TWI820929B - 人工智慧交通資訊預測系統、方法及電腦可讀媒介 - Google Patents
人工智慧交通資訊預測系統、方法及電腦可讀媒介 Download PDFInfo
- Publication number
- TWI820929B TWI820929B TW111136562A TW111136562A TWI820929B TW I820929 B TWI820929 B TW I820929B TW 111136562 A TW111136562 A TW 111136562A TW 111136562 A TW111136562 A TW 111136562A TW I820929 B TWI820929 B TW I820929B
- Authority
- TW
- Taiwan
- Prior art keywords
- traffic information
- artificial intelligence
- linear
- features
- nonlinear
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 23
- 230000002123 temporal effect Effects 0.000 claims description 15
- 230000006403 short-term memory Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 abstract 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 8
- 230000015654 memory Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本發明揭露一種人工智慧交通資訊預測系統、方法及電腦可讀媒介，係由特徵擷取模組擷取交通資訊之原始特徵，再由多元化運算模組將交通資訊之原始特徵進行多元化運算以產生包括交通資訊之線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵。繼之，由人工智慧預測模組將包括交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵輸入人工智慧模型，再透過人工智慧模型依據多元化特徵對未來交通資訊進行預測以產生預測資訊，俾增強人工智慧模型對於預測未來交通資訊之精確度或準確性。
Description
本發明係一種交通資訊預測技術，特別是指一種人工智慧(AI)交通資訊預測系統、方法及電腦可讀媒介。
近年來，隨著人工智慧(Artificial Intelligence；AI)演算技術之軟硬體資源之快速蓬勃發展，人工智慧演算技術對於複雜數學運算之速度與能力亦不斷提升，使得人工智慧演算技術廣泛地應用於例如交通、醫療、金融等各種領域，從而實現交通、醫療、金融等相關應用資訊之推估或預測，故資訊推估或預測之精確度或準確性便越來越重要。
資訊推估或預測之精確度或準確性主要決定於所建立之人工智慧模型與此人工智慧模型之輸入特徵等兩大因素，假設使用相同的人工智慧模型之架構，現有之交通資訊預測技術通常僅利用單一特徵(如單一之原始特徵)作為人工智慧模型之輸入特徵以執行或實現相關交通資訊之預測，例如利用歷史之單一速度(如車速)、單一流量(如車流量)或單一旅行
時間等之特徵資料預測未來一段時間(如數分鐘)後可能產生之速度(如車速)、流量(如車流量)或旅行時間等交通資訊，故人工智慧模型在推估或預測交通資訊之精確度或準確性上容易侷限於單一特徵所限定之範圍內，導致資訊推估或預測之精確度或準確性不易有突破性之發展。
再者，現有之交通資訊預測技術並無法將交通資訊之原始特徵自動演算為多元化特徵，亦無法透過人工智慧模型依據多元化特徵對未來交通資訊進行推估或預測以產生推估或預測資訊，也無法藉由多元化特徵增強人工智慧模型對於推估或預測未來交通資訊之精確度或準確性，更無法降低人工智慧模型對於交通資訊進行推估或預測所得到之推估或預測資訊之平均絕對誤差率，還無法將時間人工智慧演算技術結合空間人工智慧演算技術以產生人工智慧模型。
因此，如何提供一種創新之交通資訊預測技術，以解決上述之任一問題或提供相關之功能/服務，已成為本領域技術人員之一大研究課題。
本發明提供一種創新之人工智慧交通資訊預測系統、方法及電腦可讀媒介，係能將交通資訊之原始特徵以運算方法(如線性代數定義之線性運算方式、減法運算或非線性運算)演算為多元化特徵(如線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵)，亦能透過人工智慧模型依據多元化特徵對未來交通資訊(如未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間)進行推估或預
測以產生推估或預測資訊，或者藉由多元化特徵增強人工智慧模型對於推估或預測未來交通資訊之精確度或準確性，抑或者降低人工智慧模型對於交通資訊進行推估或預測所得到之推估或預測資訊之平均絕對誤差率(MAPE)，又或者將時間人工智慧演算技術(如長短期記憶類神經網路演算技術/時間卷積網路類神經網路演算技術)結合空間人工智慧演算技術(如圖形卷積網路類神經網路演算技術/圖形注意力網路類神經網路演算技術)以產生人工智慧模型。
本發明之人工智慧交通資訊預測系統包括：特徵擷取模組，係擷取交通資訊之原始特徵；多元化運算模組，係與特徵擷取模組互相連結或通訊，其中，多元化運算模組將特徵擷取模組所擷取之交通資訊之原始特徵進行多元化運算以產生包括交通資訊之線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵；以及具有人工智慧模型之人工智慧預測模組，係與多元化運算模組互相連結或通訊，其中，人工智慧預測模組將包括交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵輸入人工智慧模型，再透過人工智慧模型依據包括交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵對未來交通資訊進行推估或預測以產生推估或預測資訊。
本發明之人工智慧交通資訊預測方法包括：由特徵擷取模組擷取交通資訊之原始特徵，再由多元化運算模組將特徵擷取模組所擷取之交通資訊之原始特徵進行多元化運算以產生包括交通資訊之線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化
特徵；以及將包括交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵輸入人工智慧模型，再透過人工智慧模型依據包括交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵對未來交通資訊進行推估或預測以產生推估或預測資訊。
本發明之電腦可讀媒介應用於計算裝置或電腦中，係儲存有指令，以執行上述之人工智慧交通資訊預測方法。
為使本發明之上述特徵與優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明。在以下描述內容中將部分闡述本發明之額外特徵及優點，且此等特徵及優點將部分自所述描述內容可得而知，或可藉由對本發明之實踐習得。應理解，前文一般描述與以下詳細描述二者均為例示性及解釋性的，且不欲約束本發明所欲主張之範圍。
1:人工智慧交通資訊預測系統
10:特徵擷取模組
20:多元化運算模組
30:人工智慧預測模組
31:人工智慧模型
40:驗證模組
A:原始特徵
B:線性運算特徵
C:線性差分運算特徵
D:非線性運算特徵
E:非線性差分運算特徵
F:推估或預測資訊
S1至S4:步驟
圖1為本發明之人工智慧交通資訊預測系統之架構示意圖。
圖2為本發明之人工智慧交通資訊預測方法之流程示意圖。
以下藉由特定的具體實施形態說明本發明之實施方式，熟悉此技術之人士可由本說明書所揭示之內容了解本發明之其他優點與功效，亦可因而藉由其他不同具體等同實施形態加以施行或運用。
圖1為本發明之人工智慧交通資訊預測系統1之架構示意
圖，圖2為本發明之人工智慧交通資訊預測方法之流程示意圖。
如圖1所示，人工智慧交通資訊預測系統1可包括互相連結或通訊之至少一特徵擷取模組10、至少一多元化運算模組20、至少一人工智慧預測模組30與至少一驗證模組40等，且人工智慧預測模組30可具有至少一人工智慧模型31等。例如，多元化運算模組20可分別連結或通訊多元化運算模組20與人工智慧預測模組30，且人工智慧預測模組30可進一步連結或通訊驗證模組40。
在一實施例中，特徵擷取模組10可為特徵擷取器、特徵擷取晶片、特徵擷取電路、特徵擷取軟體、特徵擷取程式等，多元化運算模組20可為多元化運算器、多元化運算晶片、多元化運算電路、多元化運算軟體、多元化運算程式等，人工智慧預測模組30可為人工智慧預測器、人工智慧預測晶片、人工智慧預測電路、人工智慧預測軟體、人工智慧預測程式等，人工智慧模型31可為人工智慧預測模型、人工智慧速度(如車速)預測模型、人工智慧流量(如車流量)預測模型、人工智慧旅行時間預測模型等，驗證模組40可為驗證晶片、驗證電路、驗證軟體、驗證程式等。
在一實施例中，本發明所述「交通資訊」可為速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間等，「連結或通訊」可代表以有線方式(如有線網路)或無線方式(如無線網路)互相連結或通訊，「至少一」代表一個以上(如一、二或三個以上)，「複數」代表二個以上(如二、三、四、五或十個以上)。但是，本發明並不以上述實施例所提及者為限。
如圖1與圖2所示，人工智慧交通資訊預測系統1及其方法
可包括下列步驟S1至步驟S4所述之技術內容。
步驟S1：由特徵擷取模組10擷取欲輸入至人工智慧預測模組30之人工智慧模型31中之交通資訊之原始特徵A。例如，交通資訊之原始特徵A可為歷史之速度(如各種車速、行人速度，例如單一車速)、流量(如各種車流量、行人流量，例如單一車流量)或旅行時間(如單一旅行時間)等屬性之特徵，且原始特徵A可用於預測未來交通資訊(如未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間)。
步驟S2：由多元化運算模組20將特徵擷取模組10所擷取之交通資訊之原始特徵A進行多元化處理或運算，以產生包括交通資訊之線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線性差分運算特徵E之多元化特徵。例如，[1]多元化運算模組20可複製特徵擷取模組10所擷取之交通資訊之原始特徵A，[2]多元化運算模組20可將交通資訊之原始特徵A透過線性代數定義之線性運算方式(如算術平均數之運算方式)產生交通資訊之線性運算特徵B，[3]多元化運算模組20可將交通資訊之原始特徵A與線性運算特徵B進行減法運算以產生交通資訊之線性差分運算特徵C，[4]多元化運算模組20可將交通資訊之原始特徵A進行非線性運算(即線性運算以外之數學運算，例如幾何平均數之運算)以產生交通資訊之非線性運算特徵D，[5]多元化運算模組20可將交通資訊之原始特徵A與非線性運算特徵D進行減法運算以產生交通資訊之非線性差分運算特徵E。
步驟S3：由人工智慧預測模組30將包括交通資訊之原始特徵A、線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線
性差分運算特徵E(共五組特徵)之多元化特徵輸入人工智慧模型31，再透過人工智慧模型31依據包括交通資訊之原始特徵A、線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線性差分運算特徵E之多元化特徵，對未來交通資訊(如未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間)進行推估或預測以產生/輸出推估或預測資訊F(如未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間之推估或預測資訊)。
步驟S4：由驗證模組40驗證人工智慧模型31依據包括交通資訊之原始特徵A、線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線性差分運算特徵E之多元化特徵，對未來交通資訊(如未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間)進行推估或預測所產生/輸出之推估或預測資訊F(如未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間之推估或預測資訊)以得到驗證結果。
因此，本發明之人工智慧交通資訊預測系統1及其方法中，多元化運算模組20能將欲輸入至人工智慧模型31中之交通資訊之原始特徵A(如單一之原始特徵)以運算方法(如線性代數定義之線性運算方式、減法運算或非線性運算)自動演算為包括交通資訊之原始特徵A、線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線性差分運算特徵E之多元化特徵，以藉由多元化特徵增強人工智慧預測模組30之人工智慧模型31對於推估或預測未來交通資訊之精確度或準確性。
再者，經由驗證結果顯示，本發明之人工智慧交通資訊預測
系統1及其方法能降低人工智慧模型31對於交通資訊進行推估或預測所得到之推估或預測資訊F之平均絕對誤差率(Mean Absolute Percentage Error；MAPE)，亦能運用於預測未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間等未來交通資訊，有利於改善現有之人工智慧模型僅使用單一特徵(如單一之原始特徵)預測未來交通資訊(如未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間)所產生之推估或預測資訊之精確度或準確性不足的問題。
下列舉一實施例，用以說明本發明圖1與圖2步驟S1-S4所示之人工智慧交通資訊預測系統1及其方法之步驟或應用方式。以下僅以車速、車流量為例，但各種車速、行人速度及/或各種車流量、行人流量均可適用。
步驟S1：由特徵擷取模組10擷取欲輸入至人工智慧預測模組30之人工智慧模型31中之交通資訊之原始特徵A(如車速、車流量或旅行時間之原始特徵)。
舉例而言，特徵擷取模組10可擷取新竹市政府經由光復路及寶山路進入新竹科學園區之9個重要路口，於2022年1月1日至2022年6月30日共計半年多個單位時間(如每5分鐘為單位)之交通資訊之原始特徵A(如歷史或單一之流量之原始特徵)，且將交通資訊之原始特徵A(如歷史或單一之流量之原始特徵)依照三個不同比例(如70%、10%與20%)分別作為人工智慧模型31之訓練資料、驗證資料與測試資料。
步驟S2：由多元化運算模組20將特徵擷取模組10所擷取之交通資訊之原始特徵A(如車速、流量或旅行時間之原始特徵)進行多元
化處理或運算，以產生包括交通資訊之線性運算特徵B(如車速、流量或旅行時間之線性運算特徵)、線性差分運算特徵C(如車速、流量或旅行時間之線性差分運算特徵)、非線性運算特徵D(如車速、流量或旅行時間之非線性運算特徵)與非線性差分運算特徵E(如車速、流量或旅行時間之非線性差分運算特徵)之多元化特徵，例如下列程序[1]至程序[5]所述。
[1]多元化運算模組20可複製特徵擷取模組10所擷取之交通資訊之原始特徵A(如車速、流量或旅行時間之原始特徵)。
[2]多元化運算模組20可將交通資訊之原始特徵A(如車速、流量或旅行時間之原始特徵)透過線性代數定義之線性運算方式(如算術平均數之運算方式)產生交通資訊之線性運算特徵B(如車速、流量或旅行時間之線性運算特徵)。舉例而言，多元化運算模組20可依序加總6個每5分鐘為單位之原始特徵A(如流量之原始特徵)，再將加總後之原始特徵A除以6而產生30分鐘之平均流量作為線性運算特徵B(如流量之線性運算特徵)。
[3]多元化運算模組20可將交通資訊之原始特徵A(如車速、流量或旅行時間之原始特徵)與線性運算特徵B(如車速、流量或旅行時間之線性運算特徵)進行減法運算以產生交通資訊之線性差分運算特徵C(如車速、流量或旅行時間之線性差分運算特徵)。舉例而言，多元化運算模組20可將所複製之原始特徵A(如流量之原始特徵)減掉線性運算特徵B(如流量之線性運算特徵)以產生線性差分運算特徵C(如流量之線性差分運算特徵)。
[4]多元化運算模組20可將交通資訊之原始特徵A(如車速、
流量或旅行時間之原始特徵)進行非線性運算(如幾何平均數之運算)以產生交通資訊之非線性運算特徵D(如車速、流量或旅行時間之非線性運算特徵)。舉例而言，多元化運算模組20可利用非線性運算(如以幾何平均數之運算產生30分鐘之幾何平均流量)依序相乘6個每5分鐘為單位之原始特徵A(如流量之原始特徵)後再進行6次方開根號，便可產生非線性運算特徵D(如流量之非線性運算特徵)。
[5]多元化運算模組20可將交通資訊之原始特徵A(如車速、流量或旅行時間之原始特徵)與非線性運算特徵D(如車速、流量或旅行時間之非線性運算特徵)進行減法運算以產生交通資訊之非線性差分運算特徵E(如車速、流量或旅行時間之非線性差分運算特徵)。舉例而言，多元化運算模組20可將所複製之原始特徵A(如流量之原始特徵)減掉非線性運算特徵D(如流量之非線性運算特徵)，便可產生非線性差分運算特徵E(如流量之非線性差分運算特徵)。
步驟S3：由人工智慧預測模組30將包括交通資訊之原始特徵A、線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線性差分運算特徵E(共五組特徵)之多元化特徵輸入人工智慧模型31，再透過人工智慧模型31依據包括交通資訊之原始特徵A、線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線性差分運算特徵E之多元化特徵，對未來交通資訊(如未來車速、流量或旅行時間)進行推估或預測以產生/輸出推估或預測資訊F。
舉例而言，人工智慧預測模組30可將時間人工智慧演算技術(如長短期記憶類神經網路演算技術與時間卷積網路類神經網路演算技
術之任一者)結合空間人工智慧演算技術(如圖形卷積網路類神經網路演算技術與圖形注意力網路類神經網路演算技術之任一者)以產生人工智慧模型31，再透過將時間人工智慧演算技術結合空間人工智慧演算技術所產生之人工智慧模型31依據多元化特徵(包括交通資訊之原始特徵A、線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線性差分運算特徵E)，對未來交通資訊(如未來車速、流量或旅行時間)進行推估或預測以產生/輸出推估或預測資訊F。亦即，人工智慧預測模組30或人工智慧模型31所使用之時間人工智慧演算技術可為長短期記憶(Long short-term memory；LSTM)類神經網路演算技術或時間卷積網路(Temporal Convolution Network；TCN)類神經網路演算技術，且人工智慧預測模組30或人工智慧模型31所使用之空間人工智慧演算技術可為圖形卷積網路(Graph Convolutional Network；GCN)類神經網路演算技術或圖形注意力網路(Graph Attention Network；GAT)類神經網路演算技術。
步驟S4：由驗證模組40驗證人工智慧模型31依據包括交通資訊之原始特徵A、線性運算特徵B、線性差分運算特徵C、非線性運算特徵D與非線性差分運算特徵E之多元化特徵，對未來交通資訊(如未來車速、流量或旅行時間)進行推估或預測所產生/輸出之推估或預測資訊F(如車速、流量或旅行時間之推估或預測資訊)以得到驗證結果。舉例而言，驗證模組40可執行人工智慧模型31之推估或預測資訊F(作為測試資料)之驗證，亦能產生並輸出未來多個不同時間點(如未來15分鐘、30分鐘、60分鐘)之後的每單位時間(如每5分鐘為單位)之推估或預測資訊F(如流量之推估或預測資訊)。
驗證模組40可採用人工智慧模型31所產生/輸出之推估或預測資訊F之平均絕對誤差率(MAPE)作為量測未來交通資訊之推估值或預測值相較於未來交通資訊之真值之誤差評估指標，以由驗證模組40依據推估或預測資訊F之平均絕對誤差率(MAPE)驗證人工智慧模型31所推估或預測之未來交通資訊(如未來車速、流量或旅行時間)之精確度或準確性。
例如，推估或預測資訊F之平均絕對誤差率(MAPE)=
，其中之樣本數、真值與預測值分別代表交通資訊(如車速、流量或旅行時間)之樣本數、真值與預測值。
為客觀呈現本發明之人工智慧交通資訊預測系統1及其方法(人工智慧模型31)之驗證結果，驗證模組40可將本發明(使用多元化特徵預測未來交通資訊)與國際數篇已發表之知名之人工智慧演算法(使用單一特徵預測未來交通資訊)相互比較。舉例而言，如下列表1所示，國際數篇已發表之知名之人工智慧演算法可包括使用單一特徵預測未來交通資訊之[1]LSTM、[2]Graph WaveNet、[3]MTGNN、[4]STAWnet等，且表1中之平均絕對誤差率(MAPE)之數值表示為平均值±標準差。例如，23.12%±1.9代表平均值為23.12%且標準差為1.9，26.38%±2.1代表平均值為26.38%且標準差為2.1，依此類推。
表1：
同時，使用單一特徵預測未來交通資訊之[1]LSTM、[2]Graph WaveNet、[3]MTGNN、[4]STAWnet等之來源如下列所述。
[1]LSTM：Sepp Hochreiter and Jürgen Schmidhuber. 1997. Long short-term memory. Neural computation 9, 8 (1997), 1735-1780.
[2]Graph WaveNet：Zonghan Wu, Shirui Pan, Guodong Long, Jing Jiang, and Chengqi Zhang. 2019. Graph WaveNet for Deep Spatia1-Temporal Graph Modeling. In IJCAI.
[3]MTGNN：ZonghanWu, Shirui Pan, Guodong Long, Jing Jiang, Xiaojun Chang, and Chengqi Zhang. 2020. Connecting the dots: Multivariate time series forecasting with graph neural networks. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 753-763.
[4]STAWnet：Chenyu Tian and Wai Kin Chan. 2021. Spatial-temporal attention wavenet: A deep learning framework for traffic prediction considering spatial-temporal dependencies. IET Intelligent Transport Systems 15, 4 (2021), 549-561.
因此，由表1之驗證結果顯示，本發明之人工智慧交通資訊預測系統1及其方法(人工智慧模型31)於預測未來15分鐘、30分鐘、60分鐘等之後的每5分鐘為單位時間之交通資訊(如流量)的平均絕對誤差率(MAPE)分別是17.23%、18.57%、21.12%等，均優於國際知名之人工智慧演算法(如使用單一特徵預測未來交通資訊之LSTM、Graph WaveNet、MTGNN、STAWnet等)，故本發明之人工智慧交通資訊預測系統1及其方法(人工智慧模型31)能提供優良之預測技術與預測結果。
另外，本發明還提供一種針對人工智慧交通資訊預測方法之電腦可讀媒介，係應用於具有處理器及/或記憶體之計算裝置或電腦中，且電腦可讀媒介儲存有指令，並可利用計算裝置或電腦透過處理器及/或記憶體執行電腦可讀媒介，以於執行電腦可讀媒介時執行上述內容。例如，處理器可為微處理器、中央處理器(CPU)、圖形處理器(GPU)、微控制器(MCU)等，記憶體可為隨機存取記憶體(RAM)、唯讀記憶體(ROM)、快取記憶體(cache)、快閃記憶體(flash)、記憶卡、硬碟(如雲端/網路硬碟)、資料庫等，但不以此為限。
綜上，本發明之人工智慧交通資訊預測系統、方法及電腦可讀媒介係至少具有下列特色、優點或技術功效。
一、本發明能將欲輸入至人工智慧模型中之交通資訊之原始特徵(如單一之原始特徵)以運算方法(如線性代數定義之線性運算方式、減法運算或非線性運算)自動演算為多元化特徵(如線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵)，亦能藉由多元化特徵增強人工智慧預測模組之人工智慧模型對於推估或預測未來交通資訊之精
確度或準確性。
二、因人工智慧演算中之輸入特徵是決定演算結果之非常重要的因子，故本發明之多元化運算模組可利用運算方式自動對交通資訊之原始特徵(如單一之原始特徵)進行多元化處理或運算以產生多元化特徵來輸入至人工智慧模型，藉此改善現有之人工智慧模型僅使用單一之原始特徵來推估或預測資訊所產生之精確度或準確性不足的問題。
三、本發明能降低人工智慧模型對於交通資訊進行推估或預測所得到之推估或預測資訊之平均絕對誤差率(MAPE)，亦能運用於預測未來交通資訊(如未來車速、流量或旅行時間等)，有利於改善現有之人工智慧模型僅使用單一特徵預測未來交通資訊所產生之推估或預測資訊之精確度或準確性不足的問題。
四、本發明之人工智慧預測模組能將時間人工智慧演算技術結合空間人工智慧演算技術以自動產生人工智慧模型，亦能透過人工智慧模型依據多元化特徵對未來交通資訊(如未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間)進行推估或預測以自動產生/輸出推估或預測資訊。
五、本發明能將時間人工智慧演算技術結合空間人工智慧演算技術以自動產生人工智慧模型，時間人工智慧演算技術可包括長短期記憶(LSTM)類神經網路演算技術、時間卷積網路(TCN)類神經網路演算技術等，且空間人工智慧演算技術可包括圖形卷積網路(GCN)類神經網路演算技術、圖形注意力網路(GAT)類神經網路演算技術。
六、本發明將單一之原始特徵進行多元化處理或運算之特
色，不僅能使用於交通資訊等領域之「預測」，亦能使用於交通資訊等領域之「推估」，也能提供未來速度(如各種車速、行人速度)、流量(如各種車流量、行人流量)或旅行時間等未來交通資訊之推估或預測資訊。
七、本發明之人工智慧交通資訊預測系統及其方法不僅能應用於交通資訊領域，亦可應用於其他常用之人工智慧領域(如醫療領域或金融領域等)。
上述實施形態僅例示性說明本發明之原理、特點及其功效，並非用以限制本發明之可實施範疇，任何熟習此項技藝之人士均能在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。任何使用本發明所揭示內容而完成之等效改變及修飾，均仍應為申請專利範圍所涵蓋。因此，本發明之權利保護範圍應如申請專利範圍所列。
1:人工智慧交通資訊預測系統
10:特徵擷取模組
20:多元化運算模組
30:人工智慧預測模組
31:人工智慧模型
40:驗證模組
A:原始特徵
B:線性運算特徵
C:線性差分運算特徵
D:非線性運算特徵
E:非線性差分運算特徵
F:推估或預測資訊
Claims (15)
- 一種人工智慧交通資訊預測系統，包括：特徵擷取模組，係擷取交通資訊之原始特徵；多元化運算模組，係與該特徵擷取模組互相連結或通訊，其中，該多元化運算模組將該特徵擷取模組所擷取之該交通資訊之原始特徵進行多元化運算以產生包括該交通資訊之線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵；以及具有人工智慧模型之人工智慧預測模組，係與該多元化運算模組互相連結或通訊，其中，該人工智慧預測模組將包括該交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之該多元化特徵輸入該人工智慧模型，再透過該人工智慧模型依據包括該交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之該多元化特徵對未來交通資訊進行預測以產生預測資訊。
- 如請求項1所述之人工智慧交通資訊預測系統，其中，該多元化運算模組更複製該特徵擷取模組所擷取之該交通資訊之原始特徵，以將該交通資訊之原始特徵透過線性代數定義之線性運算方式產生該交通資訊之線性運算特徵，再將該交通資訊之原始特徵與線性運算特徵進行減法運算以產生該交通資訊之線性差分運算特徵。
- 如請求項1所述之人工智慧交通資訊預測系統，其中，該多元化運算模組更將該交通資訊之原始特徵進行非線性運算以產生該交通資訊之非線性運算特徵，再將該交通資訊之原始特徵與非線性運算特徵進行減法運算以產生該交通資訊之非線性差分運算特徵。
- 如請求項1所述之人工智慧交通資訊預測系統，其中，該交通資訊為速度、流量或旅行時間，且該多元化運算模組將該速度、流量或旅行時間之原始特徵透過線性代數定義之線性運算方式產生該速度、流量或旅行時間之線性運算特徵，再將該速度、流量或旅行時間之原始特徵與線性運算特徵進行減法運算以產生該交通資訊之速度、流量或旅行時間之線性差分運算特徵。
- 如請求項1所述之人工智慧交通資訊預測系統，其中，該交通資訊為速度、流量或旅行時間，且該多元化運算模組將該速度、流量或旅行時間之原始特徵進行非線性運算以產生該速度、流量或旅行時間之非線性運算特徵，再將該速度、流量或旅行時間之原始特徵與非線性運算特徵進行減法運算以產生該速度、流量或旅行時間之非線性差分運算特徵。
- 如請求項1所述之人工智慧交通資訊預測系統，其中，該人工智慧預測模組更使用長短期記憶類神經網路演算技術與時間卷積網路類神經網路演算技術之任一者加上圖形卷積網路類神經網路演算技術與圖形注意力網路類神經網路之任一者以產生該人工智慧模型，再透過該長短期記憶類神經網路演算技術與時間卷積網路類神經網路演算技術之任一者加上該圖形卷積網路類神經網路演算技術與圖形注意力網路類神經網路之任一者所產生之該人工智慧模型依據該多元化特徵對該未來交通資訊進行預測以產生該預測資訊。
- 如請求項1所述之人工智慧交通資訊預測系統，更包括驗證模組，係採用該預測資訊之平均絕對誤差率以驗證該人工智慧模型依據包括該交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性 運算特徵與非線性差分運算特徵之該多元化特徵對該未來交通資訊進行預測所產生之該預測資訊以得到驗證結果。
- 一種人工智慧交通資訊預測方法，包括：由特徵擷取模組擷取交通資訊之原始特徵，再由多元化運算模組將該特徵擷取模組所擷取之該交通資訊之原始特徵進行多元化運算以產生包括該交通資訊之線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之多元化特徵；以及將包括該交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之該多元化特徵輸入該人工智慧模型，再透過該人工智慧模型依據包括該交通資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之該多元化特徵對未來交通資訊進行預測以產生預測資訊。
- 如請求項8所述之人工智慧交通資訊預測方法，更包括由該多元化運算模組複製該特徵擷取模組所擷取之該交通資訊之原始特徵，以將該交通資訊之原始特徵透過線性代數定義之線性運算方式產生該交通資訊之線性運算特徵，再將該交通資訊之原始特徵與線性運算特徵進行減法運算以產生該交通資訊之線性差分運算特徵。
- 如請求項8所述之人工智慧交通資訊預測方法，更包括由該多元化運算模組將該交通資訊之原始特徵進行非線性運算以產生該交通資訊之非線性運算特徵，再將該交通資訊之原始特徵與非線性運算特徵進行減法運算以產生該交通資訊之非線性差分運算特徵。
- 如請求項8所述之人工智慧交通資訊預測方法，其中，該交通資訊為速度、流量或旅行時間，且該多元化運算模組將該速度、流量或旅行時間之原始特徵透過線性代數定義之線性運算方式產生該速度、流量或旅行時間之線性運算特徵，再將該速度、流量或旅行時間之原始特徵與線性運算特徵進行減法運算以產生該交通資訊之速度、流量或旅行時間之線性差分運算特徵。
- 如請求項8所述之人工智慧交通資訊預測方法，其中，該交通資訊為速度、流量或旅行時間，且該多元化運算模組將該速度、流量或旅行時間之原始特徵進行非線性運算以產生該速度、流量或旅行時間之非線性運算特徵，再將該速度、流量或旅行時間之原始特徵與非線性運算特徵進行減法運算以產生該速度、流量或旅行時間之非線性差分運算特徵。
- 如請求項8所述之人工智慧交通資訊預測方法，更包括使用長短期記憶類神經網路演算技術與時間卷積網路類神經網路演算技術之任一者加上圖形卷積網路類神經網路演算技術與圖形注意力網路類神經網路之任一者以產生該人工智慧模型，再透過該長短期記憶類神經網路演算技術與時間卷積網路類神經網路演算技術之任一者加上該圖形卷積網路類神經網路演算技術與圖形注意力網路類神經網路之任一者所產生之該人工智慧模型依據該多元化特徵對該未來交通資訊進行預測以產生該預測資訊。
- 如請求項8所述之人工智慧交通資訊預測方法，更包括採用該預測資訊之平均絕對誤差率以驗證該人工智慧模型依據包括該交通 資訊之原始特徵、線性運算特徵、線性差分運算特徵、非線性運算特徵與非線性差分運算特徵之該多元化特徵對該未來交通資訊進行預測所產生之該預測資訊以得到驗證結果。
- 一種電腦可讀媒介，應用於計算裝置或電腦中，係儲存有指令，以執行如請求項8至14之任一者所述之人工智慧交通資訊預測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111136562A TWI820929B (zh) | 2022-09-27 | 2022-09-27 | 人工智慧交通資訊預測系統、方法及電腦可讀媒介 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111136562A TWI820929B (zh) | 2022-09-27 | 2022-09-27 | 人工智慧交通資訊預測系統、方法及電腦可讀媒介 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI820929B true TWI820929B (zh) | 2023-11-01 |
| TW202414284A TW202414284A (zh) | 2024-04-01 |
Family
ID=89722412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111136562A TWI820929B (zh) | 2022-09-27 | 2022-09-27 | 人工智慧交通資訊預測系統、方法及電腦可讀媒介 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI820929B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201510880A (zh) * | 2013-09-10 | 2015-03-16 | Chunghwa Telecom Co Ltd | 智慧型影像違規偵測系統與方法 |
| TW201727572A (zh) * | 2015-10-30 | 2017-08-01 | 曼嘉科技公司 | 用於提供整合式公共及／或私人運輸服務之系統及方法 |
| CN112447042A (zh) * | 2019-09-05 | 2021-03-05 | 中华电信股份有限公司 | 交通事件侦测系统及方法 |
| TWM618607U (zh) * | 2021-06-17 | 2021-10-21 | 訊力科技股份有限公司 | 自動化交通轉向量化調查報告產出系統 |
| TWM625409U (zh) * | 2021-10-01 | 2022-04-11 | 豐趣科技股份有限公司 | 自動蒐集目的地旅遊規劃及網路評量資訊提供平台 |
| TW202215006A (zh) * | 2020-08-01 | 2022-04-16 | 新加坡商格步計程車控股私人有限公司 | 產生路線導航資料處理裝置及方法 |
| CN115083168A (zh) * | 2022-08-23 | 2022-09-20 | 河北博士林科技开发有限公司 | 一种基于多源数据的多层次交通仿真网络搭建方法 |
-
2022
- 2022-09-27 TW TW111136562A patent/TWI820929B/zh active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201510880A (zh) * | 2013-09-10 | 2015-03-16 | Chunghwa Telecom Co Ltd | 智慧型影像違規偵測系統與方法 |
| TW201727572A (zh) * | 2015-10-30 | 2017-08-01 | 曼嘉科技公司 | 用於提供整合式公共及／或私人運輸服務之系統及方法 |
| CN112447042A (zh) * | 2019-09-05 | 2021-03-05 | 中华电信股份有限公司 | 交通事件侦测系统及方法 |
| TW202215006A (zh) * | 2020-08-01 | 2022-04-16 | 新加坡商格步計程車控股私人有限公司 | 產生路線導航資料處理裝置及方法 |
| TWM618607U (zh) * | 2021-06-17 | 2021-10-21 | 訊力科技股份有限公司 | 自動化交通轉向量化調查報告產出系統 |
| TWM625409U (zh) * | 2021-10-01 | 2022-04-11 | 豐趣科技股份有限公司 | 自動蒐集目的地旅遊規劃及網路評量資訊提供平台 |
| CN115083168A (zh) * | 2022-08-23 | 2022-09-20 | 河北博士林科技开发有限公司 | 一种基于多源数据的多层次交通仿真网络搭建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202414284A (zh) | 2024-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931242B (zh) | 一种数据共享方法以及应用其的计算机设备及可读存储介质 | |
| Ndiaye et al. | Analysis of the COVID-19 pandemic by SIR model and machine learning technics for forecasting | |
| CN111159425B (zh) | 基于历史关系和双图卷积网络的时态知识图谱表示方法 | |
| Nsoesie et al. | A simulation optimization approach to epidemic forecasting | |
| Senanayake et al. | Predicting spatio-temporal propagation of seasonal influenza using variational Gaussian process regression | |
| Raveau et al. | Practical and empirical identifiability of hybrid discrete choice models | |
| Adeyinka et al. | Time series prediction of under-five mortality rates for Nigeria: comparative analysis of artificial neural networks, Holt-Winters exponential smoothing and autoregressive integrated moving average models | |
| Wu et al. | Comparison of two hybrid models for forecasting the incidence of hemorrhagic fever with renal syndrome in Jiangsu Province, China | |
| CN106776842A (zh) | 多媒体数据检测方法及装置 | |
| Fagundes et al. | Interval kernel regression | |
| CN104050319B (zh) | 一种实时在线验证复杂交通控制算法的方法 | |
| Yassin et al. | A new predictive model for furrow irrigation infiltration using gene expression programming | |
| Hardini et al. | Image-based air quality prediction using convolutional neural networks and machine learning | |
| CN115049397A (zh) | 识别社交网络中的风险账户的方法及装置 | |
| CN108446841A (zh) | 一种利用灰色关联确定事故因素层次结构的系统方法 | |
| Xu et al. | CAGM: A communicability-based adaptive gravity model for influential nodes identification in complex networks | |
| TWI820929B (zh) | 人工智慧交通資訊預測系統、方法及電腦可讀媒介 | |
| CN114997036A (zh) | 基于深度学习的网络拓扑重构方法、装置和设备 | |
| Kafieh et al. | Isfahan and COVID-19: Deep spatiotemporal representation | |
| WO2016004744A1 (zh) | 基于复杂对应系统的用户行为一致性度测量方法 | |
| Paul et al. | Dynamical behavior of fractional order SEIR epidemic model with multiple time delays and its stability analysis | |
| Lu et al. | Application of grey relational analysis for evaluating road traffic safety measures: advanced driver assistance systems against infrastructure redesign | |
| Nair et al. | Generative models for age, race/ethnicity, and disease state dependence of physiological determinants of drug dosing | |
| CN117370748A (zh) | 虚拟资源数据预测方法、装置、计算机设备和存储介质 | |
| CN116957639A (zh) | 基于arima算法自适应参数选择的方法及系统 |