WO2015100993A1 - 一种基于时空关联数据挖掘的交通流预测方法 - Google Patents

一种基于时空关联数据挖掘的交通流预测方法 Download PDF

Info

Publication number
WO2015100993A1
WO2015100993A1 PCT/CN2014/081350 CN2014081350W WO2015100993A1 WO 2015100993 A1 WO2015100993 A1 WO 2015100993A1 CN 2014081350 W CN2014081350 W CN 2014081350W WO 2015100993 A1 WO2015100993 A1 WO 2015100993A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
prediction
sensor
time
traffic flow
Prior art date
Application number
PCT/CN2014/081350
Other languages
English (en)
French (fr)
Inventor
史世雄
杨夙
Original Assignee
复旦大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 复旦大学 filed Critical 复旦大学
Publication of WO2015100993A1 publication Critical patent/WO2015100993A1/zh
Priority to US15/197,155 priority Critical patent/US9558661B2/en

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Definitions

  • Traffic flow prediction method based on spatiotemporal association data mining
  • the invention belongs to the technical field of traffic flow prediction, and particularly relates to a traffic flow prediction method based on spatiotemporal correlation data mining. Background technique
  • Traffic flow prediction technology has been playing an important role in Intelligent Transportation Systems (ITS). Traffic flow prediction technology can help pass-through individuals to make intelligent travel route choices, as well as provide decision support for traffic managers.
  • ITS Intelligent Transportation Systems
  • a parameter prediction model In a parametric predictive model, seasonal
  • the ARIMA (Autoregressive ive Integrate Moving Average) model is one of the most widely used methods (see Reference [1]). It achieves a minimum mean square error (MSE) for traffic flow prediction based on a single time series.
  • MSE mean square error
  • the Nearest Neigham Method is considered to be an alternative to seasonal ARIMA (see Reference [2]), but the prediction effect of the nearest neighbor prediction method depends on historical data. quality.
  • the single-sequence traffic flow prediction method only considers the characteristics of the sequence itself, ignoring the interactions and relationships between different sequences.
  • sparse expression is first used in the field of signal processing, and is widely used in signal compression, image deblurring, feature extraction, etc.
  • the present invention proposes to apply it to space-time associated data mining for traffic flow prediction.
  • the main idea of sparse expression is: A signal y can be represented by a linear combination of ⁇ atomic signals '...
  • i argm ? n IHL constraint: _D ⁇ s. HI in the above formula.
  • the 0 normal form of X represents the number of non-zero elements contained in vector X. Since there are some mathematical tools for the sparsely expressed optimization method (see reference [6]), a valid atomic representation signal can be automatically selected from the dictionary, so the present invention applies it to spatiotemporal correlation data mining to achieve The spatiotemporal correlation sensor associated with the target sensor is automatically selected from the entire transportation network, and the data of the spatiotemporal correlation sensor is used as the input of the prediction model for prediction purposes.
  • the object of the present invention is to overcome the shortcomings of the existing traffic flow prediction technology in the selection of spatiotemporal correlation data, and propose a traffic flow prediction method based on spatiotemporal correlation data mining, and automatically determine the time and space related to the prediction target node from the entire transportation network. Associate the sensor.
  • the traffic flow prediction method based on spatio-temporal association data mining proposed by the invention has the following specific steps:
  • the weight in the above formula ⁇ [ , , ⁇ ', ⁇ , is the model parameter to be optimized, and is the predicted value;
  • the step (d) has three optimization objectives, which are represented by (dl), (d2) and (d3), respectively, as follows:
  • the norm of ⁇ which is the number of non-zero elements in the weight vector ⁇ , ⁇ is a preset threshold used to control the prediction error II Express direction
  • L0 is a preset threshold for controlling the number of non-zero elements in the vector ⁇ ;
  • the optimization target expressed by the above formula is solved by the Orthogonal Matching Incuit (0MP) algorithm [Tropp, JA, 2004. Greed is good: Algorithmic results for sparse approximation. IEEE Trans. Information Theory 50, 2231-2242.];
  • Constraint where, The sum of the absolute values of all the elements in the middle, ⁇ is a preset threshold for controlling the prediction error Ik; the optimization target expressed by the above expression is equivalently expressed as the unconstrained optimization target of the Lagrange multiplier ⁇
  • the prediction model adopts a multi-factor linear regression model, and a vector autoregressive model, a back propagation neural network model, a radial basis function neural network model, and the like can also be used.
  • the method proposed by the invention can automatically determine the spatiotemporal correlation sensor related to the sensor of the prediction target node from the entire transportation network, and use the data of the spatiotemporal correlation sensor as the input of the prediction model without manually selecting the target node proximity according to the artificial experience.
  • the traffic data of the range of traffic segments is used as the input of the prediction model.
