CN108629979B - 一种基于历史和周边路口数据的拥堵预测算法 - Google Patents
一种基于历史和周边路口数据的拥堵预测算法 Download PDFInfo
- Publication number
- CN108629979B CN108629979B CN201810601558.3A CN201810601558A CN108629979B CN 108629979 B CN108629979 B CN 108629979B CN 201810601558 A CN201810601558 A CN 201810601558A CN 108629979 B CN108629979 B CN 108629979B
- Authority
- CN
- China
- Prior art keywords
- intersection
- historical
- unit time
- similarity
- time
- 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.)
- Active
Links
- 230000002093 peripheral effect Effects 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 8
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010021033 Hypomenorrhoea Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于历史和周边路口数据的拥堵预测算法,包括下列步骤:步骤1.对交通数据进行实时的更新和预处理;步骤2.输入预测的目标路口和时间区间;步骤3.讲当前区域车流量数据与历史数据进行匹配,找出相似的时间区间进而进行预测。本发明根据“交通流量预测”的问题,利用非参数回归的算法思想,结合历史数据和周边路口数据进行交通流量的预测,有效的实现了交通数据流量的预测。本发明最终实现的功能是能够根据用户对交通拥堵预测情况的需求,预测目标路口在需求时间的拥堵情况,并且可以高效准确的实现交通流量的预测。
Description
技术领域
本发明提出了一种基于历史数据和周边路口数据的拥堵预测算法。
技术背景
随着科技的发展,人民生活水平的提高,越来越多的人拥有私家车,交通拥堵问题成为人们不得不去面对的问题。如何缓解交通拥堵成为我们亟待解决的问题。大城市中已有的解决方法有通过摇号限制私家车数目的增加,限制外地车进入城市以及限制单双号车驶入等等手段。但仅仅依靠这些还是很难解决拥堵,在上下班高峰期更是如此。而若我们能够及时准确地预测交通流量,就可以通过调控红绿灯周期、告知广大用户未来交通状况等手段有效的减缓交通拥堵。可见对于“如何实时预测道路交通流量”这一问题的解决,具有非常重大的实际意义。
交通流量的实时预测是根据历史上各个路口单位时间内通过的车辆数,借助一些预测方法来进行预测的。目前,国内外已有的实时预测方法主要分为两种,一种是依据单个路口的历史数据来进行预测,另外一种是依据需要预测的路口以及周围多个路口的历史数据来进行预测。第一种方法有利用ARIMA、神经网络、卡尔曼滤波等模型进行预测。第二种方法是最近几年国际上研究比较多的方法,主要是利用空间时间序列进行预测。除了以上两种,目前还有依据深度学习,混沌理论来预测。第一种预测方法较为简单但在预测时间稍长的情况下,预测准确度不高;第二种方法相比第一种方法准确度提高,但方法中涉及到需要求的参数过多,运算复杂,计算机需要执行的时间较长。
发明内容
本发明要克服现有技术的上述缺点,提出一种基于历史数据和周边路口数据的拥堵预测算法。
本发明采用一种高效、实时性强、预测准确且计算量较小的模型。通过分析路口每天车流量的变化,发现路口每天的车流量的趋势是非常相像,每天都有相同早晚高峰。因此可以通过与历史数据进行一个一个匹配比较。但如果仅仅用一个路口的车流量去匹配可能会造成一些误差,在这基础上,提出了一种基于周边路口车流量的交通流量方法,通过比较当前的一段时间内的目标路口及其周围附近路口的车流量变化与历史上相同路口的车流量变化,选择相似性最高的前几个历史时间段,最后利用历史数据进行一个预测若仅仅采用单路口匹配预测并不能做到一个良好的匹配,因为要预测的那个目标路口的车流量状况要受到周围车流量状况的影响。
在预测模型上,本发明并没有采用常规的预测模型。国际上曾有学者分析过车流变化的不确定因素太多太多,其规律也很难掌握。在用了常规的ARIMA模型预测发现,模型只能在预测较短时间的车流量,当预测时间延长时,其准确率大大降低。因此若采用常规的预测模型并不能预测准确,即使在较短时间内的预测准确,时间稍微延长一些其准确率肯定会降低很多。而本发明的模型在预测时间上较长,可以预测未来两个小时的车流量,并且准确率高。目前,国际上用的较为多的时间空间序列模型,其涉及到的求解的参数很多,每做一次预测就要对大量参数进行估计,并且估计难度大,计算机需要较长时间去估计预测。而本发明的模型不涉及到任何参数的求解估计,在计算匹配度上也仅仅采用了加减乘除运算等基本运算,并未涉及到其他运算,并且在匹配的过程中也能非常迅速找到匹配时间段。因此预测模型的计算复杂度极小,模型做一次预测的时间也很短,能够做到实时性预测。综上所述,本发明的模型的优点主要如下三点:(1)计算复杂度小,做预测的时间短,做一次预测仅需1秒多的时间,预测能够达到实时性;(2)预测准确度高,预测未来2个小时内的车流量准确度基本可以达到90%。
本发明所述的基于历史数据和周边路口的拥堵预测算法,包括下列步骤:
步骤1.计算单路口与历史数据的相似性;
对于某个确定的路口A,周围的建筑设施、公共环境等在不同时间段内基本不变,改变的只有人们选择出行的时间,因此往往路口A在单位时间的车流量会呈现一定的周期性和相似性,例如每天都会出现早高峰、晚高峰等等。这里的单位时间指具有独立车流量统计信息的时间段,例如能获得路口A每5分钟的车流量统计信息,那么就可以把5分钟作为一个单位时间。在进行相似度计算前,要先建立历史数据库,将每个单位时间的车流量用Vt做表示,t随时间以早到晚的顺序从小到大标记。在做路口车流量实时预测时,需要通过历史数据的特征,经过一定函数的映射,得到预测时间段内的车流量。那么,如何选取合适的历史数据呢?
在这里引入并定义单路口单位时间历史相似度概念。假设路口A当前单位时间内车流量为Vt0,历史上该路口A某个单位时间内车流量为Vt1,则该路口A单位时间的历史相似度为:
然而,用相对百分比衡量相似度时,会出现因不同历史数据悬殊而造成相似度失真的情况。以下面两个情景为例:
·A路口当前单位时间车流量为2,历史某一时段车流量为4;
·A路口当前单位时间车流量为50,历史某一时段车流量为100。
根据公式(1),这两个时间段的相似度均为0.5,但是根据实际,明显第二个情景的相似度远远小于第一个情景。因此,将单路口单位时间历史相似度公式修正如下:
其中,阈值是通过多次实验调试出来的最佳参数,计算不同路口单位时间的历史相似度可以取相同的值也可取不同的值。经过修改,能更好地反映当前单位时段与历史单位时段的某一路口相似度。这里的相似度可以为负数,若相似度为负数则可以说明两个单位时间的车流量状况及其不相似。
步骤2、求取包含目标路口A的区域单位时间的历史相似度;
假设所需要预测的是A路口的车流量,则A路口为我们的目标路口。实际情况中,目标路口A的车流量情况往往与目标路口A周围路口情况息息相关。当预测目标路口A交通情况时,可以考察当前时段包含目标路口A的这片区域的整体交通情况,并将之与该片区域的历史数据作比较,找出与当前最为相似的情况;以该相似度较高的历史数据为基础,预测得到未来时段目标路口A的车流量。在选定区域时,我们可以选择目标路口A周围若干千米以内的路口。确定区域后,要研究每个路口与目标路口A的相关性。这里采用统计上的相关性分析进行分析。相关性系数越大,说明两个路口之间的关联性越强;相关性越小,则反之。
假设选取n个连续单位时间段进行比较,对于目标路口A,这n个连续单位时间段的数据构成的向量为V(0)=(vt (0),vt-1 (0),...vt-n+1 (0)),t为当前时刻;对于周围第j个路口,这n个连续单位时间段的数据构成的单位时间车流量向量V(j)=(vt (j),vt-1 (j),...vt-n+1 (j))。那么路口j和目标路口A的样本相关系数为:
其中,为目标路口A在这n个连续单位时间段的平均车流量,为周围路口j在这n个连续单位时间段的平均车流量。假设选取了目标路口周围m个路口,利用公式(2),求得周围各个路口与某一历史单位时间的相似性向量为E=(r1,r2,r3,...,rm)。周围第j个路口相似度对该片区域影响程度wj,由其与目标路口A的样本相关系数决定:
通过公式(4)得到权重向量W1=(w1,w2,w3,...,wm)。将周围路口和目标路口的历史相似度加成,得到最终的区域单位时间的历史相似度:
R=p1·r0+(1-p1)·W1·E′(5)
其中,p1为设定的比例系数,r0为目标路口与历史单位时间车流量的相似性,E’是向量E的转置。这种用区域搜寻最相似历史数据的方法,比只关注单路口的方法更稳定,更可靠。
步骤3.基于区域多段时间的历史相似度预测;
不仅目标路口的周围路口在单位时间内的车流量情况会影响目标路口的预测,该区域的前后多段时间步长内的情况也会影响目标路口的预测。因此在求得区域单位时间的历史相似度基础上,需要扩大时间范围,观察大于时间步长的时间段内区域的历史相似度。取历史连续单位时间段t-m1,t-m1+1,…,t,共m1-m2+1个。而最近m1-m2+1个连续单位时间段为t-m1-m2,…,t-2,t-1,t。对于最近单位时间t-i,能通过公式(5),得到选定区域的单位时间历史相似度Ri。故对于上述m1-m2+1个连续单位时间段,以各个单位时间历史相似度取平均得到,即:
N为比对连续单位时间段的个数,即N=m1-m2+1,表示区域连续多段时间的历史相似度,例如,现在的时间假设是4月24日8:05,以5分钟为单位时间,取半小时为时间范围,即研究7:35~8:05时间段内的区域。可以将这些数据与区域4月24日7:25~7:55的数据作比较,通过公式(6)求整体相似度,也可以将这些数据与区域4月23日8:00~8:30的数据作比较求相似度,总之,同一区域,同一时间跨度即可。利用公式(6),可以得到该区域当前连续多段时间与该区域历史上所有同一时间跨度的相似度。在这众多的区域多段时间的历史相似度中,取前k个相似度,取其对应的历史时间段的数据为预测参考数据。
