CN107230351A - 一种基于深度学习的短时交通流预测方法 - Google Patents
一种基于深度学习的短时交通流预测方法 Download PDFInfo
- Publication number
- CN107230351A CN107230351A CN201710585474.0A CN201710585474A CN107230351A CN 107230351 A CN107230351 A CN 107230351A CN 201710585474 A CN201710585474 A CN 201710585474A CN 107230351 A CN107230351 A CN 107230351A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- mrow
- time
- short
- data
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 230000000737 periodic effect Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000007787 long-term memory Effects 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 206010034719 Personality change Diseases 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 3
- 230000000306 recurrent effect Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 abstract 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000012512 characterization method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响,获取短时交通流的预测值。本发明将卷积神经网络(Convolutional Neural Network)和长短期记忆(LSTM)递归神经网络相结合,构造一种Conv‑LSTM深度神经网络模型;且采用双向LSTM模型对该点以往的交通流历史数据进行分析,提取其周期性特征,最后将所分析出的交通流趋势和周期性特征融合,以实现交通流的预测;本发明方法克服了现有方法不能充分利用时空特征的不足,充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征,从而有效提升了短时交通流预测结果的准确性。
Description
技术领域
本发明涉及智能交通领域和深度学习领域,特别是一种基于深度学习方法的短时交通流预测方法。
背景技术
随着经济的不断发展和城镇化水平的不断提高,人们对交通的需求原来越高,驾车出行的频率也越来越高,随之而来的问题就是交通拥堵日渐严重,如何掌握交通信息,参考交通信息对出行时间和出行路线进行规划是一个需要当前解决的问题,为用户提供准确实时的交通流变化预测,可以为用户节省出行时间,减少不必要的浪费,同时准确的交通流信息对维护交通拥护和交通管理中也有很大的帮助,具有很大的商业价值。
国内外业已提出的交通流预测方法主要有时间序列法、卡尔曼滤波、混沌理论、神经网络和支持向量机(SVM)等。交通流的数据信息具有很强的时间相关性和周期性,同时也会受到临近车道车流量的影响,交通流预测通过对传感器收集到的数据进行分析预测出接下来短时间内的交通流量趋势、传感器主要包括手机,智能手环,平板电脑等具有传感器的可移动设备,也包括道路固定设备,道路固定设备的不断完善,手机等可移动设备数量的不断提升,所收集到的数据越来越多,随着大数据的***,可以用来分析的数据也越来越多,如何从数据中获得我们想要的信息变得越来越重要,在之前的交通流预测模型中存在很多缺点,包括没有添加空间特性,没有添加时间特性,特征提取不充分,或者时间空间信息融合不好,造成了交通流预测误差大的问题。本发明提出了一种融合时空特性并结合交通流数据周期性等特点对短时交通流量进行预测。
