CN108876045A - 基于lstm模型预测的急救车最优路线推荐方法 - Google Patents
基于lstm模型预测的急救车最优路线推荐方法 Download PDFInfo
- Publication number
- CN108876045A CN108876045A CN201810665855.4A CN201810665855A CN108876045A CN 108876045 A CN108876045 A CN 108876045A CN 201810665855 A CN201810665855 A CN 201810665855A CN 108876045 A CN108876045 A CN 108876045A
- Authority
- CN
- China
- Prior art keywords
- prediction
- road
- lstm
- optimal route
- lstm model
- 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
Classifications
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于LSTM模型预测的急救车最优路线推荐方法,本发明利用RNN中的LSTM模型,构建三层计算层次,同时逐层确定记忆元件个数,对城市路网当中某些道路的平均运行时间、平均车速、总运行车辆数等数据,以5min为单位时间预测下一分钟的数据。以一天的5个时间段作为背景,以相同的出发点和终点为条件开展实验。当处于一天当中较为繁忙的时间段,道路处于拥堵和缓慢通行的状态,对照方案和实验方案会选取不同线路。实验方案比对照方案分别节约下来0.5min、1.5min、0.7min、0.4min,分别占实验方案的4.5%、15.0%、7.5%、4.7%。
Description
技术领域
本发明涉及一种基于LSTM模型预测的急救车最优路线推荐方法。
背景技术
如何尽快地将急救病人送的医院抢救,是能够否成功抢救病人的重要因素。虽然车辆已经配备了导航***,用以辅助工作人员的路线规划和选择工作,但是现今导航***都是基于以往数据的处理和分析,并且一般都没有针对医疗急救“时间就是生命”这一条件进行优化。
发明内容
本发明的目的在于提供一种基于LSTM模型预测的急救车最优路线推荐方法。
为解决上述问题,本发明提供一种基于LSTM模型预测的急救车最优路线推荐方法,包括:
利用RNN中的LSTM模型,构建三层计算层次,同时逐层确定记忆元件个数,根据城市路网当中预设道路的交通数据,以5min为单位时间预测下一分钟的交通数据;
根据预测的下一分钟的交通数据,进行急救车最优路线推荐。
进一步的,在上述方法中,根据城市路网当中预设道路的交通数据,包括:
根据城市路网当中预设道路的平均运行时间、平均车速、总运行车辆数的交通数据。
进一步的,在上述方法中,,以5min为单位时间预测下一分钟的交通数据,包括:
以5min为单位时间预测下一分钟的平均运行时间、平均车速、总运行车辆数的交通数据。
进一步的,在上述方法中,所述总运行车辆数是某一条预设道路在单位时间内通过的车辆的总数,其中,同一条双向道路看作具有相反方向的两条道路。
进一步的,在上述方法中,所述平均运行时间是指在某一条预设道路上、单位时间内通过的所有车辆行驶完全程所用的时间的平均数。
进一步的,在上述方法中,所述平均车速是指在某一条预设道路上、单位时间内通过的所有车辆行驶完全程所用的速度的平均数。
进一步的,在上述方法中,利用RNN中的LSTM模型,构建三层计算层次,包括:
构建基于LSTM的预测模型,确定所述LSTM的预测模型中的参数;
根据所述LSTM的预测模型中的参数,构建三层计算层次。
与现有技术相比,本发明利用RNN中的LSTM模型,本文对城市路网当中某些道路的交通数据,以5min为单位时间预测下一分钟的数据,并且做到实时更新。通过经处理分析后的以上数据,及时方便地通知急救车辆,可以帮助其更加快速的找到通往医院的路线,为挽救病患生命奠定良好的基础。
附图说明
图1是本发明一实施例的LSTM模型的基本单元示意图;
图2是本发明一实施例的LSTM中记忆元件信息交互示意图;
图3是本发明一实施例的LSTM模型预测出来的平均运行时间、平均车速、总运行车辆数统计图;
图4是本发明一实施例的对照方案和实验方案线路对比示意图;
图5是本发明一实施例的运行一个sigmoid层来确定细胞状态的哪个部分将输出的示意图;
图6a、6b、6c分别是本发明一实施例的平均运行时间、平均车速、总运行车辆数的示意图;
图7是本发明一实施例的分时段的道路选择方案示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种基于LSTM模型预测的急救车最优路线推荐方法,包括:
