CN117576918B - 一种基于多源数据的城市道路流量全域预测方法 - Google Patents
一种基于多源数据的城市道路流量全域预测方法 Download PDFInfo
- Publication number
- CN117576918B CN117576918B CN202410065080.2A CN202410065080A CN117576918B CN 117576918 B CN117576918 B CN 117576918B CN 202410065080 A CN202410065080 A CN 202410065080A CN 117576918 B CN117576918 B CN 117576918B
- Authority
- CN
- China
- Prior art keywords
- road
- flow
- traffic
- data
- matrix
- 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 24
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000000547 structure data Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 6
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011160 research 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0475—Generative networks
-
- 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
- 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
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)
- Software Systems (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)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据的城市道路流量全域预测方法,其涉及交通管理技术领域,包括以下步骤:获取多源数据并进行处理,得到对应的流量特征矩阵;将各流量特征矩阵输入至城市道路流量全域预测模型进行训练,得到训练后的城市道路流量全域预测模型;将待测道路的多源数据进行上述处理后输入至训练后的城市道路流量全域预测模型进行预测。本发明选取路段动、静态特征,考虑路段时间、空间上的耦合关系,提取流量矩阵的空间特征,适应多种情况下的路段交通流量的预测;使用少量完整的卡口监控数据进行预测,减少部署卡口设备的成本,解决卡口故障导致的数据质量问题,基于路段拥堵、静态数据能推算出全域道路流量,提高预测交通流量的准确率。
Description
技术领域
本发明涉及交通管理技术领域,具体涉及一种基于多源数据的城市道路流量全域预测方法。
背景技术
卡口视频监控系统能有效地采集道路交通信息,协助城市交通管理人员分析研判城市交通状态,更好地管理、掌控城市的交通系统,是智能交通服务的关键一环。然而,卡口监控设备的部署只覆盖了城市核心区域的道路、路口,并且分布稀疏,很难通过少量的卡口监测数据推算出城市全域的道路流量。例如成都市交通卡口数据,80%的有效数据在三环以内,三环外卡口监控设备分布稀疏,很难计算出三环外的交通流量。因此,如何基于现有部署的稀疏卡口监控设备,提取车辆监控信息,来对城市的全域道路交通流量进行推断,这是城市智能交通研究领域急需解决的问题。
目前关于道路交通流量的推断与分析,集中在利用特定地区历史交通流量数据对未来一段时间的交通流量进行预测。然而实际卡口数据能计算交通流量的道路很少,并且卡口设备在线率较低、延迟率高,一旦某些区域的历史记录丢失甚至没有历史记录,会导致预测准确率低或无法预测。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于多源数据的城市道路流量全域预测方法解决了现有技术中卡口监控设备的覆盖率低、分布稀疏且确实部分数据导致交通预测准确率低或无法预测的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供了一种基于多源数据的城市道路流量全域预测方法,其包括以下步骤:
S1、获取城市的多源数据并进行处理,得到稀疏路段的交通流量、不同时间段的图结构数据、全路段估算交通流量以及道路基础信息;
S2、分别对稀疏路段的交通流量、全路段估算交通流量进行随机mask处理,得到对应的稀疏路段流量矩阵、缺失路段流量矩阵;
S3、对道路基础信息进行处理,得到对应的子掩码特征矩阵;
S4、构建城市道路流量全域预测模型;将稀疏路段流量矩阵、缺失路段流量矩阵、子掩码特征矩阵以及不同时间段的图结构数据输入至城市道路流量全域预测模型并进行训练,得到训练后的城市道路流量全域预测模型;
S5、将待测道路的多源数据采用与步骤S1至步骤S3相同的方法处理后输入至训练后的城市道路流量全域预测模型,得到对应的预测结果,完成对城市道路流量全域的预测。
进一步地,步骤S1中的多源数据包括道路交通卡口监控数据、城市道路路网信息数据以及各路段不同时间间隔的拥堵指数数据;道路交通卡口监控数据包括监控拍摄时间、车牌号、卡口设备的位置信息、卡口设备监控车道;卡口设备的位置信息包括对应的经纬度;城市道路路网信息数据包括路网拓扑结构数据、道路基础信息;道路基础信息包括车道数、路段长度、道路等级、附近POI个数。
进一步地,步骤S1的处理的具体过程为:
通过ARCGIS将带经纬度的卡口匹配到道路上,并对道路进行编号,得到对应的道路ID;以道路为单位,将一个小时的卡口监控数据匹配道路信息,去除重复车辆,统计不同车型流量并进行计算,得到道路卡口设备的覆盖率;根据道路卡口设备的覆盖率获取未完全覆盖的道路,并对未完全覆盖的道路进行计算,得到稀疏路段的交通流量;
给定城市路网中所有的路口以及路口间相连的道路路段,将整个路网构建为一个无向图,并得到对应的矩阵结构数据;将矩阵结构数据转化为不同时间段的图结构数据;
对各路段不同时间间隔的拥堵指数数据进行计算,得到全路段估算交通流量。
进一步地,步骤S3中的城市道路流量全域预测模型采用GAN生成对抗网络;GAN生成对抗网络包括生成器和判别器;生成器包括卷积神经网络;判别器包括神经网络层和激活函数。
进一步地,GAN生成对抗网络的公式为:
其中,表示GAN生成对抗网络的输出,/>表示判别器的卷积神经网络层,/>表示以10为底的对数函数,/>表示判别器,/>表示生成器,/>表示GAN生成对抗网络的输入,/>表示生成器,/>表示判别器。
进一步地,步骤S3中的训练进一步包括:
S3-1、将缺失路段流量矩阵、子掩码特征矩阵输入至生成器,生成初始符合流量分布的全域流量;基于卷积神经网络对初始符合流量分布的全域流量进行迭代,直至达到迭代次数,得到最终的符合流量分布的全域流量;
S3-2、根据全路段估算交通流量对最终的符合流量分布的全域流量进行计算,得到生成损失函数;根据全路段估算交通流量,通过反向传播算法对生成器的参数进行调整,得到训练后的生成器;
S3-3、将最终的符合流量分布的全域流量、稀疏路段流量矩阵以及不同时间段的图结构数据输入至判别器进行判断,得到子掩码矩阵以及对应的真实数据和生成数据;
S3-4、根据子掩码矩阵以及对应的真实数据和生成数据,得到判别损失函数;根据判别损失函数对判别器的参数进行调整,得到训练后的判别器,完成对城市道路流量全域预测模型的训练。
进一步地,步骤S3-2中的生成损失函数的公式为:
其中,表示生成损失函数,/>表示城市路网所有路口节点的集合,/>表示生成器,/>表示全路段估算交通流量的节点/>到节点/>的OD交通量,/>表示最终的符合流量分布的全域流量的节点/>到节点/>的OD交通量,/>表示求和函数。
进一步地,步骤S3-4中的判别损失函数的公式为:
其中,表示判别损失函数,/>表示融合了路段多源数据特征的子掩码矩阵,/>表示判别器对生成器的判别结果,为0-1矩阵,/>表示以10为底的对数函数,/>表示均方误差损失占比的权重,/>表示全路段估算交通流量,即稀疏流量矩阵,/>表示最终的符合流量分布的全域流量。
进一步地,在步骤S4之后还包括步骤S4.5:
根据公式:
获取误差;其中,/>表示该路段真实交通量,/>表示步骤S4获取的预测该路段的交通量,/>表示均方根误差函数;
通过误差判断训练后的城市道路流量全域预测模型是否达到要求,若未达到要求,则通过调整子掩码特征矩阵的参数,使城市道路流量全域预测模型重新进行训练。
本发明的有益效果为:该预测方法选取路段动、静态特征,考虑路段时间、空间上的耦合关系,提取了流量矩阵的空间特征,适应多种情况下的路段交通流量的预测;使用少量完整的卡口监控数据进行预测,减少了部署卡口设备的成本,解决了卡口故障导致的数据质量问题,基于路段拥堵、静态数据能推算出全域道路流量,提高了预测交通流量的准确率。
附图说明
图1为本发明的具体流程图;
图2为本发明的图结构数据示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于多源数据的城市道路流量全域预测方法,其包括以下步骤:
S1、获取城市的多源数据并进行处理,得到稀疏路段的交通流量、不同时间段的图结构数据、全路段估算交通流量以及道路基础信息;
S2、分别对稀疏路段的交通流量、全路段估算交通流量进行随机mask处理,得到对应的稀疏路段流量矩阵、缺失路段流量矩阵;
S3、对道路基础信息进行处理,得到对应的子掩码特征矩阵;
S4、构建城市道路流量全域预测模型;将稀疏路段流量矩阵、缺失路段流量矩阵、子掩码特征矩阵以及不同时间段的图结构数据输入至城市道路流量全域预测模型并进行训练,得到训练后的城市道路流量全域预测模型;
S5、将待测道路的多源数据采用与步骤S1至步骤S3相同的方法处理后输入至训练后的城市道路流量全域预测模型,得到对应的预测结果,完成对城市道路流量全域的预测。
步骤S1中的多源数据包括道路交通卡口监控数据、城市道路路网信息数据以及各路段不同时间间隔的拥堵指数数据;道路交通卡口监控数据包括监控拍摄时间、车牌号、卡口设备的位置信息、卡口设备监控车道;卡口设备的位置信息包括对应的经纬度;城市道路路网信息数据包括路网拓扑结构数据、道路基础信息;道路基础信息包括车道数、路段长度、道路等级、附近POI个数。
步骤S1的处理的具体过程为:
通过ARCGIS将带经纬度的卡口匹配到道路上,并对道路进行编号,得到对应的道路ID;以道路为单位,将一个小时的卡口监控数据匹配道路信息,去除重复车辆,统计不同车型流量并进行计算,得到道路卡口设备的覆盖率;根据道路卡口设备的覆盖率获取未完全覆盖的道路,并对未完全覆盖的道路进行计算,得到稀疏路段的交通流量;
如图2所示,给定城市路网中所有的路口以及路口间相连的道路路段,将整个路网构建为一个无向图,并得到对应的矩阵结构数据;将矩阵结构数据转化为不同时间段的图结构数据;其中,为无向图,/>表示城市路网所有路口节点的集合,/>表示所有道路路段的集合。
对各路段不同时间间隔的拥堵指数数据进行计算,得到全路段估算交通流量。
步骤S3中的城市道路流量全域预测模型采用GAN生成对抗网络;GAN生成对抗网络包括生成器和判别器;生成器包括卷积神经网络;判别器包括神经网络层和激活函数。
GAN生成对抗网络的公式为:
其中,表示GAN生成对抗网络的输出,/>表示判别器的卷积神经网络层,/>表示以10为底的对数函数,/>表示判别器,/>表示生成器,/>表示GAN生成对抗网络的输入,/>表示生成器,/>表示判别器。
步骤S3中的训练进一步包括:
S3-1、将缺失路段流量矩阵、子掩码特征矩阵输入至生成器,生成初始符合流量分布的全域流量;基于卷积神经网络对初始符合流量分布的全域流量进行迭代,直至达到迭代次数,得到最终的符合流量分布的全域流量;
S3-2、根据全路段估算交通流量对最终的符合流量分布的全域流量进行计算,得到生成损失函数;根据全路段估算交通流量,通过反向传播算法对生成器的参数进行调整,得到训练后的生成器;
S3-3、将最终的符合流量分布的全域流量、稀疏路段流量矩阵以及不同时间段的图结构数据输入至判别器进行判断,得到子掩码矩阵以及对应的真实数据和生成数据;
S3-4、根据子掩码矩阵以及对应的真实数据和生成数据,得到判别损失函数;根据判别损失函数对判别器的参数进行调整,得到训练后的判别器,完成对城市道路流量全域预测模型的训练。
步骤S3-2中的生成损失函数的公式为:
其中,表示生成损失函数,/>表示城市路网所有路口节点的集合,/>表示生成器,/>表示全路段估算交通流量的节点/>到节点/>的OD交通量,/>表示最终的符合流量分布的全域流量的节点/>到节点/>的OD交通量,/>表示求和函数。
步骤S3-2中的判别损失函数的公式为:
其中,表示判别损失函数,/>表示融合了路段多源数据特征的子掩码矩阵,/>表示判别器对生成器的判别结果,为0-1矩阵,/>表示以10为底的对数函数,/>表示均方误差损失占比的权重,/>表示全路段估算交通流量,即稀疏流量矩阵,/>表示最终的符合流量分布的全域流量;稀疏流量矩阵是指部分路段没有交通量值的流量矩阵,即全路段估算的流量矩阵/>,/>在进行mask操作后得到的部分路段稀疏矩阵/>,即为GAN模型生成器的输入。
在步骤S4之后还包括步骤S4.5:
根据公式:
获取误差;其中,/>表示该路段真实交通量,/>表示步骤S4获取的预测该路段的交通量,/>表示均方根误差函数;
通过误差判断训练后的城市道路流量全域预测模型是否达到要求,若未达到要求,则通过调整子掩码特征矩阵的参数,使城市道路流量全域预测模型重新进行训练。
在本发明的一个实施例中,将部署了卡口监控的路段定义为,未部署卡口监控的路段定义为/>,且满足/>。由于未部署卡口监控的路段/>不能采集交通量,导致了本发明的预测模型无法完整学习到整个路网的交通流规律,而路段拥堵指数与交通量之间强相关,以拥堵指数估算的交通流量与真实值具有时空相关性,则将全路段估算交通流量作为训练数据,用于推算未部署卡口监控的路段/>的交通流量。
生成器从稀疏路段流量矩阵中生成噪声样本,补全缺失路段流量矩阵;判别器判别生成样本与真实样本之间的差异,通过不断训练,生成符合流量分布规律的全域流量,即在最强判别能力下,生成的交通量与实际的交通量之间差值最小。
缺失路段流量矩阵的表达式为:
其中,表示缺失路段流量矩阵,/>表示节点/>到节点/>的OD交通量。
子掩码特征矩阵包括节点到节点/>的路段/>是否为真实流量的0-1值、路段基础信息、路段周围POI信息。每一个缺失路段流量矩阵都有其对应的子掩码特征矩阵。
在生成器中,随机生成噪声填补缺失路段流量矩阵,并基于卷积神经网络更新迭代,保留矩阵中的真实值,得到最终的符合流量分布的全域流量。在判别器中,对生成器的输出结果和稀疏路段流量矩阵进行对比,判断生成器的输出结果中哪些为原本的真实数据,那些为推测的数据,判别器的结果为子掩码矩阵,为的0-1矩阵。其中,生成器的输出结果和稀疏路段流量矩阵的分布差异由交叉熵表示,交叉熵的公式如下:
其中,表示节点/>到节点/>的子掩码特征矩阵,/>表示节点/>到节点/>的子掩码矩阵,/>表示交叉熵。
综上所述,本发明选取路段动、静态特征,考虑路段时间、空间上的耦合关系,提取了流量矩阵的空间特征,适应多种情况下的路段交通流量的预测;使用少量完整的卡口监控数据进行预测,减少了部署卡口设备的成本,解决了卡口故障导致的数据质量问题,基于路段拥堵、静态数据能推算出全域道路流量,提高了预测交通流量的准确率。
Claims (4)
1.一种基于多源数据的城市道路流量全域预测方法,其特征在于:包括以下步骤:
S1、获取城市的多源数据并进行处理,得到稀疏路段的交通流量、不同时间段的路网图结构数据、全路段估算交通流量以及道路基础信息;其中,多源数据包括道路交通卡口监控数据、城市道路路网信息数据以及各路段不同时间间隔的拥堵指数数据;根据道路卡口设备的覆盖率获取未完全覆盖的道路,并对未完全覆盖的道路进行计算,得到稀疏路段的交通流量;
S2、分别对稀疏路段的交通流量、全路段估算交通流量进行随机mask处理,得到对应的稀疏路段流量矩阵、缺失路段流量矩阵;
S3、对道路基础信息进行处理,得到对应的子掩码特征矩阵;
S4、构建城市道路流量全域预测模型;将稀疏路段流量矩阵、缺失路段流量矩阵、子掩码特征矩阵以及不同时间段的路网图结构数据输入至城市道路流量全域预测模型并进行训练,得到训练后的城市道路流量全域预测模型;
S5、将待测道路的多源数据采用与步骤S1至步骤S3相同的方法处理后输入至训练后的城市道路流量全域预测模型,得到对应的预测结果,完成对城市道路流量全域的预测;
所述步骤S4中的城市道路流量全域预测模型采用GAN生成对抗网络;所述GAN生成对抗网络包括生成器和判别器;所述生成器包括卷积神经网络;所述判别器包括神经网络层和激活函数;
所述GAN生成对抗网络的公式为:
其中,表示GAN生成对抗网络的输出,/>表示判别器的卷积神经网络层,/>表示以10为底的对数函数,/>表示判别器,/>表示生成器,/>表示GAN生成对抗网络的输入;
所述步骤S4中的训练包括:
S4-1、将缺失路段流量矩阵、子掩码特征矩阵输入至生成器,生成初始符合流量分布的全域流量;基于卷积神经网络对初始符合流量分布的全域流量进行迭代,直至达到迭代次数,得到最终的符合流量分布的全域流量;其中,生成器从稀疏路段流量矩阵中生成噪声样本,补全缺失路段流量矩阵;
S4-2、根据全路段估算交通流量和最终的符合流量分布的全域流量进行计算,得到生成损失函数;根据全路段估算交通流量,通过反向传播算法对生成器的参数进行调整,得到训练后的生成器;
S4-3、将最终的符合流量分布的全域流量、稀疏路段流量矩阵以及不同时间段的路网图结构数据输入至判别器进行判断,得到子掩码矩阵以及对应的真实数据和生成数据;
S4-4、根据子掩码矩阵以及对应的真实数据和生成数据,得到判别损失函数;根据判别损失函数对判别器的参数进行调整,得到训练后的判别器,完成对城市道路流量全域预测模型的训练;
所述步骤S4-2中的生成损失函数的公式为:
其中,表示生成损失函数,/>表示城市路网所有路口节点的集合,/>表示生成器,/>表示全路段估算交通流量的节点/>到节点/>的OD交通量,/>表示最终的符合流量分布的全域流量的节点/>到节点/>的OD交通量,/>表示求和函数;
所述步骤S4-4中的判别损失函数的公式为:
其中,表示判别损失函数,/>表示融合了路段多源数据特征的子掩码矩阵,表示判别器对生成器的判别结果,为0-1矩阵,/>表示以10为底的对数函数,/>表示均方误差损失占比的权重,/>表示全路段估算交通流量,/>表示最终的符合流量分布的全域流量。
2.根据权利要求1所述的基于多源数据的城市道路流量全域预测方法,其特征在于:所述道路交通卡口监控数据包括监控拍摄时间、车牌号、卡口设备的位置信息、卡口设备监控车道;所述卡口设备的位置信息包括对应的经纬度;所述城市道路路网信息数据包括路网拓扑结构数据、道路基础信息;所述道路基础信息包括车道数、路段长度、道路等级、附近POI个数。
3.根据权利要求2所述的基于多源数据的城市道路流量全域预测方法,其特征在于:所述步骤S1的处理的具体过程为:
通过ARCGIS将带经纬度的卡口匹配到道路上,并对道路进行编号,得到对应的道路ID;以道路为单位,将一个小时的卡口监控数据匹配道路信息,去除重复车辆,统计不同车型流量并计算得到道路卡口设备的覆盖率;
给定城市路网中所有的路口以及路口间相连的道路路段,将整个路网构建为一个无向图,并得到对应的矩阵结构数据;将矩阵结构数据转化为不同时间段的路网图结构数据;
根据各路段不同时间间隔的拥堵指数数据进行计算,得到全路段估算交通流量。
4.根据权利要求1所述的基于多源数据的城市道路流量全域预测方法,其特征在于:在步骤S4之后还包括步骤S4.5:
根据公式:
获取误差;其中,/>表示该路段真实交通量,/>表示步骤S4获取的预测该路段的交通量,/>表示均方根误差函数;
通过误差判断训练后的城市道路流量全域预测模型是否达到要求,若未达到要求,则通过调整子掩码特征矩阵的参数,使城市道路流量全域预测模型重新进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410065080.2A CN117576918B (zh) | 2024-01-17 | 2024-01-17 | 一种基于多源数据的城市道路流量全域预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410065080.2A CN117576918B (zh) | 2024-01-17 | 2024-01-17 | 一种基于多源数据的城市道路流量全域预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117576918A CN117576918A (zh) | 2024-02-20 |
CN117576918B true CN117576918B (zh) | 2024-04-02 |
Family
ID=89895963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410065080.2A Active CN117576918B (zh) | 2024-01-17 | 2024-01-17 | 一种基于多源数据的城市道路流量全域预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576918B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
JP2019028489A (ja) * | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | 予測装置、予測方法、予測プログラム、学習データ、及びモデル |
CN110018927A (zh) * | 2019-01-28 | 2019-07-16 | 北京工业大学 | 基于生成对抗网络的交通数据修复方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110942624A (zh) * | 2019-11-06 | 2020-03-31 | 浙江工业大学 | 一种基于sae-gan-sad的路网交通数据修复方法 |
CN111127879A (zh) * | 2019-12-09 | 2020-05-08 | 湖南大学 | 基于生成式对抗网络的城市交通流量预测方法 |
CN111583648A (zh) * | 2020-05-14 | 2020-08-25 | 公安部交通管理科学研究所 | 融合gps数据和卡口流量数据的城市交通流量预测方法 |
CN112988723A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 |
CN113506440A (zh) * | 2021-09-08 | 2021-10-15 | 四川国蓝中天环境科技集团有限公司 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
CN113570847A (zh) * | 2021-06-09 | 2021-10-29 | 长安大学 | 一种基于拥堵指数的交通流量估算方法 |
US11238729B1 (en) * | 2020-09-11 | 2022-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic flow prediction |
CN114036135A (zh) * | 2021-10-13 | 2022-02-11 | 中国科学技术大学 | 利用不完全信息估计城市移动源污染排放方法及系统 |
CN115019510A (zh) * | 2022-06-29 | 2022-09-06 | 华南理工大学 | 一种基于动态自适应生成对抗网络的交通数据修复方法 |
CN115510174A (zh) * | 2022-09-29 | 2022-12-23 | 重庆邮电大学 | 一种基于路网像素化的Wasserstein生成对抗流量数据插补方法 |
CN115662144A (zh) * | 2022-12-23 | 2023-01-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种动态od交通流推算补全方法、电子设备及存储介质 |
CN116246465A (zh) * | 2023-03-02 | 2023-06-09 | 长沙理工大学 | 一种基于生成式时空演化建模的交通流量预测方法 |
CN116311945A (zh) * | 2023-03-29 | 2023-06-23 | 北方工业大学 | 一种基于多源信息融合的全息交通状态数据集构建方法 |
CN116386336A (zh) * | 2023-05-29 | 2023-07-04 | 四川国蓝中天环境科技集团有限公司 | 基于卡口车牌数据的路网交通流量鲁棒计算方法及系统 |
CN116453343A (zh) * | 2023-04-27 | 2023-07-18 | 云控智行(上海)汽车科技有限公司 | 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统 |
CN116777046A (zh) * | 2023-05-11 | 2023-09-19 | 中国科学院自动化研究所 | 交通预训练模型构建和交通预测方法、装置及电子设备 |
CN116978218A (zh) * | 2023-06-09 | 2023-10-31 | 河北师范大学 | 基于生成对抗网络的城市交通流量预测方法、系统及设备 |
CN117037479A (zh) * | 2023-08-07 | 2023-11-10 | 北京航迹科技有限公司 | 应用路网传感器对交通状态进行测量的信号传输系统 |
CN117058882A (zh) * | 2023-09-06 | 2023-11-14 | 重庆邮电大学 | 一种基于多特征双判别器的交通数据补偿方法 |
CN117312782A (zh) * | 2023-10-24 | 2023-12-29 | 东南大学 | 一种基于生成对抗网络的缺失交通状态数据填补方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4085574A1 (en) * | 2019-12-31 | 2022-11-09 | Hughes Network Systems, LLC | Traffic flow classification using machine learning |
-
2024
- 2024-01-17 CN CN202410065080.2A patent/CN117576918B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019028489A (ja) * | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | 予測装置、予測方法、予測プログラム、学習データ、及びモデル |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN110018927A (zh) * | 2019-01-28 | 2019-07-16 | 北京工业大学 | 基于生成对抗网络的交通数据修复方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110942624A (zh) * | 2019-11-06 | 2020-03-31 | 浙江工业大学 | 一种基于sae-gan-sad的路网交通数据修复方法 |
CN111127879A (zh) * | 2019-12-09 | 2020-05-08 | 湖南大学 | 基于生成式对抗网络的城市交通流量预测方法 |
CN111583648A (zh) * | 2020-05-14 | 2020-08-25 | 公安部交通管理科学研究所 | 融合gps数据和卡口流量数据的城市交通流量预测方法 |
US11238729B1 (en) * | 2020-09-11 | 2022-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic flow prediction |
CN112988723A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 |
CN113570847A (zh) * | 2021-06-09 | 2021-10-29 | 长安大学 | 一种基于拥堵指数的交通流量估算方法 |
CN113506440A (zh) * | 2021-09-08 | 2021-10-15 | 四川国蓝中天环境科技集团有限公司 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
CN114036135A (zh) * | 2021-10-13 | 2022-02-11 | 中国科学技术大学 | 利用不完全信息估计城市移动源污染排放方法及系统 |
CN115019510A (zh) * | 2022-06-29 | 2022-09-06 | 华南理工大学 | 一种基于动态自适应生成对抗网络的交通数据修复方法 |
CN115510174A (zh) * | 2022-09-29 | 2022-12-23 | 重庆邮电大学 | 一种基于路网像素化的Wasserstein生成对抗流量数据插补方法 |
CN115662144A (zh) * | 2022-12-23 | 2023-01-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种动态od交通流推算补全方法、电子设备及存储介质 |
CN116246465A (zh) * | 2023-03-02 | 2023-06-09 | 长沙理工大学 | 一种基于生成式时空演化建模的交通流量预测方法 |
CN116311945A (zh) * | 2023-03-29 | 2023-06-23 | 北方工业大学 | 一种基于多源信息融合的全息交通状态数据集构建方法 |
CN116453343A (zh) * | 2023-04-27 | 2023-07-18 | 云控智行(上海)汽车科技有限公司 | 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统 |
CN116777046A (zh) * | 2023-05-11 | 2023-09-19 | 中国科学院自动化研究所 | 交通预训练模型构建和交通预测方法、装置及电子设备 |
CN116386336A (zh) * | 2023-05-29 | 2023-07-04 | 四川国蓝中天环境科技集团有限公司 | 基于卡口车牌数据的路网交通流量鲁棒计算方法及系统 |
CN116978218A (zh) * | 2023-06-09 | 2023-10-31 | 河北师范大学 | 基于生成对抗网络的城市交通流量预测方法、系统及设备 |
CN117037479A (zh) * | 2023-08-07 | 2023-11-10 | 北京航迹科技有限公司 | 应用路网传感器对交通状态进行测量的信号传输系统 |
CN117058882A (zh) * | 2023-09-06 | 2023-11-14 | 重庆邮电大学 | 一种基于多特征双判别器的交通数据补偿方法 |
CN117312782A (zh) * | 2023-10-24 | 2023-12-29 | 东南大学 | 一种基于生成对抗网络的缺失交通状态数据填补方法 |
Non-Patent Citations (11)
Title |
---|
Missing Data Imputation for Traffic Flow Data Using SAE-GAN-SAD;Tian, T等;BDSC 2023: Big Data and Social Computing;20230630;375-388 * |
Multistate time series imputation using generative adversarial network with applications to traffic data;Li, HT等;NEURAL COMPUTING & APPLICATIONS;20221123;6545-6567 * |
STGNN-FAM: A Traffic Flow Prediction Model for Spatiotemporal Graph Networks Based on Fusion of Attention Mechanisms;Qi, XY等;JOURNAL OF ADVANCED TRANSPORTATION;20230524;1-19 * |
TrafficGAN: Network-Scale Deep Traffic Prediction With Generative Adversarial Nets;Yuxuan Zhang等;IEEE Transactions on Intelligent Transportation Systems;20191217;219-230 * |
基于ST-DCGAN的时序交通流量数据补全;袁瑶瑶;康雁;李浩;牛瑞丞;梁文韬;李晋源;;计算机工程与应用;20190731(第15期);140-146 * |
基于对抗深度学习的交通流预测研究;王芷芸;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);20210715;C034-649 * |
基于数据修复和时空特征提取的汽车流量预测;李豪;万方数据;20231101;全文 * |
基于深度学习的交通流量预测算法的研究与实现;刘娜;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);20230715;C034-529 * |
基于生成对抗网络的交通流参数实时估计模型;姚荣涵等;交通运输系统工程与信息;20220413;158-167 * |
基于稀疏卡口监控信息的实时交通模式分析与推断;朱超超;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);20210815;C034-194 * |
袁瑶瑶;康雁;李浩;牛瑞丞;梁文韬;李晋源.基于ST-DCGAN的时序交通流量数据补全.计算机工程与应用.2019,(第15期),140-146. * |
Also Published As
Publication number | Publication date |
---|---|
CN117576918A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN109448361B (zh) | 居民交通出行流量预测系统及其预测方法 | |
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN104715610A (zh) | 一种面向城市交通的交通指数计算方法 | |
GB2599765A (en) | Vehicle traffic flow prediction method with missing data | |
CN110991262B (zh) | 生态服务价值预测的多带宽地理加权回归元胞自动机方法 | |
González-Vidal et al. | IoT for water management: Towards intelligent anomaly detection | |
Gavirangaswamy et al. | Assessment of ARIMA-based prediction techniques for road-traffic volume | |
CN108882152B (zh) | 一种基于路径选择上报的用户隐私保护方法 | |
Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
CN117576918B (zh) | 一种基于多源数据的城市道路流量全域预测方法 | |
Li et al. | Risk assessment of marine environments along the south China sea and north Indian ocean on the basis of a weighted bayesian network | |
Yao et al. | Hybrid model for prediction of real-time traffic flow | |
Wang et al. | Relationship between urban road traffic characteristics and road grade based on a time series clustering model: a case study in Nanjing, China | |
Alecsandru et al. | Hybrid model-based and memory-based traffic prediction system | |
CN117688844A (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
CN106781508B (zh) | 一种Spark环境下基于多重相空间的短时交通流预测方法 | |
CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
CN114999154B (zh) | 一种基于图卷积网络的道路服务水平预测方法 | |
Fior et al. | Correlating extreme weather conditions with road traffic safety: A unified latent space model | |
Shao et al. | Estimation of urban travel time with sparse traffic surveillance data | |
CN116777046A (zh) | 交通预训练模型构建和交通预测方法、装置及电子设备 | |
CN112652168B (zh) | 一种重大交通事故预警方法、系统及存储介质 | |
AU2020103738A4 (en) | Parking lot data repair method and apparatus, device and storage medium | |
Sun et al. | Traffic congestion pattern detection using an improved mcmaster algorithm |
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 |