  • the automatic spatio-temporal correlation data mining proposed by the present invention improves the prediction performance of the prediction model.
  • Figure 1 is a flow chart of the method of the present invention
  • the traffic flow prediction according to the present invention can be divided into five links, including data acquisition, data preprocessing, prediction model establishment, spatiotemporal association data mining, and traffic flow prediction.
  • the data collection involved is the traffic flow data obtained by sensors distributed to each node of the transportation network; the data preprocessing is to process the collected raw data into effective traffic flow data; the spatiotemporal correlation data mining is automatically implemented by the sparse expression optimization method.
  • the method of predicting the spatio-temporal correlation data related to the target is selected; the traffic flow prediction is the prediction of the input of the prediction model by the spatio-temporal correlation data.
  • the specific implementation is as follows:
  • Step 1 Data collection: By arranging the sensors to each node of the traffic network, collecting the traffic data stream in units of 30 seconds, and obtaining the data recorded by each sensor of the entire traffic network, expressed in the form of a matrix: s s
  • Step 2 Pre-processing: Firstly, the time-scale adjustment of the original data is performed, and the traffic flow data with a unit time of 30 seconds is converted into data with a unit time of 10 minutes, that is, the data is converted into the following matrix form: V, V,
  • the weight in the above formula [ , ⁇ , ⁇ is the model parameter to be optimized, for the predicted value, r takes 1, 2, 3, 4, 5, 6, respectively, ie 10 minutes, 20 minutes, 30 minutes, 40 minutes respectively. Forecast the flow of the sensor in minutes, 50 minutes, and 60 minutes;
  • Step 4 Spatio-temporal association mining:
  • the degree of correlation between the two, l, 2, ..., m; first for each column of V and [ ⁇ +2 ,..., ⁇
  • Zo is a preset threshold for controlling the number of non-zero elements in the w:
  • OMP Orthogonal Matching Disuit
  • Step 5 Substituting the weight obtained by the step (4) into the prediction model established in the step (3), the following prediction results are obtained:
  • Step 4 First for each column and Perform the following normalization process to obtain
  • the 1 normal form of W is the sum of the absolute values of all the elements in the middle.
  • 2 indicates the vector ⁇
  • Step (5) The prediction model is a vector autoregressive (VAR) model [Chandra, SR, A1-Deek, ⁇ , 2009. Predictions of freeway traffic speeds and volumes using vector
  • Step (5) The prediction model is BP neural network (Ref. [ Bishop, Ch.M., 1995. Neural Networks for Pattern Recognition. Oxford university press, ISBN
  • the number of input layer neurons is (the number of non-zero elements in the vector obtained in step 4), and the input data comes from the corresponding non-zero elements.
  • the hidden layer neurons are set to 5, the output layer neurons are 1, the hidden layer transfer function is a bipolar S function, and the output layer transfer function is a linear function;
  • Step (5) The prediction model is RBF neural network (Ref. [ Bishop, Ch.M., 1995. Neural Networks for Pattern Recognition. Oxford university press, ISBN
  • the kernel function is Gaussian kernel function
  • the number of input layer neurons is (step
  • Embodiments 2, 3, 4, and 5 Based on the methods described in Embodiments 2, 3, 4, and 5, the prediction performance was tested using real traffic data.
  • the experimental setup is as follows: Training data from February 4, 2012 to March 14, 2012 for a total of 40 days, test data from March 15, 2012 to April 3, 2012 for a total of 20 days; after pre-processing, use Data from 3,254 sensors distributed throughout the transportation network predicts the traffic flow of 60 target sensors. In addition, comparative experiments were carried out.
  • the other experimental configurations were identical to the implementations 2, 3, 4, and 5.
  • the sensors in the vicinity of the predicted target nodes were selected according to the artificial experience. Associate the sensors, and use the data from these sensors as the input of the prediction model.
  • the number of adjacent sensors is 10, 15, 20, 25, 30 respectively.
  • the above formula indicates the total number of predicted traffic data, indicating the true value of the traffic flow collected by sensor J', which is the predicted value.
  • the accuracy listed in Table 1-6 is the average of the prediction accuracy of 60 target sensors.
  • Table 1 Accuracy of 10, 15, 20, 25, 30 proximity sensors as associated sensors and sparse representation methods for predictive sensors in advance prediction for 10 minutes
  • Table 2 Accuracy of 10, 15, 20, 25, 30 proximity sensors as associated sensors excavated by associated sensors and sparse representations in predicting 20 minutes in advance
  • Table 3 Select 10, 15, 20, 25, 30 proximity sensors as associated sensors and sparse expression methods
  • Table 4 Select 10, 15, 20, 25, 30 proximity sensors as associated sensor points and sparse representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通流预测技术领域，具体为一种基于时空关联数据挖掘的交通流预测方法。本发明主要包括预测模型建立、时空关联数据挖掘以及基于时空关联数据的交通流预测等。预测模型可采用多因子线性回归模型；时空关联数据挖掘是基于多因子线性回归模型并通过稀疏表达的优化方法自动地选取对于预测目标相关的时空关联传感器的数据；基于时空关联数据的交通流预测是以时空关联传感器的数据作为预测模型的输入进行的预测。本发明从整个交通网络中自动地确定与预测目标节点的传感器相关的时空关联传感器，并以时空关联传感器的数据作为预测模型的输入，全自动时空关联数据挖掘提升了预测模型的预测性能。