利用RNN中的LSTM模型,构建三层计算层次,同时逐层确定记忆元件个数,根据城市路网当中预设道路的交通数据,以5min为单位时间预测下一分钟的交通数据;
根据预测的下一分钟的交通数据,进行急救车最优路线推荐。
在此,道路信息瞬息万变,虽然知道交通数据呈现周期性、时序性变化,但是对于医疗救护,做到预测精确和实时更新是十分必要的。
高德地图是中国领先的数字地图内容、导航和位置服务解决方案提供商,可以提供较为可靠的导航服务。但是,现有的导航应用数据是基于对以往数据的处理和理解,可以对“现在的”交通状况提出方案或者建议,例如路线规划,但是无法对未来的交通数据做出预测。
利用RNN中的LSTM模型,本文对城市路网当中某些道路的平均运行时间(avgtraveltime)、平均车速(speed)、总运行车辆数(totalcount)等数据,以5min为单位时间预测下一分钟的数据,并且做到实时更新。通过经处理分析后的以上数据,及时方便地通知急救车辆,可以帮助其更加快速的找到通往医院的路线,为挽救病患生命奠定良好的基础。
可以一天的5个时间段作为背景,以相同的出发点和终点为条件开展实验。当处于一天当中较为繁忙的时间段,道路处于拥堵和缓慢通行的状态,对照方案和实验方案会选取不同线路。实验方案比对照方案分别节约下来0.5min、1.5min、0.7min、0.4min,分别占实验方案的4.5%、15.0%、7.5%、4.7%。
道路信息瞬息万变,虽然知道交通数据呈现周期性、时序性变化,但是对于医疗救护,做到预测精确和实时更新是十分必要的。利用RNN中的LSTM模型,本文对城市路网当中某些道路的交通数据,以5min为单位时间预测下一分钟的数据,并且做到实时更新。通过经处理分析后的以上数据,及时方便地通知急救车辆,可以帮助其更加快速的找到通往医院的路线,为挽救病患生命奠定良好的基础。
本发明的基于LSTM模型预测的急救车最优路线推荐方法一实施例中,提取交通路网中比较主要的交通数据包括平均运行时间、平均车速、总运行车辆数,其中运行时间、平均车速最能够体现某条道路的实通行能力,为急救车辆选择道路提供最为可靠的参考。
本发明的基于LSTM模型预测的急救车最优路线推荐方法一实施例中,以5min为单位时间预测下一分钟的交通数据,包括:
以5min为单位时间预测下一分钟的平均运行时间、平均车速、总运行车辆数的交通数据。
在此,基于LSTM的预测模型,确定某一区域内道路的交通数据包括平均运行时间(avgtraveltime)、平均车速(speed)、总运行车辆数(totalcount)。通过运用LSTM模型,本文算法可以基于以往五分钟为单位的数据基础预测下一分钟的道路的平均运行时间(avgtraveltime)、平均车速(speed)、总运行车辆数(totalcount)。
本发明的基于LSTM模型预测的急救车最优路线推荐方法一实施例中,所述总运行车辆数是某一条预设道路在单位时间内通过的车辆的总数,其中,同一条双向道路看作具有相反方向的两条道路。
本发明的基于LSTM模型预测的急救车最优路线推荐方法一实施例中,所述平均运行时间是指在某一条预设道路上、单位时间内通过的所有车辆行驶完全程所用的时间的平均数。
本发明的基于LSTM模型预测的急救车最优路线推荐方法一实施例中,所述平均车速是指在某一条预设道路上、单位时间内通过的所有车辆行驶完全程所用的速度的平均数。
图2是本文运用LSTM模型,预测出来的平均运行时间、平均车速、总运行车辆数统计图(其中深色为实际的数据,浅色为预测的数据)。因为平均运行时间、平均车速对优化路线选择统计运行时间更为重要,所以本申请重点分析平均运行时间、平均车速这两幅图。
本发明的基于LSTM模型预测的急救车最优路线推荐方法一实施例中,利用RNN中的LSTM模型,构建三层计算层次,包括:
构建基于LSTM的预测模型,确定所述LSTM的预测模型中的参数;
根据所述LSTM的预测模型中的参数,构建三层计算层次。
在此,Long Short Term网络(一般就叫做LSTM)是一种RNN特殊的类型,可以学习长期依赖信息。LSTM由Hochreiter&Schmidhuber(1997)提出,并在近期被Alex Graves进行了改良和推广。LSTM通过刻意的设计来避免长期依赖问题。记住长期的信息在实践中是LSTM的默认行为,而不是需要付出很大代价才能获得的能力。所有RNN都具有一种重复神经网络模块的链式的形式。在标准的RNN中,这个重复的模块只有一个非常简单的结构,例如一个“层”。LSTM同样是这样的结构,但是重复的模块拥有一个不同的结构。不同于单一神经网络层,这里是有四个,以一种非常特殊的方式进行交互如附图2所示。LSTM中的重复模块包含四个交互的层。为了使隐藏层的输出对下一个时刻的影响变得可控,LSTM引入了输入门,输出门的概念。
本发明的以一天当中的具有代表性的5个时间段作为背景,以相同的出发点和终点为条件开展实验。实验结果说明在道路通行顺畅时,对照方案和实验方案选取了相同的线路。而当处于一天当中较为繁忙的时间段,道路处于拥堵和缓慢通行的状态,对照方案和实验方案会选取不同线路。实验方案比对照方案分别节约下来0.5min、1.5min、0.7min、0.4min,分别占实验方案的4.5%、15.0%、7.5%、4.7%。通过经处理分析后的以上数据,及时方便地通知急救车辆,可以帮助其更加快速的找到通往医院的路线,为挽救病患生命奠定良好的基础。
在实际应用中,RNN模型存在着梯度消失和梯度***的问题。根据链式法则,输出误差对于输入层的偏导等于各层偏导的乘积。假设使用的是平均平方误差,则在时刻t,输出层ht-1的误差信号表示为:
vk(t)=f′k(netk(t))(dk(t)-yk(t))
其中,yi(t)=fi(neti(t))是表示非输入单元,fi是可微函数,
表示当前网络单元的输入,wij是单元j和i的之间权重。非输出单元j的反向误差信号为:
对于时间步长为q的RNN网络,在t-q时刻的误差可以通过以下递归函数来求解:
令lq=v,l0=u,上式可以进一步写:
由于梯度最终以乘积的形式得出,若乘式中的每一项(或大部分)都大于1,
则将导致梯度***;若每一项都小于1,
则随着乘法次数的增加,梯度会消失。梯度消失和梯度***都会严重影响学习的过程。为了避免梯度消失和梯度***,一个简单的做法是强制让流过每个神经元的误差都为1,即简单推导可以知道,f是一个线性函数。这样就保证了误差将以参数的形式在网络中流动,不会出现梯度***或者梯度消失的问题,把这样的结构称为CEC(constant errorcarousel)。但是这种做法存在着权重冲突的问题。
在标准的RNN中,这个重复的模块只有一个非常简单的结构,例如一个“tanh层”。LSTM同样是这样的结构,但是重复的模块拥有一个不同的结构。不同于单一神经网络层,这里是有四个,以一种非常特殊的方式进行交互。LSTM中的重复模块包含四个交互的层。为了使隐藏层的输出对下一个时刻的影响变得可控,LSTM引入了输入门,输出门的概念。LSTM的基本单元称为记忆元件(memory cell),它是在CEC的基础上扩展而成的,如图1、图2所示。
LSTM有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力,如图3所示。门是一种让信息选择性通过的方法。他们包含一个sigmoid神经网络层和一个pointwise乘法操作。Sigmoid层输出0到1之间的数值,描述每个部分有多少量可以通过。0代表“不许任何量通过”,1就指“允许任意量通过”。LSTM拥有三个门,来保护和控制细胞状态。
LSTM中的第一步是决定我们会从细胞状态中抛弃什么信息。这个决定通过一个称为“忘记门层”完成。该门会读取ht-1和xt,输出一个在0到1之间的数值给每个在细胞状态Ct-1中的数字。1表示“完全保留”,0表示“完全舍弃”。
ft=σ(Wf·[ht-1,xt]+bf) it=σ(Wi·[ht-1,xt]+bi)
下一步是确定什么样的新信息被存放在细胞状态中。这里包含两个部分。第一,sigmoid层称“输入门层”决定什么值我们将要更新,如图4所示。然后,一个tanh层创建一个新的候选值向量会被加入到状态中。下一步,Ct-1更新为Ct。前面的步骤已经决定了将会做什么,我们现在就是实际去完成。我们把旧状态与ft相乘,丢弃掉我们确定需要丢弃的信息。接着加上这就是新的候选值,根据我们决定更新每个状态的程度进行变化。
Ot=σ(Wo[ht-1,xt]+bo) ht=ot*tanh(Ct)
最终,我们需要确定输出什么值。这个输出将会基于我们的细胞状态,但是也是一个过滤后的版本。首先,我们运行一个sigmoid层来确定细胞状态的哪个部分将输出出去,如图5所示。接着,我们把细胞状态通tanh进行处理(得到一个在-1到1之间的值)并将它和sigmoid门的输出相乘,最终我们仅仅会输出我们确定输出的那部分。
接下来,本文确定误差的反向传播。首先,规定下标的表示如下:
k:输出单元
i:隐藏单元
Cj:第j个记忆元件块
第j个记忆元件块Cj中的第v个单元
l,m,u:任意的网络单元
t:给定输入序列所有的时间步长
在t时刻,LSTM的平方误差计算如下:
其中,tk(t)是输出单元k在t时刻的输出目标。在学习率为α的条件下,wlm基于梯度的更新如下:
将单元l在t时刻的误差(error)定义为:
使用标准的方向误差传播算法(backdrop)就可以计算出输出单元(output unit,l=k)、隐藏单元(hidden unit,l=i)、输出门单元(output gate unit,l=outj)的权重更新:
l=k(output):ek(t)=f′k(netk(t))(tk(t)-yk(t))
对于所有可能的单元l,时刻t对权重wlm所贡献的更新为:
△wlm(t)=αel(t)ym(t-1)
的计算式子中,可以发现输出门的计算公式为:其中是的函数,h与无关,根据求导法则,h被保留了下来,于是得到上式。
剩下的对输入门单元(l=inj)和记忆元件单元jv的更新与常规的单元会有些差别。定义内部状态的误差为:
虽然上式乍看之下形式有些复杂,但仔细分析可以发现,这与求输出门的梯度的情况是类似的,由于是与无关的项,所以在求导过程中被保留了下来。
由以上推导可以得到,当l=inj或者时的误差:
中间状态单元对于输入单元的权重的偏导可以计算如下:
因此,时刻t对更新的贡献为:
中间状态单元对于输入单元的权重的偏导可以计算如下:
因此,时刻t对更新的贡献为:
以上就是反向传播算法所需要使用到的等式。在更新权重的过程中,每个权重总的更新值是所有时刻t对w权重更新的贡献之和。
LSTM每次更新的计算复杂度为:o(KH+KCS+HI+CSI)=o(W)
其中,K表示输出单元的数量,C表示记忆元件块的数量,S>0表示记忆元件块的大小,H是隐藏单元的数量,I是与记忆元件、门单元和隐藏单元直接相连的单元的数量,而W=KH+KCS+CSI+2CI+HI=O(KH+KCS+CSI+HI)是权重的数量。
交通路网中比较主要的交通数据包括平均运行时间、平均车速、总运行车辆数,其中运行时间、平均车速最能够体现某条道路的实通行能力,为急救车辆选择道路提供最为可靠的参考。总运行车辆数是某一条道路在单位时间内通过的车辆的总数,本文认为同一条双向道路看作具有相反方向的两条道路。平均运行时间是指在某一条道路单位时间内通过的所有车辆行驶完全程所用的时间的平均数,而平均车速是指在某一条道路单位时间内通过的所有车辆行驶完全程所用的速度的平均数。
如图6a、6b、6c所示,本发明可以得到平均运行时间在500min(大约8:30am)达到第一个高峰-早高峰,大约持续60min(从8:00am持续到9:00am)。并在1080min(大约6:00pm)达到第二个高峰-晚高峰,持续时间大约为65min(从5:30pm持续到6:35pm)。平均运行时间曲线图的变化与总运行车辆数(即车流量)曲线图的变化呈现正相关的趋势。而平均车速曲线图在达到早高峰后持续震荡,基本维持在较高位,并最终在晚高峰结束后以较快速度下降。
急救车在接到急救电话之后,立即赶到电话描述的苏州市吴中区工业园区圆融时代广场N6地块F栋写字楼。目前提供的数据是基于对以往数据的处理和理解,无法对未来的交通数据做出预测。分时段地提出针对对照样本提出基于LSTM模型预测道路平均运行时间的道路选择方案(实验方案)。
表1高德地图推荐方案信息
方案1 | 方案2 | 方案3 | |
路线总长度/km | 2.60 | 2.70 | 2.60 |
路程总时间/mins | 8.0 | 8.0 | 8.5 |
途径红绿灯个数 | 7 | 6 | 7 |
通过运用LSTM模型,本文算法可以基于以往五分钟为单位的数据基础预测下一分钟的道路的平均运行时间、平均车速、总运行车辆数。本文给出了分时段的道路选择方案,如下表所示已有的城市道路根据预测的平均车速,划分为红色(拥堵)、黄色(缓慢通行)、绿色(顺畅),在地图中实线为对照方案,虚线为实验方案(路程总时间为方案中所有道路的平均运行时间之和)如图7所示。
表2对照方案和实验方案数据表格
对于急救车上的病人而言,时间就是生命,急救车能够早一分到达医院抢救,就多一份康复的希望,甚至是挽救生命。LSTM通过刻意的设计来避免长期依赖问题,基于以往五分钟为单位的数据基础预测下一分钟的道路的平均运行时间、平均车速、总运行车辆数。其中运行时间、平均车速最能够体现某条道路的实通行能力,为急救车辆选择道路提供最为可靠的参考。在上文案例中,本文以一天当中的具有代表性的5个时间段作为背景,以相同的出发点和终点为条件开展实验。实验结果说明在道路通行顺畅时,对照方案和实验方案选取了相同的线路。而当处于一天当中较为繁忙的时间段,道路处于拥堵和缓慢通行的状态,对照方案和实验方案会选取不同线路。实验方案比对照方案分别节约下来0.5min、1.5min、0.7min、0.4min,分别占实验方案的4.5%、15.0%、7.5%、4.7%。急性脑出血患者提前一分钟接受到治疗,就很有可能挽回生命。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (7)
1.一种基于LSTM模型预测的急救车最优路线推荐方法,其特征在于,包括:
利用RNN中的LSTM模型,构建三层计算层次,同时逐层确定记忆元件个数,根据城市路网当中预设道路的交通数据,以5min为单位时间预测下一分钟的交通数据;
根据预测的下一分钟的交通数据,进行急救车最优路线推荐。
2.如权利要求1所述的基于LSTM模型预测的急救车最优路线推荐方法,其特征在于,根据城市路网当中预设道路的交通数据,包括:
根据城市路网当中预设道路的平均运行时间、平均车速、总运行车辆数的交通数据。
3.如权利要求2所述的基于LSTM模型预测的急救车最优路线推荐方法,其特征在于,以5min为单位时间预测下一分钟的交通数据,包括:
以5min为单位时间预测下一分钟的平均运行时间、平均车速、总运行车辆数的交通数据。
4.如权利要求2或3所述的基于LSTM模型预测的急救车最优路线推荐方法,其特征在于,所述总运行车辆数是某一条预设道路在单位时间内通过的车辆的总数,其中,同一条双向道路看作具有相反方向的两条道路。
5.如权利要求2或3所述的基于LSTM模型预测的急救车最优路线推荐方法,其特征在于,所述平均运行时间是指在某一条预设道路上、单位时间内通过的所有车辆行驶完全程所用的时间的平均数。
6.如权利要求2或3所述的基于LSTM模型预测的急救车最优路线推荐方法,其特征在于,所述平均车速是指在某一条预设道路上、单位时间内通过的所有车辆行驶完全程所用的速度的平均数。
7.如权利要求1所述的基于LSTM模型预测的急救车最优路线推荐方法,其特征在于,利用RNN中的LSTM模型,构建三层计算层次,包括:
构建基于LSTM的预测模型,确定所述LSTM的预测模型中的参数;
根据所述LSTM的预测模型中的参数,构建三层计算层次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810665855.4A CN108876045A (zh) | 2018-06-25 | 2018-06-25 | 基于lstm模型预测的急救车最优路线推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810665855.4A CN108876045A (zh) | 2018-06-25 | 2018-06-25 | 基于lstm模型预测的急救车最优路线推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108876045A true CN108876045A (zh) | 2018-11-23 |
Family
ID=64294634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810665855.4A Pending CN108876045A (zh) | 2018-06-25 | 2018-06-25 | 基于lstm模型预测的急救车最优路线推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876045A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116072274A (zh) * | 2023-03-06 | 2023-05-05 | 四川互慧软件有限公司 | 一种救护车医护自动调派*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
US20150228188A1 (en) * | 2014-02-10 | 2015-08-13 | Here Global B.V. | Adaptive Traffic Dynamics Prediction |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
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*** |
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 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107944605A (zh) * | 2017-11-10 | 2018-04-20 | 河海大学常州校区 | 一种基于数据预测的动态交通路径规划方法 |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
-
2018
- 2018-06-25 CN CN201810665855.4A patent/CN108876045A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
US20150228188A1 (en) * | 2014-02-10 | 2015-08-13 | Here Global B.V. | Adaptive Traffic Dynamics Prediction |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
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*** |
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 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
CN107944605A (zh) * | 2017-11-10 | 2018-04-20 | 河海大学常州校区 | 一种基于数据预测的动态交通路径规划方法 |
Non-Patent Citations (1)
Title |
---|
张威威等: "基于深度学习的城市道路旅行时间预测", 《***仿真学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116072274A (zh) * | 2023-03-06 | 2023-05-05 | 四川互慧软件有限公司 | 一种救护车医护自动调派*** |
CN116072274B (zh) * | 2023-03-06 | 2023-06-13 | 四川互慧软件有限公司 | 一种救护车医护自动调派*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112216108B (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN107103758B (zh) | 一种基于深度学习的城市区域交通流量预测方法 | |
CN110969854A (zh) | 一种交通流量的预测方法、***及终端设备 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
Liu et al. | A hybrid short-term traffic flow forecasting method based on neural networks combined with K-nearest neighbor | |
Liu et al. | An oriented spanning tree based genetic algorithm for multi-criteria shortest path problems | |
Chen et al. | Using a weight-assessing model to identify route choice criteria and information effects | |
CN107609769B (zh) | 一种基于故障基因表的智能配电网故障预警方法 | |
CN113780665B (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和*** | |
CN112766600A (zh) | 一种城市区域人群流量预测方法及*** | |
CN106487707A (zh) | 一种电力通信虚拟容错网络映射方法及装置 | |
CN114021809A (zh) | 一种无人驾驶用交通流量预测的图层级卷积神经网络模型 | |
CN115640337A (zh) | 针对符号图网络的异常数据预测方法、***及相关设备 | |
CN108876045A (zh) | 基于lstm模型预测的急救车最优路线推荐方法 | |
CN106709833A (zh) | 一种基于大数据的校车路径优化方法 | |
CN113192325B (zh) | 一种交通事件相关性分析方法及*** | |
CN113848928A (zh) | 一种基于改进时空图卷积神经网络的救护车路线规划方法 | |
Cosido et al. | Automatic calculation of bicycle routes by combining meta-heuristics and GIS techniques within the framework of smart cities | |
CN115472023B (zh) | 一种基于深度强化学习的智能交通灯控制方法及装置 | |
CN114973640B (zh) | 交通流量的预测方法、装置及*** | |
CN115762147A (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN115018122A (zh) | 一种基于大数据的公共交通出行激励方案优化方法 | |
CN115512554B (zh) | 参数模型训练及交通信号控制方法、装置、设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |