KR20230048259A - 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 - Google Patents
차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 Download PDFInfo
- Publication number
- KR20230048259A KR20230048259A KR1020230037873A KR20230037873A KR20230048259A KR 20230048259 A KR20230048259 A KR 20230048259A KR 1020230037873 A KR1020230037873 A KR 1020230037873A KR 20230037873 A KR20230037873 A KR 20230037873A KR 20230048259 A KR20230048259 A KR 20230048259A
- Authority
- KR
- South Korea
- Prior art keywords
- roadway
- traffic
- data
- traffic volume
- display
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000012549 training Methods 0.000 title claims description 57
- 238000003780 insertion Methods 0.000 claims abstract description 36
- 230000037431 insertion Effects 0.000 claims abstract description 36
- 230000000295 complement effect Effects 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 72
- 230000002123 temporal effect Effects 0.000 claims description 62
- 230000002457 bidirectional effect Effects 0.000 claims description 59
- 238000013528 artificial neural network Methods 0.000 claims description 56
- 238000011156 evaluation Methods 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 28
- 230000009469 supplementation Effects 0.000 claims description 27
- 238000007499 fusion processing Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 25
- 239000013589 supplement Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 230000001502 supplementing effect Effects 0.000 description 10
- 238000003169 complementation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910052709 silver Inorganic materials 0.000 description 3
- 239000004332 silver Substances 0.000 description 3
- 208000033999 Device damage Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing 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
- G06N3/08—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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
본 출원은 차도 교통량 데이터 보완 방법 및 장치를 제공하고, 인공지능, 지능형 교통 및 딥러닝 등 분야에 관한 것이다. 구체적인 구현 수단은, 교차로 내 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터를 획득하는 단계; 당해 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성하는 단계; 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득하는 단계; 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득하는 단계; 및 차도 교통량 종합 공간 표시 및 차도 교통량 시간 관계 표시에 따라, 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행하는 단계; 를 포함한다. 본 출원은 도시 다중 차도 교통량의 결손 데이터를 보완할 수 있고, 교통량 데이터 보완의 정확성을 효과적으로 향상시킬 수 있다.
Description
본 출원은 데이터 처리 분야에 관한 것으로, 특히 인공지능, 지능형 교통 및 딥러닝 등 분야에 관한 것이고, 특히 차도 교통량 데이터 보완 방법, 차도 교통량 데이터 보완 모델의 훈련 방법, 장치, 전자 기기 및 저장 매체에 관한 것이고, 도시 다길목 교통량 데이터 보완 응용 장면에 응용될 수 있다.
인터넷 기술 및 교통 정보화의 신속한 발전에 따라, 교통 데이터의 규모는 점점 커지고, 지능형 교통 시스템에서, 완정하고 효과적인 교통 데이터는 교통 관리에 있어서 큰 의미를 구비한다. 그러나 실제로 교통 데이터를 수집할 경우, 일부 불가피한 이벤트의 발생(예를 들면 기기 훼손, 악천후 등)으로 인해, 데이터 수집이 중단되고, 일부 데이터의 결손을 초래할 수 있고, 데이터 세트의 유효성을 저하시키며, 지능형 교통 구축의 발전을 제약한다. 당해 유형의 문제에 대해, 연구에서 관측하여 수집된 교통량 데이터를 기반으로 결손된 데이터에 대해 보완하는 각 방법을 제기한다. 결손된 교통 데이터에 대해 효과적인 보완을 하고, 이론 및 실제 차원에 중요한 연구 의미를 구비하고, 교통량 예측 및 지능형 교통 관리 등 다운스트림 응용에 유리하지만, 교통 데이터의 보완은 매우 큰 도전성을 가지고 있다.
본 출원은 차도 교통량 데이터 보완 방법, 차도 교통량 데이터 보완 모델의 훈련 방법, 장치, 전자 기기 및 저장 매체를 제공한다.
본 출원의 제1 측면에 따르면, 차도 교통량 데이터 보완 방법을 제공하고, 상기 방법은,
교차로 내 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 단계;
상기 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성하는 단계;
제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득하는 단계;
상기 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득하는 단계; 및
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 시간 관계 표시에 따라, 상기 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행하는 단계; 를 포함한다.
본 출원의 제2 측면에 따르면, 차도 교통량 데이터 보완 모델의 훈련 방법을 제공하고, 상기 차도 교통량 데이터 보완 모델은 다중 공간 관계 융합 모듈, 사전 훈련된 자체 코딩 모듈 및 양방향 장단기 메모리(LSTM) 인공신경망 모듈을 포함하고, 상기 방법은,
교차로 내 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 단계;
상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 다중 공간 관계 융합 모듈로 입력하고, 차도 교통량 종합 공간 표시를 획득하는 단계;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 자체 코딩 모듈로 입력하고, 차도 교통량 전역 분포의 삽입 표시를 획득하는 단계;
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 전역 분포의 삽입 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 상기 양방향 LSTM 인공신경망 모듈에서 출력된 상기 교차로의 차도 교통량 데이터를 획득하는 단계;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 모델 손실값을 계산하는 단계; 및
상기 모델 손실값에 따라, 상기 차도 교통량 데이터 보완 모델을 훈련하는 단계; 를 포함한다.
본 출원의 제3 측면에 따르면, 다른 차도 교통량 데이터 보완 방법을 제공하고, 상기 방법은,
교차로 내 차도의 속성 정보 및 제4 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 단계;
상기 차도의 속성 정보 및 제4 시간대에서 상기 차도에서 관측된 교통량 데이터를 사전 훈련된 차도 교통량 데이터 보완 모델로 입력하는 단계 - 상기 차도 교통량 데이터 보완 모델은 본 출원의 제2 측면의 방법을 통해 훈련하여 획득된 것임 - ; 및
상기 차도 교통량 데이터 보완 모델에서 출력된 차도 교통량 데이터를 획득하는 단계 - 상기 차도 교통량 데이터는 차도 교통량 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함함 - ; 를 포함한다.
본 출원의 제4 측면에 따르면, 차도 교통량 데이터 보완 장치를 제공하고, 상기 장치는,
교차로 내 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 제1 획득 모듈;
상기 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성하는 생성 모듈;
제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득하는 제2 획득 모듈;
상기 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득하는 제3 획득 모듈; 및
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 시간 관계 표시에 따라, 상기 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행하는 보완 모듈; 을 포함한다.
본 출원의 제5 측면에 따르면, 차도 교통량 데이터 보완 모델의 훈련 장치를 제공하고, 상기 차도 교통량 데이터 보완 모델은 다중 공간 관계 융합 모듈, 사전 훈련된 자체 코딩 모듈 및 양방향 장단기 메모리(LSTM) 인공신경망 모듈을 포함하고, 상기 장치는,
교차로 내 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 제1 획득 모듈;
상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 다중 공간 관계 융합 모듈로 입력하고, 차도 교통량 종합 공간 표시를 획득하는 제2 획득 모듈;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 자체 코딩 모듈로 입력하고, 차도 교통량 전역 분포의 삽입 표시를 획득하는 제3 획득 모듈;
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 전역 분포의 삽입 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 상기 양방향 LSTM 인공신경망 모듈에서 출력된 상기 교차로의 차도 교통량 데이터를 획득하는 제4 획득 모듈;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 모델 손실값을 계산하는 계산 모듈; 및
상기 모델 손실값에 따라, 상기 차도 교통량 데이터 보완 모델을 훈련하는 훈련 모듈; 을 포함한다.
본 출원의 제6 측면에 따르면, 다른 차도 교통량 데이터 보완 장치를 제공하고, 상기 장치는,
교차로 내 차도의 속성 정보 및 제4 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 제1 획득 모듈;
상기 차도의 속성 정보 및 제4 시간대에서 상기 차도에서 관측된 교통량 데이터를 사전 훈련된 차도 교통량 데이터 보완 모델로 입력하는 입력 모듈 - 상기 차도 교통량 데이터 보완 모델은 상기 제5 측면의 방볍을 통해 획득된 것임 - ; 및
상기 차도 교통량 데이터 보완 모델에서 출력된 차도 교통량 데이터를 획득하는 제2 획득 모듈 - 상기 차도 교통량 데이터는 차도 교통량 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함함 - ; 을 포함한다.
본 출원의 제7 측면에 따르면, 전자 기기를 제공하고, 상기 전자 기기는,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서에 통신 가능하게 연결되는 메모리; 를 포함하고,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 상기 제1 측면의 방법, 또는 상기 제2 측면의 방법, 또는 상기 제3 측면의 방법을 수행한다.
본 출원의 제8 측면에 따르면, 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체를 제공하고, 상기 컴퓨터 명령은 컴퓨터가 상기 제1 측면의 방법, 또는 상기 제2 측면의 방법, 또는 상기 제3 측면의 방법을 수행하도록 한다.
본 출원의 제9 측면에 따르면, 비일시적 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램을 제공하고, 상기 컴퓨터 프로그램이 프로세서에 의해 수행될 경우 상기 제1 측면 방볍의 단계, 또는 상기 제2 측면 방법의 단계, 또는 상기 제3 측면방법의 단계가 구현된다.
본 출원의 기술은 차도 유량의 복잡한 시공 연관성을 융합하는 문제를 해결하고, 도시 다중 차도 교통량의 결손 데이터를 보완함으로써, 후속 지능형 교통 관리의 정확성 및 효율을 향상시킨다.
이해해야 할 것은, 본 발명의 내용 부분에서 설명하는 내용은 본 발명의 실시예의 관건 또는 중요한 특징을 식별하기 위한 것이 아니고, 본 발명의 범위를 한정하기 위한 것도 아니다. 본 발명의 기타 특징은 이하의 발명의 설명을 통해 용이하게 이해될 것이다.
도면은 본 기술적 수단을 더 잘 이해하는데 사용되고, 본 발명을 한정하려는 것은 아니다.
도1은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 방법의 흐름도이다.
도2는 본 출원의 실시예에 따른 다른 차도 교통량 데이터 보완 방법의 흐름도이다.
도3은 본 출원의 실시예에 따른 또 다른 차도 교통량 데이터 보완 방법의 흐름도이다.
도4는 본 출원의 실시예에 따른 자체 코딩 모델 훈련 방법의 흐름도이다.
도5는 본 출원의 실시예에 따른 차도 교통량 데이터 보완 모델의 개략적인 구조 흐름도이다.
도6은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 모델 훈련 방법의 흐름도이다.
도7은 본 출원의 실시예에 따른 다른 차도 교통량 데이터 보완 방법의 흐름도이다.
도8은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 장치의 구조 블록도이다.
도9는 본 출원의 실시예에 따른 다른 차도 교통량 데이터 보완 장치의 구조 블록도이다.
도10은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 모델 훈련 장치의 구조 블록도이다.
도11은 본 출원의 실시예에 따른 또 다른 차도 교통량 데이터 보완 장치의 구조 블록도이다.
도12는 본 출원의 실시예에 따른 전자 기기의 블록도이다.
도1은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 방법의 흐름도이다.
도2는 본 출원의 실시예에 따른 다른 차도 교통량 데이터 보완 방법의 흐름도이다.
도3은 본 출원의 실시예에 따른 또 다른 차도 교통량 데이터 보완 방법의 흐름도이다.
도4는 본 출원의 실시예에 따른 자체 코딩 모델 훈련 방법의 흐름도이다.
도5는 본 출원의 실시예에 따른 차도 교통량 데이터 보완 모델의 개략적인 구조 흐름도이다.
도6은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 모델 훈련 방법의 흐름도이다.
도7은 본 출원의 실시예에 따른 다른 차도 교통량 데이터 보완 방법의 흐름도이다.
도8은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 장치의 구조 블록도이다.
도9는 본 출원의 실시예에 따른 다른 차도 교통량 데이터 보완 장치의 구조 블록도이다.
도10은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 모델 훈련 장치의 구조 블록도이다.
도11은 본 출원의 실시예에 따른 또 다른 차도 교통량 데이터 보완 장치의 구조 블록도이다.
도12는 본 출원의 실시예에 따른 전자 기기의 블록도이다.
이하, 도면과 결합하여 본 발명의 예시적인 실시예를 설명한다. 여기에는 이해를 돕기 위해 본 출원의 실시예의 다양한 세부 사항을 포함하고, 실시예들은 단지 예시적인 것으로 간주되어야 한다. 때문에 본 출원에 속하는 기술 분야의 통상의 기술자는 본 출원의 범위 및 사상을 벗어나지 않고 실시예에 여러가지 변경과 수정을 할 수 있다는 것을 인식해야 한다. 동시에 정확성과 간결성을 위해 하기의 설명에서 공지된 기능과 구조에 대한 설명은 생략한다.
인터넷 기술 및 교통 정보화의 신속한 발전에 따라, 교통 데이터의 규모는 점점 커지고, 지능형 교통 시스템에서, 완정하고 효과적인 교통 데이터는 교통 관리에 있어서 큰 의미를 구비한다. 그러나 실제로 교통 데이터를 수집할 경우, 일부 불가피한 이벤트의 발생(예를 들면 기기 훼손, 악천후 등)으로 인해, 데이터 수집이 중단되고, 일부 데이터의 결손을 초래할 수 있고, 데이터 세트의 유효성을 저하시키며, 지능형 교통 구축의 발전을 제약한다. 당해 유형의 문제에 대해, 연구에서 관측하여 수집된 교통량 데이터를 기반으로 결손된 데이터에 대해 보완하는 각 방법을 제기한다. 결손된 교통 데이터에 대해 효과적인 보완을 하고, 이론 및 실제 차원에 중요한 연구 의미를 구비하고, 교통량 예측 및 지능형 교통 관리 등 다운스트림 응용에 유리하지만, 교통 데이터의 보완은 매우 큰 도전성을 가지고 있다.
관련 기술에서, 주로 일정한 시간대의 교통량 데이터에 대해 보완을 구현할 수 있고, 사용된 방법은 주로 전통적인 보간법; 행렬 및 텐서 분해를 기반으로 하는 방법; 딥러닝을 기반으로 하는 방법과 같은 3가지 방법으로 나눌 수 있다.
첫째, 전통적인 보간법:
일부 전통적인 통계 방법은 당해 교통량 보완 문제에 사용될 수 있다고 먼저 제기되었다. 예를 들면 역사 데이터 및 관측된 주기적 특점을 기반으로 인접 시점의 데이터를 찾아 선형 보간을 수행하고, 예를 들면 선형 보간 및 ARIMA(자기 회귀 통합 이동 평균, Autoregressive Integrated Moving Average)가 있다. 다른 유사한 방법은 시간에서의 유사성을 이용하는 것 이외에, 공간에서의 유사성도 이용하여 동일 시각에서 인접 도로의 관측값을 찾아 보간 보완을 수행하는 것이고, 당해 방법은 주로 KNN(K-Nearest Neighbor, K-최근접 이웃)법에 관한 것이다.
둘째, 행렬 및 텐서 분해를 기반으로 하는 방법:
보완의 효율 및 정확성을 향상시키기 위해, 새로운 연구에서 행렬 및 텐서 분해를 이용하는 방법을 교통량 보완 문제에 사용하는 것을 더 제기한다. 행렬 분해의 방법에서, 교통량 데이터를 1개의 행렬에 매핑하고, 각 행은 상이한 시각에서 도로의 교통량 관측값을 대표한다. 행렬 및 텐서 분해 방법은 주로 일부 내적 공간 또는 시간에서 교통량 데이터의 관계를 발견하는데 사용되어 결손 데이터에 대해 보완한다.
셋째, 딥러닝을 기반으로 하는 방법:
최근 몇 년간 기계 학습의 방법도 교통량 보완 문제에 널리 사용되고 있고, 기계 학습 모델을 구축함으로 관측된 교통량 데이터의 내적 비선형 시공 연관성을 학습한다. 딥러닝 모델의 구축 방식은 학습 방식을 결정하고, 모델은 시간 연관성에 대해 구축할 수 있고, 공간 연관성에 대해 구축할 수도 있으므로, 딥러닝 모델의 구축 방식은 모델 효과의 핵심이다.
그러나, 상기 3가지 방법에는 각각의 결점이 존재한다. 첫번째 전통 보간법은, 주관적 및 뚜렷한 시공 연관성에 지나치게 의존하고, 데이터의 내적인 일부 관계를 홀시함으로 예측의 오차를 증가시킨다. 두번째 행렬 및 텐서 분해를 기반으로 하는 방법은, 도로 사이의 공간 연관성을 충분히 이용하지 않는다. 세번째 딥러닝을 기반으로 하는 방법은, 차도 레벨 도시 교통량 보완 문제에 대해 해당 시공 복잡성을 충분히 구현하는 모델을 타깃성 있게 구축할 수 없다.
상기 문제를 기반으로, 본 출원은 차도 레벨 교통량 데이터 보완에 대한 방법을 제공하고, 차도 사이의 다중 공간 관계를 융합함으로, 차도 사이의 종합 표시 방식을 획득하여 차도 교통량의 공간 연관성을 충분히 구현하고, 상이한 시점에서 동일 차도 교통량 사이의 시간 연관성을 학습하고 전에 획득된 공간 연관성과 융합하여 보완된 데이터를 획득한다. 모델 효과를 더 향상시키기 위해, 일정한 시간 내에서 모든 차도 교통량의 전역 분포 정보를 추가하여 데이터의 희소 문제를 대응한다.
아래는 도면을 참조하여 본 출원의 실시예의 차도 교통량 데이터 보완 방법, 차도 교통량 데이터 보완 모델의 훈련 방법, 장치, 전자 기기 및 저장 매체를 설명한다.
도1은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 방법의 흐름도이다. 설명해야 할 것은, 본 출원 실시예의 차도 교통량 데이터 보완 방법은 전자 기기에 의해 수행될 수 있다. 도1에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 방법은 단계101 내지 단계106을 포함하나, 이에 한정되지 않는다.
단계101에서, 교차로 내 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터를 획득한다.
선택적으로, 교차로 내의 모든 차도의 속성 정보 및 제1 시간대에서 모든 차도에서 관측된 교통량 데이터를 획득할 수 있다. 여기서, 제1 시간대에서 차도에서 관측된 교통량 데이터는, 차도의 비전 기기(예를 들면 카메라)를 통해 제1 시간대에서 관측된 교통량 데이터로 이해할 수 있다. 차도의 비전 기기가 교통량 데이터를 관측하였을 경우, 관측된 교통량 데이터를 전자 기기로 송신하여, 전자 기기가 차도 교통량 데이터의 결손 데이터에 대해 보완 조작 및/또는 기타 후속 조작을 하는데 편리하다.
여기서, 본 출원의 일부 실시예에서, 차도의 속성 정보는 차도 주행 방향 및 차도의 지리 위치 정보 등을 포함할 수 있으나, 이에 한정되지 않는다. 일 구현 방식에서, 교차로 내의 모든 차도의 주행 방향, 모든 차도의 지리 위치 정보 및 제1 시간대에서 모든 차도에서 관측된 교통량 데이터를 획득할 수 있다. 여기서, 행렬로 제1 시간대 T에서 모든 차도에서 관측된 교통량 데이터를 나타낼 수 있고, 여기서 벡터은 t 시각에서 모든 차도에서 관측된 교통량 데이터를 나타내고, N은 차도 수량을 나타내며, 모든 시간 간격은 동일하다.
단계102에서, 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성한다.
예를 들면, 차도의 속성 정보가 차도의 주행 방향 및 지리 위치 정보를 포함하는 것을 예로 들면, 교차로 내의 모든 차도의 주행 방향 및 지리 위치 정보 및 제1 시간대에서 모든 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성한다.
여기서, 일 구현 방식에서, 상기 차도 교통량 종합 공간 표시는 차도의 다중 공간 관계 행렬을 기반으로 융합하여 획득된 것이다. 다른 구현 방식에서, 상기 차도 교통량 종합 공간 표시는 어텐션 메커니즘을 사용하여 상이한 시간에서 차도의 다중 공간 관계 행렬을 동적으로 융합하여 획득된 것이다. 여기서, 본 출원의 일부 실시예에서, 차도 사이의 다중 공간 관계는 도달 가능 관계, 인접 관계 및 유사 관계 등을 포함할 수 있으나 이에 한정되지 않는다.
단계103에서, 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득한다.
선택적으로, 자체 코딩 기술을 통해 제1 시간대에서 교차로의 모든 차도에서 관측된 교통량 데이터에 대해 코딩하여, 제1 시간대에서 모든 차도의 교통량 전역 분포의 삽입 표시를 획득한다.
단계104에서, 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득한다.
선택적으로, 사전 훈련된 양방향 장단기 메모리(LSTM) 인공신경망 모델을 사용하여 차도 교통량 전역 분포의 삽입 표시에 대해 시간 시퀀스 예측을 수행하여, 차도 교통량 시간 관계 표시를 획득한다. 여기서, 당해 양방향 LSTM 모델은 이미 차도 교통량의 시간 연관성을 학습하였음으로써, 당해 양방향 LSTM 모델로 차도 교통량 시간 관계 표시를 획득할 수 있다.
단계105에서, 차도 교통량 종합 공간 표시 및 차도 교통량 시간 관계 표시에 따라, 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행한다.
일 구현 방식에서, 차도 교통량 종합 공간 표시 및 차도 교통량 시간 관계 표시에 대해 융합 처리를 수행하고, 융합 처리 후 획득된 데이터를 교차로의 차도 교통량 데이터로 결정하고, 여기서 당해 차도 교통량 데이터는 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함함으로써, 세립도 차도 유량에 대한 도시 교통 데이터 보완 조작을 구현한다. 또한, 본 출원은 데이터의 비선형 시공 연관성을 효과적으로 융합하였고, 그 중의 일 측면만을 대상으로 하는 것이 아님으로써, 차도 교통량 데이터의 결손 부분이 보완되도록 할 수 있고, 교통량 데이터 보완의 정확성을 효과적으로 향상시킨다. 또한, 본 출원은 시공 관련 정보를 융합함으로, 2개의 측면의 연관성을 동시에 효과적으로 이용하고, 연속 결손 및 동시 결손 문제에 대해 모두 효과적으로 결손 데이터를 정확하게 추정할 수 있다.
본 출원의 실시예를 수행하고, 차도 사이의 다중 공간 관계를 융합함으로써, 차도 사이의 종합 표시 방식을 획득하여 차도 교통량의 공간 연관성을 충분히 구현하고, 상이한 시점에서 동일 차도 교통량 사이의 시간 연관성을 학습하고 전에 획득된 공간 연관성과 융합하여 보완된 데이터를 획득한다. 모델 효과를 더 향상시키기 위해, 일정한 시간 내에서 모든 차도 교통량의 전역 분포 정보를 추가하여 데이터의 희소 문제를 대응한다. 이로하여, 본 출원은 차도 유량의 복잡한 시공 연관성을 융합하는 문제를 해결하고, 도시 다중 차도 교통량의 결손 데이터를 보완함으로써, 후속 지능형 교통 관리의 정확성 및 효율을 향상시킨다.
차도 레벨의 교통량 데어터 결손 문제를 타깃성 있게 해결하기 위해, 복수의 차도 사이의 공간 연관성을 융합하여 차도 사이의 복잡한 공간 관련 정보를 충분히 이용할 수 있다. 본 출원의 실시예에서, 도2에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 방법은 단계201 내지 단계206을 포함할 수 있으나, 이에 한정되지 않는다.
단계201에서, 교차로 내 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터를 획득한다.
선택적으로, 단계201은 본 출원의 각 실시예에 따른 임의의 구현 방식으로 구현될 수 있고, 본 출원의 실시예는 이에 대해 한정하지 않고, 더는 설명하지 않는다.
단계202에서, 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도의 다중 공간 관계 행렬을 생성한다.
여기서, 본 출원의 실시예에서, 차도의 속성 정보는 차도의 주행 방향 및 지리 위치 정보를 포함한다. 차도의 다중 공간 관계 행렬은 차도의 도달 가능 관계 인접 행렬, 인접 관계 행렬 및 유사 관계 행렬을 포함한다.
일 구현 방식에서, 차도의 주행 방향에 따라 인접한 십자로에 위치한 2개의 차도에 직접적인 도달 가능 관계가 존재하는지 여부를 결정할 수 있고, 차도 사이의 도달 가능 관계에 따라 차도의 도달 가능 관계 인접 행렬을 구축할 수 있다. 당해 행렬의 제 i 행 제j 렬 요소 는,
로 표현될 수 있고, 여기서, li 및 lj는 2개의 상이한 차도를 각각 나타낸다.
차도의 지리 위치 정보에 따라 양자 사이의 기하학적 거리를 계산하고, 1개의 거리 역치 를 미리 설정하고, 차도 사이의 거리가 당해 역치보다 작을 경우 차도 사이에 인접 관계가 존재한다고 판단하고 인접 관계 행렬을 구축하며, 당해 행렬의 제i행 제j 렬 요소 는,
차도에서 관측된 교통량 데이터에 따라 양자 사이의 유사 거리를 계산할 수 있고, 각 차도에 대해 유사성 거리가 가장 높은 k개의 차도를 선택하여 대응되게 연결하고, 연결된 차도 사이에 유사 관계를 구비한다고 판단하며 유사 관계 행렬을 구축하고, 당해 행렬의 제i 행 제j 렬 요소 는 다음과 같이 표현될 수 있다.
단계203에서, 차도의 다중 공간 관계 행렬을 기반으로, 차도 교통량 종합 공간 표시를 생성한다.
일 구현 방식에서, 그래프 컨볼루션 조작을 기반으로 다계 공간 관계를 집합하여 차도의 다중 공간 관계 행렬을 각각 처리하여, 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시를 획득하고; 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 하여, 차도 교통량 종합 공간 표시를 생성한다.
선택적으로, 각 단일 공간 관계를 기반으로, 그래프 컨볼루션 방식을 통해 다계 공간 관계를 집합하여 단일 공간 관계를 기반으로 하는 차도 교통량의 표시 방법을 생성할 수 있고, 당해 방법은 아래의 공식으로 표현될 수 있고,
여기서, k값은 계수를 나타내고, 는 훈련 가능한 파라미터 행렬을 나타내고, xt는 t 시각에서 모든 차도에서 관측된 교통량 데이터를 나타내며, σ는 활성화 함수를 나타내고, 는 단일 공간 관계 행렬을 나타낸다.
즉, 상기 공식 (1)의 를 도달 가능 관계 인접 행렬, 인접 관계 행렬 및 유사 관계 행렬로 각각 교체함으로써, 공식 (1)로 도달 가능 관계 인접 행렬을 기반으로 하는 차도 교통량 표시, 인접 관계 행렬을 기반으로 하는 차도 교통량 표시 및 유사 관계 행렬을 기반으로 하는 차도 교통량 표시를 획득할 수 있다. 그리고, 도달 가능 관계 인접 행렬을 기반으로 하는 차도 교통량 표시, 인접 관계 행렬을 기반으로 하는 차도 교통량 표시 및 유사 관계 행렬을 기반으로 하는 차도 교통량 표시를 융합 처리하여, 차도 교통량 종합 공간 표시를 획득할 수 있다.
선택적으로, 일 구현 가능한 방식에서, 어텐션 메커니즘으로 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 차도 교통량 종합 공간 표시를 생성한다. 차도의 다중 공간 관계를 융합하기 위해, 본 출원은 어텐션 메커니즘을 사용하여 상이한 시간에서 다중 차도 공간 관계(예를 들면 도달 가능 관계, 인접 관계 및 유사 관계)를 동적으로 융합시킬 수 있고, 당해 융합 방법은,
로 표현될 수 있고, 여기서, 는 각각 상이한 차도 공간 관계를 통해 획득된 차도 교통량을 나타내고, 는 훈련 가능한 파라미터 행렬을 나타내고, 는 어텐션 파라미터를 나타내고, 는 최종 획득된 차도 교통량 종합 공간 표시를 나타낸다.
선택적으로, 본 출원은 기타 융합 처리 방식을 사용할 수도 있다. 예를 들면 가중합 방식으로 융합 처리를 수행할 수 있으나, 여기서 구체적인 한정을 하지 않는다.
단계204에서, 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득한다.
선택적으로, 단계204는 본 출원의 각 실시예에 따른 임의의 구현 방식으로 구현될 수 있고, 본 출원의 실시예는 이에 대해 한정하지 않고, 더는 설명하지 않는다.
단계205에서, 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득한다.
선택적으로, 단계205는 본 출원의 각 실시예에 따른 임의의 구현 방식으로 구현될 수 있고, 본 출원의 실시예는 이에 대해 한정하지 않고, 더는 설명하지 않는다.
단계206에서, 차도 교통량 종합 공간 표시 및 차도 교통량 시간 관계 표시에 따라, 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행한다.
선택적으로, 단계206은 본 출원의 각 실시예에 따른 임의의 구현 방식으로 구현될 수 있고, 본 출원의 실시예는 이에 대해 한정하지 않고, 더는 설명하지 않는다.
본 출원의 실시예를 수행함으로써, 세립도 차도 레벨의 교통량에 대해 차도 사이의 복잡한 공간 연관성을 더 잘 이용할 수 있고, 다중 차도 사이의 공간 연관성을 융합함으로써, 차도 사이의 복잡한 공간 관련 정보를 충분히 이용하여 차도 레벨의 교통량 데어터 결손 문제를 타깃성 있게 해결한다.
일정한 시간에서 모든 차도의 교통량 전역 분포를 획득하기 위해, 본 출원은 1개의 사전 훈련된 자체 코딩 모델을 도입하여 전역 분포의 정보를 획득할 수 있다. 본 출원의 일부 실시예에서, 도3에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 방법은 단계301 내지 단계307을 포함할 수 있으나, 이에 한정되지 않는다.
단계301에서, 교차로 내 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득한다.
선택적으로, 단계301은 본 출원의 각 실시예에 따른 임의의 구현 방식으로 구현될 수 있고, 본 출원의 실시예는 이에 대해 한정하지 않고, 더는 설명하지 않는다.
단계302에서, 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도의 다중 공간 관계 행렬을 생성한다.
선택적으로, 단계302는 본 출원의 각 실시예에 따른 임의의 구현 방식으로 구현될 수 있고, 본 출원의 실시예는 이에 대해 한정하지 않고, 더는 설명하지 않는다.
단계303에서, 차도의 다중 공간 관계 행렬을 기반으로, 차도 교통량 종합 공간 표시를 생성한다.
선택적으로, 단계303은 본 출원의 각 실시예에 따른 임의의 구현 방식으로 구현될 수 있고, 본 출원의 실시예는 이에 대해 한정하지 않고, 더는 설명하지 않는다.
단계304에서, 제1 시간대에서 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득한다.
일 구현 방식에서, 사전 훈련된 자체 코딩 모델을 기반으로 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득한다.
여기서, 당해 자체 코딩 모델은 사전 훈련된 것이고, 자체 코딩을 통해 교통량 전역 부분을 학습할 수 있다. 본 출원의 일부 실시예에서, 도4에 도시된 바와 같이, 자체 코딩 모델의 훈련 방법은 단계401 내지 단계407을 포함할 수 있다.
단계401에서, 제2 시간대에서 교차로의 차도에서 관측된 교통량 데이터를 획득하고; 여기서, 제2 시간대의 시간은 제1 시간대의 시간보다 이르다.
단계402에서, 제2 시간대에서 차도에서 관측된 교통량 데이터를 자체 코딩 학습 모델로 입력하고; 자체 코딩 학습 모델은 엔코더 및 디코더를 포함한다.
단계403에서, 엔코더가 제2 시간대에서 차도에서 관측된 교통량 데이터에 대해 순차적으로 여러 번의 코딩을 수행한 후 출력된 코딩 정보를 획득한다.
일 구현 방식에서, 엔코더의 공식은,
로 표현되며, 여기서, X는 일정한 시간(예를 들면 제2 시간대)에서 모든 차도에서 관측된 교통량을 나타내고, 및 는 훈련 가능한 파라미터 행렬을 나타내고, 및 는 훈련 가능한 편차 벡터를 나타낸다.
선택적으로, 제2 시간대에서 차도에서 관측된 교통량 데이터 X를 자체 코딩 학습 모델로 입력하여, 엔코더가 제2 시간대에서 차도에서 관측된 교통량 데이터에 대해 순차적으로 여러 번 코딩을 수행한 후 출력된 코딩 정보 를 획득한다.
단계404에서, 엔코더에서 출력된 코딩 정보를 디코더로 입력하고, 디코더가 코딩 정보에 대해 순차적으로 여러 번 디코딩한 후 출력된 차도 교통량 재구성 데이터를 획득하고; 여기서, 엔코더의 코딩 횟수는 디코더의 디코딩 횟수와 동일하다.
일 구현 방식에서, 디코더의 공식은,
로 표현되며, 여기서, 및 는 훈련 가능한 파라미터 행렬을 나타내고, 및 는 훈련 가능한 편차 벡터를 나타내고, 는 자체 코딩 후 획득된 재구성된 모든 차도 교통량을 나타내고, 로 다시 쓸 수 있으며, 즉 차도 교통량 재구성 데이터이다.
단계405에서, 교차로의 차도 교통량 관측 데이터 위치 정보를 획득하고; 여기서, 차도 교통량 관측 데이터 위치 정보는 차도 교통량 관측에 존재하는 데이터 및 결손 데이터의 위치 정보를 포함한다.
선택적으로, 수집된 차도 교통량 데이터에 데이터 결손 문제가 존재하므로, 모델의 훈련 효과를 향상시키기 위해, 차도 교통량 관측 데이터 위치 정보와 결합하여 손실값을 계산할 수 있다. 이로하여, 본 단계에서, 교차로의 차도 교통량 관측 데이터 위치 정보를 획득할 수 있으므로, 후속에 당해 획득된 교차로의 차도 교통량 관측 데이터 위치 정보를 이용하여 손실값을 계산하는데 편리하다. 본 출원의 실시예에서, 행렬 로 차도 교통량 관측에 존재하는 데이터 및 결손 데이터의 위치를 나타낼 수 있고, 여기서 요소 은 (t시각에서 제i 차도)에서 관측된 데이터에 결손이 존재하지 않음을 나타내고, 결손이 존재할 경우 으로 나타낸다.
단계406에서, 제2 시간대에서 차도에서 관측된 교통량 데이터, 차도 교통량 재구성 데이터 및 차도 교통량 관측 데이터 위치 정보에 따라, 손실값을 계산한다.
선택적으로, 미리 설정된 손실 함수를 이용하여, 제2 시간대에서 차도에서 관측된 교통량 데이터, 차도 교통량 데이터 재구성 데이터 및 차도 교통량 관측 데이터 위치 정보에 따라, 손실값을 계산할 수 있다. 본 출원의 실시예에서, 당해 손실 함수의 공식은,
로 표현되며, 여기서, 는 1차 정규형을 나타내고, 는 hardmard(아다마르) 승적을 나타내고, 은 차도 교통량 관측 데이터 위치 정보를 나타내며, Xr은 차도 교통량 재구성 데이터를 나타내고, X는 일정한 시간(예를 들면 제2 시간대)에서 모든 차도에서 관측된 교통량을 나타낸다.
단계407에서, 손실값에 따라, 자체 코딩 학습 모델을 훈련하고, 훈련된 자체 코딩 학습 모델의 엔코더를 자체 코딩 모델로 결정한다.
선택적으로, 훈련 프로세스에서 상기 손실 함수를 최소화함으로 당해 자체 코딩 학습 모델을 훈련할 수 있다. 훈련된 자체 코딩 학습 모델의 엔코더를 자체 코딩 모델로 결정한다.
이로하여, 상기 단계401 내지 단계407을 통해 훈련하여 자체 코딩 모델을 획득할 수 있으므로, 자체 코딩 모델로 교통량 전역 분포를 자체 코딩 학습할 수 있도록 한다.
단계305에서, 미리 설정된 함수를 기반으로 차도 교통량 코드를 처리하여, 차도 교통량 전역 분포의 삽입 표시를 획득한다.
본 출원의 일부 실시예에서, 당해 미리 설정된 함수는 평균 함수일 수 있다. 예를 들면, 차도 교통량 전역 분포에 대한 삽입 표시 방법은 이다. 여기서, 는 1개의 함수를 나타내고, 본 출원의 실시예에서 평균 함수를 선택할 수 있디.
단계306에서, 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득한다.
일 구현 방식에서, 사전 훈련된 LSTM(Bi-directional Long-Short-Term-Memory, 양방향 장단기 메모리) 인공신경망 모델을 기반으로 차도 교통량 전역 분포의 삽입 표시에 대해 시간 시퀀스 예측을 수행하여, 차도 교통량 시간 관계 표시를 획득한다. 차도 교통량의 시간 연관성을 학습하기 위해, 본 출원은 양방향 LSTM 모델을 기반으로 학습한다. 우선, 획득된 차도 교통량 전역 분포의 삽입 표시로 양방향 LSTM 모델의 최초 히든 상태 을 초기화시킨다. 차도 교통량 보완 문제를 해결하기 위해, 본 출원은 재래식 양방향 LSTM 모델에서 일부 모델 유닛을 변경한다. 예를 들면, 모델의 각 단계 입력을 변경한다. 우선 이전 단계에서 업데이트하여 획득된 히든 상태를 기반으로 1차 선형연산을 하여 현재 단계의 시간 관계 평가를 획득하고, 당해 프로세스는,
상기 계산 공식은 단방향 LSTM의 시간 관계 평가만 획득하였고, 아래는 양방향 LSTM에서 획득된 시간 관계 평가를 결합하여, 양방향 LSTM의 시간 관계 평가를 획득하고, 당해 프로세스는,
로 표현되며, 여기서, 는 t 시각에서 제1 방향의 차도 교통량 시간 관계 평가이고; 는 t시각에서 제2 방향의 차도 교통량 시간 관계 평가이고; 는 t 시각의 차도 교통량 시간 관계 표시이다.
그리고, 시간 관계 평가와 당해 시간 단계의 공간 관계 평가를 다음과 같은 공식을 통해 융합하며,
여기서, 는 1개의 훈련 가능한 파라미터 벡터를 나타내고, 데이터 결손의 문제가 존재하므로, 때로는 현재 단계에 입력된 데이터가 결손되고, 를 현재 입력 와 융합시켜 새로운 입력 를 획득하여 LSTM의 히든 상태 를 업데이트할 수 있다. 당해 프로세스는,
로 표현될 수 있고, 여기서, 는 t 시각에서 모든 차도의 교통량 관측 데이터 위치 정보이고, 는 시간 지연 계수이고, 데이터의 연속 결손으로 초래된 영향을 제어하는데 사용되고, 데이터가 연속 결손될 경우 연속 결손이 히든 상태의 업데이트에 대한 영향을 감소할 수 있고, 해당 계산 방식은,
이로하여, 상기 사전 훈련된 양방향 LSTM 모델을 통해 차도 교통량 전역 분포의 삽입 표시에 대해 시간 시퀀스 예측을 수행하여, 차도 교통량 시간 관계 표시를 획득할 수 있다.
단계307에서, 차도 교통량 종합 공간 표시 및 차도 교통량 시간 관계 표시에 따라, 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행한다.
선택적으로, 차도 교통량 종합 공간 표시 및 차도 교통량 시간 관계 표시에 대해 융합 처리를 하고, 융합 처리 후 획득된 데이터를 교차로의 차도 교통량 데이터로 결정하고, 차도 교통량 데이터는 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함한다. 일 구현 방식에서, 상기 공식 (3)을 통해 시간 관계 평가와 당해 시간 단계의 공간 관계 평가를 융합하여, 현재 시간 단계의 차도 교통량 데이터를 획득한다.
본 출원의 실시예를 수행함으로써, 1개의 사전 훈련된 자체 코딩 모델을 인입하여 전역 분포의 정보를 획득하고, 일정한 시간에서 모든 차도의 교통량 전역 분포를 회득하고, 일정한 시간에서 모든 차도 교통량의 전역 분포 정보를 인입하여 데이터 희소 문제에 대응하며, 교통량 데이터 보완의 정확성을 향상시키고, 연속 결손 또는 대면적 동시 결손 문제를 해결할 수 있다.
본 출원은 차도 교통량 데이터 보완 모델의 훈련 방법을 더 제공한다. 차도 교통량 데이터 보완 모델을 훈련함으로, 훈련된 차도 교통량 데이터 보완 모델로 차도 레벨의 교통량 데이터 보완을 구현하는데 편리하다. 본 출원의 실시예에서, 도5에 도시된 바와 같이, 차도 교통량 데이터 보완 모델은 다중 공간 관계 융합 모듈, 사전 훈련된 자체 코딩 모듈 및 양방향 LSTM 인공신경망 모듈을 포함한다. 도6에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 모델의 훈련 방법은 단계601 내지 단계606을 포함할 수 있으나, 이에 한정되지 않는다.
단계601에서, 교차로 내 차도의 속성 정보 및 제3 시간대에서 차도에서 관측된 교통량 데이터를 획득한다.
선택적으로, 단계601은 본 출원의 각 실시예에 따른 임의의 구현 방식으로 구현될 수 있고, 본 출원의 실시예는 이에 대해 한정하지 않고, 더는 설명하지 않는다.
단계602에서, 차도의 속성 정보 및 제3 시간대에서 차도에서 관측된 교통량 데이터를 다중 공간 관계 융합 모듈로 입력하고, 차도 교통량 종합 공간 표시를 획득한다.
일 구현 방식에서, 차도의 속성 정보 및 제3 시간대에서 차도에서 관측된 교통량 데이터를 다중 공간 관계 융합 모듈로 입력하고; 다중 공간 관계 융합 모듈을 기반으로 차도의 속성 정보 및 제3 시간대에서 차도에서 관측된 교통량 데이터에 대해 계산 처리를 수행하여, 차도의 다중 공간 관계 행렬을 획득하고; 다중 공간 관계 융합 모듈을 기반으로, 그래프 컨볼루션 조작으로 다계 공간 관계를 집합하여 차도의 다중 공간 관계 행렬을 각각 처리하여, 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시를 획득하고; 다중 공간 관계 융합 모듈을 기반으로 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 하고, 차도 교통량 종합 공간 표시를 생성한다.
본 출원의 실시예에서, 차도의 속성 정보는 차도의 주행 방향 및 지리 위치 정보를 포함한다. 차도의 다중 공간 관계 행렬은 차도의 도달 가능 관계 인접 행렬, 인접 관계 행렬 및 유사 관계 행렬을 포함한다.
일 구현 방식에서, 차도의 주행 방향에 따라 인접한 십자로에 위치한 2개의 차도에 직접적인 도달 가능 관계가 존재하는지 여부를 결정할 수 있고, 차도 사이의 도달 가능 관계에 따라 차도의 도달 가능 관계 인접 행렬을 구축하고, 당해 행렬의 제i 행 제j 렬 요소 는,
로 표현될 수 있고, 여기서, li 및 lj는 2개의 상이한 차도를 각각 나타낸다.
차도의 지리 위치 정보에 따라 양자 사이의 기하학적 거리를 계산하고, 1개의 거리 역치 를 미리 설정하고, 차도 사이의 거리가 당해 역치보다 작을 경우 차도 사이에 인접 관계가 존재한다고 판단하고 인접 관계 행렬을 구축할 수 있고, 당해 행렬의 제i 행 제j 렬 요소 는,
차도에서 관측된 교통량 데이터에 따라 양자 사이의 유사 거리를 계산할 수 있고, 각 차도에 대해 유사성 거리가 가장 높은 k개의 차도를 선택하여 대응되게 연결하며, 연결된 차도 사이에 유사 관계가 존재한다고 판단하고 유사 관계 행렬을 구축하고, 당해 행렬의 제i 행 제j 렬 요소 는 다음과 같이 표현될 수 있다.
선택적으로, 각 단일 공간 관계를 기반으로, 그래프 컨볼루션의 방식을 통해 다계 공간 관계를 집합하여 단일 공간 관계를 기반으로 하는 차도 교통량의 표시 방법을 획득하고, 당해 방법은 아래의 공식으로 표현될 수 있고,
여기서, k값은 계수를 나타내고, 는 훈련 가능한 파라미터 행렬을 나타내고, xt는 t 시각에서 모든 차도에서 관측된 교통량 데이터를 나타내며, σ는 활성화 함수를 나타내고, 는 단일 공간 관계 행렬을 나타낸다.
즉, 상기 공식 (1)의 를 각각 도달 가능 관계 인접 행렬, 인접 관계 행렬 및 유사 관계 행렬로 각각 교체함으로써, 공식 (1)으로 도달 가능 관계 인접 행렬을 기반으로 하는 차도 교통량 표시, 인접 관계 행렬을 기반으로 하는 차도 교통량 표시 및 유사 관계 행렬을 기반으로 하는 차도 교통량 표시를 획득할 수 있다. 그리고, 도달 가능 관계 인접 행렬을 기반으로 하는 차도 교통량 표시, 인접 관계 행렬을 기반으로 하는 차도 교통량 표시 및 유사 관계 행렬을 기반으로 하는 차도 교통량 표시를 융합 처리하여, 차도 교통량 종합 공간 표시를 획득할 수 있다.
선택적인 구현 방식에서, 다중 공간 관계 융합 모듈을 기반으로, 어텐션 메커니즘으로 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 차도 교통량 종합 공간 표시를 생성한다. 차도의 다중 공간 관계를 융합하기 위해, 본 출원은 어텐션 메커니즘을 사용하여 상이한 시간에서 다중 차도 공간 관계(예를 들면 도달 가능 관계, 인접 관계 및 유사 관계)를 동적으로 융합시킬 수 있고, 당해 융합 방법은,
로 표현될 수 있고, 여기서, 는 각각 상이한 차도 공간 관계를 통해 획득된 차도 교통량을 나타내고, 는 훈련 가능한 파라미터 행렬을 나타내고, 는 어텐션 파라미터를 나타내고, 는 최종 획득된 차도 교통량 종합 공간 표시를 나타낸다.
단계603에서, 제3 시간대에서 차도에서 관측된 교통량 데이터를 자체 코딩 모듈로 입력하고, 차도 교통량 전역 분포의 삽입 표시를 획득한다.
일 구현 방식에서, 사전 훈련된 자체 코딩 모델을 기반으로 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득한다. 미리 설정된 함수를 기반으로 차도 교통량 코드를 처리하여, 차도 교통량 전역 분포의 삽입 표시를 획득한다. 여기서, 자체 코딩 모델은 사전 훈련된 모델이고, 당해 자체 코딩 모델의 훈련 방식은 상기 도4에 도시된 실시예의 설명을 참조할 수 있고, 여기서 더는 설명하지 않는다.
단계604에서, 차도 교통량 종합 공간 표시 및 차도 교통량 전역 분포의 삽입 표시를 양방향 LSTM 인공신경망 모듈로 입력하고, 양방향 LSTM 인공신경망 모듈에서 출력된 교차로의 차도 교통량 데이터를 획득한다.
일 구현 방식에서, 차도 교통량 전역 분포의 삽입 표시를 양방향 LSTM 인공신경망 모듈로 입력하고, 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가를 획득하고; 양방향 LSTM 인공신경망 모듈을 기반으로 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가를 처리하며, 차도 교통량 시간 관계 표시를 획득하고; 차도 교통량 종합 공간 표시를 양방향 LSTM 인공신경망 모듈로 입력하고, 양방향 LSTM 인공신경망 모듈을 기반으로 차도 교통량 시간 관계 표시 및 차도 교통량 종합 공간 표시에 대해 융합 처리를 하고, 양방향 LSTM 인공신경망 모듈에서 출력된 교차로의 차도 교통량 데이터를 획득한다.
단계605에서, 제3 시간대에서 차도에서 관측된 교통량 데이터, 차도 교통량 종합 공간 표시 및 교차로의 차도 교통량 데이터에 따라, 모델 손실값을 계산한다.
일 구현 방식에서, 제3 시간대에서 차도에서 관측된 교통량 데이터, 제1 방향의 차도 교통량 시간 관계 평가, 차도 교통량 종합 공간 표시 및 교차로의 차도 교통량 데이터에 따라, 양방향 LSTM 인공신경망 모듈에서 제1 방향의 제1 손실값을 계산하고; 제3 시간대에서 차도에서 관측된 교통량 데이터, 제2 방향의 차도 교통량 시간 관계 평가, 차도 교통량 종합 공간 표시 및 교차로의 차도 교통량 데이터에 따라, 양방향 LSTM 인공신경망 모듈에서 제2 방향의 제2 손실값을 계산하고; 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가에 따라, 제3 손실값을 계산하며; 제1 손실값, 제2 손실값 및 제3 손실값에 따라, 모델 손실값을 계산한다.
차도 교통량의 시간 연관성을 학습하기 위해, 본 출원은 양방향 LSTM을 기반으로 학습한다. 우선, 획득된 차도 교통량 전역 분포의 삽입 표시로 양방향 LSTM 인공신경망 모듈의 최초 히든 상태 을 초기화시킨다. 차도 교통량 보완 문제를 해결하기 위해, 본 출원은 재래식 양방향 LSTM 인공신경망 모듈에에 일부 모델 유닛을 변경한다. 예를 들면, 모듈의 각 단계 입력을 변경시키고, 우선 이전 단계에 업데이트하여 획득된 히든 상태를 기반으로 1차 선형연산을 하여 현재 단계의 시간 관계 평가를 획득하고, 당해 프로세스는,
상기 계산 공식은 단방향 LSTM의 시간 관계 평가만 획득하였고, 아래는 양방향 LSTM에서 획득된 시간 관계 평가를 결합하여, 양방향 LSTM의 시간 관계 평가를 획득하고, 당해 프로세스는,
로 표현되며, 여기서, 는 t 시각에서 제1 방향의 차도 교통량 시간 관계 평가이고; 는 t시각에서 제2 방향의 차도 교통량 시간 관계 평가이고; 는 t 시각의 차도 교통량 시간 관계 표시이다.
그리고, 시간 관계 평가와 당해 시간 단계의 공간 관계 평가를 다음과 같은 공식을 통해 융합하며,
여기서, 는 1개의 훈련 가능한 파라미터 벡터를 나타내고, 데이터 결손의 문제가 존재하므로, 때로는 현재 단계에 입력된 데이터가 결손되고, 를 현재 입력 와 융합시켜 새로운 입력 를 획득하여 LSTM의 히든 상태 를 업데이트할 수 있다. 당해 프로세스는,
로 표현될 수 있고, 여기서, 는 t 시각에서 모든 차도의 교통량 관측 데이터 위치 정보이고, 는 시간 지연 계수이고, 데이터의 연속 결손으로 초래된 영향을 제어하는데 사용되고, 데이터가 연속 결손될 경우 연속 결손이 히든 상태의 업데이트에 대한 영향을 감소할 수 있고, 해당 계산 방식은,
단일 방향의 LSTM에 대해, 다음과 같은 손실 함수를 최소화시킴으로 훈련을 수행할 수 있고,
양방향 LSTM 인공신경망 모듈의 상이한 방향에서 획득된 시간 추정치을 더 통일하기 위해, 본 출원은 1개의 새로운 손실 함수를 제공하여 2개의 추정치 사이의 차이를 감소시키고, 당해 손실 함수는,
으로 정의되고, 최종의 모델 손실 함수는,
로 정의되며, 여기서, 및 는 각각 양방향 LSTM의 2개 방향의 손실 함수를 나타내고, 상기 단방향 LSTM모델의 손실 함수에 따라 획득될 수 있다. 즉 상기 식 (4) 및 식 (5)로 각각 2개 방향의 손실값 및 (즉 상기 제1 손실값 및 제2 손실값)을 계산할 수 있다. 상기 식 (6)으로 제3 손실값을 계산하고, 상기 식 (7)로 모델 손실값을 계산한다.
단계606에서, 모델 손실값에 따라, 차도 교통량 데이터 보완 모델을 훈련한다.
선택적으로, 모델 손실 함수를 최소화함으로 차도 교통량 데이터 보완 모델을 훈련하여, 결손 데이터에 대한 추정치를 획득한다.
본 출원의 실시예를 수행하고, 도달 가능 관계, 인접 관계 및 유사 관계 등을 포함하는 차도 사이의 다중 공간 관계를 융합함으로, 차도 교통량의 공간 연관성을 충분히 체현하는 차도 사이의 종합 표시 방식을 획득하고, 상이한 시점에서 동일 차도 교통량 사이의 시간 연관성을 학습하고 전에 획득된 공간 연관성과 융합하여 보완된 데이터를 획득한다. 모델 효과를 더 향상시키기 위해, 일정한 시간에서 모든 차도 교통량의 전역 분포 정보를 추가하여 데이터 희소 문제에 대응한다.
본 출원은 다른 차도 교통량 데이터 보완 방법을 더 제공하고, 상기 실시예의 차도 교통량 데이터 보완 모델로 차도 레벨의 교통량 데이터 보완을 구현한다. 도7에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 방법은 단계701 내지 단계703을 포함할 수 있으나 이에 한정되지 않는다.
단계701에서, 교차로 내 차도의 속성 정보 및 제4 시간대에서 차도에서 관측된 교통량 데이터를 획득한다.
단계702에서, 차도의 속성 정보 및 제4 시간대에서 차도에서 관측된 교통량 데이터를 사전 훈련된 차도 교통량 데이터 보완 모델로 입력한다.
여기서, 본 출원의 실시예에서, 차도 교통량 데이터 보완 모델은 본 출원의 임의의 실시예의 훈련 방법을 통해 훈련하여 획득된 것이다. 여기서, 차도 교통량 데이터 보완 모델의 입력은 차도의 속성 정보 및 일정한 시간에서 차도에서 관측된 교통량 데이터이고, 차도 교통량 데이터 보완 모델의 출력은 차도 교통량 데이터 이다.
단계703에서, 차도 교통량 데이터 보완 모델에서 출력된 차도 교통량 데이터를 획득하고; 차도 교통량 데이터는 차도 교통량의 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함한다.
본 출원의 실시예를 수행함으로, 사전 훈련된 차도 교통량 데이터 보완 모델을 통해, 차도 레벨의 교통량 데이터 보완을 구현하여, 교통량 데이터 보완의 정확성을 효과적으로 향상시키고, 연속 결손 또는 대면적 동시 결손 문제를 해결할 수 있다.
상기 실시예를 구현하기 위해, 본 출원은 차도 교통량 데이터 보완 장치를 더 제공한다. 도8은 본 출원의 실시예에 따른 차도 교통량 데이터 보완 장치의 구조 블록도이다. 도8에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 장치는, 제1 획득 모듈(801), 생성 모듈(802), 제2 획득 모듈(803), 제3 획득 모듈(804) 및 보완 모듈(805)을 포함한다.
여기서, 제1 획득 모듈(801)은, 교차로 내 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터를 획득하는데 사용된다.
생성 모듈(802)은 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성하는데 사용된다. 일 구현 방식에서, 생성 모듈(802)은, 차도의 속성 정보 및 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도의 다중 공간 관계 행렬을 생성하는 제1 생성 유닛; 차도의 다중 공간 관계 행렬을 기반으로, 차도 교통량 종합 공간 표시를 생성하는 제2 생성 유닛; 을 포함한다.
일 구현 가능한 방식에서, 제2 생성 유닛은 구체적으로, 그래프 컨볼루션 조작을 기반으로 다계 공간 관계를 집합하여 차도의 다중 공간 관계 행렬을 각각 처리하여, 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시를 획득하고; 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 하여, 차도 교통량 종합 공간 표시를 생성하는데 사용된다.
일 구현 가능한 방식에서, 제2 생성 유닛은 구체적으로, 어텐션 메커니즘으로 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 차도 교통량 종합 공간 표시를 생성하는데 사용된다.
제2 획득 모듈(803)은, 제1 시간대에서 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득하는데 사용된다.
일 구현 방식에서, 제2 획득 모듈(803)은 구체적으로, 제1 시간대에서 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득하고; 미리 설정된 함수를 기반으로 차도 교통량 코드를 처리하여, 차도 교통량 전역 분포의 삽입 표시를 획득하는데 사용된다.
일 구현 가능한 방식에서, 제2 획득 모듈(803)은 구체적으로, 사전 훈련된 자체 코딩 모델을 기반으로 제1 시간대에서 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득하는데 사용된다.
제3 획득 모듈(804)은, 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득하는데 사용된다. 일 구현 방식에서, 제3 획득 모듈(804)은 구체적으로, 사전 훈련된 양방향 장단기 메모리(LSTM) 인공신경망 모델을 기반으로 차도 교통량 전역 분포의 삽입 표시에 대해 시간 시퀀스 예측을 수행하여, 차도 교통량 시간 관계 표시를 획득하는데 사용된다.
보완 모듈(805)은, 차도 교통량 종합 공간 표시 및 차도 교통량 시간 관계 표시에 따라, 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행하는데 사용된다. 일 구현 방식에서, 보완 모듈(805)은 구체적으로, 차도 교통량 종합 공간 표시 및 차도 교통량 시간 관계 표시에 대해 융합 처리를 하고, 융합 처리 후 획득된 데이터를 교차로의 차도 교통량 데이터로 결정하는데 사용되고, 차도 교통량 데이터는 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함한다.
본 출원의 일부 실시예에서, 도9에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 장치는, 사전 훈련 모듈(906)을 더 포함한다. 사전 훈련 모듈(906)은, 자체 코딩 모델을 사전 훈련하는데 사용되고; 여기서, 사전 훈련 모듈(906)은 구체적으로, 제2 시간대에서 교차로의 차도에서 관측된 교통량 데이터를 획득하고; 여기서, 제2 시간대의 시간은 제1 시간대의 시간보다 앞서 있고; 제2 시간대에서 차도에서 관측된 교통량 데이터를 자체 코딩 학습 모델로 입력하며; 자체 코딩 학습 모델은 엔코더 및 디코더를 포함하고; 엔코더가 제2 시간대에서 차도에서 관측된 교통량 데이터에 대해 순차적으로 여러 번의 코딩을 수행한 후 출력된 코딩 정보를 획득하고; 엔코더에서 출력된 코딩 정보를 디코더로 입력하고, 디코더가 코딩 정보에 대해 순차적으로 여러 번 디코딩한 후 출력된 차도 교통량 재구성 데이터를 획득하며; 여기서, 엔코더의 코딩 횟수는 디코더의 디코딩 횟수와 동일하고; 교차로의 차도 교통량 관측 데이터 위치 정보를 획득하고; 여기서, 차도 교통량 관측 데이터 위치 정보는 차도 교통량 관측에 존재하는 데이터 및 결손 데이터의 위치 정보를 포함하며; 제2 시간대에서 차도에서 관측된 교통량 데이터, 차도 교통량 재구성 데이터 및 차도 교통량 관측 데이터 위치 정보에 따라, 손실값을 계산하고; 손실값에 따라, 자체 코딩 학습 모델을 훈련하고, 훈련된 자체 코딩 학습 모델의 엔코더를 자체 코딩 모델로 결정하는데 사용된다.
여기서, 도9의 901 내지 905 및 도8의 801 내지 805는 동일 기능 및 구조를 구비한다.
상기 실시예의 장치에 있어서, 각 모듈이 조작을 수행하는 구체적인 방식은 이미 당해 방법에 관련된 실시예에서 상세히 설명하였고, 여기서 더는 상세히 설명하지 않는다.
본 출원은 차도 교통량 데이터 보완 모델의 훈련 장치를 제공한다. 본 출원의 실시예에서, 상기 차도 교통량 데이터 보완 모델은 다중 공간 관계 융합 모듈, 사전 훈련된 자체 코딩 모듈 및 양방향 장단기 메모리(LSTM) 인공신경망 모듈을 포함하고, 도10에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 모델의 훈련 장치는, 제1 획득 모듈(1001), 제2 획득 모듈(1002), 제3 획득 모듈(1003), 제4 획득 모듈(1004), 계산 모듈(1005) 및 훈련 모듈(1006)을 포함한다.
여기서, 제1 획득 모듈(1001)은 교차로 내 차도의 속성 정보 및 제3 시간대에서 차도에서 관측된 교통량 데이터를 획득하는데 사용된다.
제2 획득 모듈(1002)은, 차도의 속성 정보 및 제3 시간대에서 차도에서 관측된 교통량 데이터를 다중 공간 관계 융합 모듈로 입력하고, 차도 교통량 종합 공간 표시를 획득하는데 사용된다. 일 구현 방식에서, 제2 획득 모듈(1002)은, 구체적으로, 차도의 속성 정보 및 제3 시간대에서 차도에서 관측된 교통량 데이터를 다중 공간 관계 융합 모듈로 입력하고; 다중 공간 관계 융합 모듈을 기반으로 차도의 속성 정보 및 제3 시간대에서 차도에서 관측된 교통량 데이터에 대해 계산 처리를 수행하여, 차도의 다중 공간 관계 행렬을 획득하고; 다중 공간 관계 융합 모듈을 기반으로, 그래프 컨볼루션 조작으로 다계 공간 관계를 집합하여 차도의 다중 공간 관계 행렬을 각각 처리하여, 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시를 획득하고; 다중 공간 관계 융합 모듈을 기반으로 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 하고, 차도 교통량 종합 공간 표시를 생성하는데 사용된다.
일 구현 가능한 방식에서, 제2 획득 모듈(1002)은, 구체적으로, 다중 공간 관계 융합 모듈을 기반으로, 어텐션 메커니즘으로 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 차도 교통량 종합 공간 표시를 생성하는데 사용된다.
제3 획득 모듈(1003)은, 제3 시간대에서 차도에서 관측된 교통량 데이터를 자체 코딩 모듈로 입력하고, 차도 교통량 전역 분포의 삽입 표시를 획득하는데 사용된다.
제4 획득 모듈(1004)은, 차도 교통량 종합 공간 표시 및 차도 교통량 전역 분포의 삽입 표시를 양방향 LSTM 인공신경망 모듈로 입력하고, 양방향 LSTM 인공신경망 모듈에서 출력된 교차로의 차도 교통량 데이터를 획득하는데 사용된다.
일 구현 방식에서, 제4 획득 모듈(1004)은 구체적으로, 차도 교통량 전역 분포의 삽입 표시를 양방향 LSTM 인공신경망 모듈로 입력하고, 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가를 획득하고; 양방향 LSTM 인공신경망 모듈을 기반으로 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가를 처리하며, 차도 교통량 시간 관계 표시를 획득하고; 차도 교통량 종합 공간 표시를 양방향 LSTM 인공신경망 모듈로 입력하고, 양방향 LSTM 인공신경망 모듈을 기반으로 차도 교통량 시간 관계 표시 및 차도 교통량 종합 공간 표시에 대해 융합 처리를 하고, 양방향 LSTM 인공신경망 모듈에서 출력된 교차로의 차도 교통량 데이터를 획득하는데 사용된다.
계산 모듈(1005)은, 제3 시간대에서 차도에서 관측된 교통량 데이터, 차도 교통량 종합 공간 표시 및 교차로의 차도 교통량 데이터에 따라, 모델 손실값을 계산하는데 사용된다.
일 구현 방식에서, 계산 모듈(1005)은 구체적으로, 제3 시간대에서 차도에서 관측된 교통량 데이터, 제1 방향의 차도 교통량 시간 관계 평가, 차도 교통량 종합 공간 표시 및 교차로의 차도 교통량 데이터에 따라, 양방향 LSTM 인공신경망 모듈의 제1 방향 제1 손실값을 계산하고; 제3 시간대에서 차도에서 관측된 교통량 데이터, 제2 방향의 차도 교통량 시간 관계 평가, 차도 교통량 종합 공간 표시 및 교차로의 차도 교통량 데이터에 따라, 양방향 LSTM 인공신경망 모듈 제2 방향의 제2 손실값을 계산하고; 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가에 따라, 제3 손실값을 계산하며; 제1 손실값, 제2 손실값 및 제3 손실값에 따라, 모델 손실값을 계산하는데 사용된다.
훈련 모듈(1006)은 모델 손실값에 따라, 차도 교통량 데이터 보완 모델을 훈련하는데 사용된다.
상기 실시예의 장치에 있어서, 각 모듈이 조작을 수행하는 구체적인 방식은 이미 당해 방법에 관련된 실시예에서 상세히 설명하였고, 여기서 더는 상세히 설명하지 않는다.
상기 실시예를 구현하기 위해, 본 출원은 다른 차도 교통량 데이터 보완 장치를 제공한다. 도11에 도시된 바와 같이, 당해 차도 교통량 데이터 보완 장치는, 제1 획득 모듈(1101), 입력 모듈(1102) 및 제2 획득 모듈(1103)을 포함한다. 여기서, 제1 획득 모듈(1101)은 교차로 내 차도의 속성 정보 및 제4 시간대에서 차도에서 관측된 교통량 데이터를 획득하는데 사용된다.
입력 모듈(1102)은, 차도의 속성 정보 및 제4 시간대에서 차도에서 관측된 교통량 데이터를 사전 훈련된 차도 교통량 데이터 보완 모델로 입력하고; 여기서, 차도 교통량 데이터 보완 모델은 상기 임의 실시예의 훈련 장치를 통해 훈련하여 획득된 것이다.
제2 획득 모듈(1103)은, 차도 교통량 데이터 보완 모델에서 출력된 차도 교통량 데이터를 획득하고; 차도 교통량 데이터는 차도 교통량의 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함한다.
상기 실시예의 장치에 있어서, 각 모듈이 조작을 수행하는 구체적인 방식은 이미 당해 방법에 관련된 실시예에서 상세히 설명하였고, 여기서 더는 상세히 설명하지 않는다.
본 출원의 실시예에 따르면, 본 출원는 전자 기기 및 판독 가능 저장 매체를 더 제공한다.
도12에 도시된 바와 같이, 도12는 본 출원의 실시예에 따른 차도 교통량 데이터 보완 방법전자 기기의 블록도이다. 전자 기기는 다양한 형식의 디지털 컴퓨터를 나타낸다. 예를 들면, 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크스테이션, 개인 정보 단말(PAD), 서버, 블레이드 서버, 메인 프레임 및 기타 적합한 컴퓨터일 수 있다. 전자 기기는 다양한 형식의 모바일 장치를 나타낼 수 있다. 예를 들면 개인 정보 단말(PAD), 셀룰러 폰, 스마트 폰, 웨어러블 기기 및 기타 유사한 계산 장치일 수 있다. 본 문에 나타난 컴포넌트, 이들의 연결과 관계, 및 기능은 단지 예시적인 것이며, 본 문에서 설명 및/또는 요구한 본 출원의 구현을 한정하려는 것이 아니다.
도12에 도시된 바와 같이, 당해 전자 기기는, 하나 또는 복수의 프로세서(1201), 메모리(1202) 및 각 컴포넌트를 연결하기 위한 고속 인터페이스와 저속 인터페이스를 포함하는 인터페이스를 포함한다. 각 컴포넌트는 서로 다른 버스를 이용하여 서로 연결되고, 공동 메인보드에 장착되거나 수요에 따라 기타 방식으로 장착될 수도 있다. 프로세서는 메모리 또는 메모리상에 저장되어 외부의 입력 / 출력 장치 (예를 들면, 인터페이스에 결합된 디스플레이 기기)에 GUI의 그래픽 정보를 디스플레이하기 위한 명령을 포함하는, 전자 기기 내에서 실행 가능한 명령을 처리할 수 있다. 기타 실시 방식에서, 필요에 따라, 복수의 프로세서 및/또는 복수의 버스를 복수의 메모리와 같이 사용할 수 있다. 마찬가지로, 복수의 전자 기기를 연결할 수 있고, 각 전자 기기는 일부 필요한 조작(예를 들면, 서버 어레이, 한 그룹의 블레이드 서버 또는 멀티 프로세서 시스템)을 제공한다. 도12에서는 하나의 프로세서(1201)를 예로 든다.
메모리(1202)는 본 출원에서 제공하는 비일시적 컴퓨터 판독 가능 저장 매체이다. 상기 메모리에는 적어도 하나의 프로세서에 의해 수행 가능한 명령이 저장되어 있고, 상기 적어도 하나의 프로세서가 본 출원에서 제공하는 차도 교통량 데이터 보완 방법 및/또는 차도 교통량 데이터 보완 모델의 훈련 방법을 수행할 수 있게 한다. 본 출원의 비일시적 컴퓨터 판독 가능 저장 매체에는 컴퓨터 명령이 저장되어 있고, 당해 컴퓨터 명령은 컴퓨터가 본 출원에서 제공하는 임의 실시예의 방법을 수행하게 한다.
메모리(1202)는 비일시적 컴퓨터 판독 가능 저장 매체로서, 비일시적 소프트웨어 프로그램, 비일시적 컴퓨터 실행 가능한 프로그램 및 모듈을 저장하는데 사용된다. 예를 들면, 본 출원의 실시예 중의 차도 교통량 데이터 보완 방법 및/또는 차도 교통량 데이터 보완 모델의 훈련 방법에 대응되는 프로그램 명령/모듈을 저장할 수 있다. 프로세서(1201)는 메모리(1202)에 저장된 비일시적 소프트웨어 프로그램, 명령 및 모듈을 작동시켜, 서버의 다양한 기능 응용 및 데이터 처리를 수행한다. 즉 상기 방법 실시예의 차도 교통량 데이터 보완 방법및/또는 차도 교통량 데이터 보완 모델의 훈련 방법을 구현한다.
메모리(1202)는 프로그램 저장 영역과 데이터 저장 영역을 포함할 수 있고, 프로그램 저장 영역은 운영체제, 적어도 하나의 기능에 필요한 애플리케이션 프로그램을 저장할 수 있고, 데이터 저장 영역은 전자 기기의 사용에 의해 생성된 데이터 등을 저장할 수 있다. 이 외에, 메모리(1202)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 비일시적 메모리, 예를 들면 적어도 하나의 자기 디스크 메모리, 플래시 메모리 또는 기타 비일시적 솔리드 스테이트 메모리를 더 포함할 수 있다. 일부 실시예에서, 메모리(1202)는 선택적으로 프로세서(1201)에 대해 원격으로 설치되는 메모리를 포함하고, 이러한 원격 메모리는 네트워크를 통해 전자 기기에 연결될 수 있다. 상기 네트워크의 구현예는 인터넷, 인트라넷, 근거리 통신망, 이동 통신망 및 이들의 조합을 포함하나 이에 한정되지 않는다.
전자 기기는, 입력 장치(1203) 및 출력 장치(1204)를 더 포함할 수 있다. 프로세서(1201), 메모리(1202), 입력 장치(1203) 및 출력 장치(1204)는 버스 또는 기타 방식을 통해 연결될 수 있고, 도12에서는 버스를 통해 연결되는 것을 예로 든다.
입력 장치(1203)는 입력된 숫자 또는 문자 정보를 수신할 수 있고, 차도 교통량 데이터 보완 방법의 전자 기기의 사용자 설정 및 기능 제어와 관련되는 키 신호 입력을 생성할 수 있고, 예를 들어, 터치 스크린, 키패드, 마우스, 트랙패드, 터치패드, 포인팅 스틱, 하나 또는 복수의 마우스 버튼, 트랙볼, 조이스틱 등 입력 장치이다. 출력 장치(1204)는 디스플레이 기기, 보조 조명 장치(예를 들면LED) 및 촉각 피드백 장치(예를 들면 진동 모터)등을 포함할 수 있다. 당해 디스플레이 기기는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이 및 플라즈마 디스플레이를 포함할 수 있으나 이에 한정되지 않는다. 일부 실시예에서, 디스플레이 기기는 터치 스크린일 수 있다.
여기서 설명하는 시스템과 기술의 여러 가지 실시형태는 디지털 전자회로 시스템, 집적회로 시스템, 주문형 집적회로(ASIC), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합에서 실현될 수 있다. 이러한 여러 가지 실시형태는 하나 또는 복수의 컴퓨터 프로그램에서 실시되는 것을 포함할 수 있고, 당해 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그래밍 가능 프로세서를 포함하는 프로그래밍 가능 시스템에서 수행 및/또는 해석되며, 당해 프로그래밍 가능 프로세서는 전용 또는 일반 프로그래밍 가능 프로세서일 수 있으며, 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치에서 데이터와 명령을 수신할 수 있고, 데이터와 명령을 당해 저장 시스템, 당해 적어도 하나의 입력 장치 및 당해 적어도 하나의 출력 장치에 전송할 수 있다.
이러한 계산 프로그램(즉, 프로그램, 소프트웨어, 소프트웨어 애플리케이션 또는 코드)은, 프로그래밍 가능 프로세서의 기계 명령을 포함하고, 고급 절차 및/또는 객체 지향 프로그래밍 언어 및/또는 어셈블리/기계 언어를 이용하여 이러한 계산 프로그램을 실시할 수 있다. 본 발명의 설명에서 사용한 용어 "기계 판독 가능 매체"와 "컴퓨터 판독 가능 매체"는 기계 명령 및/또는 데이터를 프로그래밍 가능 프로세서에 제공하는 임의의 컴퓨터 프로그램, 기기 및/또는 장치(예를 들면, 자기 디스크, 광 디스크, 메모리, 프로그래밍 가능 로직 장치(PLD))를 포함하고, 기계 판독 가능 신호인 기계 명령을 수신하는 기계 판독 가능 매체를 포함한다. 용어 "기계 판독 가능 신호"는 기계 명령 및/또는 데이터를 프로그래밍 가능 프로세서에 제공하는 임의의 신호를 가리킨다.
사용자와의 인터랙션을 제공하기 위해, 여기서 설명된 시스템 및 기술은 컴퓨터에서 구현할 수 있으며, 당해 컴퓨터는 사용자에게 정보를 디스플레이하는 디스플레이 장치(예를 들면, CRT(음극선관) 또는 LCD(액정 디스플레이)모니터); 및 키보드와 지향 장치(예를 들면, 마우스 또는 트랙볼)를 구비하고, 사용자는 당해 키보드와 당해 지향 장치를 통해 컴퓨터에 입력을 제공할 수 있다. 기타 유형의 장치도 사용자와의 인터랙션에 사용될 수 있는 바, 예를 들면 사용자에게 제공된 피드백은 임의의 형식의 감각 피드백(예를 들면, 시각적 피드백, 청각적 피드백 또는 촉각적 피드백)일 수 있고, 임의의 형식(음향 입력, 음성 입력 또는 촉각 입력)에 의해 사용자로부터의 입력을 수신할 수 있다.
여기서 설명한 시스템과 기술을, 백그라운드 컴포넌트를 포함하는 계산 시스템(예를 들면 데이터 서버), 또는 미들웨어 컴포넌트를 포함하는 계산 시스템(예를 들면, 애플리케이션 서버), 또는 프론트 엔드 컴포넌트를 포함하는 계산 시스템(예를 들면, 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 구비한 사용자 컴퓨터에서 실시될 수 있고, 사용자는 당해 그래픽 사용자 인터페이스 또는 당해 네트워크 브라우저를 통해 여기서 설명한 시스템과 기술의 실시형태와 인터랙션할 수 있다), 또는 이러한 백그라운드 컴포넌트, 미들웨어 컴포넌트 또는 프론트 엔드 컴포넌트의 임의의 조합을 포함하는 계산 시스템에서 실시될 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들면, 통신 네트워크)을 통해 시스템의 컴포넌트를 서로 연결할 수 있다. 통신 네트워크의 예시는 근거리 통신망 (LAN), 광역 통신망 (WAN), 인터넷 및 블록 체인 네트워크를 포함한다.
컴퓨터 시스템은 클라이언트와 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 떨어져 있으며, 통신 네트워크를 통해 서로 인터랙션한다. 대응하는 컴퓨터에서 운행되고 서로 클라이언트-서버 관계를 가지는 컴퓨터 프로그램에 의해 클라이언트와 서버의 관계를 생성한다. 서버는 클라우드 서버일 수 있고, 클라우드 계산 서버 또는 클라우드 호스트라고도 하고, 클라우드 계산 서비스 시스템의 호스트 제품이고, 전통적인 물리 호스트와 VPS서비스("Virtual Private Server", 또는 "VPS")에서, 관리가 어렵고, 업무 확장성이 약한 단점을 해결한다. 서버는 분산식 시스템의 서버 또는 블록 체인을 결합한 서버일 수도 있다.
본 출원 실시예의 기술 수단에 따른면, 다중 차도 사이의 공간 연관성을 융합함으로, 차도 사이의 복잡한 공간 관련 정보를 충분히 이용하여 차도 레벨의 교통량 데어터 결손 문제를 타깃성 있게 해결하고; 또한 시공 관련 정보를 융합함으로, 2개의 측면의 연관성을 동시에 효과적으로 이용하고, 연속 결손 및 동시 결손 문제에 대해 모두 효과적으로 결손 데이터를 정확하게 추정할 수 있다.
이해해야 할 것은, 상기 다양한 형식의 흐름에 의해, 단계를 재정렬, 추가 또는 삭제할 수 있다. 예를 들면, 본 출원에 기재한 각 단계는 병행하여 또는 순차적으로 실행할 수도 있고, 서로 다른 순서로 실행할 수도 있다. 본 출원에서 출원한 기술적 수단이 원하는 결과만 구현할 수 있으면 본 문에서 이에 대해 한정하지 않는다.
상기 구체적인 실시 방식은 본 출원의 보호 범위를 한정하지 않는다. 본 발명이 속하는 기술 분야의 통상의 기술자는 설계 요구 및 기타 요소에 의해 여러가지 수정, 조합, 서브 조합 및 대체가 이루어질 수 있음을 이해해야 한다. 본 출원의 정신과 원칙 내에서 이루어진 모든 수정, 동등한 대체 및 개선 등은 본 출원의 보호 범위에 포함된다.
Claims (33)
- 차도 교통량 데이터 보완 방법에 있어서,
교차로 내 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 단계;
상기 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성하는 단계;
제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득하는 단계;
상기 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득하는 단계; 및
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 시간 관계 표시에 따라, 상기 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 제1항에 있어서,
상기 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성하는 단계는,
상기 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도의 다중 공간 관계 행렬을 생성하는 단계; 및
상기 차도의 다중 공간 관계 행렬을 기반으로, 상기 차도 교통량 종합 공간 표시를 생성하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 제2항에 있어서,
상기 차도의 다중 공간 관계 행렬을 기반으로, 상기 차도 교통량 종합 공간 표시를 생성하는 단계는,
그래프 컨볼루션 조작을 기반으로 다계 공간 관계를 집합하여 상기 차도의 다중 공간 관계 행렬을 각각 처리하여, 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시를 획득하는 단계; 및
상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 상기 차도 교통량 종합 공간 표시를 생성하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 제3항에 있어서,
상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 상기 차도 교통량 종합 공간 표시를 생성하는 단계는,
어텐션 메커니즘으로 상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 상기 차도 교통량 종합 공간 표시를 생성하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 제1항에 있어서,
상기 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득하는 단계는,
제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득하는 단계; 및
미리 설정된 함수를 기반으로 상기 차도 교통량 코드를 처리하여, 상기 차도 교통량 전역 분포의 삽입 표시를 획득하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 제5항에 있어서,
상기 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득하는 단계는,
사전 훈련된 자체 코딩 모델을 기반으로 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득하는 단계를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 제6항에 있어서,
상기 자체 코딩 모델은,
제2 시간대에서 상기 교차로의 차도에서 관측된 교통량 데이터를 획득하는 단계 - 상기 제2 시간대의 시간은 상기 제1 시간대의 시간보다 앞서 있음 -;
제2 시간대에서 상기 차도에서 관측된 교통량 데이터를 자체 코딩 학습 모델로 입력하는 단계 - 상기 자체 코딩 학습 모델은 엔코더 및 디코더를 포함함 -;
상기 엔코더가 제2 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 순차적으로 여러 번의 코딩을 수행한 후 출력된 코딩 정보를 획득하는 단계;
상기 엔코더에서 출력된 코딩 정보를 상기 디코더로 입력하고, 상기 디코더가 상기 코딩 정보에 대해 순차적으로 여러 번 디코딩한 후 출력된 차도 교통량 재구성 데이터를 획득하는 단계 - 상기 엔코더의 코딩 횟수는 디코더의 디코딩 횟수와 동일함 -;
상기 교차로의 차도 교통량 관측 데이터 위치 정보를 획득하는 단계 - 상기 차도 교통량 관측 데이터 위치 정보는 차도 교통량 관측에 존재하는 데이터 및 결손 데이터의 위치 정보를 포함함 -;
제2 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 차도 교통량 재구성 데이터 및 상기 차도 교통량 관측 데이터 위치 정보에 따라, 손실값을 계산하는 단계; 및
상기 손실값에 따라, 상기 자체 코딩 학습 모델을 훈련하고, 훈련된 상기 자체 코딩 학습 모델의 상기 엔코더를 상기 자체 코딩 모델로 결정하는 단계; 를 포함하는 방법을 통해 사전 훈련되는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 제1항에 있어서,
상기 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득하는 단계는,
사전 훈련된 양방향 장단기 메모리(LSTM) 인공신경망 모델을 기반으로 상기 차도 교통량 전역 분포의 삽입 표시에 대해 시간 시퀀스 예측을 수행하여, 상기 차도 교통량 시간 관계 표시를 획득하는 단계를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 제1항에 있어서,
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 시간 관계 표시에 따라, 상기 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행하는 단계는,
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 시간 관계 표시에 대해 융합 처리를 하고, 융합 처리 후 획득된 데이터를 상기 교차로의 차도 교통량 데이터로 결정하는 단계를 포함하고,
상기 차도 교통량 데이터는 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 차도 교통량 데이터 보완 모델의 훈련 방법에 있어서,
상기 차도 교통량 데이터 보완 모델은 다중 공간 관계 융합 모듈, 사전 훈련된 자체 코딩 모듈 및 양방향 장단기 메모리(LSTM) 인공신경망 모듈을 포함하고, 상기 방법은,
교차로 내 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 단계;
상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 다중 공간 관계 융합 모듈로 입력하고, 차도 교통량 종합 공간 표시를 획득하는 단계;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 자체 코딩 모듈로 입력하고, 차도 교통량 전역 분포의 삽입 표시를 획득하는 단계;
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 전역 분포의 삽입 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 상기 양방향 LSTM 인공신경망 모듈에서 출력된 상기 교차로의 차도 교통량 데이터를 획득하는 단계;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 모델 손실값을 계산하는 단계; 및
상기 모델 손실값에 따라, 상기 차도 교통량 데이터 보완 모델을 훈련하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 방법. - 제10항에 있어서,
상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 다중 공간 관계 융합 모듈로 입력하고, 차도 교통량 종합 공간 표시를 획득하는 단계는,
상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 다중 공간 관계 융합 모듈로 입력하는 단계;
상기 다중 공간 관계 융합 모듈을 기반으로 상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 계산 처리를 수행하고, 차도의 다중 공간 관계 행렬을 획득하는 단계;
상기 다중 공간 관계 융합 모듈을 기반으로, 그래프 컨볼루션 조작으로 다계 공간 관계를 집합하여 상기 차도의 다중 공간 관계 행렬을 각각 처리하여, 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시를 획득하는 단계; 및
상기 다중 공간 관계 융합 모듈을 기반으로 상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하고, 상기 차도 교통량 종합 공간 표시를 생성하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 방법. - 제11항에 있어서,
상기 다중 공간 관계 융합 모듈을 기반으로 상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하고, 상기 차도 교통량 종합 공간 표시를 생성하는 단계는,
상기 다중 공간 관계 융합 모듈을 기반으로, 어텐션 메커니즘으로 상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 상기 차도 교통량 종합 공간 표시를 생성하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 방법. - 제10항에 있어서,
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 전역 분포의 삽입 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 상기 양방향 LSTM 인공신경망 모듈에서 출력된 상기 교차로의 차도 교통량 데이터를 획득하는 단계는,
상기 차도 교통량 전역 분포의 삽입 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가를 획득하는 단계;
상기 양방향 LSTM 인공신경망 모듈을 기반으로 상기 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가를 처리하며, 차도 교통량 시간 관계 표시를 획득하는 단계; 및
상기 차도 교통량 종합 공간 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 상기 양방향 LSTM 인공신경망 모듈을 기반으로 상기 차도 교통량 시간 관계 표시 및 상기 차도 교통량 종합 공간 표시에 대해 융합 처리를 하고, 상기 양방향 LSTM 인공신경망 모듈에서 출력된 상기 교차로의 차도 교통량 데이터를 획득하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 방법. - 제13항에 있어서,
상기 제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 모델 손실값을 계산하는 단계는,
제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 제1 방향의 차도 교통량 시간 관계 평가, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 상기 양방향 LSTM 인공신경망 모듈에서 상기 제1 방향의 제1 손실값을 계산하는 단계;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 제2 방향의 차도 교통량 시간 관계 평가, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 상기 양방향 LSTM 인공신경망 모듈에서 상기 제2 방향의 제2 손실값을 계산하는 단계;
상기 제1 방향의 차도 교통량 시간 관계 평가 및 상기 제2 방향의 차도 교통량 시간 관계 평가에 따라, 제3 손실값을 계산하는 단계; 및
상기 제1 손실값, 상기 제2 손실값 및 상기 제3 손실값에 따라, 상기 모델 손실값을 계산하는 단계; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 방법. - 차도 교통량 데이터 보완 방법에 있어서,
교차로 내 차도의 속성 정보 및 제4 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 단계;
상기 차도의 속성 정보 및 제4 시간대에서 상기 차도에서 관측된 교통량 데이터를 사전 훈련된 차도 교통량 데이터 보완 모델로 입력하는 단계 - 상기 차도 교통량 데이터 보완 모델은 제10항 내지 제14항 중 어느 한 항의 방법을 통해 훈련하여 획득된 것임 - ; 및
상기 차도 교통량 데이터 보완 모델에서 출력된 차도 교통량 데이터를 획득하는 단계 - 상기 차도 교통량 데이터는 차도 교통량 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함함 - ; 를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 방법. - 차도 교통량 데이터 보완 장치에 있어서,
교차로 내 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 제1 획득 모듈;
상기 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 종합 공간 표시를 생성하는 생성 모듈;
제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도 교통량 전역 분포의 삽입 표시를 획득하는 제2 획득 모듈;
상기 차도 교통량 전역 분포의 삽입 표시에 따라, 차도 교통량 시간 관계 표시를 획득하는 제3 획득 모듈; 및
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 시간 관계 표시에 따라, 상기 교차로의 차도 교통량의 결손 데이터에 대해 보완 조작을 수행하는 보완 모듈; 을 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 제16항에 있어서,
상기 생성 모듈은,
상기 차도의 속성 정보 및 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 따라, 차도의 다중 공간 관계 행렬을 생성하는 제1 생성 유닛; 및
상기 차도의 다중 공간 관계 행렬을 기반으로, 상기 차도 교통량 종합 공간 표시를 생성하는 제2 생성 유닛; 을 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 제17항에 있어서,
상기 제2 생성 유닛은,
그래프 컨볼루션 조작을 기반으로 다계 공간 관계를 집합하여 상기 차도의 다중 공간 관계 행렬을 각각 처리하여, 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시를 획득하고;
상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 상기 차도 교통량 종합 공간 표시를 생성하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 제18항에 있어서,
상기 제2 생성 유닛은,
어텐션 메커니즘으로 상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 상기 차도 교통량 종합 공간 표시를 생성하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 제16항에 있어서,
상기 제2 획득 모듈은,
제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득하고;
미리 설정된 함수를 기반으로 상기 차도 교통량 코드를 처리하여, 상기 차도 교통량 전역 분포의 삽입 표시를 획득하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 제20항에 있어서,
상기 제2 획득 모듈은,
사전 훈련된 자체 코딩 모델을 기반으로 제1 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 코딩 처리를 수행하여, 차도 교통량 코드를 획득하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 제21항에 있어서, 상기 장치는,
상기 자체 코딩 모델을 사전 훈련하는 사전 훈련 모듈을 더 포함하고;
상기 사전 훈련 모듈은,
제2 시간대에서 상기 교차로의 차도에서 관측된 교통량 데이터를 획득하고 - 상기 제2 시간대의 시간은 상기 제1 시간대의 시간보다 앞서 있음 -;
제2 시간대에서 상기 차도에서 관측된 교통량 데이터를 자체 코딩 학습 모델로 입력하고 - 상기 자체 코딩 학습 모델은 엔코더 및 디코더를 포함함 -;
상기 엔코더가 제2 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 순차적으로 여러 번의 코딩을 수행한 후 출력된 코딩 정보를 획득하고;
상기 엔코더에서 출력된 코딩 정보를 상기 디코더로 입력하고, 상기 디코더가 상기 코딩 정보에 대해 순차적으로 여러 번 디코딩한 후 출력된 차도 교통량 재구성 데이터를 획득하고 - 상기 엔코더의 코딩 횟수는 디코더의 디코딩 횟수와 동일함 -;
상기 교차로의 차도 교통량 관측 데이터 위치 정보를 획득하고 - 상기 차도 교통량 관측 데이터 위치 정보는 차도 교통량 관측에 존재하는 데이터 및 결손 데이터의 위치 정보를 포함함 -;
제2 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 차도 교통량 재구성 데이터 및 상기 차도 교통량 관측 데이터 위치 정보에 따라, 손실값을 계산하고;
상기 손실값에 따라, 상기 자체 코딩 학습 모델을 훈련하고, 훈련된 상기 자체 코딩 학습 모델의 상기 엔코더를 상기 자체 코딩 모델로 결정하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 제16항에 있어서,
상기 제3 획득 모듈은,
사전 훈련된 양방향 장단기 메모리(LSTM) 인공신경망 모델을 기반으로 상기 차도 교통량 전역 분포의 삽입 표시에 대해 시간 시퀀스 예측을 수행하여, 상기 차도 교통량 시간 관계 표시를 획득하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 제16항에 있어서,
상기 보완 모듈은,
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 시간 관계 표시에 대해 융합 처리를 하고, 융합 처리 후 획득된 데이터를 상기 교차로의 차도 교통량 데이터로 결정하며,
상기 차도 교통량 데이터는 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 차도 교통량 데이터 보완 모델의 훈련 장치에 있어서,
상기 차도 교통량 데이터 보완 모델은 다중 공간 관계 융합 모듈, 사전 훈련된 자체 코딩 모듈 및 양방향 장단기 메모리(LSTM) 인공신경망 모듈을 포함하고, 상기 장치는,
교차로 내 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 제1 획득 모듈;
상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 다중 공간 관계 융합 모듈로 입력하고, 차도 교통량 종합 공간 표시를 획득하는 제2 획득 모듈;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 자체 코딩 모듈로 입력하고, 차도 교통량 전역 분포의 삽입 표시를 획득하는 제3 획득 모듈;
상기 차도 교통량 종합 공간 표시 및 상기 차도 교통량 전역 분포의 삽입 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 상기 양방향 LSTM 인공신경망 모듈에서 출력된 상기 교차로의 차도 교통량 데이터를 획득하는 제4 획득 모듈;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 모델 손실값을 계산하는 계산 모듈; 및
상기 모델 손실값에 따라, 상기 차도 교통량 데이터 보완 모델을 훈련하는 훈련 모듈; 을 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 장치. - 제25항에 있어서,
상기 제2 획득 모듈은,
상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터를 상기 다중 공간 관계 융합 모듈로 입력하고;
상기 다중 공간 관계 융합 모듈을 기반으로 상기 차도의 속성 정보 및 제3 시간대에서 상기 차도에서 관측된 교통량 데이터에 대해 계산 처리를 수행하고, 차도의 다중 공간 관계 행렬을 획득하고;
상기 다중 공간 관계 융합 모듈을 기반으로, 그래프 컨볼루션 조작으로 다계 공간 관계를 집합하여 상기 차도의 다중 공간 관계 행렬을 각각 처리하여, 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시를 획득하고;
상기 다중 공간 관계 융합 모듈을 기반으로 상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하고, 상기 차도 교통량 종합 공간 표시를 생성하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 장치. - 제26항에 있어서,
상기 제2 획득 모듈은,
상기 다중 공간 관계 융합 모듈을 기반으로, 어텐션 메커니즘으로 상기 복수의 단일 공간 관계를 기반으로 하는 차도 교통량 표시에 대해 융합 처리를 수행하여, 상기 차도 교통량 종합 공간 표시를 생성하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 장치. - 제25항에 있어서,
상기 제4 획득 모듈은,
상기 차도 교통량 전역 분포의 삽입 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가를 획득하고;
상기 양방향 LSTM 인공신경망 모듈을 기반으로 상기 제1 방향의 차도 교통량 시간 관계 평가 및 제2 방향의 차도 교통량 시간 관계 평가를 처리하며, 차도 교통량 시간 관계 표시를 획득하고;
상기 차도 교통량 종합 공간 표시를 상기 양방향 LSTM 인공신경망 모듈로 입력하고, 상기 양방향 LSTM 인공신경망 모듈을 기반으로 상기 차도 교통량 시간 관계 표시 및 상기 차도 교통량 종합 공간 표시에 대해 융합 처리를 하고, 상기 양방향 LSTM 인공신경망 모듈에서 출력된 상기 교차로의 차도 교통량 데이터를 획득하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 장치. - 제28항에 있어서,
상기 계산 모듈은,
제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 제1 방향의 차도 교통량 시간 관계 평가, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 상기 양방향 LSTM 인공신경망 모듈에서 상기 제1 방향의 제1 손실값을 계산하고;
제3 시간대에서 상기 차도에서 관측된 교통량 데이터, 상기 제2 방향의 차도 교통량 시간 관계 평가, 상기 차도 교통량 종합 공간 표시 및 상기 교차로의 차도 교통량 데이터에 따라, 상기 양방향 LSTM 인공신경망 모듈에서 상기 제2 방향의 제2 손실값을 계산하고;
상기 제1 방향의 차도 교통량 시간 관계 평가 및 상기 제2 방향의 차도 교통량 시간 관계 평가에 따라, 제3 손실값을 계산하고;
상기 제1 손실값, 상기 제2 손실값 및 상기 제3 손실값에 따라, 상기 모델 손실값을 계산하는,
것을 특징으로 하는 차도 교통량 데이터 보완 모델의 훈련 장치. - 차도 교통량 데이터 보완 장치에 있어서,
교차로 내 차도의 속성 정보 및 제4 시간대에서 상기 차도에서 관측된 교통량 데이터를 획득하는 제1 획득 모듈;
상기 차도의 속성 정보 및 제4 시간대에서 상기 차도에서 관측된 교통량 데이터를 사전 훈련된 차도 교통량 데이터 보완 모델로 입력하는 입력 모듈 - 상기 차도 교통량 데이터 보완 모델은 제25항 내지 제29항 중 어느 한 항의 장치를 통해 훈련하여 획득된 것임 - ; 및
상기 차도 교통량 데이터 보완 모델에서 출력된 차도 교통량 데이터를 획득하는 제2 획득 모듈 - 상기 차도 교통량 데이터는 차도 교통량 관측에 존재하는 데이터 및 결손 데이터 추정치를 포함함 - ; 을 포함하는,
것을 특징으로 하는 차도 교통량 데이터 보완 장치. - 전자 기기에 있어서,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서에 통신 가능하게 연결되는 메모리; 를 포함하고,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 제1항 내지 제9항 중 어느 한 항의 방법, 또는 제10항 내지 제14항 중 어느 한 항의 방법, 또는 제15항의 방법을 수행하는,
것을 특징으로 하는 전자 기기. - 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,
상기 컴퓨터 명령은 컴퓨터가 제1항 내지 제9항 중 어느 한 항의 방법, 또는 제10항 내지 제14항 중 어느 한 항의 방법, 또는 제15항의 방법을 수행하도록 하는,
것을 특징으로 하는 비일시적 컴퓨터 판독 가능 저장 매체. - 비일시적 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램이 프로세서에 의해 수행될 경우, 제1항 내지 제9항 중 어느 한 항의 방법, 또는 제10항 내지 제14항 중 어느 한 항의 방법, 또는 제15항의 방법이 구현되는,
것을 특징으로 하는 컴퓨터 프로그램.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195010.6 | 2022-09-28 | ||
CN202211195010.6A CN115563093A (zh) | 2022-09-28 | 2022-09-28 | 车道交通流量数据补全及其模型训练方法、装置 |
CN202211705577.3A CN116244281B (zh) | 2022-09-28 | 2022-12-28 | 车道交通流量数据补全及其模型训练方法、装置 |
CN202211705577.3 | 2022-12-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230048259A true KR20230048259A (ko) | 2023-04-11 |
Family
ID=85976587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230037873A KR20230048259A (ko) | 2022-09-28 | 2023-03-23 | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230048259A (ko) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628435A (zh) * | 2023-07-21 | 2023-08-22 | 山东高速股份有限公司 | 一种路网交通流量数据修复方法、装置、设备及介质 |
CN116678506A (zh) * | 2023-08-02 | 2023-09-01 | 国检测试控股集团南京国材检测有限公司 | 一种无线传输热损检测装置 |
CN116884215A (zh) * | 2023-07-14 | 2023-10-13 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
CN117390585A (zh) * | 2023-12-12 | 2024-01-12 | 之江实验室 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
-
2023
- 2023-03-23 KR KR1020230037873A patent/KR20230048259A/ko unknown
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884215A (zh) * | 2023-07-14 | 2023-10-13 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
CN116884215B (zh) * | 2023-07-14 | 2024-05-31 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
CN116628435A (zh) * | 2023-07-21 | 2023-08-22 | 山东高速股份有限公司 | 一种路网交通流量数据修复方法、装置、设备及介质 |
CN116678506A (zh) * | 2023-08-02 | 2023-09-01 | 国检测试控股集团南京国材检测有限公司 | 一种无线传输热损检测装置 |
CN117390585A (zh) * | 2023-12-12 | 2024-01-12 | 之江实验室 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
CN117390585B (zh) * | 2023-12-12 | 2024-03-22 | 之江实验室 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20230048259A (ko) | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 | |
EP3961489A1 (en) | Method and apparatus for identifying updated road, device and computer storage medium | |
KR20210087889A (ko) | 자율주행시스템 테스트 방법, 장치 및 기록 매체 | |
KR102544760B1 (ko) | 교통 사고 인식 방법, 장치, 기기 및 컴퓨터 기록 매체 | |
CN112863180B (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
CN111310987B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
US11719550B2 (en) | Method and apparatus for building route time consumption estimation model, and method and apparatus for estimating route time consumption | |
CN111982138B (zh) | 预测模型获取及路径规划方法、装置及存储介质 | |
CN111325382B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
KR20220026999A (ko) | 목적지 예측 방법, 장치, 전자 기기 및 저장 매체 | |
CN111309780A (zh) | 一种轨迹数据处理方法及装置 | |
CN112269930B (zh) | 建立区域热度预测模型、区域热度预测的方法及装置 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN112000893A (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
CN111292549B (zh) | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 | |
KR20220042315A (ko) | 교통 데이터 예측 방법, 장치 및 전자 기기 | |
CN114742280A (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN112819497B (zh) | 转化率预测方法、装置、设备和存储介质 | |
Tang et al. | SPRNN: A spatial–temporal recurrent neural network for crowd flow prediction | |
McElwee et al. | Real-time analysis of city scale transportation networks in New Orleans metropolitan area using an agent based model approach | |
Zhou et al. | ST-Attn: Spatial-temporal attention mechanism for multi-step citywide crowd flow prediction | |
CN116244281B (zh) | 车道交通流量数据补全及其模型训练方法、装置 | |
CN114548572A (zh) | 城市路网交通状态的预测方法、装置、设备及介质 | |
CN114926655B (zh) | 地理与视觉跨模态预训练模型的训练方法、位置确定方法 |