Description

说 明 书
一种基于时空关联数据挖掘的交通流预测方法
技术领域
本发明属于交通流预测技术领域， 具体涉及一种基于时空关联数据挖掘 的交通流预测方法。 背景技术
近年来， 交通流预测技术一直在智能交通系统 （ITS ) 中发挥很重要的作 用。 交通流预测技术能够帮助通行的个人进行智能的出行路线选择， 也可以为 交通管理者提供决策支持。
早期的一些技术主要针对单序列的交通流预测。 可以根据预测模型的有无 参数分为有参数预测模型和无参数预测模型。 在有参数预测模型中， 季节性
ARIMA ( Autoregress ive Integrate Moving Average ) 模型是应用最广泛的一 种方法 （见参考文献 [1 ] ) 。 它在基于单时间序列的交通流预测上可以达到最 小的均方误差（MSE )。而在无参数预测模型中，最近邻方法（Nearest Ne i ghbor Method ) 被认为是可替代季节性 ARIMA的方案 （见参考文献 [2] ) ， 但是最邻 近预测方法的预测效果依赖于历史数据的质量。 总体来讲， 单序列的交通流预 测方法只考虑了序列自身的特征， 忽视了不同序列之间的相互作用和关系。
由于交通流的演化是通过交通网中所有节点交通流之间的相互作用而形 成的， 所以在交通流的预测中， 不同节点交通流之间的关系应该被考虑进去。 从而， 在近些年基于数据时空关联性的多因子交通流预测成为了研究的热点。 目前流行的方法大致有三种： 1、 状态空间模型或卡尔曼滤波器 （见参考文献 [3] ) ； 2、 神经网络 （Neural Network ) 等机器学习方法 （见参考文献 [4] ) ； 3、 时间序歹 ϋ方法， 如 Vector Autoregress ive Moving Average模型 （见参考 文献 [5] ) ( VARMA) 。 而时空关联数据的选取则是进行多因子交通流预测的必 要步骤。 在以往的研究中， 时空关联传感器的选取大部分是根据人工经验手动 选取目标节点一定邻近范围内的传感器。 只选取目标节点邻近范围内的传感器 的数据作为与预测模型的输入比较主观， 没有反映现实中数据之间真正的时空 关联性， 无法获得最佳的预测性能， 基于人工经验的方法缺乏适应性， 很难实 施到大型的交通网中。
稀疏表达作为一种数学工具最早应用于信号处理领域， 被广泛应用于信号 压缩、 图像去模糊、 特征提取等， 本发明提出将其应用于面向交通流预测的时 空关联数据挖掘。 稀疏表达的主要思想为： 一个信号 y可以通过一个字典 D包 含的 κ个原子信号 '… 的线性组合表示为 y = DX, 其中 ye r， DJ G RN , D G R-K ; 或者近似表达为 y ¾， 这里 lb— D"i≤£。， 其中 为信 号 y的表示系数， 稀疏表达要求通过尽可能少的原子信号来表示信号 y， 即要 求线性组合系数 X包含的非零系数尽可能少， 因此， 求稀疏解的目标函数可以 写作 Λ
X - argminlUII f f _^ ^ , ,
S - 11 "° 约束条件： y = Dx
或者
i=argm?nIHL 约束条件： _D ≤s。 上式中的 HI。为 X的 0范式， 表示向量 X包含的非零元素的个数。 由于已 有一些稀疏表达的优化方法方面的数学工具 （见参考文献 [6]) ， 可以自动从 字典中选取有效的原子表示信号， 所以本发明将其应用到时空关联性数据挖掘 中， 以达到从整个交通网络中自动地选取与目标传感器相关的时空关联传感 器、 并将时空关联传感器的数据作为预测模型的输入用于预测的目的。
参考文献
[1] Williams, B. M. , Durvasula, P. K. , Brown, D. Ε. , 1998. Urban freeway traffic flow prediction: Application of seasonal autoregressive integrated moving average and exponential smoothing models.
Transportation Research Record 1644, 132 - 144.
[2] Smith, B. L. , Williams, B. M. , Oswalsd, R. K. , 2002. Comparison of parametric and nonparametric models for traffic flow forecasting. Transportation Research Part C 10, 303 - 321.
[3] Stathopouos, A. , Karlaf tis, A. , S. , 2003. A multivariate state space approach for urban traffic flow modeling and prediction.
Transportation Research Part C 11, 121 - 135.
[4] Vlahogianni, E. I. , Karlaftis, M. G. , Golias, J. C. , 2005. Optimized and meta- optimized neural networks for short-term traffic flow prediction: a genetic approach. Transportation Research Part C 13, 211-234.
[5] Min, W.， Wynter, L. , 2011. Real-time road traffic prediction with spatio-temporal correlations. Transportation Research Part C 19， 606 - 616.
[6] Elad, M.， 2010. Sparse and redundant representations- From theory to application in signal and image processing. Springer.。
发明内容
本发明的目的在于克服现有交通流预测技术在时空关联数据选取上的不 足， 提出一种基于时空关联数据挖掘的交通流预测方法， 从整个交通网络中自 动地确定与预测目标节点相关的时空关联传感器。
本发明提出的基于时空关联数据挖掘的交通流预测方法， 具体步骤为：
(a) 通过布局到交通网各个节点的传感器采集交通流量的原始数据；
(b) 通过数据预处理， 将采集的原始数据处理为有效的交通流数据；
(c) 建立预测模型： 令1 ^表示交通网中的传感器 j在第 i个时刻采集的 交通流量数据， 假设一个交通网中有 m个传感器， 则在第 i个时刻整个交通网 的状态表示为 V' 提前 τ 时刻对传感器 j采集的交通流量数据进 行预测的线性回归模型为：