对于这个历史参考时间段,假设每个时间段包含的最后一个单位时间段分别为t-1,t-2,t-3,…,t-k。如果要预测目标路口A在t+t’单位时间段上的车流量qt,我们可以通过t-t1+t',t-t2+t',t-t3+t',…,t-tk+t'上的车流量求取平均值得到,即:
步骤4、预测目标路***通流量;
通过选取连续多段时间跨度上与目前区域最相似的历史该区域的数据,可以预测目标路口未来某一单位时间内的车流量。这种基于区域多段时间的历史相似度的预测方法,比较合理且稳定。
本发明的思路是基于历史数据和目标路口相邻的周边路口数据,运用非参数回归的方法,实现交通流量的预测,从而进行交通拥堵的预测。
相较于传统的交通拥堵预测方案,本发明的优点是:(1)计算复杂度小,做预测的时间短,做一次预测仅需几秒的时间,预测能够达到实时性;(2)预测准确度高,实验证明预测准确度明显高于传统的方法。
附图说明
图1是本发明方法的流程图;
图2是演示例子的路口选择图;
图3是本发明的***架构图。
具体实施方法
下面结合附图1-3,进一步说明本发明。
接下来我们结合附图1-3,以预测文三路学院路口为例子来说明方法的具体实施。假设当前时间为上午7点50,首先输入需要预测的目标路口:杭州市文三路学院路口;需要预测的时间段:上午8:00-8:05。如图1和图2所示为所选择的路口。
***根据输入的目标路口,经过检索可以得到目标路口文三路学院路口的周边路口为:文三路教工路口、文三路保椒北路口、文二路学院路口、文三路古翠路口、天目山路学院路口。然后根据路口信息和历史数据,根据公式(1),算出各个路口的单路口单位时间历史相似度r;根据单路口单位时间历史相似度r,可以得到各个路口的车流量向量E(e1,e2,e3,...,em);由r和E,可以算出周边路口与目标路口的相关性ρ,进而得到周边路口与目标路口的权重向量W(w1,w2,w3,...wm);最后根据周边路口与目标路口的权重向量W,各个路口的车流量向量E,目标路口的相似度r,结合参数p,可以得到区域相似度R;接下来从所有的区域相似度里筛选最相似的k=5个时间段,根据这k=5个时间段的车流量数据的平均值,可以得到需要预测的目标时间段的目标路口的车流量113,最后车流量再结合路口情况进行拥堵情况的预测。
整个计算过程如图1和图3所示,输入目标路口车流量和时间区间,便可以得到车流量的预测值。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.基于历史数据和周边路口的拥堵预测算法,包括下列步骤:
步骤1.计算单路口与历史数据的相似性;
定义单路口单位时间历史相似度概念r如式(1);假设路口A当前单位时间内车流量为Vt0,历史上该路口A某个单位时间内车流量为Vt1,则该路口A单位时间的历史相似度为:
将单路口单位时间历史相似度r修正如式(2):
其中,阈值δ是通过多次实验调试出来的最佳参数,计算不同路口单位时间的历史相似度取相同的值或取不同的值;
步骤2、求取包含目标路口A的区域单位时间的历史相似度;
目标路口A的车流量情况与路口A周围路口情况相关;当预测目标路口A交通情况时,考察当前时段包含目标路口A的这片区域的整体交通情况,并将之与该片区域的历史数据作比较,找出与当前最为相似的情况;以该相似度较高的历史数据为基础,预测得到未来时段目标路口A的车流量;在选定区域时,选择路口A周围若干千米以内的路口;确定区域后,研究每个路口与路口A的相关性,采用统计上的相关性分析进行分析,相关性系数越大,说明两个路口之间的关联性越强;相关性越小,则反之;
假设选取n个连续单位时间段进行比较,对于目标路口A,这n个连续单位时间段的数据构成的向量为V(0)=(vt (0),vt-1 (0),...vt-n+1 (0)),t为当前时刻;对于周围第j个路口,这n个连续单位时间段的数据构成的单位时间车流量向量V(j)=(vt (j),vt-1 (j),...vt-n+1 (j));那么路口j和目标路口A的样本相关系数为:
其中,为目标路口A在这n个连续单位时间段的平均车流量,为周围路口j在这n个连续单位时间段的平均车流量;假设选取了目标路口周围m个路口,利用公式(2)求得周围各个路口与某一历史单位时间的相似性向量为E=(r1,r2,r3,...,rm);周围第j个路口相似度对该片区域影响程度wj,由其与目标路口A的样本相关系数决定:
通过公式(4)得到权重向量W1=(w1,w2,w3,...,wm);将周围路口和目标路口的历史相似度加成,得到最终的区域单位时间的历史相似度:
R=p1·r0+(1-p1)·W1·E′ (5)
其中,p1为设定的比例系数,r0为目标路口与历史单位时间车流量的相似性,E’是向量E的转置;
步骤3.基于区域多段时间的历史相似度进行预测;
不仅目标路口的周围路口在单位时间内的车流量情况会影响目标路口的预测,该区域的前后多段时间步长内的情况也会影响目标路口的预测;因此在求得区域单位时间的历史相似度基础上,需要扩大时间范围,观察大于时间步长的时间段内区域的历史相似度;取历史连续单位时间段t-m1,t-m1+1,…,t,共m1-m2+1个;而最近m1-m2+1个连续单位时间段为t-m1-m2,…,t-2,t-1,t;对于最近单位时间t-i,通过公式(5),得到选定区域的单位时间历史相似度Ri;故对于上述m1-m2+1个连续单位时间段,以各个单位时间历史相似度取平均得到,即:
N为比对连续单位时间段的个数,即N=m1-m2+1,表示区域连续多段时间的历史相似度;利用公式(6),得到该区域当前连续多段时间与该区域历史上所有同一时间跨度的相似度;在这众多的区域多段时间的历史相似度中,取前k个相似度,取其对应的历史时间段的数据为预测参考数据;
对于这个历史参考时间段,假设每个时间段包含的最后一个单位时间段分别为t-1,t-2,t-3,…,t-k;如果要预测目标路口A在t+t’单位时间段上的车流量qt,通过t-t1+t',t-t2+t',t-t3+t',…,t-tk+t'上的车流量求取平均值得到,即:
步骤4、预测目标路***通流量;
通过选取连续多段时间跨度上与目前区域最相似的历史该区域的数据,预测目标路口未来某一单位时间内的车流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810601558.3A CN108629979B (zh) | 2018-06-12 | 2018-06-12 | 一种基于历史和周边路口数据的拥堵预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810601558.3A CN108629979B (zh) | 2018-06-12 | 2018-06-12 | 一种基于历史和周边路口数据的拥堵预测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629979A CN108629979A (zh) | 2018-10-09 |
CN108629979B true CN108629979B (zh) | 2020-08-21 |
Family
ID=63691730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810601558.3A Active CN108629979B (zh) | 2018-06-12 | 2018-06-12 | 一种基于历史和周边路口数据的拥堵预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629979B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785010A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种通行效率信息检测的方法以及装置 |
CN110021178B (zh) * | 2019-04-18 | 2020-10-27 | 浙江工业大学 | 一种基于路口相似度的信号配时方案推荐方法 |
CN110362576A (zh) * | 2019-07-09 | 2019-10-22 | 浙江工业大学 | 一种卡***通流量预测方法 |
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 |
CN111553535B (zh) * | 2020-05-06 | 2022-07-29 | 东华大学 | 一种基于ae-lstm-bo车流量预测的导航参考方法 |
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 |
CN112037539B (zh) * | 2020-07-31 | 2021-11-16 | 银江技术股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及*** |
CN112183926B (zh) * | 2020-08-26 | 2023-03-31 | 银江技术股份有限公司 | 基于图数据库的交通运行状况评估方法、装置、设备及介质 |
CN113556253B (zh) * | 2021-07-30 | 2023-05-26 | 济南浪潮数据技术有限公司 | 预测交换机端口实时流量的方法、***、设备和存储介质 |
CN113723191B (zh) * | 2021-07-30 | 2024-03-29 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
CN113706863B (zh) * | 2021-08-05 | 2022-08-02 | 青岛海信网络科技股份有限公司 | 一种道路交通状态预测方法 |
CN114463972B (zh) * | 2022-01-26 | 2024-02-27 | 成都和乐信软件有限公司 | 一种基于etc门架通信数据的路段区间交通分析预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693633B (zh) * | 2012-06-07 | 2014-03-12 | 浙江大学 | 一种短时交通流加权组合预测方法 |
CN105118294B (zh) * | 2015-09-25 | 2017-03-29 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
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 |
CN106157616B (zh) * | 2016-06-29 | 2018-11-06 | 南京新立讯科技股份有限公司 | 一种交通流量短时预测装置 |
CN106971547B (zh) * | 2017-05-18 | 2019-06-04 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
-
2018
- 2018-06-12 CN CN201810601558.3A patent/CN108629979B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108629979A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629979B (zh) | 一种基于历史和周边路口数据的拥堵预测算法 | |
CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及*** | |
Wang et al. | When will you arrive? Estimating travel time based on deep neural networks | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
CN110648527B (zh) | 一种基于深度学习模型的交通速度预测方法 | |
Long et al. | Unified spatial-temporal neighbor attention network for dynamic traffic prediction | |
Tchrakian et al. | Real-time traffic flow forecasting using spectral analysis | |
Kumar et al. | Artificial neural network model for rainfall-runoff-A case study | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
US9053632B2 (en) | Real-time traffic prediction and/or estimation using GPS data with low sampling rates | |
JP2011138487A (ja) | 空間−時間関係に基づく交通予測方法およびシステム | |
CN110942211A (zh) | 一种基于深度神经网络的预估达到时间预测方法及装置 | |
CN107610021A (zh) | 环境变量时空分布的综合分析方法 | |
Chen et al. | Efficient traffic speed forecasting based on massive heterogenous historical data | |
US20240054321A1 (en) | Traffic prediction | |
CN115409256B (zh) | 基于行程时间预测的拥堵区避让的路径推荐方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN103745602B (zh) | 一种基于滑窗平均的交通流量预测方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Bisaglia et al. | Model-based INAR bootstrap for forecasting INAR (p) models | |
Samaranayake et al. | Learning the dependency structure of highway networks for traffic forecast | |
CN112883133B (zh) | 基于时序数据和功能演变数据的流量预测方法 | |
Rodriguez-Deniz et al. | Urban network travel time prediction via online multi-output Gaussian process regression | |
CN114169659A (zh) | 一种犯罪时空风险预测及决策调度方法和装置 | |
CN113903171B (zh) | 一种基于高速路网时空特性的车辆群智感知节点优化方法 |
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 |