CN105160866A - 一种基于深度学习神经网络结构的交通流预测方法 - Google Patents
一种基于深度学习神经网络结构的交通流预测方法 Download PDFInfo
- Publication number
- CN105160866A CN105160866A CN201510478215.9A CN201510478215A CN105160866A CN 105160866 A CN105160866 A CN 105160866A CN 201510478215 A CN201510478215 A CN 201510478215A CN 105160866 A CN105160866 A CN 105160866A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- degree
- flow data
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习神经网络结构的交通流预测方法,它是通过采集各类交通流数据,并利用深度自动编码器模型对采集各类交通流数据进行训练,在训练过程中对深度自动编码器模型进行调整,最后利用调整后的深度自动编码器模型对短期交通流进行预测。本发明的方法可以对交通流数据进行更深入的挖掘分析,因此在对交通流进行短期预测时更为精准,性能更优。
Description
技术领域
本发明涉及一种基于深度学习神经网络结构的交通流预测方法,属于交通预测的技术领域。
背景技术
随着我国汽车产业的发展,城市及高速公路道路拥堵问题日益严峻。通过对交通流数据深入挖掘,并在此基础上建立短期交通流预测模型,能够有效预测交通拥堵状况从而引导车辆选择合理出行路线。
短时交通流预测某个路段或某条路径上未来的交通状况,时间间隔一般不超出15分钟。对管理者来说这一预测可以用以制订和实施交通管理计划,对交通流进行调控,以减缓这一期间可能出现的交通拥挤和安全隐患。相对于长期预测分析来说,短时交通流预测将作为历史数据使用。
短时交通流预测方法主要包括两部分:交通流历史数据标准库的建立及预测模型构建。前者为短时交通流预测提供数据保障,后者未来交通状态的预测提供准确的方法。到目前,已经有一系列技术和手段被开发应用于短期交通流的预测,但结果却不令人满意的课题。
传统的交通流数据预测方法主要有K-最近邻分类、支持向量机、BP神经网络和决策树等,这些方法在一定规模的交通流数据基础上进行建模,从而进行预测,取得了一定的预测成效。但随着大数据时代的到来,诸如支持向量机这类浅层模型难以有效发掘海量数据下的隐含信息,无法获得最佳性能。
发明内容
本发明的目的在于,提供一种基于深度学习神经网络结构的交通流预测方法。本发明的方法可以对交通流数据进行更深入的挖掘分析,因此在对交通流进行短期预测时更为精准,性能更优。
本发明的技术方案:一种基于深度学习神经网络结构的交通流预测方法,其特点是:通过采集各类交通流数据,并利用深度自动编码器模型对采集各类交通流数据进行训练,在训练过程中对深度自动编码器模型进行调整,最后利用调整后的深度自动编码器模型对短期交通流进行预测。
上述的基于深度学习神经网络结构的交通流预测方法,具体包括以下步骤:
①交通流数据的采集;
②交通流数据的预处理;
③利用深度自动编码器模型对交通流数据进行训练;(深度自动编码器模型由编码器、解码器和隐含层组成)
④用有监督学习算法对深度自动编码器模型进行微调;
⑤根据步骤④得到的最终的深度自动编码器模型对短期的交通流进行预测。
前述的基于深度学习神经网络结构的交通流预测方法中,所述步骤①中的交通流数据包括:
(1)运用高速公路上安装车流量检测器采集的流量和车速交通流数据;
(2)视频图像非结构数据转换而成的结构型交通流数据;
(3)道路(高速公路路基、路面、桥梁和隧道等)养护数据;
(4)高速公路交通事故发生后事件报送数据;
(5)同路段环比类似历史交通流数据。
前述的基于深度学习神经网络结构的交通流预测方法中,所述步骤①的具体方法:将每一年的交通流数据划分为M个组,每一组中按照周一至周日分别将各天的交通流数据归为7类,生成7*M个的交通流数据的集合,并将每个集合中的交通流数据按时间段划分为空闲时段数据和繁忙时段数据。(其中,所述交通流数据是关于时间序列的数据,每一个集合中包含5个以上所述被归为同一类的原始交通流时间序列数据。)
前述的基于深度学***均插值方法补齐,若某个时间点的交通流数据超出了阈值,则认定为错误数据,并对错误数据的进行剔除,同时采用平均插值方法进行补齐;若空闲时段数据中出现时间间隔不连续情况,则认定为原始交通数据缺失,对于数据缺失点,采用其它集合的同时间点的交通流数据的平均值进行补齐,若某个时间点的交通流数据超出了阈值,则认定为错误数据,并对错误数据的进行剔除,同时采用其它集合的同时间点的交通流数据的平均值进行补齐。
前述的基于深度学习神经网络结构的交通流预测方法中,所述步骤③的具体方法包括以下步骤:
(1)逐层构建单层神经元,每次构造一个单层网络。
(2)当所有层构造完后,每层采用wake-sleep算法进行调优,每次仅调整一层,逐层调整。
前述的基于深度学习神经网络结构的交通流预测方法中,所述调优的具体方法包括以下步骤:
A、将交通流数据输入第一层的编码器,生成一个编码,这个编码为输入的一个表示,然后将这个编码输入解码器,解码器会输出一个重建信息,再通过计算输入的交通流数据的特征和重建信息的残差,使用梯度下降法修改第一层的编码器的生成权重;
B、将第一层输出的编码当成第二层的输入数据流,采用与步骤A相同的方法修改第二层的编码器的生成权重,并重复此步骤直至所有层的编码器的生成权重修改完毕。
前述过程实际为无监督学习。
前述的基于深度学习神经网络结构的交通流预测方法中,所述步骤④的具体方法:
将最后一层输出的编码输入支持向量机分类器(SVM),再使用有标签样本进行有监督训练,实现对各层的编码器的微调。
前述的基于深度学习神经网络结构的交通流预测方法中,数据的训练是通过在分布式***上的CPU集群进行并行运算来实现的,从而可以加速数据的挖掘与分析。
与现有技术相比,本发明通过深度自动编码器模型对交通流数据进行训练学习,从而形成了可以对交通流数据进行深度学习的神经网络结构,它相对于传统的交通流数据预测模型而言,可以对数据进行更深入的分析,并可有效提取数据的潜在分层特征,而且还免去了人工提取数据特征的巨大工作量,提高了特征提取的效率,降低了原始输入的维数。因此使用本发明的预测模型进行短期交通流预测时,可以提高预测的精准度。
而且本发明的方法中通过采用对交通流数据的分组、分时段,并对不同时段的数据进行不同的补齐和纠错方法,不仅简化了输入交通流数据的复杂性,降低了模型的计算难度及计算量,而且在很大程度上也进一步提高了短期交通流预测的精准度,并可提高预测的稳定性,不易出现明显错误。
随着车辆的增多,各种交通流数据接踵而至,处理大量的交通流数据就需要一种能处理海量数据的编码模型,深度自动编码器模型在这一方面具有明显优势,它可以称为未来处理大数据的过程中不可或缺的模型工具。本发明将深度自动编码器模型应用于交通流的处理上面,将对车辆安排合理出行带来极大方便,一方面可以缓解道路的拥堵现状,另一方面可减少车辆在等待的过程中石化燃料的消耗,从而起到缓解空气污染的现状。
附图说明
图1是本发明的基本步骤流程图。
具体实施方式
下面结合实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例。一种基于深度学习神经网络结构的交通流预测方法,其基本流程如图1所示,包括以下步骤:
①交通流数据的采集;
②交通流数据的预处理;
③利用深度自动编码器模型对交通流数据进行训练;
④用有监督学习算法对深度自动编码器模型进行微调;
⑤根据步骤④得到的最终的深度自动编码器模型对短期的交通流进行预测。
一、交通流数据的采集
采集各类交通流数据为后续深度学习提供丰富的当前数据和历史数据。主要包含以下方面:
(1)运用高速公路上安装车流量检测器采集的流量和车速交通流数据;
(2)视频图像非结构数据转换而成的结构型交通流数据;
(3)道路养护数据;
(4)高速公路交通事故发生后事件报送数据;
(5)同路段环比类似历史交通流数据。
二、数据的预处理
考虑到道路中一天中不同时段交通流规律的不同,将一天的时间划分为繁忙时段和空闲时段,繁忙时段一般为6:00~0:00,空闲时段一般是0:00~6:00,可以根据各路段的情况灵活设定。本发明实施例中对于繁忙时段和空闲时段采用不同的方法进行处理,下面进行详细说明。
对于交通流数据要按照一定规律对其分组,形成相应的数据集。以年为单位,对每一天根据设定的采集周期采集原始交通流数据,以获得各天的原始交通流时间序列数据,原始交通流时间序列数据每间隔5分钟采集一次。按照设定规律将一年划分为M=4个组即4个季度,每一组中按照周一至周日分别将各天的原始交通流时间序列数据归为7类,生成7*M=28个的原始交通流时间序列数据集合。其中,每一个集合中包含5个以上所述被归为同一类的原始交通流时间序列数据。
根据设定的采集周期采集交通流数据以获得当天在当前时间点之前的原始交通流时间序列数据(x1,x2,x3...,xt,xn),其中xt为t时间点的交通数据流,xn为当前点的交通流数据。例如:采集周期可以为5分钟,当前时间点n为10:00,则交通流时间序列数据中xn-1为9:55的交通流数据,依次类推。如果采集原始交通流数据从0:00开始,则交通流时间序列数据中x1为0:00的交通流数据;如果采集原始交通流数据从6:00开始,则交通流时间序列数据中x1为6:00的交通流数据。
在繁忙时段,若时间间隔不连续(如8:00,8:10),则定义为原始交通数据缺失。对于数据缺失点,采用平均插值方法补齐。对原始交通流时间序列数据错误的判断采用阈值法,超出阈值的原始交通流数据,定义为错误数据。对于错误数据的剔除,采用平均插值方法补齐。
在空闲时段,由于空闲时段车辆较少,因此会出现连续长时间缺失交通数据的情况,在这种情况下,平均插值方法难以补齐符合实际交通状态的数据,数据预处理流程不再适用。但是,空闲时段的交通状态基本一直都处于自由流状态,因此该时段交通流历史标准数据的生成,采用汇总多天数据再进行预处理的方法。对各个集合中的原始交通流时间序列数据中,被划分为空闲时段的数据计算相同时间点的交通流数据的平均值,并替换掉原相同时间点的交通流数据,得到平均交通流时间序列数据。
三、训练过程
深度自动编码器(DAE)是一种利用经过无监督逐层弹性,预训练和***性参数优化的多层非线性网络从无类标数据中提取高维复杂输入数据的分层特征,并得到原始数据的分布式特征表示的深度学习神经网络结构。DAE由编码器、解码器和隐含层组成。编码器是输入x到隐含表示h的映射,表示为:h=f(x)=Sf(w+bn),其中,Sf是非线性激活函数,一般为逻辑函数,其表达式为:
sigmoid(z)=1/(1+z-1)
解码器函数g(h)将隐含层数据映射回重构y,表示为:
y=g(h)=Sg(w'h+by)
其中,Sg是解码器的激活函数,一般为线性函数或者sigmoid函数。训练DAE的过程是在训练样本集D上寻找参数θ={W,by,bh}的最小化重构误差,重构误差的表达式为:
其中,L为重构误差函数,一般可以用平方误差函数或交叉熵损失函数,二者分别表示为:
L(x,y)=||x-y||2
其中,平方误差用于线性Sg,交叉熵损失函数用于sigmoid。
DAE的构建主要有2个步骤,第一步是改进原型自动编码器的结构,即增加隐含层和神经元的数量,调整隐含层节点的分布并改变权值的分享方式等,构建DAE的基本框架。第二步是根据不同任务的需要选取合适的代价函数及其优化策略、隐含层品质因数和***性参数优化时的性能指数等,确定DAE的训练方案。
自动编码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现,自动编码器就必须捕捉可以代表输入数据的最重要的因素,就像主成分分析方法那样,找到可以代表原信息的主要成分。在本发明中也就是要找到大量交通数据流的有用成分,具体过程如下:
A、给定无标签数据,用无监督学习学习特征;
在之前的神经网络中,输入的样本是有标签的,即(input,target),这样根据当前输出和target(label)之间的差去改变前面各层的参数,直到收敛。
本发明采用的自动编码模型,将input交通流数据流(x1,x2,x3,…,xt,…,xn)输入一个encoder编码器,就会得到一个code(h1 (1),h2 (1),h3 (1)…,ht (1),…,hn (1)),这个code也就是输入的一个表示,为了确定输出code就是input的一个表示,加一个decoder解码器,这时候decoder就会输出一个信息reconstruction,输出的这个信息和一开始的输入数据input是比较接近的,在理想情况下几乎是一样的,我们就有理由相信这个code是输入input的最好诠释。所以,每一层就是通过调整encoder编码器和decoder解码器的参数,使得重构误差最小,此时就得到了输入input数据流的第一个表示了,即编码code。因为是无标签数据,所以误差的来源就是直接重构后与原输入input相比得到。
B、通过编码器产生特征然后训练下一层如此逐层训练
通过上面步骤得到第一层交通数据流的code(h1 (1),h2 (1),h3 (1),…,ht (1),…,hn (1)),此时重构误差最小所以这个code就是原输入数据的良好表达。第二层和第一层的训练方式没有差别利用相同的原理,我们将第一层输出的code当成第二层的输入input数据流,同样最小化重构误差,就会得到第二层的参数,并且得到第二层输入交通数据流的code(h1 (2),h2 (2),h3 (2),…,ht (2),…,hn (2)),也就是原输入信息(x1,x2,x3,…,xt,…,xn)的第二个表达了。其他层利用同样的方法进行训练,训练当前层,前面层的参数都是固定的,此时不再需要decoder了。
C、有监督微调
经过上面的方法,就可以得到很多层了。每一层都会得到原始输入不同的表达。此时深度自动编码器只是学习获得了一个可以良好代表输入交通数据流(x1,x2,x3,…,xt,…,xn)的特征,这个特征可以最大程度上代表原输入信号。因此为了实现分类,需要在自动编码器最顶的编码层添加一个支持向量机分类器(SVM)然后通过标准的多层神经网络的监督训练方法(梯度下降法)去训练。其基本步骤如下:
1)随机选取有标签数据样本用BP算法对神经网络进行训练,计算各层的输出;
2)求出各层的重构误差,并根据误差修正权值和偏置;
3)根据性能指数判定误差是否满足要求,如果未能满足要求则重复步骤1)和2),直到整个网络输出满足期望要求。
4)得出最后的深度自动编码器模型。
本发明中的有标签数据样本是对前述的五种交通流数据进行未来短期实时监测,将实时监测的数据作为有标签样本和深度自动编码器模型预测***预测的短期数据进行比对,比对的结果如果差值相对较大,此时就需要用有标签样本对深度编码器进行有监督的训练,调整编码器的网络参数,直到预测结果和实际观测结果差值落在合理区间为止。
而本申请中用于进行无监督训练的5类交通流数据,没有进行相应的人为道路拥堵指数等区间划分,因此对于***来说需要通过自己的模型进行学习,对它们进行聚类分析。
Claims (9)
1.一种基于深度学习神经网络结构的交通流预测方法,其特征在于:通过采集各类交通流数据,并利用深度自动编码器模型对采集各类交通流数据进行训练,在训练过程中对深度自动编码器模型进行调整,最后利用调整后的深度自动编码器模型对短期交通流进行预测。
2.根据权利要求1所述的基于深度学习神经网络结构的交通流预测方法,其特征在于,具体包括以下步骤:
①交通流数据的采集;
②交通流数据的预处理;
③利用深度自动编码器模型对交通流数据进行训练;
④用有监督学习算法对深度自动编码器模型进行微调;
⑤根据步骤④得到的最终的深度自动编码器模型对短期的交通流进行预测。
3.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法,其特征在于,所述步骤①中的交通流数据包括:
(1)运用高速公路上安装车流量检测器采集的流量和车速交通流数据;
(2)视频图像非结构数据转换而成的结构型交通流数据;
(3)道路养护数据;
(4)高速公路交通事故发生后事件报送数据;
(5)同路段环比类似历史交通流数据。
4.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法,其特征在于,所述步骤①的具体方法:将每一年的交通流数据划分为M个组,每一组中按照周一至周日分别将各天的交通流数据归为7类,生成7×M个的交通流数据的集合,并将每个集合中的交通流数据按时间段划分为空闲时段数据和繁忙时段数据。
5.根据权利要求4所述的基于深度学***均插值方法补齐,若某个时间点的交通流数据超出了阈值,则认定为错误数据,并对错误数据的进行剔除,同时采用平均插值方法进行补齐;若空闲时段数据中出现时间间隔不连续情况,则认定为原始交通数据缺失,对于数据缺失点,采用其它集合的同时间点的交通流数据的平均值进行补齐,若某个时间点的交通流数据超出了阈值,则认定为错误数据,并对错误数据的进行剔除,同时采用其它集合的同时间点的交通流数据的平均值进行补齐。
6.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法,其特征在于,所述步骤③的具体方法包括以下步骤:
(1)逐层构建单层神经元,每次构造一个单层网络。
(2)当所有层构造完后,每层采用wake-sleep算法进行调优,每次仅调整一层,逐层调整。
7.根据权利要求6所述的基于深度学习神经网络结构的交通流预测方法,其特征在于,所述调优的具体方法包括以下步骤:
A、将交通流数据输入第一层的编码器,生成一个编码,这个编码为输入的一个表示,然后将这个编码输入解码器,解码器会输出一个重建信息,再通过计算输入的交通流数据的特征和重建信息的残差,使用梯度下降法修改第一层的编码器的生成权重;
B、将第一层输出的编码当成第二层的输入数据流,采用与步骤A相同的方法修改第二层的编码器的生成权重,并重复此步骤直至所有层的编码器的生成权重修改完毕。
8.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法,其特征在于,所述步骤④的具体方法:
将最后一层输出的编码输入支持向量机分类器,再使用有标签样本进行有监督训练,实现对各层的编码器的微调。
9.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法,其特征在于;数据的训练是通过在分布式***上的CPU集群进行并行运算来实现的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510478215.9A CN105160866A (zh) | 2015-08-07 | 2015-08-07 | 一种基于深度学习神经网络结构的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510478215.9A CN105160866A (zh) | 2015-08-07 | 2015-08-07 | 一种基于深度学习神经网络结构的交通流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105160866A true CN105160866A (zh) | 2015-12-16 |
Family
ID=54801705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510478215.9A Pending CN105160866A (zh) | 2015-08-07 | 2015-08-07 | 一种基于深度学习神经网络结构的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160866A (zh) |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN105922583A (zh) * | 2016-05-04 | 2016-09-07 | 杭州研智科技有限公司 | 远程控制的3d打印机及其控制方法 |
CN105946229A (zh) * | 2016-05-04 | 2016-09-21 | 杭州研智科技有限公司 | 3d打印机及其控制方法 |
CN105965886A (zh) * | 2016-05-04 | 2016-09-28 | 杭州研智科技有限公司 | 误差控制自学习式3d打印机及其控制方法 |
CN106003708A (zh) * | 2016-05-04 | 2016-10-12 | 杭州研智科技有限公司 | 3d打印实验台及其控制方法 |
CN106027438A (zh) * | 2016-07-04 | 2016-10-12 | 东南大学 | 一种用于模数混合调幅广播***的抗混叠调制解调器 |
CN106161209A (zh) * | 2016-07-21 | 2016-11-23 | 康佳集团股份有限公司 | 一种基于深度自学习的垃圾短信过滤方法及*** |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
CN106295906A (zh) * | 2016-08-22 | 2017-01-04 | 万马联合新能源投资有限公司 | 一种基于深度学习的城市公交线路查询方法 |
CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
CN106529574A (zh) * | 2016-10-17 | 2017-03-22 | 北京工业大学 | 基于稀疏自动编码器和支持向量机的图像分类方法 |
CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及*** |
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN106781465A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路车流量预测方法 |
CN106846816A (zh) * | 2017-04-12 | 2017-06-13 | 山东理工大学 | 一种基于深度学习的离散化交通状态判别方法 |
CN106951872A (zh) * | 2017-03-24 | 2017-07-14 | 江苏大学 | 一种基于无监督深度模型与层次属性的行人再识别方法 |
CN106971548A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
WO2017124336A1 (en) * | 2016-01-20 | 2017-07-27 | Sensetime Group Limited | Method and system for adapting deep model for object representation from source domain to target domain |
CN107093216A (zh) * | 2017-04-14 | 2017-08-25 | 广州地理研究所 | 基于汽车电子标识的城市交通拥堵收费方法和装置 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及*** |
CN107170235A (zh) * | 2017-06-13 | 2017-09-15 | 广东石油化工学院 | 基于深度特征提取网络的交通流量预测时序方法 |
CN107451599A (zh) * | 2017-06-28 | 2017-12-08 | 青岛科技大学 | 一种基于机器学习的综合模型的交通行为预测方法 |
CN107463953A (zh) * | 2017-07-21 | 2017-12-12 | 上海交通大学 | 在标签含噪情况下基于质量嵌入的图像分类方法及*** |
CN107480807A (zh) * | 2017-07-06 | 2017-12-15 | 中山大学 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
CN107945534A (zh) * | 2017-12-13 | 2018-04-20 | 浙江大学城市学院 | 一种基于gmdh神经网络的交通车流量预测方法 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
CN108629618A (zh) * | 2017-03-22 | 2018-10-09 | 董泽平 | 一种无模型推测基础的产品销售预测方法及*** |
CN108629503A (zh) * | 2018-04-28 | 2018-10-09 | 南通大学 | 一种基于深度学习的出租车上车需求量的预测方法 |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
CN109146194A (zh) * | 2018-09-05 | 2019-01-04 | 重庆工商大学 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及*** |
CN109461311A (zh) * | 2018-12-19 | 2019-03-12 | 哈尔滨工业大学(深圳) | 一种面向智能交通和智能驾驶的路网交通流时空预测方法 |
CN109658695A (zh) * | 2019-01-02 | 2019-04-19 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN109887290A (zh) * | 2019-03-30 | 2019-06-14 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
TWI676397B (zh) * | 2018-10-18 | 2019-11-01 | 中華電信股份有限公司 | 運用行動網路信令資料之人工智慧車流推估系統及其方法 |
CN110443503A (zh) * | 2019-08-07 | 2019-11-12 | 成都九鼎瑞信科技股份有限公司 | 水务***工业总产值分析模型的训练方法及相关*** |
CN110459050A (zh) * | 2019-05-27 | 2019-11-15 | 华南理工大学 | 一种基于混合决策树的短期公交客流预测方法 |
CN110517488A (zh) * | 2019-08-19 | 2019-11-29 | 南京理工大学 | 基于时序分解和循环神经网络的短时交通流预测方法 |
CN110619427A (zh) * | 2019-08-26 | 2019-12-27 | 北京建筑大学 | 基于序列到序列学习模型的交通指数预测方法和装置 |
CN110633707A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 预测速度的方法和装置 |
CN111582251A (zh) * | 2020-06-15 | 2020-08-25 | 江苏航天大为科技股份有限公司 | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 |
CN111598222A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 一种重优化深度自动编码器及发动机自动检测*** |
CN111724596A (zh) * | 2020-06-23 | 2020-09-29 | 上海电科智能***股份有限公司 | 一种智能精确自动识别预判快速路瓶颈区方法 |
CN111862585A (zh) * | 2019-07-23 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的***和方法 |
WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN113450566A (zh) * | 2021-06-22 | 2021-09-28 | 中科曙光(南京)计算技术有限公司 | 一种城市交通流预测方法 |
JP2021170410A (ja) * | 2020-12-16 | 2021-10-28 | アポロ インテリジェント コネクティビティ (ベイジン) テクノロジー カンパニー リミテッドApollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | 交通データの分析方法、装置、デバイス、車両、記憶媒体及びプログラム |
CN114091772A (zh) * | 2021-11-26 | 2022-02-25 | 东北大学 | 基于编码器解码器的多角度融合道路交通流量预测方法 |
CN116363878A (zh) * | 2023-05-26 | 2023-06-30 | 云南大学 | 基于连续动态常微分方程的交通流量预测***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006018435A (ja) * | 2004-06-30 | 2006-01-19 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置および交通流データ予測方法 |
CN101188002A (zh) * | 2007-12-24 | 2008-05-28 | 北京大学 | 一种具有实时和连续特性的城市交通状态预测***及方法 |
CN102033892A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通***集成有限公司 | 交通流历史标准数据的生成方法及*** |
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN103489039A (zh) * | 2013-09-12 | 2014-01-01 | 重庆大学 | 具有在线自整定优化能力的高速公路交通流量融合预测方法 |
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
-
2015
- 2015-08-07 CN CN201510478215.9A patent/CN105160866A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006018435A (ja) * | 2004-06-30 | 2006-01-19 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置および交通流データ予測方法 |
CN101188002A (zh) * | 2007-12-24 | 2008-05-28 | 北京大学 | 一种具有实时和连续特性的城市交通状态预测***及方法 |
CN102033892A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通***集成有限公司 | 交通流历史标准数据的生成方法及*** |
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN103489039A (zh) * | 2013-09-12 | 2014-01-01 | 重庆大学 | 具有在线自整定优化能力的高速公路交通流量融合预测方法 |
CN104134351A (zh) * | 2014-08-14 | 2014-11-05 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
Non-Patent Citations (1)
Title |
---|
曲建岭; 杜辰飞;邸亚洲;高峰;郭超然: "深度自动编码器的研究与展望", 《计算机与现代化》 * |
Cited By (80)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108604304A (zh) * | 2016-01-20 | 2018-09-28 | 商汤集团有限公司 | 用于使来自源域的用于对象表示的深度模型适应于目标域的方法和*** |
WO2017124336A1 (en) * | 2016-01-20 | 2017-07-27 | Sensetime Group Limited | Method and system for adapting deep model for object representation from source domain to target domain |
CN105654729B (zh) * | 2016-03-28 | 2018-01-02 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN105946229A (zh) * | 2016-05-04 | 2016-09-21 | 杭州研智科技有限公司 | 3d打印机及其控制方法 |
CN106003708A (zh) * | 2016-05-04 | 2016-10-12 | 杭州研智科技有限公司 | 3d打印实验台及其控制方法 |
CN105965886A (zh) * | 2016-05-04 | 2016-09-28 | 杭州研智科技有限公司 | 误差控制自学习式3d打印机及其控制方法 |
CN105922583A (zh) * | 2016-05-04 | 2016-09-07 | 杭州研智科技有限公司 | 远程控制的3d打印机及其控制方法 |
CN106027438A (zh) * | 2016-07-04 | 2016-10-12 | 东南大学 | 一种用于模数混合调幅广播***的抗混叠调制解调器 |
CN106027438B (zh) * | 2016-07-04 | 2020-04-07 | 东南大学 | 一种用于模数混合调幅广播***的抗混叠调制解调器 |
CN106161209A (zh) * | 2016-07-21 | 2016-11-23 | 康佳集团股份有限公司 | 一种基于深度自学习的垃圾短信过滤方法及*** |
CN106161209B (zh) * | 2016-07-21 | 2019-09-20 | 康佳集团股份有限公司 | 一种基于深度自学习的垃圾短信过滤方法及*** |
CN106326634A (zh) * | 2016-08-09 | 2017-01-11 | 浙江工业大学 | 一种基于深度信念网络的医院门诊量预测方法 |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
CN106295906A (zh) * | 2016-08-22 | 2017-01-04 | 万马联合新能源投资有限公司 | 一种基于深度学习的城市公交线路查询方法 |
CN106529574A (zh) * | 2016-10-17 | 2017-03-22 | 北京工业大学 | 基于稀疏自动编码器和支持向量机的图像分类方法 |
CN106529574B (zh) * | 2016-10-17 | 2019-09-27 | 北京工业大学 | 基于稀疏自动编码器和支持向量机的图像分类方法 |
CN106548645B (zh) * | 2016-11-03 | 2019-07-12 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及*** |
CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及*** |
CN106781465A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路车流量预测方法 |
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN106650913B (zh) * | 2016-12-31 | 2018-08-03 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN108629618A (zh) * | 2017-03-22 | 2018-10-09 | 董泽平 | 一种无模型推测基础的产品销售预测方法及*** |
CN106951872B (zh) * | 2017-03-24 | 2020-11-06 | 江苏大学 | 一种基于无监督深度模型与层次属性的行人再识别方法 |
CN106951872A (zh) * | 2017-03-24 | 2017-07-14 | 江苏大学 | 一种基于无监督深度模型与层次属性的行人再识别方法 |
CN106846816B (zh) * | 2017-04-12 | 2019-09-17 | 山东理工大学 | 一种基于深度学习的离散化交通状态判别方法 |
CN106846816A (zh) * | 2017-04-12 | 2017-06-13 | 山东理工大学 | 一种基于深度学习的离散化交通状态判别方法 |
CN107093216A (zh) * | 2017-04-14 | 2017-08-25 | 广州地理研究所 | 基于汽车电子标识的城市交通拥堵收费方法和装置 |
CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及*** |
CN106971548A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
CN106971548B (zh) * | 2017-05-18 | 2019-06-07 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
CN107103758B (zh) * | 2017-06-08 | 2019-06-21 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107170235A (zh) * | 2017-06-13 | 2017-09-15 | 广东石油化工学院 | 基于深度特征提取网络的交通流量预测时序方法 |
CN107170235B (zh) * | 2017-06-13 | 2020-03-03 | 广东石油化工学院 | 基于深度特征提取网络的交通流量预测时序方法 |
CN107451599A (zh) * | 2017-06-28 | 2017-12-08 | 青岛科技大学 | 一种基于机器学习的综合模型的交通行为预测方法 |
CN107480807A (zh) * | 2017-07-06 | 2017-12-15 | 中山大学 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
CN107463953A (zh) * | 2017-07-21 | 2017-12-12 | 上海交通大学 | 在标签含噪情况下基于质量嵌入的图像分类方法及*** |
CN107463953B (zh) * | 2017-07-21 | 2019-11-19 | 上海媒智科技有限公司 | 在标签含噪情况下基于质量嵌入的图像分类方法及*** |
CN107154150B (zh) * | 2017-07-25 | 2019-07-02 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN107945534A (zh) * | 2017-12-13 | 2018-04-20 | 浙江大学城市学院 | 一种基于gmdh神经网络的交通车流量预测方法 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
CN108629503A (zh) * | 2018-04-28 | 2018-10-09 | 南通大学 | 一种基于深度学习的出租车上车需求量的预测方法 |
CN108629503B (zh) * | 2018-04-28 | 2020-11-03 | 南通大学 | 一种基于深度学习的出租车上车需求量的预测方法 |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
CN110633707A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 预测速度的方法和装置 |
CN109166309B (zh) * | 2018-08-06 | 2021-03-19 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN109146194A (zh) * | 2018-09-05 | 2019-01-04 | 重庆工商大学 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及*** |
TWI676397B (zh) * | 2018-10-18 | 2019-11-01 | 中華電信股份有限公司 | 運用行動網路信令資料之人工智慧車流推估系統及其方法 |
CN111161529A (zh) * | 2018-10-18 | 2020-05-15 | 中华电信股份有限公司 | 运用移动网络信令数据的人工智能车流推估***及其方法 |
CN111161529B (zh) * | 2018-10-18 | 2021-06-08 | 中华电信股份有限公司 | 运用移动网络信令数据的人工智能车流推估***及其方法 |
CN109461311A (zh) * | 2018-12-19 | 2019-03-12 | 哈尔滨工业大学(深圳) | 一种面向智能交通和智能驾驶的路网交通流时空预测方法 |
CN109658695A (zh) * | 2019-01-02 | 2019-04-19 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN109658695B (zh) * | 2019-01-02 | 2020-09-22 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN109887290B (zh) * | 2019-03-30 | 2021-03-23 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
CN109887290A (zh) * | 2019-03-30 | 2019-06-14 | 西安电子科技大学 | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 |
WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110459050B (zh) * | 2019-05-27 | 2021-07-20 | 华南理工大学 | 一种基于混合决策树的短期公交客流预测方法 |
CN110459050A (zh) * | 2019-05-27 | 2019-11-15 | 华南理工大学 | 一种基于混合决策树的短期公交客流预测方法 |
CN111862585B (zh) * | 2019-07-23 | 2021-11-02 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的***和方法 |
CN111862585A (zh) * | 2019-07-23 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的***和方法 |
CN110443503A (zh) * | 2019-08-07 | 2019-11-12 | 成都九鼎瑞信科技股份有限公司 | 水务***工业总产值分析模型的训练方法及相关*** |
CN110517488A (zh) * | 2019-08-19 | 2019-11-29 | 南京理工大学 | 基于时序分解和循环神经网络的短时交通流预测方法 |
CN110619427A (zh) * | 2019-08-26 | 2019-12-27 | 北京建筑大学 | 基于序列到序列学习模型的交通指数预测方法和装置 |
CN111598222A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 一种重优化深度自动编码器及发动机自动检测*** |
CN111598222B (zh) * | 2020-05-14 | 2023-04-28 | 哈尔滨工业大学(威海) | 一种重优化深度自动编码器及发动机自动检测*** |
CN111582251A (zh) * | 2020-06-15 | 2020-08-25 | 江苏航天大为科技股份有限公司 | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 |
CN111724596A (zh) * | 2020-06-23 | 2020-09-29 | 上海电科智能***股份有限公司 | 一种智能精确自动识别预判快速路瓶颈区方法 |
CN111724596B (zh) * | 2020-06-23 | 2022-11-11 | 上海电科智能***股份有限公司 | 一种智能精确自动识别预判快速路瓶颈区方法 |
JP2021170410A (ja) * | 2020-12-16 | 2021-10-28 | アポロ インテリジェント コネクティビティ (ベイジン) テクノロジー カンパニー リミテッドApollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | 交通データの分析方法、装置、デバイス、車両、記憶媒体及びプログラム |
JP7227320B2 (ja) | 2020-12-16 | 2023-02-21 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 交通データの分析方法、装置、デバイス、車両、記憶媒体及びプログラム |
CN113450566A (zh) * | 2021-06-22 | 2021-09-28 | 中科曙光(南京)计算技术有限公司 | 一种城市交通流预测方法 |
CN114091772A (zh) * | 2021-11-26 | 2022-02-25 | 东北大学 | 基于编码器解码器的多角度融合道路交通流量预测方法 |
CN116363878A (zh) * | 2023-05-26 | 2023-06-30 | 云南大学 | 基于连续动态常微分方程的交通流量预测***及方法 |
CN116363878B (zh) * | 2023-05-26 | 2023-08-11 | 云南大学 | 基于连续动态常微分方程的交通流量预测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160866A (zh) | 一种基于深度学习神经网络结构的交通流预测方法 | |
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及*** | |
CN105608512A (zh) | 一种短期负荷预测方法 | |
CN104900063B (zh) | 一种短程行驶时间预测方法 | |
CN111815046B (zh) | 基于深度学习的交通流量预测方法 | |
CN101488284A (zh) | 道路交通状况即时预测的智能管理*** | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
CN104798043A (zh) | 一种数据处理方法和计算机*** | |
CN104318757B (zh) | 一种公交专用道上的公交车车路段运行时间预测方法 | |
CN105096614A (zh) | 基于生成型深信度网络的新建路***通流量预测方法 | |
Xiao-chen | Application of neural network in the cost estimation of highway engineering | |
CN107544251A (zh) | 一种基于分布式鲁棒模型的最小化总拖期的单机调度方法 | |
CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN108053052A (zh) | 一种油罐车油气泄漏速度智能监测*** | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN109102016A (zh) | 一种用于桥梁技术状况的测试方法 | |
CN103456163A (zh) | 城市快速路互通立交通行能力和运行状态判别方法与*** | |
CN105160434A (zh) | 采用svm选取预测模型的风电功率爬坡事件预测方法 | |
Zhang et al. | Overview of traffic flow hybrid ANN forecasting algorithm study | |
CN110490365A (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN117078191A (zh) | 一种数据驱动的多制式轨道交通应急协同决策方法及装置 | |
CN107423811A (zh) | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 | |
CN115482666B (zh) | 基于数据融合的多图卷积神经网络交通预测方法 | |
Zhao et al. | Urban short-term traffic flow prediction based on stacked autoencoder | |
CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151216 |
|
RJ01 | Rejection of invention patent application after publication |