Vi+τ = V(wJ
上式中的权重 ^ =[ ， ，··· '，···， 为待优化的模型参数， ； 为预测值；
(d) 挖掘时空关联性： 通过稀疏表达的优化方法自动得到模型参数 ^， 权重^ ' =[ ， ，··· ，···， 表示整个交通网络的各个传感器的数据对于预测目 标传感器 j的数据而言的时空关联性， 当 =0时， 传感器 k的数据与传感器 j 的数据之间没有关联性， 否则 ^值的大小表示传感器 k的数据与传感器 j的数 据之间关联程度的强弱， k=l，2，...，m;
(e) 以时空关联数据为预测模型的输入进行交通流预测。
本发明中， 所述的步骤 （d) 有三种优化的目标， 分别用 （dl) 、 (d2) 和 （d3) 表示， 具体如下：
Figure imgf000005_0001
上式中， ν = (ν^ ，···^Γ^表示从第 到第 η时刻所有传感器采集的交通流 数据， 其中第 i个时刻交通网中 m个传感器采集的交通流量为 V' «， ，···， ]， i = l,2, -,m, «， 2， ， 《] 表示传感器」记录的从第1+1时刻到第 τ +η 时刻的交通流量， ll^11 表示^的 0范数， 即权重向量^中非零元素的个数， εθ 是一个预先设定的门限， 用于控制预测误差 II
Figure imgf000006_0001
表示向
的 2范数， 即向量中所有元素的平方和的平方根；
(d2) 所述的稀疏表达方法要优化的目标为：
Figure imgf000006_0002
约束条件：
式中， L0为预先设定的门限， 用于控制向量 ^中非零元素个数； 上式表达 的优化目标通过 Orthogonal Matching Puisuit (0MP) 算法进行求解 [Tropp, J. A. , 2004. Greed is good： algorithmic results for sparse approximation. IEEE Trans. Information Theory 50, 2231-2242.】 ；
(d3) 所述的稀疏表达方法要优化的目标为：
W arg mm w Ι '-ν [=ΣΙ ^-ν Γ≤ £ο
约束条件： 式中，
Figure imgf000006_0003
中所有元素绝对值之和， εθ是一 个预先设定的门限， 用于控制预测误 Ik ; 上式表达的优化目标等价地 表示为加入拉格朗日乘子 λ的无约束条件的优化目标
W argmin{/l }
Figure imgf000006_0004
上式表达的优化目标通过 Least Angle Regression Stagewise ( LARS) 算法进行求解 【Efron， B. , Hastie, T. , Johnstone, I. , Tibshirani, R. 2004. Least angle regression. Annals of Statistics 32 (2) , 407-499. ] 。
本发明中， 预测模型采用多因子线性回归模型外， 也可采用向量自回归模 型、 反向传播神经网络模型、 径向基函数神经网络模型等。
本发明提出的方法可以从整个交通网络中自动地确定与预测目标节点的 传感器相关的时空关联传感器， 并以时空关联传感器的数据作为预测模型的输 入， 而不需要根据人工经验手动选取目标节点邻近范围的交通路段流量数据作 为预测模型的输入， 相对于凭借人工经验从邻近范围选取的传感器数据作为输 入， 本发明提出的全自动时空关联数据挖掘提升了预测模型的预测性能。 附图说明
图 1为本发明方法的流程图
具体实施方式 如图 1所示， 本发明涉及的交通流预测可分为五个环节， 包括数据采集、数据 预处理、预测模型建立、 时空关联数据挖掘和以交通流预测。其中涉及的数据采集 是通过布局到交通网各个节点的传感器获得的交通流量数据；数据预处理是将采集 的原始数据处理为有效的交通流数据；时空关联数据挖掘是通过稀疏表达的优化方 法自动地选取对于预测目标相关的时空关联数据的方法；交通流预测是以时空关联 数据为预测模型的输入进行的预测。 具体实施方式如下：
实施例 1 :
(步骤 1 ) 数据采集： 通过布局到交通网各个节点的传感器， 采集以 30秒为 单位时间的交通数据流，得到整个交通网络各个传感器记录的数据，用矩阵的形式 表示为： s s
S
其中 为整个交通网中传感器的个数， 为以 30秒为单位的时间序列的长 度， ^表示传感器 J'在第 i个时刻对应的 30秒内记录的交通流量；
(步骤 2 ) 预处理： 首先对原始数据进行时间尺度调整， 将单位时间为 30 秒的交通流数据转化为单位时间为 10分钟的数据， 即数据转化为如下矩阵形 式： V， V，
V
Ν
+λ η =—; 然后对 ^的每一列求得标准 记^ (j')为第 j
20
列的标准差， 如果 (j') < 20， 则认为传感器 的记录为无关记录， 从矩阵 中 删除， 从而得到有效交通流数据 V e Rmx"， 其中 ^为预处理后参与预测的传感器 的个数； 完成如上所述的预处理后， 用于交通流预测的数据转化为如下矩阵形 式：
Figure imgf000008_0001
(步骤 3) 建立预测模型： 令 表示交通网中的传感器 在第 i个时刻记 录的交通流数据， 对于交通网中参与预测的 ^个传感器， 则在第 i个时刻整个 交通网的状态表示为 V, =[«,..., ]，提前 r时刻对传感器 的流量进行预测的 多因子线性回归模型为：
Vi+τ = V{wJ
上式中的权重 =[ ，^, Γ为待优化的模型参数， 为预测值， r分 别取 1、 2、 3、 4、 5、 6， 即分别提前 10分钟、 20分钟、 30分钟、 40分钟、 50分钟、 60分钟对传感器 的流量进行预测；
(步骤 4) 时空关联性挖掘： 通过稀疏表达的优化方法自动得到模型参数 ^， 权重 =[W/,M^...W ,...,W^:T表示整个交通网络的各个传感器的数据对于预测目标 传感器 J'的数据而言的时空关联性， 当 w =0时， 传感器 的数据与传感器 的数 据之间没有关联性， 否则 值的大小表示传感器 A的数据与传感器 J'的数据之间 关联程度的强弱， l， 2, ... ,m; 首先对 V的每一列和 =[νΚ+2,..., ^Γ进行如 下归
Figure imgf000008_0002
所述的稀疏表达方法要优化的目标为:
w arg mm Vw 约束条件:
Figure imgf000008_0003
上式中 Zo为预先设定的门限， 用于控制向： w中非零元素个数； 上式表达的 优化目标通过 Orthogonal Matching Puisuit(OMP)算法进行求解【Tropp, J. A., 2004. Greed is good: algorithmic results for sparse approximation. IEEE Trans. Information Theory 50, 2231-2242.]；
(步骤 5) 将步骤 （4) 求解得到的权重 代入步骤 （3) 建立的预测模型， 得到如下预测结果：
Vi+τ = Vtw3
上式中， 只有 ^中不为零的元素才参与预测， 对应于时空关联传感器。 实施例 2:
除步骤 4外， 其余部分与实施例 1相同；
(步骤 4)首先对 的每一列和
Figure imgf000009_0001
进行如下归一化处理， 得 到
Figure imgf000009_0002
稀疏表达方法要优化的目标为
wJ = argmmf 约束条件: Vw
Figure imgf000009_0003
上式中 W 为 的 1范式， 表示向 中所有元素绝对值之和，
预先设定的门限， 用于控制预测误差 | -ν^'|2, - |2表示向量^^ 的
2范数， 即向量中所有元素的平方和的平方根； 上式表达的优化目标等价地表 示为加入拉格朗日乘子 A的无约束条件的优化目标：
W argmin{/l }
Figure imgf000009_0004
上式表达的优化目标通过 Least Angle Regression Stagewise ( LARS) 算法 进行求角率 【Efron, Β·, Hastie, Τ·, Johnstone, I., Tibshirani, R.2004. Least angle regression. Annals of Statistics 32(2), 407-499.】； 求解时通过设定 λ的值来控制 中 非零元素的个数， 这里根据经验令 A = 0.001， 以获得较优的模型参数；
实施例 3:
除步骤 5外， 其余部分与实施例 2相同；
步骤 (5) ： 预测模型为向量自回归 (VAR) 模型 [Chandra, S.R.,A1-Deek, Η·, 2009. Predictions of freeway traffic speeds and volumes using vector
autoregressive models. Journal of Intelligent Transportation Systems 13 (2), 53-72.】 ， 具体计算公式为：
v Bdvt l + ut J 上式中： 表示迟滞操作符， 即 β = <ί； 如果传感器 是传感器 J '的关 联传感器， 即 （步骤 4 ) 得到的 向量的第 i个元素不为零， 则令 ^ =1， 反之 令 ^ =0; M/为独立标准高斯噪声； ^为待优化的参数， 可通过最大似然法训 练得到；
实施例 4:
除步骤 5外， 其余部分与实施例 2相同；
步骤 ( 5 ) ： 预测模型为 BP神经网络 （参考 [ Bishop, Ch.M., 1995. Neural Networks for Pattern Recognition. Oxford university press, ISBN
0-19-853864-2.】 ） ， 采用 3层网络结构， 输入层神经元个数为 （步骤 4 ) 得到 的 向量中不为零元素的个数， 输入数据来自 中不为零元素对应的传感器， 隐层神经元设定为 5个， 输出层神经元为 1个， 隐含层传输函数为双极性 S函 数， 输出层的传输函数为线性函数；
实施例 5:
除步骤 5外， 其余部分与实施例 2相同；
步骤 （5 ) ： 预测模型为 RBF神经网络 （参考 [ Bishop, Ch.M., 1995. Neural Networks for Pattern Recognition. Oxford university press, ISBN
0-19-853864-2.】 ） ， 采用的核函数为高斯核函数， 输入层神经元个数为 （步骤
4 ) 得到的 向量中不为零元素的个数， 输入数据来自 中不为零元素对应的 传感器， 隐层神经元个数和输入层神经元个数相同；
基于实施例 2、 3、 4、 5所述的方法， 利用真实交通数据测试了预测性能， 数据下载网址 http : //www. d. umn. edu/tkwon/TMCdata/TMCarchive. html ,数据 来自美国明尼苏达州的一个区域交通管理部门， 通过几千个传感器记录了明尼 苏达州双子城高速公路的交通流量。 实验设置如下： 训练数据从 2012年 2月 4 日到 2012年 3月 14日 总共 40天，测试数据从 2012年 3月 15 日到 2012年 4 月 3 日 总共 20天； 经过预处理后， 利用来自遍布于整个交通网络的 3254个 传感器的数据对 60个目标传感器的交通流进行预测。 此外， 进行了对比实验， 除了时空关联传感器的选取方法不同以外， 其它 实验配置与实施 2、 3、 4、 5完全相同， 对比实验中， 根据人工经验选取预测 目标节点一定邻近范围内的传感器作为关联传感器， 将来自这些传感器的数据 作为预测模型的输入， 邻近传感器的个数分别取 10、 15、 20、 25、 30。
实验表明， 本发明提出的时空关联数据挖掘方法与基于人工经验选取邻近 传感器作为输入相比， 提升了预测模型的预测性能， 详细的结果见表 1-6， 各 表中， 第一行的 " 10、 15、 20、 25、 30 " 分别表示取来自目标节点邻近的 10、 15、 20、 25、 30个传感器的数据作为预测模型的输入， "稀疏"表示使用实施 例 2的方法自动挖掘出的时空关联传感器的数据作为预测模型的输入。 表中所 展示预测准确率定义如下 【Min, W., Wynter, L.， 201 1. Real-time road traffic prediction with spatio-temporal correlations. Transportation Research Part C 19, 606—616.】 ：
1 Vi
Accuracy = 1 ^ : 100%
n , V
上式中 表示预测过的交通数据的总数， 表示传感器 J'采集到的交通流 的真实值， 为预测值。 表 1-6列出的精度是 60个目标传感器预测精度的平均 值。
表 1 :选取 10,15,20,25,30个邻近传感器作为关联传感器与稀疏表达方法挖 掘的关联传感器在提前 10分钟预测时的准确率
Figure imgf000011_0001
表 2:选取 10,15,20,25,30个邻近传感器作为关联传感器与稀疏表达方法挖 掘的关联传感器在提前 20分钟预测时的准确率
Figure imgf000011_0002
表 3 :选取 10,15,20,25,30个邻近传感器作为关联传感器与稀疏表达方法挖
Figure imgf000012_0001
表 4:选取 10,15,20,25,30个邻近传感器作为关联传感器点与稀疏表达方法
Figure imgf000012_0002

Claims

权 利 要 求
1. 一种基于时空关联数据挖掘的交通流预测方法， 其特征在于具体步骤 为：
(a) 通过布局到交通网各个节点的传感器采集交通流量的原始数据；
(b) 通过数据预处理， 将采集的原始数据处理为有效的交通流数据；
(c) 建立预测模型： 令1^表示交通网中的传感器 j在第 i个时刻采集的 交通流量数据， 假设一个交通网中有 m个传感器， 则在第 i个时刻整个交通网 的状态表示为^ = [V'''V'' "'"V'm]， 提前 τ 时刻对传感器 j采集的交通流量数 据进行预测的线性回归模型为：
Vi+τ = Vt W j 上式中的权重 W =
Figure imgf000013_0001
为待优化的模型参数， Λΐ τ 为预测值；
(d) 挖掘时空关联性： 通过稀疏表达的优化方法得到模型参数 W'，
W J = [ /， 2 "·· ^，···， W ] 表示整个交通网络的各个传感器的数据对于 预测目标传感器 j的数据而言的时空关联性， 当1^ =0时， 传感器 k的数据与传 感器 j的数据之间没有关联性， 否则 值的大小表示传感器 k的数据与传感器 j的数据之间关联程度的强弱， k=l, 2, ... ,m;
(e) 以时空关联数据为预测模型的输入， 进行交通流预测。
表达优化方法要优化的目标为:
= arg mm w
件:
Figure imgf000013_0002
表示从第 1到第 η时刻所有传感器记录的
Figure imgf000014_0001
，···， ] :1， 2 m， v L T+1， T+2，···， T+w」
J
W
传感器 j记录的从第 τ+l时刻到第 τ +η时刻的交通流: 0表示 ^的 0 范数， 即权重向量 w 中非零元素的个数， εθ是一个预先设定的门限， 用于控 制预测误
Figure imgf000014_0002
2 表示向: Vw J - V 范数， 即向量中所有元素的平方和的平方根。
优化方法要优化的目标为:
wJ = arg min Vw v w ≤ L,
约束条件：
上式中 L0为预先设定的门限， 用于控制向量 ^中非零元素个数； 上式表达 的优化目标通过 Orthogonal Matching Puisuit (0MP) 算法进行求解。
4. 根据权利要求 1所述的预测方法， 其特征在于步骤 （d) 所述的稀疏表 达优化方法要优化的目标为：
w J = arg min W
w 件: 上式中 1为 ¾ 的 1范式， 表示向量1^ 中所有元素绝对值之和， εθ是一个预先设定的门限， 用于控制预测误 1
Figure imgf000014_0004
2 ； 上式表达的 优化目标等价地表示为加入拉格朗日乘子 λ的无约束条件的优化目标
|2
w J = arg min { λ Vw ] - v J
}
Figure imgf000014_0005
上式表达的优化目标通过 Least Angle Regression Stagewise ( LARS) 算法进行求解。
PCT/CN2014/081350 2013-12-30 2014-07-01 一种基于时空关联数据挖掘的交通流预测方法 WO2015100993A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/197,155 US9558661B2 (en) 2013-12-30 2016-06-29 Method for traffic flow prediction based on spatio-temporal correlation mining

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310749807.0 2013-12-30
CN201310749807.0A CN103700255B (zh) 2013-12-30 2013-12-30 一种基于时空关联数据挖掘的交通流预测方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/197,155 Continuation US9558661B2 (en) 2013-12-30 2016-06-29 Method for traffic flow prediction based on spatio-temporal correlation mining

Publications (1)

Publication Number Publication Date
WO2015100993A1 true WO2015100993A1 (zh) 2015-07-09

Family

ID=50361770

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/081350 WO2015100993A1 (zh) 2013-12-30 2014-07-01 一种基于时空关联数据挖掘的交通流预测方法

Country Status (3)

Country Link
US (1) US9558661B2 (zh)
CN (1) CN103700255B (zh)
WO (1) WO2015100993A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875681A (zh) * 2017-03-22 2017-06-20 山东大学 一种交通拥塞趋势预测方法及系统
CN108346287A (zh) * 2018-01-30 2018-07-31 浙江大学 基于影响因素分析的交通流量序列模式匹配方法
CN110322037A (zh) * 2018-03-28 2019-10-11 普天信息技术有限公司 基于推理模型的流量预测方法及装置
CN110533341A (zh) * 2019-09-04 2019-12-03 东北大学 一种基于bp神经网络的城市宜居性评价方法
CN110610611A (zh) * 2019-09-26 2019-12-24 江苏大学 面向混行交通流中智能网联车辆的行车安全性评价方法
CN110633853A (zh) * 2019-09-12 2019-12-31 北京彩云环太平洋科技有限公司 时空数据预测模型的训练方法、装置及电子设备
CN112241814A (zh) * 2020-10-20 2021-01-19 河南大学 一种基于强化时空图神经网络的交通预测方法
CN113240904A (zh) * 2021-05-08 2021-08-10 福州大学 基于特征融合的交通流预测方法
CN114863699A (zh) * 2022-06-14 2022-08-05 电子科技大学 一种基于数字孪生的城市车路协同交通流预测方法

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700255B (zh) * 2013-12-30 2015-10-07 复旦大学 一种基于时空关联数据挖掘的交通流预测方法
CN104064023B (zh) * 2014-06-18 2016-12-07 银江股份有限公司 一种基于时空关联的动态交通流预测方法
US9483938B1 (en) * 2015-08-28 2016-11-01 International Business Machines Corporation Diagnostic system, method, and recording medium for signalized transportation networks
CN106610980B (zh) * 2015-10-22 2022-03-18 日本电气株式会社 用于对时空序列数据进行分类/预测的设备和方法
CN106611227B (zh) * 2015-10-23 2020-08-11 北斗导航位置服务（北京）有限公司 兴趣点流量动态变化曲线预测方法及系统
CN105957329B (zh) * 2016-06-29 2019-04-19 芜湖达成储运有限公司 一种公路信息化智能系统
WO2018035058A1 (en) * 2016-08-15 2018-02-22 University Of Southern California Latent space model for road networks to predict time-varying traffic
CN108230698B (zh) * 2016-12-21 2020-06-26 杭州海康威视数字技术股份有限公司 交通流量预测方法及装置
CN108269411B (zh) * 2016-12-31 2020-12-25 南京理工大学 一种高速公路etc车流量预测方法
CN106844585A (zh) * 2017-01-10 2017-06-13 广东精规划信息科技股份有限公司 一种基于多源物联网位置感知的时空关系分析系统
CN106875684A (zh) * 2017-04-01 2017-06-20 广东石油化工学院 基于大规模动态语义图的交通流量预测算法
CN107170234A (zh) * 2017-06-09 2017-09-15 东方网力科技股份有限公司 一种基于svm算法对短时交通路况预测的方法
CN109213869B (zh) * 2017-06-29 2021-08-13 中国科学技术大学 基于多源数据的热点技术预测方法
CN107464419A (zh) * 2017-08-28 2017-12-12 北京工业大学 一种考虑时空特性的短时交通流预测方法
CN108648446B (zh) * 2018-04-24 2020-08-21 浙江工业大学 一种基于mfd的路网交通信号迭代学习控制方法
CN108960496B (zh) * 2018-06-26 2021-07-23 浙江工业大学 一种基于改进学习率的深度学习交通流预测方法
CN109712393B (zh) * 2019-01-10 2020-08-04 浙江工业大学 基于高斯过程回归算法的智能交通时段划分方法
CN109711640A (zh) * 2019-01-23 2019-05-03 北京工业大学 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法
CN109816983A (zh) * 2019-02-26 2019-05-28 昆明理工大学 一种基于深度残差网络的短时交通流量预测方法
CN109948207A (zh) * 2019-03-06 2019-06-28 西安交通大学 一种航空发动机高压转子装配误差预测方法
US11164007B2 (en) 2019-07-23 2021-11-02 Conduent Business Services, Llc Method and system for detecting the owner of an abandoned object from a surveillance video
CN110619419B (zh) * 2019-07-30 2022-08-05 北京交通大学 城市轨道交通的客流预测方法
CN110570013B (zh) * 2019-08-06 2023-04-07 山东省科学院海洋仪器仪表研究所 一种单站位在线波周期数据的预测诊断方法
CN110517485B (zh) * 2019-08-09 2021-05-07 大连理工大学 一种基于时段划分的短时交通流预测方法
CN110569903B (zh) * 2019-09-10 2022-03-29 北京远舢智能科技有限公司 一种数据预测管理系统
CN114287022A (zh) * 2019-09-25 2022-04-05 华为云计算技术有限公司 多步交通预测
CN110866649B (zh) * 2019-11-19 2022-09-20 中国科学院深圳先进技术研究院 一种短期地铁客流预测方法、系统及电子设备
CN111260118B (zh) * 2020-01-10 2022-08-23 天津理工大学 一种基于量子粒子群优化策略的车联网交通流量预测方法
CN111223297A (zh) * 2020-01-17 2020-06-02 宁波工程学院 一种基于Wiener随机过程车辆工况预测方法和系统
CN112102610A (zh) * 2020-07-27 2020-12-18 清华大学深圳国际研究生院 一种交通流量预测方法
CN113159428A (zh) * 2021-04-26 2021-07-23 青岛大学 交通流量预测方法、电子设备及存储介质
CN113205684A (zh) * 2021-04-29 2021-08-03 上海应用技术大学 交通流量预测方法及系统
CN114220271B (zh) * 2021-12-21 2023-06-30 南京理工大学 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN116386321A (zh) * 2023-01-11 2023-07-04 华南理工大学 基于改进状态空间模型的交通速度预测方法
CN117116051B (zh) * 2023-10-25 2023-12-22 深圳市交投科技有限公司 基于人工智能的智慧交通管理系统及其方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100306290A1 (en) * 2009-05-27 2010-12-02 Yin Zhang Method and apparatus for spatio-temporal compressive sensing
CN102034350A (zh) * 2009-09-30 2011-04-27 北京四通智能交通系统集成有限公司 交通流数据短时预测方法及系统
CN102169627A (zh) * 2011-01-30 2011-08-31 北京交通大学 基于虚拟速度传感器的快速路旅行时间预测方法
CN103700255A (zh) * 2013-12-30 2014-04-02 复旦大学 一种基于时空关联数据挖掘的交通流预测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5696503A (en) * 1993-07-23 1997-12-09 Condition Monitoring Systems, Inc. Wide area traffic surveillance using a multisensor tracking system
DE10022812A1 (de) * 2000-05-10 2001-11-22 Daimler Chrysler Ag Verfahren zur Verkehrslagebestimmung auf Basis von Meldefahrzeugdaten für ein Verkehrsnetz mit verkehrsgeregelten Netzknoten
DE10025039C2 (de) * 2000-05-20 2003-09-04 Daimler Chrysler Ag Verfahren zur Ermittlung von Verkehrsregelungsphasendauern
US6587781B2 (en) * 2000-08-28 2003-07-01 Estimotion, Inc. Method and system for modeling and processing vehicular traffic data and information and applying thereof
JP2004355537A (ja) * 2003-05-30 2004-12-16 Matsushita Electric Ind Co Ltd 交通流データ予測装置及び方法
CN100337256C (zh) * 2005-05-26 2007-09-12 上海交通大学 城市路网交通流状态估计方法
US7818412B2 (en) * 2008-06-27 2010-10-19 Microsoft Corporation Selection of sensors for monitoring phenomena considering the value of information and data sharing preferences
CN102110365B (zh) * 2009-12-28 2013-11-06 日电（中国）有限公司 基于时空关系的路况预测方法和系统
CN102005135A (zh) * 2010-12-09 2011-04-06 上海海事大学 基于遗传算法优化的支持向量回归船舶交通流量预测方法
CN102663224A (zh) * 2012-03-07 2012-09-12 吉首大学 基于信息熵的交通流量集成预测模型

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100306290A1 (en) * 2009-05-27 2010-12-02 Yin Zhang Method and apparatus for spatio-temporal compressive sensing
CN102034350A (zh) * 2009-09-30 2011-04-27 北京四通智能交通系统集成有限公司 交通流数据短时预测方法及系统
CN102169627A (zh) * 2011-01-30 2011-08-31 北京交通大学 基于虚拟速度传感器的快速路旅行时间预测方法
CN103700255A (zh) * 2013-12-30 2014-04-02 复旦大学 一种基于时空关联数据挖掘的交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHI, SHIXIONG ET AL.: "A Novel Traffic Prediction Method Based on Sparse Representation and RBF Neural Network", MICROCOMPUTER APPLICATIONS, vol. 30, no. 5, 31 May 2014 (2014-05-31) *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875681A (zh) * 2017-03-22 2017-06-20 山东大学 一种交通拥塞趋势预测方法及系统
CN106875681B (zh) * 2017-03-22 2019-08-13 山东大学 一种交通拥塞趋势预测方法及系统
CN108346287A (zh) * 2018-01-30 2018-07-31 浙江大学 基于影响因素分析的交通流量序列模式匹配方法
CN108346287B (zh) * 2018-01-30 2020-08-04 浙江大学 基于影响因素分析的交通流量序列模式匹配方法
CN110322037A (zh) * 2018-03-28 2019-10-11 普天信息技术有限公司 基于推理模型的流量预测方法及装置
CN110533341A (zh) * 2019-09-04 2019-12-03 东北大学 一种基于bp神经网络的城市宜居性评价方法
CN110633853A (zh) * 2019-09-12 2019-12-31 北京彩云环太平洋科技有限公司 时空数据预测模型的训练方法、装置及电子设备
CN110610611A (zh) * 2019-09-26 2019-12-24 江苏大学 面向混行交通流中智能网联车辆的行车安全性评价方法
CN112241814A (zh) * 2020-10-20 2021-01-19 河南大学 一种基于强化时空图神经网络的交通预测方法
CN112241814B (zh) * 2020-10-20 2022-12-02 河南大学 一种基于强化时空图神经网络的交通预测方法
CN113240904A (zh) * 2021-05-08 2021-08-10 福州大学 基于特征融合的交通流预测方法
CN114863699A (zh) * 2022-06-14 2022-08-05 电子科技大学 一种基于数字孪生的城市车路协同交通流预测方法

Also Published As

Publication number Publication date
CN103700255A (zh) 2014-04-02
US9558661B2 (en) 2017-01-31
US20160314686A1 (en) 2016-10-27
CN103700255B (zh) 2015-10-07

Similar Documents

Publication Publication Date Title
WO2015100993A1 (zh) 一种基于时空关联数据挖掘的交通流预测方法
Bi et al. Daily tourism volume forecasting for tourist attractions
Li et al. Prediction for tourism flow based on LSTM neural network
CN110070713B (zh) 一种基于双向嵌套lstm神经网络的交通流预测方法
US20210064999A1 (en) Multi-scale multi-granularity spatial-temporal traffic volume prediction
Irani et al. Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir
CN112906982A (zh) 一种基于gnn-lstm结合的网络流量预测方法
CN110795571B (zh) 基于深度学习和知识图谱的文化旅游资源推荐方法
CN106997669A (zh) 一种基于特征重要性的判断交通拥堵成因的方法
CN110766942A (zh) 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
Chen et al. Groundwater level prediction using SOM-RBFN multisite model
CN108876044B (zh) 一种基于知识增强神经网络的线上内容流行度预测方法
CN108335487B (zh) 一种基于交通状态时序性的道路交通状态预测系统
CN108280998A (zh) 基于历史数据动态选择的短时交通流预测方法
Chen et al. A case-based distance method for screening in multiple-criteria decision aid
CN109978253B (zh) 一种基于增量学习的电力系统短期负荷预测方法
Alfred A genetic-based backpropagation neural network for forecasting in time-series data
CN111652425A (zh) 一种基于粗糙集和长短期记忆网络的河流水质预测方法
Naseri et al. A newly developed hybrid method on pavement maintenance and rehabilitation optimization applying Whale Optimization Algorithm and random forest regression
CN116011684A (zh) 一种基于时空图卷积网络的交通流量预测方法
Ghaedi et al. Application of genetic algorithm for optimization of separator pressures in multistage production units
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
CN114584406B (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN116935649A (zh) 多视角融合的时空动态图卷积网络城市交通流量预测方法
CN115966083A (zh) 一种基于时空解耦的分布式交通流预测方法与系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14877093

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14877093

Country of ref document: EP

Kind code of ref document: A1