| Ye et al. | Attention-based spatio-temporal graph convolutional network considering external factors for multi-step traffic flow prediction | |
| CN113240170A (zh) | 一种基于季节性循环神经网络的空气质量预测方法 | |
| Xu et al. | Urban noise mapping with a crowd sensing system | |
| CN113283902B (zh) | 一种基于图神经网络的多通道区块链钓鱼节点检测方法 | |
| CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
| CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
| CN114495507A (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
| 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 | |
| James | Citywide estimation of travel time distributions with Bayesian deep graph learning | |
| CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
| CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
| CN113971496A (zh) | 活动影响下的城市交通路网状态演化趋势预测方法及系统 | |
| CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
| CN116402766A (zh) | 一种结合卷积神经网络和Transformer的遥感影像变化检测方法 | |
| CN117612370A (zh) | 基于时空信息融合的交通流量预测方法和存储介质 | |
| CN115292295A (zh) | 一种基于多视角时空对抗框架的路网缺失数据修复方法 | |
| CN116913098B (zh) | 一种融合空气质量与车流量数据的短时交通流预测方法 | |
| Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach |
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 |