CN117831301B - 一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法 - Google Patents
一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法 Download PDFInfo
- Publication number
- CN117831301B CN117831301B CN202410247186.4A CN202410247186A CN117831301B CN 117831301 B CN117831301 B CN 117831301B CN 202410247186 A CN202410247186 A CN 202410247186A CN 117831301 B CN117831301 B CN 117831301B
- Authority
- CN
- China
- Prior art keywords
- time
- attention
- dimensional
- space
- traffic flow
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 230000007246 mechanism Effects 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000000737 periodic effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000007796 conventional method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，属于交通流时空数据预测领域。本发明构建了一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测模型，模型采用三维残差卷积结构，用以捕获交通数据的时空依赖性特征，时空注意力模块用以捕获时空动态性特征，建立起历史数据与未来交通的直接关系，进一步提高现有方法在交通数据时空特征建模不充分的问题，提高了交通流量的预测精度，其预测结果可以缓解城市交通压力。
Description
技术领域
本发明涉及一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，属于交通流时空数据预测领域。
背景技术
智能交通系统融合了先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术等多学科技术，将道路、驾驶员和车辆有机地结合在一起，可实时、准确、高效地管理和控制交通信息，有效保障交通道路网络的安全、高效运行，现已成为构建智慧城市的重要组成部分。交通流预测是智能交通系统的核心组件，本质上，是时空数据挖掘问题。它通过使用历史交通流信息来预测未来交通状况。准确的交通流预测，不仅可以为出行者制定更好的路线规划，还可以为交通管理部门提供更好的交通管理策略。因此，提前预测交通流，有助于缓解交通拥堵、减少出行时间成本、提高交通运营效率。
在过去的几十年里，许多工作都是为了建立交通数据的时空依赖性模型，以实现更准确的交通预测。由于二维卷积神经网络（2D CNNs）在计算机视觉领域取得了巨大的成功，因此也被用来模拟交通数据的空间相关性。准确地说，一个二维卷积可以捕捉近距离区域之间的局部空间相关性，而多个二维卷积的堆叠可以捕捉远距离区域之间的全局空间相关性。另一些研究利用循环神经网络（RNNs）来模拟交通数据的时间相关性，因为它们在序列学习中取得了成功。尽管这些工作与传统的时间序列预测方法（如自回归综合移动平均法（ARIMA）和卡尔曼滤波法和机器学习方法（如支持向量机模型（SVM）和贝叶斯网络）相比，表现出卓越的性能，但它们只考虑空间相关性或独立的时间相关性。
最近，研究人员开始结合上述网络来同时模拟交通数据中的时空相关性。这些神经网络包括ST-ResNet、ST-3DNet、SRCN、PreNet和3D-ConvLSTMNet。然而，这些网络由于其复杂的结构，随着深度的增加而难以训练。因此，这些网络不能有效地捕捉到大范围和长距离的时空依赖。
发明内容
本发明要解决的技术问题是提供一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，解决了现有交通流量预测方法在时空特征建模不充分导致的预测精度不高的问题。
本发明的技术方案是：一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，具体步骤为：
Step1：数据预处理：收集交通流量数据形成数据集，并对数据集进行预处理。
为了消除特征之间的差异、提高模型训练速度、防止异常值对模型的影响，以及提高模型的泛化能力，提取原始流量数据中的最大值和最小值/>，利用最大最小归一化方法对所有数据进行归一化，具体计算公式为：
其中为原始值，/>为归一化后的值。
Step2：模型训练数据构建：将预处理后的数据集根据时间临近性和周期性进行数据划分，拼接构建后作为预测模型的输入数据。
Step2.1：将归一化后的数据集根据时间临近性和周期性进行划分，得到临近性特征矩阵集合和周期性特征矩阵集合/>；根据临近性特征变化趋势和周期性特征变化趋势分别选取临近性时间片个数/>和周期性时间片个数/>；
Step2.2：根据临近性时间片个数和周期性时间片个数/>从临近性特征矩阵集合/>和周期性特征矩阵集合/>中选取交通流量特征矩阵进行拼接，得到一系列包含临近性和周期性的特征矩阵集合/>以及与之对应的预测矩阵集合/>；