发明内容
本发明的目的在于提供一种基于深度学习的短时交通流预测方法,该方法利用城市道路交通流时空关联信息进行预测,可克服现有方法不能充分利用交通流数据的时空特征和周期性特征的缺点,同时进一步将交通流数据不同特征进行融合,从而提高短时交通流预测的准确性。
为实现上述目的,本发明的技术方案是:一种基于深度学习的短时交通流预测方法,包括如下步骤,
步骤S1:提取同一时刻预测点与临近点之间的交通流状态,计算短时交通流的空间相关性特征;
步骤S2:处理时间序列内不同时刻的各点的交通流状态,计算交通流变化趋势和时空特征;
步骤S3:提取预测点前一天同一时刻和一周前同一时刻时的交通流数据,提取交通流的周期性特征;
步骤S4:将时空特征和周期性特征融合;
步骤S5:使用交通流实际值与框架预测值进行比较,计算损失值,不断优化框架。
在本发明一实施例中,在所述步骤S1中,短时交通流的空间相关性特征通过如下方式获取:
步骤S11:收集目标检测点和其临近点的交通流数据集,通将同一时刻该区域内点的交通流数据映射到一维向量,以预测点为基准点,将预测点的交通流数据放在向量的中心,以南北为衡量标准,设置数据点在向量中是预测点之前还是之后,北在前,南在后,并且按照与基准点之间的距离远近来填充向量;
步骤S12:对向量进行卷积处理,采用卷积核尺寸为3,滑动步长为1,提取相同时刻的区域内的交通流相关性,产生交通流数据卷积特征向量,卷积可理解为局部的加权求和,公式为
g(i)=f(Aw+B)
其中A表示卷积核的输入,W表示卷积核对输入处理的权重,B表示偏置项,i表示卷积滑动的步数,也就是生成卷积特征向量中的第i个元素;
步骤S13:对上一步所产生的卷积特征向量进行平均池化处理。
在本发明一实施例中,在所述步骤S2中,利用LSTM递归神经网络来处理时间序列数据,分析不同时间交通流的空间相关性特征变化,将时间特征和空间特征融合,获取交通流变化趋势和时空特征,具体即:
将不同时刻所提取的交通流的空间相关性特征汇聚成一个时间序列,将时间序列输入到两层LSTM之中,产生交通流的时空特征向量。
在本发明一实施例中,在所述步骤S3中,交通流的周期性特征通过收集预测点前一天同一时刻的交通流数据,和前一周同一时刻的交通流数据,将数据分别输入到双向LSTM之中,提取天周期特征和周周期特征。
在本发明一实施例中,在所述步骤S4中,使用神经网络中的全连接网络将收集到的交通流的时空特征和周期性特征进行融合。
在本发明一实施例中,在所述步骤S5中,将框架所输出的预测值与交通流实际值进行比较,计算损失值,不断对框架进行优化,采用均方误差为损失函数,计算框架输出的预测值和实际交通流数据之间的特征,然后使用反向传播算法对框架的参数进行不断优化,反向传播算法中不断计算参数梯度,并使用RMSprop不断自适应学***方的平均值,根据这个变量来自适应学习率,不断优化参数,使结构达到最优解;其中,
均方误差函数:
RMSprop公式:
为变量W在t时刻的梯度值。
相较于现有技术,本发明具有以下有益效果:本发明提出的一种基于深度学习的短时交通流预测方法,利用城市道路交通流时空关联信息及周期性信息进行预测,可克服现有方法不能充分利用时空特征的不足和时空相关性结合不充分的缺点,同时利用深度学习端对端的特点,减去了人工提取数据特征的步骤,极少的减少了人力消耗,从而提高短时交通流预测的准确性增加了***的可移植性。
附图说明
图1是本发明实施例中时空特征提取示意图。
图2是本发明实施例中周期性特征提取示意图。
图3是本发明实施例中将时空特性和周期性特征融合并得出预测结果。
图4是本发明实施例中利用本发明所提出的方法预测生成的目标检测点短时交通流预测结果与实际值对比。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的一种基于深度学习的短时交通流预测方法,具体按照如下步骤实现,
步骤S1:考虑交通流数据的空间相关性,获取交通流预测点的空间特征;
在本实例中,首先,收集目标检测点和其临近点的交通流数据集,通将同一时刻该区域内点的交通流数据映射到一维向量,以预测点为基准点,将预测点的交通流数据放在向量的中心,以南北为衡量标准,设置数据点在向量中是预测点之前还是之后,北在前,南在后,并且按照与基准点之间的距离远近来填充向量;
进一步的,对向量进行卷积处理,采用卷积核尺寸为3滑动步长为1,提取相同时刻的区域内的交通流相关性,产生交通流数据卷积特征向量;
卷积可理解为局部的加权求和,公式为
g(i)=f(Aw+B)
其中A表示卷积核的输入,W表示卷积核对输入处理的权重,而B表示偏置项,i表示卷积滑动的步数,也就是生成卷积特征向量中的第i个元素。
进一步的,对上一步所产生的卷积特征向量进行平均池化处理,过滤到一些不必要的信息,获得更抽象的空间特性,增加框架识别的鲁棒性。
步骤S2:用LSTM递归神经网络来处理时间序列数据,分析不同时间交通流空间特性变化,将时间特征和空间特征融合,获取交通流数据变化趋势。
在本实例中,在研究区域内有很多点,我们需要分析区域内的各点之间的空间相关性,并且综合时间考虑,各点之间的交通流变化趋势和相互影响趋势,车的流量走势,将不同时刻所提取的交通数据空间特性汇聚成一个时间序列,将时间序列输入到两层LSTM之中,将卷积所提取的空间特征与时间特征融合,产生交通流数据的时空特征向量;
步骤S3:考虑交通流数据的周期性特征
在本实例中,收集预测点前一天同一时刻的交通流数据,和前一周同一时刻的交通流数据,将数据分别输入到双向LSTM之中,提取天周期特征和周周期特征。
步骤S4:综合考虑交通流数据的时空特征和周期性特征
在本实例中,需要将所提取的时空特征和周期性特征进行融合,进一步的使用融合特征进行回归,具体使用神经网络中的全连接网络将收集到的交通流数据时空特性和周期性特征进行融合。
步骤S5:根据本发明所提出算法的交通流量预测结果与实际交通流量值之间进行比较,计算损失值,不断优化框架。
本实例中采用均方误差为损失函数,计算框架输出的预测值和实际交通流数据之间的特征,然后使用反向传播算法对框架的参数进行不断优化,反向传播算法中不断计算参数梯度,并使用RMSprop不断自适应学***方的平均值,根据这个变量来自适应学习率,不断优化参数,使结构达到最优解。
均方误差函数(MSE):
RMSprop公式:
为变量W在t时刻的梯度值
相较于现有技术,本发明具有以下有益效果:本发明提出的一种基于深度学习的短时交通流预测方法,利用城市道路交通流时空关联信息及周期性信息进行预测,可克服现有方法不能充分利用时空特征的不足和时空相关性结合不充分的缺点,同时利用深度学习端对端的特点,减去了人工提取数据特征的步骤,极少的减少了人力消耗,从而提高短时交通流预测的准确性增加了***的可移植性。
为了让本领域技术人员进一步了解本发明所提出的一种基于深度学习的短时交通流预测方法,下面结合具体实施例作详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程。
如图1所示,为目标检测点交通流时空特征提取示意图。
本实施例包括如下具体步骤:
步骤一:收集同一时刻预测点和预测点临近点之间的交通流状态,并使用卷积层和池化层提取该时刻的空间特征。
步骤二:将不同时刻的空间特征汇聚成一个时间序列,将时间序列输入到双层LSTM之中提取交通流数据的时空特征。
如图2所示,是周期性特征提取示意图。
收集预测点前一天同一时刻的交通流数据,和前一周同一时刻的交通流数据,将所收集到的数据输入到双向LSTM之中提取空间特性。
如图3所示,为将时空特性和周期性特征融合并得出预测结果。
本实施例包括如下具体步骤:
步骤一:将所提取的时空特性和周期性特征进行融合。
步骤二:将所融合的混合特征输入到全连接网络之中,进行最后的回归,得出交通流预测结果。
如图4所示,为利用本发明所提出方法预测生成的目标检测点短时交通流预测结果与实际值对比
本实施例包括如下具体步骤:
步骤一:使用均方误差损失函数计算框架输出的预测值与实际交通流数据之间的差距。
步骤二:从损失函数开始对模型框架进行反向传播优化,并使用RMSprop不断自适应学***方的平均值,根据这个变量来自适应学习率,不断优化参数,使结构达到最优解。
均方误差函数(MSE):
RMSprop公式:
为变量W在t时刻的梯度值.
步骤三:为说明本发明所提出方法的可行性和普适性,将框架预测值进一步与现有方法如支持向量机(SVM)、后向传播神经网络(BPNN)、自编码神经网络(SAE)、LSTM递归神经网络的预测结果进行比较,得到如表1所示的预测性能评价指标。
表1现有算法交通流预测结果对比
其中,误差函数分别为绝对平均误差(MAE),均方根误差(RMSE),平均绝对百分误差(MAPE),具体公式如下:
上述分析说明,本发明所提出的一种基于深度学习的短时交通流预测方法,能获得比现有方法更低的误差精度,很好地改善了短时交通流的预测准确度,具有一定的参考价值和实际经济效益。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种基于深度学习的短时交通流预测方法,其特征在于:包括如下步骤,
步骤S1:提取同一时刻预测点与临近点之间的交通流状态,计算短时交通流的空间相关性特征;
步骤S2:处理时间序列内不同时刻的各点的交通流状态,计算交通流变化趋势和时空特征;
步骤S3:提取预测点前一天同一时刻和一周前同一时刻时的交通流数据,提取交通流的周期性特征;
步骤S4:将时空特征和周期性特征融合;
步骤S5:使用交通流实际值与框架预测值进行比较,计算损失值,不断优化框架。
2.根据权利要求1所述的一种基于深度学习的短时交通流预测方法,其特征在于:在所述步骤S1中,短时交通流的空间相关性特征通过如下方式获取:
步骤S11:收集目标检测点和其临近点的交通流数据集,通将同一时刻该区域内点的交通流数据映射到一维向量,以预测点为基准点,将预测点的交通流数据放在向量的中心,以南北为衡量标准,设置数据点在向量中是预测点之前还是之后,北在前,南在后,并且按照与基准点之间的距离远近来填充向量;
步骤S12:对向量进行卷积处理,采用卷积核尺寸为3,滑动步长为1,提取相同时刻的区域内的交通流相关性,产生交通流数据卷积特征向量,卷积可理解为局部的加权求和,公式为
g(i)=f(Aw+B)
其中A表示卷积核的输入,W表示卷积核对输入处理的权重,B表示偏置项,i表示卷积滑动的步数,也就是生成卷积特征向量中的第i个元素;
步骤S13:对上一步所产生的卷积特征向量进行平均池化处理。
3.根据权利要求1所述的一种基于深度学习的短时交通流预测方法,其特征在于:在所述步骤S2中,利用长短期记忆网络(LSTM)来处理时间序列数据,分析不同时间交通流的空间相关性特征变化,将时间特征和空间特征融合,获取交通流变化趋势和时空特征,具体即:
交通流的空间相关特性特征。
4.根据权利要求2所述的一种基于深度学习的短时交通流预测方法,其特征在于:在所述步骤S3中,交通流的周期性特征通过收集预测点前一天同一时刻的交通流数据,和前一周同一时刻的交通流数据,将数据分别输入到双向LSTM之中,提取天周期特征和周周期特征。
5.根据权利要求4所述的一种基于深度学习的短时交通流预测方法,其特征在于:在所述步骤S4中,使用神经网络中的全连接网络将收集到的交通流的时空特征和周期性特征进行融合。
6.根据权利要求1所述的一种基于深度学***方的平均值,根据这个变量来自适应学习率,不断优化参数,使结构达到最优解:其中,
均方误差函数:
<mrow>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
<mi>i</mi>
<mi>c</mi>
<mi>t</mi>
<mi>e</mi>
<mi>d</mi>
<mo>-</mo>
<mi>o</mi>
<mi>b</mi>
<mi>s</mi>
<mi>e</mi>
<mi>r</mi>
<mi>v</mi>
<mi>e</mi>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
RMSprop公式:
<mrow>
<mi>M</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mi>S</mi>
<mi>q</mi>
<mi>u</mi>
<mi>a</mi>
<mi>r</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0.9</mn>
<mi>M</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mi>S</mi>
<mi>q</mi>
<mi>u</mi>
<mi>a</mi>
<mi>r</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>0.1</mn>
<msup>
<mrow>
<mo>(</mo>
<mo>&part;</mo>
<mi>E</mi>
<mo>/</mo>
<mo>&part;</mo>
<msup>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
为变量W在t时刻的梯度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710585474.0A CN107230351B (zh) | 2017-07-18 | 2017-07-18 | 一种基于深度学习的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710585474.0A CN107230351B (zh) | 2017-07-18 | 2017-07-18 | 一种基于深度学习的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107230351A true CN107230351A (zh) | 2017-10-03 |
CN107230351B CN107230351B (zh) | 2019-08-09 |
Family
ID=59957078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710585474.0A Active CN107230351B (zh) | 2017-07-18 | 2017-07-18 | 一种基于深度学习的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230351B (zh) |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
CN108021980A (zh) * | 2017-12-15 | 2018-05-11 | 中国科学院地理科学与资源研究所 | 一种基于手机数据的精细尺度城市人群数量预测方法 |
CN108198413A (zh) * | 2017-12-20 | 2018-06-22 | 河南中裕广恒科技股份有限公司 | 一种大数据及自主深度学习的智能交通缓堵方法 |
CN108205889A (zh) * | 2017-12-29 | 2018-06-26 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
CN108229724A (zh) * | 2017-12-06 | 2018-06-29 | 华南理工大学 | 一种基于时空信息融合的短时交通数据流预测方法 |
CN108280441A (zh) * | 2018-02-09 | 2018-07-13 | 北京天元创新科技有限公司 | 一种人群流量预测方法及*** |
CN108399749A (zh) * | 2018-03-14 | 2018-08-14 | 西南交通大学 | 一种短时交通出行需求预测方法 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
CN108564228A (zh) * | 2018-04-26 | 2018-09-21 | 重庆大学 | 一种基于时序特征预测轨道交通od客流量的方法 |
CN108615360A (zh) * | 2018-05-08 | 2018-10-02 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
CN108682418A (zh) * | 2018-06-26 | 2018-10-19 | 北京理工大学 | 一种基于预训练和双向lstm的语音识别方法 |
CN108734958A (zh) * | 2018-04-25 | 2018-11-02 | 江苏大学 | 一种交通速度预测方法 |
CN108829766A (zh) * | 2018-05-29 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、***、设备及计算机可读存储介质 |
CN108846446A (zh) * | 2018-07-04 | 2018-11-20 | 国家新闻出版广电总局广播科学研究院 | 基于多路径密集特征融合全卷积网络的目标检测方法 |
CN108876045A (zh) * | 2018-06-25 | 2018-11-23 | 上海应用技术大学 | 基于lstm模型预测的急救车最优路线推荐方法 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN109146156A (zh) * | 2018-08-03 | 2019-01-04 | 大连理工大学 | 一种用于预测充电桩***充电量的方法 |
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN109299401A (zh) * | 2018-07-12 | 2019-02-01 | 中国海洋大学 | 基于深度学习模型LSTM-ResNet的城域时空流预测技术 |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
CN109522600A (zh) * | 2018-10-16 | 2019-03-26 | 浙江大学 | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 |
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 |
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 |
CN109726903A (zh) * | 2018-12-19 | 2019-05-07 | 中国电子科技集团公司信息科学研究院 | 基于注意力机制的分布式多智能体协同决策方法 |
CN109741604A (zh) * | 2019-03-05 | 2019-05-10 | 南通大学 | 基于平稳化长短期记忆网络模型预测交叉***通流量方法 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN110020738A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东金融科技控股有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110310479A (zh) * | 2019-06-20 | 2019-10-08 | 云南大学 | 一种城市交通流量预测***及方法 |
CN110335466A (zh) * | 2019-07-11 | 2019-10-15 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
CN110491146A (zh) * | 2019-08-21 | 2019-11-22 | 浙江工业大学 | 一种基于深度学习的交通信号控制方案实时推荐方法 |
CN110516833A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 |
CN110517484A (zh) * | 2019-08-06 | 2019-11-29 | 南通大学 | 菱形立交区域平面交叉标志遮挡预测模型构建方法 |
CN110543825A (zh) * | 2019-08-01 | 2019-12-06 | 江苏濠汉信息技术有限公司 | 基于时空特征的危险施工行为识别方法及装置 |
CN110675621A (zh) * | 2019-05-23 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 预测交通信息的***和方法 |
CN110766942A (zh) * | 2019-10-18 | 2020-02-07 | 北京大学 | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN110929543A (zh) * | 2018-08-30 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
CN111210088A (zh) * | 2020-01-16 | 2020-05-29 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
CN111462479A (zh) * | 2020-02-26 | 2020-07-28 | 南京新一代人工智能研究院有限公司 | 一种基于傅里叶-递归神经网络的交通流预测方法 |
CN111524349A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种语境特征注入的多尺度交通流预测模型及方法 |
CN111639791A (zh) * | 2020-05-11 | 2020-09-08 | 同济大学 | 交通流预测方法、***、存储介质及终端 |
CN111860997A (zh) * | 2020-07-17 | 2020-10-30 | 海南大学 | 跨数据、信息、知识模态与量纲的预警方法及组件 |
CN112118143A (zh) * | 2020-11-18 | 2020-12-22 | 迈普通信技术股份有限公司 | 流量预测模型、训练方法、预测方法、装置、设备及介质 |
CN112562339A (zh) * | 2020-12-09 | 2021-03-26 | 福州大学 | 基于多任务图卷积网络的鲁棒***通流预测方法 |
CN112633579A (zh) * | 2020-12-24 | 2021-04-09 | 中国科学技术大学 | 一种基于域对抗的交通流迁移预测方法 |
CN113112789A (zh) * | 2021-03-08 | 2021-07-13 | 张晔婷 | 城市快速路突发事件的影响预测及管控方法 |
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 |
CN113313303A (zh) * | 2021-05-28 | 2021-08-27 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
CN114861091A (zh) * | 2022-07-11 | 2022-08-05 | 成都秦川物联网科技股份有限公司 | 智慧城市交通路径确定方法、物联网***、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
CN106652441A (zh) * | 2015-11-02 | 2017-05-10 | 杭州师范大学 | 一种基于时空数据的城市道路交通状态预测方法 |
-
2017
- 2017-07-18 CN CN201710585474.0A patent/CN107230351B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652441A (zh) * | 2015-11-02 | 2017-05-10 | 杭州师范大学 | 一种基于时空数据的城市道路交通状态预测方法 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN105702029A (zh) * | 2016-02-22 | 2016-06-22 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
Non-Patent Citations (5)
Title |
---|
JINJUN TANG: "An Improved Fuzzy Neural Network for Traffic Speed Prediction Considering Periodic Characteristic", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
ZHENG ZHAO: "LSTM network: a deep learning approach for short-term traffic forecast", 《IET INTELLIGENT TRANSPORT SYSTEMS》 * |
敖谷昌: "城市快速路交通状态特性及关联分析方法研究", 《中国博士学位论文全文数据库经济与管理科学辑》 * |
李巧茹: "基于SVM与自适应时空数据融合的短时交通流量预测模型", 《北京工业大学学报》 * |
邱敦国: "基于时空特性的短时交通流预测模型", 《华南理工大学学报(自然科学版)》 * |
Cited By (82)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
CN107703564B (zh) * | 2017-10-13 | 2020-04-14 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、***及电子设备 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
CN108229724B (zh) * | 2017-12-06 | 2020-12-22 | 华南理工大学 | 一种基于时空信息融合的短时交通数据流预测方法 |
CN108229724A (zh) * | 2017-12-06 | 2018-06-29 | 华南理工大学 | 一种基于时空信息融合的短时交通数据流预测方法 |
CN108021980A (zh) * | 2017-12-15 | 2018-05-11 | 中国科学院地理科学与资源研究所 | 一种基于手机数据的精细尺度城市人群数量预测方法 |
CN108021980B (zh) * | 2017-12-15 | 2020-04-17 | 中国科学院地理科学与资源研究所 | 一种基于手机数据的精细尺度城市人群数量预测方法 |
CN108198413A (zh) * | 2017-12-20 | 2018-06-22 | 河南中裕广恒科技股份有限公司 | 一种大数据及自主深度学习的智能交通缓堵方法 |
CN108205889B (zh) * | 2017-12-29 | 2021-04-27 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
CN108205889A (zh) * | 2017-12-29 | 2018-06-26 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
CN110020738A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东金融科技控股有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
CN108280441A (zh) * | 2018-02-09 | 2018-07-13 | 北京天元创新科技有限公司 | 一种人群流量预测方法及*** |
CN108399749A (zh) * | 2018-03-14 | 2018-08-14 | 西南交通大学 | 一种短时交通出行需求预测方法 |
CN108734958B (zh) * | 2018-04-25 | 2021-04-20 | 江苏大学 | 一种交通速度预测方法 |
CN108734958A (zh) * | 2018-04-25 | 2018-11-02 | 江苏大学 | 一种交通速度预测方法 |
CN108564228A (zh) * | 2018-04-26 | 2018-09-21 | 重庆大学 | 一种基于时序特征预测轨道交通od客流量的方法 |
CN108615360A (zh) * | 2018-05-08 | 2018-10-02 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN108510741B (zh) * | 2018-05-24 | 2020-10-30 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN108829766A (zh) * | 2018-05-29 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、***、设备及计算机可读存储介质 |
CN108829766B (zh) * | 2018-05-29 | 2021-09-21 | 苏州大学 | 一种兴趣点推荐方法、***、设备及计算机可读存储介质 |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
CN108876045A (zh) * | 2018-06-25 | 2018-11-23 | 上海应用技术大学 | 基于lstm模型预测的急救车最优路线推荐方法 |
CN108682418B (zh) * | 2018-06-26 | 2022-03-04 | 北京理工大学 | 一种基于预训练和双向lstm的语音识别方法 |
CN108682418A (zh) * | 2018-06-26 | 2018-10-19 | 北京理工大学 | 一种基于预训练和双向lstm的语音识别方法 |
CN108846446B (zh) * | 2018-07-04 | 2021-10-12 | 国家新闻出版广电总局广播科学研究院 | 基于多路径密集特征融合全卷积网络的目标检测方法 |
CN108846446A (zh) * | 2018-07-04 | 2018-11-20 | 国家新闻出版广电总局广播科学研究院 | 基于多路径密集特征融合全卷积网络的目标检测方法 |
CN109299401A (zh) * | 2018-07-12 | 2019-02-01 | 中国海洋大学 | 基于深度学习模型LSTM-ResNet的城域时空流预测技术 |
CN109299401B (zh) * | 2018-07-12 | 2022-02-08 | 中国海洋大学 | 基于混合深度学习模型LSTM-ResNet的城域时空流预测方法 |
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN109146156B (zh) * | 2018-08-03 | 2021-12-03 | 大连理工大学 | 一种用于预测充电桩***充电量的方法 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN109146156A (zh) * | 2018-08-03 | 2019-01-04 | 大连理工大学 | 一种用于预测充电桩***充电量的方法 |
CN110929543A (zh) * | 2018-08-30 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
CN110929543B (zh) * | 2018-08-30 | 2023-08-25 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
CN109522600B (zh) * | 2018-10-16 | 2020-10-16 | 浙江大学 | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 |
CN109522600A (zh) * | 2018-10-16 | 2019-03-26 | 浙江大学 | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN109726903A (zh) * | 2018-12-19 | 2019-05-07 | 中国电子科技集团公司信息科学研究院 | 基于注意力机制的分布式多智能体协同决策方法 |
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 |
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 |
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 |
CN109741604A (zh) * | 2019-03-05 | 2019-05-10 | 南通大学 | 基于平稳化长短期记忆网络模型预测交叉***通流量方法 |
CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
CN110059878B (zh) * | 2019-04-15 | 2021-04-02 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
CN110675621A (zh) * | 2019-05-23 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 预测交通信息的***和方法 |
CN110675621B (zh) * | 2019-05-23 | 2021-01-15 | 北京嘀嘀无限科技发展有限公司 | 预测交通信息的***和方法 |
CN110310479A (zh) * | 2019-06-20 | 2019-10-08 | 云南大学 | 一种城市交通流量预测***及方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110516833A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 |
CN110335466A (zh) * | 2019-07-11 | 2019-10-15 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
CN110335466B (zh) * | 2019-07-11 | 2021-01-26 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
CN110543825A (zh) * | 2019-08-01 | 2019-12-06 | 江苏濠汉信息技术有限公司 | 基于时空特征的危险施工行为识别方法及装置 |
CN110517484A (zh) * | 2019-08-06 | 2019-11-29 | 南通大学 | 菱形立交区域平面交叉标志遮挡预测模型构建方法 |
CN110491146B (zh) * | 2019-08-21 | 2020-08-21 | 浙江工业大学 | 一种基于深度学习的交通信号控制方案实时推荐方法 |
CN110491146A (zh) * | 2019-08-21 | 2019-11-22 | 浙江工业大学 | 一种基于深度学习的交通信号控制方案实时推荐方法 |
CN110766942A (zh) * | 2019-10-18 | 2020-02-07 | 北京大学 | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 |
CN110766942B (zh) * | 2019-10-18 | 2020-12-22 | 北京大学 | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111210088B (zh) * | 2020-01-16 | 2023-06-02 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
CN111210088A (zh) * | 2020-01-16 | 2020-05-29 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
CN111462479A (zh) * | 2020-02-26 | 2020-07-28 | 南京新一代人工智能研究院有限公司 | 一种基于傅里叶-递归神经网络的交通流预测方法 |
CN111524349B (zh) * | 2020-04-14 | 2021-05-25 | 长安大学 | 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法 |
CN111524349A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种语境特征注入的多尺度交通流预测模型及方法 |
CN111639791A (zh) * | 2020-05-11 | 2020-09-08 | 同济大学 | 交通流预测方法、***、存储介质及终端 |
CN111860997B (zh) * | 2020-07-17 | 2021-12-28 | 海南大学 | 跨数据、信息、知识模态与量纲的预警方法及组件 |
CN111860997A (zh) * | 2020-07-17 | 2020-10-30 | 海南大学 | 跨数据、信息、知识模态与量纲的预警方法及组件 |
CN112118143B (zh) * | 2020-11-18 | 2021-02-19 | 迈普通信技术股份有限公司 | 流量预测模型训练方法、流量预测方法、装置、设备及介质 |
CN112118143A (zh) * | 2020-11-18 | 2020-12-22 | 迈普通信技术股份有限公司 | 流量预测模型、训练方法、预测方法、装置、设备及介质 |
CN112562339A (zh) * | 2020-12-09 | 2021-03-26 | 福州大学 | 基于多任务图卷积网络的鲁棒***通流预测方法 |
CN112562339B (zh) * | 2020-12-09 | 2022-01-04 | 福州大学 | 基于多任务图卷积网络的鲁棒***通流预测方法 |
CN112633579A (zh) * | 2020-12-24 | 2021-04-09 | 中国科学技术大学 | 一种基于域对抗的交通流迁移预测方法 |
CN112633579B (zh) * | 2020-12-24 | 2024-01-12 | 中国科学技术大学 | 一种基于域对抗的交通流迁移预测方法 |
CN113112789A (zh) * | 2021-03-08 | 2021-07-13 | 张晔婷 | 城市快速路突发事件的影响预测及管控方法 |
CN113112789B (zh) * | 2021-03-08 | 2023-07-14 | 张晔婷 | 城市快速路突发事件的影响预测及管控方法 |
CN113240904B (zh) * | 2021-05-08 | 2022-06-14 | 福州大学 | 基于特征融合的交通流预测方法 |
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 |
CN113313303A (zh) * | 2021-05-28 | 2021-08-27 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
CN114861091A (zh) * | 2022-07-11 | 2022-08-05 | 成都秦川物联网科技股份有限公司 | 智慧城市交通路径确定方法、物联网***、装置及介质 |
US11754410B1 (en) | 2022-07-11 | 2023-09-12 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things systems for determining government traffic routes in smart cities |
Also Published As
Publication number | Publication date |
---|---|
CN107230351B (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230351A (zh) | 一种基于深度学习的短时交通流预测方法 | |
Luo et al. | ESTNet: embedded spatial-temporal network for modeling traffic flow dynamics | |
CN109410575B (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
Chen et al. | A graph convolutional stacked bidirectional unidirectional-LSTM neural network for metro ridership prediction | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN105513359B (zh) | 一种基于智能手机移动检测的城市快速路交通状态估计方法 | |
CN110491129A (zh) | 基于时空图的发散卷积循环神经网络的交通流预测方法 | |
CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN107967532A (zh) | 融合区域活力的城市交通流量预测方法 | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN111612243A (zh) | 交通速度预测方法、***及存储介质 | |
CN107180530A (zh) | 一种基于深度时空卷积循环网络的路网状态预测方法 | |
CN109902880A (zh) | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 | |
CN108399745A (zh) | 一种基于无人机的分时段城市路网状态预测方法 | |
CN110414747A (zh) | 一种基于深度学习的时空长短期城市人流量预测方法 | |
CN109448361A (zh) | 居民交通出行流量预测***及其预测方法 | |
CN109064748A (zh) | 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN109191845A (zh) | 一种公交车辆到站时间预测方法 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
CN110110243A (zh) | 一种基于回声状态网络的历史轨迹目的地预测方法 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN108734958A (zh) | 一种交通速度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |