CN117423238A - 基于卷积交换网络的交通流量一体式预测装置及预测方法 - Google Patents
基于卷积交换网络的交通流量一体式预测装置及预测方法 Download PDFInfo
- Publication number
- CN117423238A CN117423238A CN202311748372.8A CN202311748372A CN117423238A CN 117423238 A CN117423238 A CN 117423238A CN 202311748372 A CN202311748372 A CN 202311748372A CN 117423238 A CN117423238 A CN 117423238A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- prediction
- flow data
- model
- 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 32
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通技术领域,具体涉及一种基于卷积交换网络的交通流量一体式预测装置及预测方法;本发明装置包括交通流量检测器用于检测道路交通流量数据,交通流量预测模型训练模块用于采用交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型,预测模块用于将当前采集的道路交通流量数据经数据处理器预处理后输入交通流量预测模型,得到交通流量预测数据,根据预测模块内设置的所需预测的交通流量数据的时间段,将交通流量预测数据输入或不输入交通流量预测模型得到最终交通流量预测数据;通过本发明装置,实现对交通流量的长数据准确预测,预测模型实现自动更新,可以保证设备预测的准确性。
Description
技术领域
本发明涉及交通技术领域,具体涉及一种基于卷积交换网络的交通流量一体式预测装置及预测方法。
背景技术
随着现代社会城市化的发展,交通问题变得越来越突出,人们出行所面临的交通问题,大多数都来源于交通拥堵问题。要解决交通问题,交通流量预测是其中一个重要的手段。交通流量预测是指通过分析过去和当前的交通数据,预测未来的交通状态。它可以帮助交通管理者解决交通拥堵问题,合理分配交通资源,在现代城市交通管理中发挥了极大的作用。
现阶段的交通流量预测方法中,多使用传统机器学习方法或是基于循环神经网络的深度学习方法。受限于方法的参数量和拟合能力,这些方法算法输入的历史序列长度较短,对于长序列预测的精度较差,无法精准预测较长时间后的交通状态。而通常的短时预测,给交通管理者预留的分配调度资源时间不足,在实际应用中意义有限。
发明内容
针对上述现有技术的不足,本发明旨在提供基于卷积交换网络的交通流量一体式预测装置及预测方法,以解决目前对较长时间后的交通状态准确预测的问题。
为了解决上述问题,本发明采用了如下的技术方案:
一方面,本发明提供一种基于卷积交换网络的交通流量预测方法,包括:
采集道路交通流量数据,进行预处理,构建交通流量数据集;
采用所述交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型;
将当前采集的道路交通流量数据进行预处理后输入交通流量预测模型,得到交通流量预测数据,根据所需预测的交通流量数据的时间段,将交通流量预测数据再输入交通流量预测模型得到最终交通流量预测数据。
作为一种可实施方式,所述采集道路交通流量数据,进行预处理,构建交通流量数据集,包括
将道路交通流量数据基于时间顺序按一定间隔时间进行分段,得到若干分段道路交通流量数据;
提取每段分段道路交通流量数据的统计特征,统计特征包括工作日流量数据、节假日流量数据、流量均值和流量标准差;
将若干分段道路交通流量数据按时间顺序以后者减去前者的方式得到流量差分序列数据;
将分段道路交通流量数据及其统计特征和流量差分序列数据构建数据集。
作为一种可实施方式,所述采用所述交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型,包括:
将分段道路交通流量数据、流量差分序列数据、流量均值、流量标准差、工作日流量数据和节假日流量数据进行concat连接,并进行归一化,得到多维时序数据;
将多维时序数据输入卷积交换网络进行训练,采用均方根误差作为损失函数;
根据损失函数计算的loss值,将误差进行反向传播,采用梯度下降法迭代网络权重参数,训练完成后得到交通流量预测模型;
作为一种可实施方式,所述损失函数通过下式进行计算:
,
其中,n是样本数量,是实际值,/>是模型的预测值。
作为一种可实施方式,还包括:
收集交通流量预测模型预测的交通流量预测数据;
并根据时间对应性收集交通流量预测模型预测的交通流量预测数据所对应的实际交通流量数据,构建预测-实际交通流量数据集;
采用预测-实际交通流量数据集对交通流量预测模型的网络权重参数进行调整。
另一方面,本发明提供一种基于卷积交换网络的交通流量一体式预测装置,包括交通流量检测器、数据处理器、数据储存器、模型训练模块和预测模块;
所述交通流量检测器用于检测道路交通流量数据;
所述数据处理器用于对检测的道路交通流量数据进行预处理,并形成交通流量数据集;
所述模型训练模块用于采用所述交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型;
所述预测模块用于将当前采集的道路交通流量数据经数据处理器预处理后输入交通流量预测模型,得到交通流量预测数据,根据预测模块内设置的所需预测的交通流量数据的时间段,将交通流量预测数据输入或不输入交通流量预测模型得到最终交通流量预测数据;
所述数据储存器用于储存交通流量数据集和交通流量预测数据并进行周期性删除。
作为一种可实施方式,所述数据处理器对检测的道路交通流量数据进行预处理,并形成交通流量数据集,具体包括:
所述数据处理器将道路交通流量数据基于时间顺序按一定间隔时间进行分段,得到若干分段道路交通流量数据;
提取每段分段道路交通流量数据的统计特征,统计特征包括工作日流量数据、节假日流量数据、流量均值和流量标准差;
将若干分段道路交通流量数据按时间顺序以后者减去前者的方式得到流量差分序列数据;
将分段道路交通流量数据及其统计特征和流量差分序列数据构建数据集。
作为一种可实施方式,所述模型训练模块的训练过程包括:
所述模型训练模块将分段道路交通流量数据、流量差分序列数据、流量均值、流量标准差、工作日流量数据和节假日流量数据进行concat连接,并进行归一化,得到多维时序数据;
将多维时序数据输入卷积交换网络进行训练,采用均方根误差作为损失函数;
根据损失函数计算的loss值,将误差进行反向传播,采用梯度下降法迭代网络权重参数,训练完成后得到交通流量预测模型;
将得到的交通流量预测模型输入至预测模块。
作为一种可实施方式,所述模型训练模块根据更新指令,将收集的交通流量预测模型预测的交通流量预测数据,及其对应的实际交通流量数据,构建预测-实际交通流量数据集;
采用预测-实际交通流量数据集对交通流量预测模型的网络权重参数进行调整。
作为一种可实施方式,还包括数据传输模块,所述数据传输模块将带有位置标记的装置数据上传至总机;所述装置数据包括交通流量数据集、交通流量预测数据、交通流量预测模型、模型训练模块的训练日志和最终交通流量预测数据;总机将调节参数传输至数据传输模块,数据传输模块将各调节参数分配至交通流量一体式预测装置各部件。
本发明的有益效果在于:本发明基于卷积交换网络的交通流量一体式预测装置及预测方法,使用基于一维时空卷积的样卷积交互网络,该网络具有更大的感受野,可以输入长序列,学习更长时间的历史数据规律;同时考虑到交通流量受时间影响很大,在进行预测时加入工作日、周末、节假日等因素辅助判断;并基于交通流量数据与预测时间对预测模型进行周期性自动更新,保证设备预测的准确性。
附图说明
图1为本发明实施例一种基于卷积交换网络的交通流量一体式预测装置示意图。
图2为本发明实施例一种基于卷积交换网络的交通流量预测方法流程示意图。
具体实施方式
下面结合具体实施例对本发明作进一步的详细说明。
需要说明的是,这些实施例仅用于说明本发明,而不是对本发明的限制,在本发明的构思前提下本方法的简单改进,都属于本发明要求保护的范围。
参见图1,为一种基于卷积交换网络的交通流量一体式预测装置10,包括:交通流量检测器11、数据处理器12、数据储存器13、模型训练模块14和预测模块15。
交通流量检测器11用于检测道路交通流量数据。
交通流量检测器11可以为摄像头式、红外激光式、激光雷达等能实现道理交通计数的设备。
数据处理器12用于对检测的道路交通流量数据进行预处理,并形成交通流量数据集。
数据处理器12的具体处理过程为:
数据处理器12将道路交通流量数据基于时间顺序按一定间隔时间进行分段,得到若干分段道路交通流量数据F;一定间隔时间优选为一周、2周。
提取每段分段道路交通流量数据F的统计特征,统计特征包括工作日流量数据S2、节假日流量数据S3、流量均值S4和流量标准差S5。
将若干分段道路交通流量数据按时间顺序以后者减去前者的方式得到流量差分序列数据S1。
将分段道路交通流量数据及其统计特征和流量差分序列数据构建数据集。
模型训练模块14用于采用交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型。
模型训练模块14的训练过程包括:
搭建样本卷积交换网络(SCINet),设定超参数。
设置输入序列长度和输出序列长度:每次预测需要输入的历史数据序列长度与每次预测输出的预测序列长度一致;确定卷积层的卷积核的大小,捕获交通流量数据中的空间相关性。
模型训练模块14将分段道路交通流量数据F、流量差分序列数据S1、流量均值S4、流量标准差S5、工作日流量数据S2和节假日流量数据S3进行concat连接,并进行归一化,得到多维时序数据。即第个时刻的数据为/>。
将多维时序数据输入卷积交换网络进行训练,采用均方根误差作为损失函数。
损失函数通过下式进行计算:
,
其中,n是样本数量,是实际值,/>是模型的预测值。
根据损失函数计算的loss值,将误差进行反向传播,采用梯度下降法迭代网络权重参数,训练完成后得到交通流量预测模型。
将得到的交通流量预测模型输入至预测模块15。
模型训练模块14还具备模型更新功能,具体为:
根据更新指令,将收集的交通流量预测模型预测的交通流量预测数据,及其对应的实际交通流量数据,构建预测-实际交通流量数据集;
采用预测-实际交通流量数据集对交通流量预测模型的网络权重参数进行调整。
预测模块15用于将当前采集的道路交通流量数据经数据处理器12预处理后输入交通流量预测模型,得到交通流量预测数据,根据预测模块15内设置的所需预测的交通流量数据的时间段,将交通流量预测数据输入或不输入交通流量预测模型得到最终交通流量预测数据;
数据储存器13用于储存交通流量数据集和交通流量预测数据并进行周期性删除。
本装置还包括数据传输模块16,数据传输模块16将带有位置标记的装置数据上传至总机20;装置数据包括交通流量数据集、交通流量预测数据、交通流量预测模型、模型训练模块的训练日志和最终交通流量预测数据;总机将调节参数传输至数据传输模块,数据传输模块将各调节参数分配至交通流量一体式预测装置各部件。
通过总机20,实现对任意一个或多个预测装置所处位置的交通情况进行监管预测,对多个预测装置的预测情况进行汇总,实现对大面积道路未来情况的交通流量进行把控,便于对拥堵路段进行改善等。
参见图2,为一种基于卷积交换网络的交通流量预测方法,包括:
S10、采集道路交通流量数据,进行预处理,构建交通流量数据集。
包括:
将道路交通流量数据基于时间顺序按一定间隔时间进行分段,得到若干分段道路交通流量数据;
提取每段分段道路交通流量数据的统计特征,统计特征包括工作日流量数据、节假日流量数据、流量均值和流量标准差;
将若干分段道路交通流量数据按时间顺序以后者减去前者的方式得到流量差分序列数据;
将分段道路交通流量数据及其统计特征和流量差分序列数据构建数据集。
S20、采用所述交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型。
包括:将分段道路交通流量数据、流量差分序列数据、流量均值、流量标准差、工作日流量数据和节假日流量数据进行concat连接,并进行归一化,得到多维时序数据;
将多维时序数据输入卷积交换网络进行训练,采用均方根误差作为损失函数;
根据损失函数计算的loss值,将误差进行反向传播,采用梯度下降法迭代网络权重参数,训练完成后得到交通流量预测模型;
其中,损失函数通过下式进行计算:
,
其中,n是样本数量,是实际值,/>是模型的预测值。
S30、将当前采集的道路交通流量数据进行预处理后输入交通流量预测模型,得到交通流量预测数据,根据所需预测的交通流量数据的时间段,将交通流量预测数据再输入交通流量预测模型得到最终交通流量预测数据。
本方法还包括:
收集交通流量预测模型预测的交通流量预测数据;
并根据时间对应性收集交通流量预测模型预测的交通流量预测数据所对应的实际交通流量数据,构建预测-实际交通流量数据集;
采用预测-实际交通流量数据集对交通流量预测模型的网络权重参数进行调整。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (10)
1.一种基于卷积交换网络的交通流量预测方法,其特征在于,包括:
采集道路交通流量数据,进行预处理,构建交通流量数据集;
采用所述交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型;
将当前采集的道路交通流量数据进行预处理后输入交通流量预测模型,得到交通流量预测数据,根据所需预测的交通流量数据的时间段,将交通流量预测数据再输入交通流量预测模型得到最终交通流量预测数据。
2.根据权利要求1所述的基于卷积交换网络的交通流量预测方法,其特征在于,所述采集道路交通流量数据,进行预处理,构建交通流量数据集,包括
将道路交通流量数据基于时间顺序按一定间隔时间进行分段,得到若干分段道路交通流量数据;
提取每段分段道路交通流量数据的统计特征,统计特征包括工作日流量数据、节假日流量数据、流量均值和流量标准差;
将若干分段道路交通流量数据按时间顺序以后者减去前者的方式得到流量差分序列数据;
将分段道路交通流量数据及其统计特征和流量差分序列数据构建数据集。
3.根据权利要求2所述的基于卷积交换网络的交通流量预测方法,其特征在于,所述采用所述交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型,包括:
将分段道路交通流量数据、流量差分序列数据、流量均值、流量标准差、工作日流量数据和节假日流量数据进行concat连接,并进行归一化,得到多维时序数据;
将多维时序数据输入卷积交换网络进行训练,采用均方根误差作为损失函数;
根据损失函数计算的loss值,将误差进行反向传播,采用梯度下降法迭代网络权重参数,训练完成后得到交通流量预测模型。
4.根据权利要求3所述的基于卷积交换网络的交通流量预测方法,其特征在于,所述损失函数通过下式进行计算:
,
其中,n是样本数量,是实际值,/>是模型的预测值。
5.根据权利要求3所述的基于卷积交换网络的交通流量预测方法,其特征在于,还包括:
收集交通流量预测模型预测的交通流量预测数据;
并根据时间对应性收集交通流量预测模型预测的交通流量预测数据所对应的实际交通流量数据,构建预测-实际交通流量数据集;
采用预测-实际交通流量数据集对交通流量预测模型的网络权重参数进行调整。
6.一种基于卷积交换网络的交通流量一体式预测装置,其特征在于,包括交通流量检测器、数据处理器、数据储存器、模型训练模块和预测模块;
所述交通流量检测器用于检测道路交通流量数据;
所述数据处理器用于对检测的道路交通流量数据进行预处理,并形成交通流量数据集;
所述模型训练模块用于采用所述交通流量数据集对卷积交换网络进行训练,得到交通流量预测模型;
所述预测模块用于将当前采集的道路交通流量数据经数据处理器预处理后输入交通流量预测模型,得到交通流量预测数据,根据预测模块内设置的所需预测的交通流量数据的时间段,将交通流量预测数据输入或不输入交通流量预测模型得到最终交通流量预测数据;
所述数据储存器用于储存交通流量数据集和交通流量预测数据并进行周期性删除。
7.根据权利要求6所述的基于卷积交换网络的交通流量一体式预测装置,其特征在于,所述数据处理器对检测的道路交通流量数据进行预处理,并形成交通流量数据集,具体包括:
所述数据处理器将道路交通流量数据基于时间顺序按一定间隔时间进行分段,得到若干分段道路交通流量数据;
提取每段分段道路交通流量数据的统计特征,统计特征包括工作日流量数据、节假日流量数据、流量均值和流量标准差;
将若干分段道路交通流量数据按时间顺序以后者减去前者的方式得到流量差分序列数据;
将分段道路交通流量数据及其统计特征和流量差分序列数据构建数据集。
8.根据权利要求6所述的基于卷积交换网络的交通流量一体式预测装置,其特征在于,所述模型训练模块的训练过程包括:
所述模型训练模块将分段道路交通流量数据、流量差分序列数据、流量均值、流量标准差、工作日流量数据和节假日流量数据进行concat连接,并进行归一化,得到多维时序数据;
将多维时序数据输入卷积交换网络进行训练,采用均方根误差作为损失函数;
根据损失函数计算的loss值,将误差进行反向传播,采用梯度下降法迭代网络权重参数,训练完成后得到交通流量预测模型;
将得到的交通流量预测模型输入至预测模块。
9.根据权利要求6所述的基于卷积交换网络的交通流量一体式预测装置,其特征在于,所述模型训练模块根据更新指令,将收集的交通流量预测模型预测的交通流量预测数据,及其对应的实际交通流量数据,构建预测-实际交通流量数据集;
采用预测-实际交通流量数据集对交通流量预测模型的网络权重参数进行调整。
10.根据权利要求6所述的基于卷积交换网络的交通流量一体式预测装置,其特征在于,还包括数据传输模块,所述数据传输模块将带有位置标记的装置数据上传至总机;所述装置数据包括交通流量数据集、交通流量预测数据、交通流量预测模型、模型训练模块的训练日志和最终交通流量预测数据;总机将调节参数传输至数据传输模块,数据传输模块将各调节参数分配至交通流量一体式预测装置各部件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311748372.8A CN117423238A (zh) | 2023-12-19 | 2023-12-19 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311748372.8A CN117423238A (zh) | 2023-12-19 | 2023-12-19 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117423238A true CN117423238A (zh) | 2024-01-19 |
Family
ID=89525194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311748372.8A Pending CN117423238A (zh) | 2023-12-19 | 2023-12-19 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117423238A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
CN111710153A (zh) * | 2020-05-14 | 2020-09-25 | 南方科技大学 | 交通流量的预测方法、装置、设备及计算机存储介质 |
CN113496314A (zh) * | 2021-09-07 | 2021-10-12 | 南京感动科技有限公司 | 一种神经网络模型预测道路交通流量的方法 |
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 |
CN114120637A (zh) * | 2021-11-05 | 2022-03-01 | 江苏中路工程技术研究院有限公司 | 一种基于连续监测器的智慧高速交通流量预测方法 |
CN114120652A (zh) * | 2021-12-21 | 2022-03-01 | 重庆邮电大学 | 一种基于动态图神经网络的交通流量预测方法 |
CN114267170A (zh) * | 2021-09-28 | 2022-04-01 | 浙江工业大学 | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
US20230058520A1 (en) * | 2021-07-27 | 2023-02-23 | Huzhou University | Traffic flow forecasting method based on deep graph gaussian processes |
CN115796030A (zh) * | 2022-11-28 | 2023-03-14 | 杭州电子科技大学 | 一种基于图卷积的交通流量预测方法 |
CN116434569A (zh) * | 2022-12-26 | 2023-07-14 | 浙江大学滨江研究院 | 基于stnr模型的交通流量预测方法及系统 |
CN117116045A (zh) * | 2023-08-24 | 2023-11-24 | 西南交通大学 | 一种基于时空序列深度学习的交通流量预测方法及装置 |
-
2023
- 2023-12-19 CN CN202311748372.8A patent/CN117423238A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
CN111710153A (zh) * | 2020-05-14 | 2020-09-25 | 南方科技大学 | 交通流量的预测方法、装置、设备及计算机存储介质 |
US20230058520A1 (en) * | 2021-07-27 | 2023-02-23 | Huzhou University | Traffic flow forecasting method based on deep graph gaussian processes |
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 |
CN113496314A (zh) * | 2021-09-07 | 2021-10-12 | 南京感动科技有限公司 | 一种神经网络模型预测道路交通流量的方法 |
CN114267170A (zh) * | 2021-09-28 | 2022-04-01 | 浙江工业大学 | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 |
CN114120637A (zh) * | 2021-11-05 | 2022-03-01 | 江苏中路工程技术研究院有限公司 | 一种基于连续监测器的智慧高速交通流量预测方法 |
CN114120652A (zh) * | 2021-12-21 | 2022-03-01 | 重庆邮电大学 | 一种基于动态图神经网络的交通流量预测方法 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
CN115796030A (zh) * | 2022-11-28 | 2023-03-14 | 杭州电子科技大学 | 一种基于图卷积的交通流量预测方法 |
CN116434569A (zh) * | 2022-12-26 | 2023-07-14 | 浙江大学滨江研究院 | 基于stnr模型的交通流量预测方法及系统 |
CN117116045A (zh) * | 2023-08-24 | 2023-11-24 | 西南交通大学 | 一种基于时空序列深度学习的交通流量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thai-Nghe et al. | Deep learning approach for forecasting water quality in IoT systems | |
CN111083662B (zh) | 基于云计算的水质监测物联网系统 | |
CN106844636A (zh) | 一种基于深度学习的非结构化数据处理方法 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
CN108551491A (zh) | 基于人工智能的异构网络空间多层次移动物联网云系统 | |
CN111339092A (zh) | 一种基于深度学习的多尺度空气质量预报方法 | |
CN110196886A (zh) | 农业面源污染多源异构大数据关联方法及采用该方法的大数据监管平台 | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
CN116843071A (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
CN114078237A (zh) | 一种遥感影像道路变化识别方法及装置 | |
CN112084230A (zh) | 一种地表水水质预测方法 | |
CN117423238A (zh) | 基于卷积交换网络的交通流量一体式预测装置及预测方法 | |
CN112598050A (zh) | 生态环境数据质量控制方法 | |
CN116147712A (zh) | 免时空限制的立体式施工环境监测装置及预测方法 | |
CN106649034A (zh) | 一种可视化智能运维方法及平台 | |
CN116450663A (zh) | 一种智慧电力数据采集方法 | |
CN116128168A (zh) | 基于因果扩充卷积和Autoformer的气象预测法 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN115409616A (zh) | 风险检测方法、装置、设备、存储介质及产品 | |
CN111857015B (zh) | 输变电云端智能控制器 | |
CN114915563A (zh) | 一种网络流量预测方法和系统 | |
CN112531679A (zh) | 一种测负荷特征大数据监测设备及监测方法 | |
CN111652420A (zh) | 一种实时的负荷预测系统 | |
CN104809584A (zh) | 变电站巡维方法和系统 |
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 |