Step2.3：将特征矩阵集合和对应的预测矩阵集合/>均以7：1：2的比例拆分，形成训练集、验证集和测试集。
Step3：模型训练
结合三维残差卷积神经网络和时空注意力机制构建交通流量预测模型，利用Step2中的数据对预测模型进行训练；其中，预测模型包括一个三维卷积层组成的升维单元、三个三维残差注意单元以及两个三维卷积层组成的降维单元，每个所述三维残差注意单元由三个三维卷积层和一个时空注意力块组成，所述时空注意力块包括时间注意力层和空间注意力层。
Step3.1：将训练数据输入到初始化的模型中，为了增加模型的容量和表达能力，使用升维单元对输入特征矩阵的特征通道进行升维，作为三维残差注意单元的输入。
Step3.2：通过三维残差注意单元中的三个三维卷积层对输入特征矩阵的时空相关性进行提取，计算公式为：
；
；
其中，为激活函数，/>为时间维度的大小，/>和/>表示空间维度的大小，/>表示偏置，/>和/>表示第/>层中的第/>个特征图，/>为可学习参数，/>、/>和/>分别为三维卷积核的时间维度的大小和宽高的大小；/>表示残差映射，/>表示第/>个残差块，+表示元素相加，/>表示上一个残差块的输出。
Step3.3：为了构建交通流量数据的时空动态性特征，通过三维残差注意单元中的时空注意力块对输入特征矩阵的时间动态性和空间动态性进行提取，计算公式为：
，/>
其中为经过三个三维卷积层后的残差输出，/>为时间注意力计算，/>为空间注意力计算和，/>为时间注意力层的输出，/>为空间注意力层的输出。
计算过程为：首先将残差输出/>经过一次平均池化操作得到，然后使用一个三维卷积进行时间注意力图的生成：
其中三维卷积的卷积核大小为（3，3，3），步长为（1，1，1），填充为（1，1，1），为激活函数；
计算过程为：/>首先将经过一次平均池化操作得到/>，然后使用一个二维卷积进行空间注意力图的生成：
；
其中二维卷积的卷积核大小为（3，3），步长为（1，1），填充为（1，1）。
Step3.4：三组三维残差注意单元的结构可以提高模型的表达能力以及缓解梯度消失问题，经过三组三维残差注意单元的输出特征图，通过降维单元进行时间维度和通道维度的降低，以满足预测的时间步的维度。
Step3.5：不断迭代得到优化后的预测模型，使用均方误差（MAE）函数作为模型训练的损失函数，通过反向传播算法不断更新模型参数。
Step4：模型测试，使用训练好的预测模型在公开数据集上进行交通流量预测。
模型测试采用平均绝对误差、平均绝对误差百分比和均方根误差作为指标。
本发明的有益效果是：本发明构建了一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测模型，模型采用三维残差卷积结构，用以捕获交通数据的时空依赖性特征，时空注意力模块用以捕获时空动态性特征，建立起历史数据与未来交通的直接关系，进一步解决现有方法在交通数据时空特征建模不充分的问题，提高了交通流量预测的性能。
附图说明
图1为本发明交通流量预测方法的流程图；
图2为本发明交通流量预测模型结构图；
图3为本发明三维残差注意单元的结构图；
图4为本发明降维单元的结构图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
如图1所示，一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，对交通流量数据集进行预处理后，作为输入数据对结合三维残差与时空注意力的卷积神经网络的交通流量预测模型进行训练，训练完成后对模型进行测试，具体步骤为：
Step1：数据预处理：收集交通流量数据形成数据集，并对数据集进行预处理。
获取公开交通流量数据集，并整理在同一文件夹下；加载文件夹下原始的交通流量数据集。提取原始流量数据中的最大值和最小值/>，利用最大最小归一化方法对所有数据进行归一化，具体计算公式为：
其中为原始值，/>为归一化后的值。
Step2：模型训练数据构建：将预处理后的数据集根据时间临近性和周期性进行数据划分，拼接构建后作为预测模型的输入数据。
Step2.1：将归一化后的数据集根据时间临近性和周期性进行划分，得到临近性特征矩阵集合和周期性特征矩阵集合/>；根据临近性特征变化趋势和周期性特征变化趋势分别选取临近性时间片个数/>和周期性时间片个数/>；
Step2.2：交通流量数据临近性特征矩阵选择。根据临近性时间片个数从临近性特征矩阵集合/>选择对应的流量矩阵，构成维度为/>的临近性特征矩阵（其中/>、/>和/>分别表示交通流量数据的高、宽和通道）：
Step2.3：交通流量数据周期性特征矩阵选择。根据周期性时间片个数从周期性特征矩阵集合/>选择对应的流量矩阵，构成维度为/>的临近性特征矩阵：
Step2.4：交通流量数据临近性、周期性特征矩阵拼接。将构建的临近性特征矩阵和周期性特征矩阵在时间维度进行拼接，构成神经网络模型的输入矩阵，维度为：
为与/>一一对应的预测矩阵的集合。
Step2.5：将交通流量特征矩阵集合以7：1：2的比例拆分为训练集、验证集和测试集。
Step3：模型训练；
结合三维残差卷积神经网络和时空注意力机制构建交通流量预测模型，利用Step2中的数据对预测模型进行训练；其中，如图2所示，预测模型包括一个三维卷积层组成的升维单元、三个三维残差注意单元以及两个三维卷积层组成的降维单元，每个所述三维残差注意单元由三个三维卷积层和一个时空注意力块组成，所述时空注意力块包括时间注意力层和空间注意力层。
Step3.1：将训练数据输入到初始化的模型中，为了增加模型的容量和表达能力，使用升维单元对输入特征矩阵的特征通道进行升维，将特征通道数从C=2增加到C=64，作为三维残差注意单元的输入。即输出的特征图矩阵维度为。其中三维卷积层的卷积核大小为（3，3，3），卷积核的个数为64，步长为（1，1，1），填充为（1，1，1）。
Step3.2：为了同时提取交通流量数据的事件相关性和空间相关性，通过三维残差注意单元中的三个三维卷积层对输入特征矩阵的时空相关性进行提取，结构如图3所示，计算公式为：
；
；
其中，为激活函数，/>为时间维度的大小，/>和/>表示空间维度的高和宽，/>表示偏置，/>和/>表示第/>层中的第/>个特征图，/>为可学习参数，/>、/>和/>分别为三维卷积核的时间维度的大小和宽高的大小；/>表示残差映射，/>表示第/>个残差块，+表示元素相加，/>表示上一个残差块的输出。
Step3.3：通过三维残差注意单元中的时空注意力块对输入特征矩阵的时间动态性和空间动态性进行提取，计算公式为：
，
其中为经过三个三维卷积层后的残差输出，/>为时间注意力计算，/>为空间注意力计算和，/>为时间注意力层的输出，/>为空间注意力层的输出。
计算过程为：首先将残差输出/>经过一次平均池化操作得到，然后使用一个三维卷积进行时间注意力图的生成：
；
其中三维卷积的卷积核大小为（3，3，3），步长为（1，1，1），填充为（1，1，1），为激活函数；
Step3.4：将经过时间注意力块增强后的特征图矩阵通过空间注意力块进行时间动态性提取，计算公式为：
计算过程为：/>首先将经过一次平均池化操作得到/>，然后使用一个二维卷积进行空间注意力图的生成：
；
其中二维卷积的卷积核大小为（3，3），步长为（1，1），填充为（1，1）。
Step3.5：相同的三维残差注意单元重复三组，可以提高模型的表达能力以及缓解梯度消失问题，经过三组三维残差注意单元的输出特征图，通过降维单元（如图4所示）进行时间维度和通道维度的降低，以满足预测的时间步的维度，其中时间维度降维的三维卷积层的卷积核大小为（+/>，1，1），步长为（1，1，1），填充为（0，0，0），空间维度降维的三维卷积层的卷积核大小为（1，1，1），步长为（1，1，1），填充为（0，0，0）。
Step3.6：不断迭代得到优化后的预测模型，使用均方误差（MAE）函数作为模型训练的损失函数，该函数具体定义如下：
其中，为/>时刻的真实流量值，/>为模型在/>的预测值。根据上述损失函数，通过反向传播算法不断更新模型参数。设置训练参数，包括批量处理大小为2、学习率为1e-7、最大迭代次数为500。训练好模型之后，将之前时刻的交通流数据输入到模型中，模型最后输出所有观测点在下一时刻的交通流预测值。
Step4：模型测试，使用训练好的预测模型在公开数据集上进行交通流量预测。
计算MAE、MAPE和RMSE的指标，与基线模型进行对比，评价模型的好坏，三种评价指标的函数具体定义为：
MAE、MAPE和RMSE的值越小，表明方法的预测效果越好。依据上述评价指标，将本发明提出的方法和历史平均值（CNN）算法、卷积神经网络（CNN）算法、长短期卷积记忆神经网络（ConvLSTM）算法，时空残差神经网络（ST-ResNet）算法和时空三维残差神经网络（ST-3DRNet）算法在真实的公开数据集TAXIBJ上进行比较。各个方法的对比结果如表1所示。
表1 不同预测方法结果对比
| 预测方法 | RMSE | MAE | MAPE |
| HA | 34.824 | 19.215 | 0.335 |
| CNN | 23.230 | 14.217 | 0.441 |
| ConvLSTM | 18.203 | 11.202 | 0.396 |
| ST-ResNet | 17.099 | 9.997 | 0.299 |
| ST-3DNET | 17.774 | 10.467 | 0.275 |
| 本发明 | 16.187 | 9.566 | 0.278 |
上述分析说明，本发明提出的一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，相比现有预测方法具有更低的预测误差，可以提升交通流的预测精度，其预测结果可以缓解城市交通压力。
Claims (5)
1.一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，其特征在于，所述方法包括以下步骤：
Step1：收集交通流量数据形成数据集，并对数据集进行预处理；
Step2：将预处理后的数据集根据时间临近性和周期性进行数据划分，拼接构建后作为预测模型的输入数据；
Step3：结合三维残差卷积神经网络和时空注意力机制构建交通流量预测模型，利用Step2中的数据对预测模型进行训练；其中，预测模型包括一个三维卷积层组成的升维单元、三个三维残差注意单元以及两个三维卷积层组成的降维单元，每个所述三维残差注意单元由三个三维卷积层和一个时空注意力块组成，所述时空注意力块包括时间注意力层和空间注意力层；
Step4：使用训练好的预测模型在公开数据集上进行交通流量预测；
所述Step3中预测模型的训练步骤为：
Step3.1：将训练数据输入到初始化的模型中，使用升维单元对输入特征矩阵的特征通道进行升维，作为三维残差注意单元的输入；
Step3.2：通过三维残差注意单元中的三个三维卷积层对输入特征矩阵的时空相关性进行提取，计算公式为：
；
；
其中，为激活函数，/>为时间维度的大小，/>和/>表示空间维度的大小，/>表示偏置，和/>表示第/>层中的第/>个特征图，/>为可学习参数，/>、/>和/>分别为三维卷积核的时间维度的大小和宽高的大小；/>表示残差映射，/>表示第/>个残差块，+表示元素相加，表示上一个残差块的输出；
Step3.3：通过三维残差注意单元中的时空注意力块对输入特征矩阵的时间动态性和空间动态性进行提取，计算公式为：
，/>；
其中为经过三个三维卷积层后的残差输出，/>为时间注意力计算，/>为空间注意力计算和，/>为时间注意力层的输出，/>为空间注意力层的输出；
Step3.4：将经过三组三维残差注意单元的输出特征图，通过降维单元进行时间维度和通道维度的降低；
Step3.5：不断迭代得到优化后的预测模型。
2.根据权利要求1所述的一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，其特征在于，所述Step1中利用最大最小归一化方法对所有数据进行归一化，具体计算公式为：
；
其中为原始值，/>为归一化后的值，/>为数据中的最大值，/>为数据中的最小值。
3.根据权利要求1所述的结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，其特征在于，所述Step2的具体步骤为：
Step2.1：将归一化后的数据集根据时间临近性和周期性进行划分，得到临近性特征矩阵集合和周期性特征矩阵集合/>；根据临近性特征变化趋势和周期性特征变化趋势分别选取临近性时间片个数/>和周期性时间片个数/>；
Step2.2：根据临近性时间片个数和周期性时间片个数/>从临近性特征矩阵集合/>和周期性特征矩阵集合/>中选取交通流量特征矩阵进行拼接，得到一系列包含临近性和周期性的特征矩阵集合/>以及与之对应的预测矩阵集合/>；
Step2.3：将特征矩阵集合和对应的预测矩阵集合/>均以7：1：2的比例拆分，形成训练集、验证集和测试集。
4.根据权利要求1所述的结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，其特征在于，所述Step3.3中，计算过程为：首先将残差输出/>经过一次平均池化操作得到/>，然后使用一个三维卷积进行时间注意力图的生成：
；
其中三维卷积的卷积核大小为（3，3，3），步长为（1，1，1），填充为（1，1，1），为激活函数；
计算过程为：/>首先将经过一次平均池化操作得到/>，然后使用一个二维卷积进行空间注意力图的生成：
；
其中二维卷积的卷积核大小为（3，3），步长为（1，1），填充为（1，1）。
5.根据权利要求1所述的结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法，其特征在于，所述Step4中模型测试采用平均绝对误差、平均绝对误差百分比和均方根误差作为指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410247186.4A CN117831301B (zh) | 2024-03-05 | 2024-03-05 | 一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410247186.4A CN117831301B (zh) | 2024-03-05 | 2024-03-05 | 一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117831301A CN117831301A (zh) | 2024-04-05 |
| CN117831301B true CN117831301B (zh) | 2024-05-07 |
Family
ID=90515778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410247186.4A Active CN117831301B (zh) | 2024-03-05 | 2024-03-05 | 一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117831301B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10706350B1 (en) * | 2017-08-11 | 2020-07-07 | Facebook, Inc. | Video analysis using convolutional networks |
| CN113065450A (zh) * | 2021-03-29 | 2021-07-02 | 重庆邮电大学 | 基于可分离三维残差注意网络的人体动作识别方法 |
| CN113139512A (zh) * | 2021-05-14 | 2021-07-20 | 辽宁工程技术大学 | 基于残差和注意力的深度网络高光谱影像分类方法 |
| CN113657645A (zh) * | 2021-07-15 | 2021-11-16 | 杭州电子科技大学 | 基于注意力机制的时空连接增强3dcnn交通预测方法 |
| WO2021248687A1 (zh) * | 2020-06-10 | 2021-12-16 | 南京理工大学 | 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统 |
| CN114359255A (zh) * | 2022-01-13 | 2022-04-15 | 西南林业大学 | 一种基于改进Yolov5s的公路路面修补检测方法 |
| CN114692964A (zh) * | 2022-03-24 | 2022-07-01 | 北京工商大学 | 一种基于交叉注意力机制的时空交通流量预测方法 |
| CN115662128A (zh) * | 2022-10-25 | 2023-01-31 | 辽宁工程技术大学 | 一种基于注意力机制的动态时空神经网络交通流量预测方法 |
| CN115691129A (zh) * | 2022-10-28 | 2023-02-03 | 巧智绘科技(浙江)有限公司 | 基于注意力的深度残差时空图卷积网络的交通流预测方法 |
| CN115953900A (zh) * | 2022-12-30 | 2023-04-11 | 湖北武荆高速公路发展有限公司 | 一种基于多维度时间和空间依赖挖掘的交通流量预测方法 |
| CN116152524A (zh) * | 2023-03-06 | 2023-05-23 | 河南科技学院 | 一种小麦种子分类方法 |
| CN116403103A (zh) * | 2023-01-06 | 2023-07-07 | 北京工商大学 | 基于四维生成对抗网络的遥感图像分析及蓝藻水华预测方法 |
| CN116612645A (zh) * | 2023-06-14 | 2023-08-18 | 招商新智科技有限公司 | 一种高速公路服务区车流量预测方法 |
| CN116818080A (zh) * | 2023-03-27 | 2023-09-29 | 电子科技大学 | Das信号的多维深度特征提取与识别方法 |
| CN116934380A (zh) * | 2023-07-20 | 2023-10-24 | 东南大学 | 一种异常事件下的电商物资供需联合预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11873012B2 (en) * | 2020-07-17 | 2024-01-16 | Honda Motor Co., Ltd. | System and method for providing social-stage spatio-temporal multi-modal future forecasting |
| CN115115924A (zh) * | 2022-07-20 | 2022-09-27 | 河海大学 | 基于ir7-ec网络的混凝土图像裂缝类型迅捷智能识别方法 |
-
2024
- 2024-03-05 CN CN202410247186.4A patent/CN117831301B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10706350B1 (en) * | 2017-08-11 | 2020-07-07 | Facebook, Inc. | Video analysis using convolutional networks |
| WO2021248687A1 (zh) * | 2020-06-10 | 2021-12-16 | 南京理工大学 | 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统 |
| CN113065450A (zh) * | 2021-03-29 | 2021-07-02 | 重庆邮电大学 | 基于可分离三维残差注意网络的人体动作识别方法 |
| CN113139512A (zh) * | 2021-05-14 | 2021-07-20 | 辽宁工程技术大学 | 基于残差和注意力的深度网络高光谱影像分类方法 |
| CN113657645A (zh) * | 2021-07-15 | 2021-11-16 | 杭州电子科技大学 | 基于注意力机制的时空连接增强3dcnn交通预测方法 |
| CN114359255A (zh) * | 2022-01-13 | 2022-04-15 | 西南林业大学 | 一种基于改进Yolov5s的公路路面修补检测方法 |
| CN114692964A (zh) * | 2022-03-24 | 2022-07-01 | 北京工商大学 | 一种基于交叉注意力机制的时空交通流量预测方法 |
| CN115662128A (zh) * | 2022-10-25 | 2023-01-31 | 辽宁工程技术大学 | 一种基于注意力机制的动态时空神经网络交通流量预测方法 |
| CN115691129A (zh) * | 2022-10-28 | 2023-02-03 | 巧智绘科技(浙江)有限公司 | 基于注意力的深度残差时空图卷积网络的交通流预测方法 |
| CN115953900A (zh) * | 2022-12-30 | 2023-04-11 | 湖北武荆高速公路发展有限公司 | 一种基于多维度时间和空间依赖挖掘的交通流量预测方法 |
| CN116403103A (zh) * | 2023-01-06 | 2023-07-07 | 北京工商大学 | 基于四维生成对抗网络的遥感图像分析及蓝藻水华预测方法 |
| CN116152524A (zh) * | 2023-03-06 | 2023-05-23 | 河南科技学院 | 一种小麦种子分类方法 |
| CN116818080A (zh) * | 2023-03-27 | 2023-09-29 | 电子科技大学 | Das信号的多维深度特征提取与识别方法 |
| CN116612645A (zh) * | 2023-06-14 | 2023-08-18 | 招商新智科技有限公司 | 一种高速公路服务区车流量预测方法 |
| CN116934380A (zh) * | 2023-07-20 | 2023-10-24 | 东南大学 | 一种异常事件下的电商物资供需联合预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| An Approach for Traffic Flow Prediction Combining 3D Convolution and Attention Mechanism;Lecheng Li;《2022 IEEE Smartworld, Ubiquitous Intelligence & Computing, Scalable Computing & Communications, Digital Twin, Privacy Computing, Metaverse, Autonomous & Trusted Vehicles》;20230727;2019-2025 * |
| 基于多尺度时空特征融合的动态手势识别方法研究;王月;《中国优秀硕士学位论文全文数据库 信息科技辑》;20240115;I138-1535 * |
| 基于多特征融合的短时交通流预测方法研究;赵一鸣;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20230215;C034-1376 * |
| 基于时空多视野注意残差网络的城市区域交通流量预测;陈静;《系统仿真学报》;20231220;1-16 * |
| 异步通信系统的合理性检测;王帅;《计算机集成制造系统》;20230424;1-20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117831301A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | MF-CNN: traffic flow prediction using convolutional neural network and multi-features fusion | |
| CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
| Li et al. | Graph CNNs for urban traffic passenger flows prediction | |
| CN113343563B (zh) | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 | |
| CN114330868A (zh) | 基于自注意力的个性化增强图卷积网络的客流预测方法 | |
| CN114944053B (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
| CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| US20230131518A1 (en) | Model Generation Method and Apparatus, Object Detection Method and Apparatus, Device, and Storage Medium | |
| CN101964061B (zh) | 一种基于二类核函数支持向量机的车型识别方法 | |
| CN115841625B (zh) | 一种基于改进U-Net模型的遥感建筑物影像提取方法 | |
| CN116468740A (zh) | 一种图像语义分割模型及分割方法 | |
| CN114693064A (zh) | 一种建筑群方案生成性能评价方法 | |
| Hsueh et al. | A short-term traffic speed prediction model based on LSTM networks | |
| CN117315381A (zh) | 一种基于二阶有偏随机游走的高光谱图像分类方法 | |
| Wang et al. | TYRE: A dynamic graph model for traffic prediction | |
| CN113516019B (zh) | 高光谱图像解混方法、装置及电子设备 | |
| CN117726939A (zh) | 一种基于多特征融合的高光谱图像分类方法 | |
| Sarhani et al. | Feature selection and parameter optimization of support vector regression for electric load forecasting | |
| CN117831301B (zh) | 一种结合三维残差卷积神经网络和时空注意力机制的交通流量预测方法 | |
| CN116522143B (zh) | 模型训练方法、聚类方法、设备及介质 | |
| CN115953902A (zh) | 一种基于多视图时空图卷积网络的交通流预测方法 | |
| CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
| Althobaiti et al. | Intelligent deep data analytics-based remote sensing scene classification model | |
| CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 | |
| CN118072180B (zh) | 一种基于关键子超图增强的高光谱图像分类方法 |
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 |