CN109636049B - 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 - Google Patents
一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 Download PDFInfo
- Publication number
- CN109636049B CN109636049B CN201811552071.7A CN201811552071A CN109636049B CN 109636049 B CN109636049 B CN 109636049B CN 201811552071 A CN201811552071 A CN 201811552071A CN 109636049 B CN109636049 B CN 109636049B
- Authority
- CN
- China
- Prior art keywords
- road
- network
- congestion index
- semantic
- road network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000000306 recurrent effect Effects 0.000 claims abstract description 7
- 230000007774 longterm Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
Images
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"
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法,包括以下步骤:(1)基于道路网络的空间拓扑结构建立一个无向图;(2)首先计算道路历史拥堵指数数据间相似度,然后基于该相似度建立一个加权无向图,最后对该加权无向图进行嵌入得到表征道路的语义向量;(3)基于图卷积网络抽取短期拥堵指数变化特征,基于循环神经网络抽取长期拥堵指数变化特征,在此基础上融合道路语义向量建立预测模型。本发明同时考虑道路网络的空间拓扑关联和历史语义关联,提高了模型的预测能力;采用图卷积网络对道路网络拓扑结构建模,采用图嵌入对道路网络语义关联建模,使得道路网络拓扑结构和语义关联可以被深度神经网络处理。
Description
技术领域
本发明涉及机器学习技术,具体涉及一种拥堵指数预测方法。
背景技术
智能交通***可通过线圈、微波、摄像头等设备采集道路的平均车速,进而计算道路的拥堵指数,而拥堵指数预测指根据道路的历史拥堵指数预测其未来拥堵指数。拥堵指数预测对出行规划、交通管控等都具有重要的意义。
拥堵指数预测方法主要包括知识驱动的方法和数据驱动的方法。知识驱动的方法是一种较为传统的方法,主要通过模拟车辆的运行实现预测。数据驱动的方法是一种基于先进的机器学习技术实现预测的方法。由于拥堵指数是一种时间序列数据,现有数据驱动的方法主要采用时序模型对其进行学习从而实现预测,包括传统的时序模型(如ARIMA、Kalman滤波器等)和基于深度学习的时序模型(如LSTM、GRU等)。
然而,现有用于拥堵指数预测的时序模型最大的不足在于:只考虑了道路拥堵指数的时间关联,未考虑道路本身的空间关联。首先,道路网络的拓扑结构是一种最直观的空间关联,如连通道路间的车流有较强的相互影响。其次,道路间存在语义关联,如同样类型区域(如商业区、景区等)内的道路通常具有较为相似的拥堵指数变化趋势。因此,在先进的深度学习模型中同时考虑上述空间关联和时间关联,可有效地提高模型的预测性能。
发明内容
针对现有拥堵指数预测方法的预测性能较差的不足,本发明提出了一种预测性能较强的结合道路网络拓扑结构与语义关联的拥堵指数预测方法。
本发明解决其技术问题所采用的技术方案是:
一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法,包括以下步骤:
(1)道路网络拓扑结构图构建:基于道路网络的空间拓扑结构建立一个无向图;
(2)道路网络语义关联图构建:首先计算道路历史拥堵指数数据间相似度,然后基于该相似度建立一个加权无向图,最后对该加权无向图进行嵌入得到表征道路的语义向量;
(3)基于混合深度神经网络的预测模型构建:基于图卷积网络抽取短期拥堵指数变化特征,基于循环神经网络抽取长期拥堵指数变化特征,在此基础上融合道路语义向量建立预测模型。
进一步,所述步骤(1)中,道路网络拓扑结构图构建的过程如下:
(1-1)道路网络拓扑结构图建立:首先,将道路网络中每条道路Ri创建为一个节点。然后,若车辆能从道路Ri直接到达道路Rj或从道路Rj直接到达道路Ri,则在节点Ri和节点Rj之间创建一条边,记最后建立的无向图为TG;
(1-2)道路网络拓扑结构图表示:采用一个邻接矩阵表示TG。
再进一步,所述步骤(2)中,道路网络语义关联图构建的过程如下:
(2-1)历史拥堵指数向量距离计算:对每条道路Ri,首先,对Ri的历史拥堵指数按周进行分割;然后,对Ri每周的历史拥堵指数进行平均,得到历史拥堵指数向量CVi;最后,基于DTW算法(动态时间归整算法)计算任意两个历史拥堵指数向量CVi和CVj的距离dist(CVi,CVj);
(2-2)道路网络语义关联图建立:首先,将任意两个历史拥堵指数向量的距离dist(CVi,CVj)转化为相似度sim(CVi,CVj)=exp(-dist(CVi,CVj));然后,将道路网络中每条道路Ri创建为一个节点,若sim(CVi,CVj)>相似度阈值δ,则在节点Ri和节点Rj之间创建一条边,其权重wij=sim(CVi,CVj);记最后建立的加权无向图为SG;
(2-3)道路语义向量生成:采用图嵌入算法对SG进行表征学习,得到表征每条道路的语义向量,则整个道路网络的语义矩阵为SM。
更进一步,所述步骤(3)中,基于混合深度神经网络的预测模型构建的过程如下:
(3-1)训练样本集构建:假定训练样本St当前时刻为t,预测间隔为g,则St=(WDt,Xt),其中,WDt为St的数据部分,跨度为一周,表示为一个N×(168×d1)维的矩阵,其中,d1为每条道路在1小时内的拥堵指数采样个数,WDt[i]代表道路Ri在t前一周的拥堵指数向量,Xt为St的标注部分,表示为一个N维向量,Xt[i]为道路Ri在t+g时刻的真实拥堵指数,对道路网络的历史拥堵指数数据进行分割得到大量训练样本,从而建立训练样本集;
(3-2)预测模型构建:融合图卷积网络、循环神经网络和道路语义向量构建预测模型,对网络结构的解释如下:
输入层:网络的输入为样本St的数据部分WDt,将WDt以1小时为单位分割成168个N×d1维的小矩阵WDt1,WDt2,...,WDt168;
卷积层:对每个小矩阵WDtk,将其和TG一起输入一个图卷积网络(GCN),该图卷积网络的输出为一个N×d2维的矩阵,则卷积层的最终输出为一个包含了168个N×d2维矩阵的序列;
循环层:将卷积层的输出输入一个长短期记忆网络(LSTM),每个N×d2维矩阵输入一个长短期记忆网络单元,则长短期记忆网络的输出为一个包含了168个N×d3维矩阵的序列,取最后一个N×d3维矩阵作为循环层的输出;
融合层:将循环层的输出与道路网络语义矩阵SM进行横向拼接,得到一个N×(d3+k)维的矩阵作为输出;
输出层:首先将融合层的输出输入一个全连接层,然后将全连接层的输出输入一个softmax层,最终softmax层的输出为一个N维向量Yt,其中,Yt[i]代表为道路Ri在t+g时刻的预测拥堵指数。
本发明的有益效果主要表现在:(1)同时考虑道路网络的空间拓扑关联和历史语义关联,提高了模型的预测能力。(2)采用图卷积网络对道路网络拓扑结构建模,采用图嵌入对道路网络语义关联建模,使得道路网络拓扑结构和语义关联可以被深度神经网络处理。
附图说明
图1为结合道路网络拓扑结构与语义关联的拥堵指数预测方法流程图;
图2为道路网络拓扑结构图实例图;
图3为混合深度神经网络结构图。
具体实施方式
下面将结合附图对本发明做进一步描述。
参照图1~图3,一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法,包括以下步骤:
(1)道路网络拓扑结构图构建:基于道路网络的空间拓扑结构建立一个无向图;
(2)道路网络语义关联图构建:首先计算道路历史拥堵指数数据间相似度,然后基于该相似度建立一个加权无向图,最后对该加权无向图进行嵌入得到表征道路的语义向量;
(3)基于混合深度神经网络的预测模型构建:基于图卷积网络抽取短期拥堵指数变化特征,基于循环神经网络抽取长期拥堵指数变化特征,在此基础上融合道路语义向量建立预测模型。
所述步骤(1)中,道路网络拓扑结构图构建的过程如下:
(1-1)道路网络拓扑结构图建立:首先,将道路网络中每条道路Ri创建为一个节点;然后,若车辆能从道路Ri直接到达道路Rj或从道路Rj直接到达道路Ri,则在节点Ri和节点Rj之间创建一条边,记最后建立的无向图为TG,图2给出了一个实例(其中,图2(a)为道路网络拓扑结构,图2(b)为建立的无向图)。
(1-2)道路网络拓扑结构图表示:采用一个N×N维的邻接矩阵TM表示TG其中,N为道路的条数,若节点Ri和节点Rj之间存在边,则TM[i][j]=1;反之TM[i][j]=0。
所述步骤(2)中,道路网络语义关联图构建的过程如下:
(2-1)历史拥堵指数向量距离计算:对每条道路Ri,首先,对Ri的历史拥堵指数按周进行分割,得到CVi1=<c11,c12,...,c1n>,...,CVim=<cm1,cm2,...,cmn>,其中CVij为历史第j周的拥堵指数向量,cjk为历史第j周第k个时刻的拥堵指数。然后,对Ri每周的历史拥堵指数进行平均,得到历史拥堵指数向量CVi=<c1,c2,...,cn>,其中ck=(c1k+c2k+...+cmk)/m;最后,基于DTW算法(动态时间归整算法)计算任意两个历史拥堵指数向量CVi和CVj的距离dist(CVi,CVj);
(2-2)道路网络语义关联图建立:首先,将任意两个历史拥堵指数向量的距离dist(CVi,CVj)转化为相似度sim(CVi,CVj)=exp(-dist(CVi,CVj));然后,将道路网络中每条道路Ri创建为一个节点,若sim(CVi,CVj)>相似度阈值δ,则在节点Ri和节点Rj之间创建一条边,其权重wij=sim(CVi,CVj)。记最后建立的加权无向图为SG;
(2-3)道路语义向量生成:采用图嵌入算法(如node2vec、LINE)对SG进行表征学习,得到表征每条道路的k维语义向量,则整个道路网络的语义矩阵为SM,其中,SM的维度为N×k,SM[i]为道路Ri的语义向量。
所述步骤(3)中,基于混合深度神经网络的预测模型构建的过程如下:
(3-1)训练样本集构建:假定训练样本St当前时刻为t,预测间隔为g,则St=(WDt,Xt),其中,WDt为St的数据部分,跨度为一周,表示为一个N×(168×d1)维的矩阵,其中,d1为每条道路在1小时内的拥堵指数采样个数,WDt[i]代表道路Ri在t前一周的拥堵指数向量,Xt为St的标注部分,表示为一个N维向量,Xt[i]为道路Ri在t+g时刻的真实拥堵指数,对道路网络的历史拥堵指数数据进行分割得到大量训练样本,从而建立训练样本集;
(3-2)预测模型构建:融合图卷积网络、循环神经网络和道路语义向量构建预测模型,其网络结构如图3所示,对网络结构的解释如下:
输入层:网络的输入为样本St的数据部分WDt,将WDt以1小时为单位分割成168个N×d1维的小矩阵WDt1,WDt2,...,WDt168;
卷积层:对每个小矩阵WDtk,将其和TG一起输入一个图卷积网络(GCN),其中,WDtk[i]为TG中节点Ri的特征向量,该图卷积网络的输出为一个N×d2维的矩阵,则卷积层的最终输出为一个包含了168个N×d2维矩阵的序列;
循环层:将卷积层的输出输入一个长短期记忆网络(LSTM),每个N×d2维矩阵输入一个长短期记忆网络单元,则长短期记忆网络的输出为一个包含了168个N×d3维矩阵的序列,取最后一个N×d3维矩阵作为循环层的输出;
融合层:将循环层的输出与道路网络语义矩阵SM进行横向拼接,得到一个N×(d3+k)维的矩阵作为输出;
输出层:首先将融合层的输出输入一个全连接层,然后将全连接层的输出输入一个softmax层,最终softmax层的输出为一个N维向量Yt,其中,Yt[i]代表为道路Ri在t+g时刻的预测拥堵指数。
Claims (1)
1.一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法,其特征在于,所述方法包括以下步骤:
(1)道路网络拓扑结构图构建:基于道路网络的空间拓扑结构建立一个无向图;
(2)道路网络语义关联图构建:首先计算道路历史拥堵指数数据间相似度,然后基于该相似度建立一个加权无向图,最后对该加权无向图进行嵌入得到表征道路的语义向量;
(3)基于混合深度神经网络的预测模型构建:基于图卷积网络抽取短期拥堵指数变化特征,基于循环神经网络抽取长期拥堵指数变化特征,在此基础上融合道路语义向量建立预测模型;
所述步骤(1)中,道路网络拓扑结构图构建的过程如下:
(1-1)道路网络拓扑结构图建立:首先,将道路网络中每条道路Ri创建为一个节点;然后,若车辆能从道路Ri直接到达道路Rj或从道路Rj直接到达道路Ri,则在节点Ri和节点Rj之间创建一条边,记最后建立的无向图为TG;
(1-2)道路网络拓扑结构图表示:采用一个邻接矩阵表示TG;
所述步骤(2)中,道路网络语义关联图构建的过程如下:
(2-1)历史拥堵指数向量距离计算:对每条道路Ri,首先,对Ri的历史拥堵指数按周进行分割;然后,对Ri每周的历史拥堵指数进行平均,得到历史拥堵指数向量CVi;最后,基于DTW算法(动态时间归整算法)计算任意两个历史拥堵指数向量CVi和CVj的距离dist(CVi,CVj);
(2-2)道路网络语义关联图建立:首先,将任意两个历史拥堵指数向量的距离dist(CVi,CVj)转化为相似度sim(CVi,CVj)=exp(-dist(CVi,CVj));然后,将道路网络中每条道路Ri创建为一个节点,若sim(CVi,CVj)>相似度阈值δ,则在节点Ri和节点Rj之间创建一条边,其权重wij=sim(CVi,CVj);记最后建立的加权无向图为SG;
(2-3)道路语义向量生成:采用图嵌入算法对SG进行表征学习,得到表征每条道路的k维语义向量,则整个道路网络的语义矩阵为SM,其中,SM的维度为N×k;
所述步骤(3)中,基于混合深度神经网络的预测模型构建的过程如下:
(3-1)训练样本集构建:假定训练样本St,当前时刻为t,预测间隔为g,则St=(WDt,Xt),其中,WDt为St的数据部分,跨度为一周,表示为一个N×(168×d1)维的矩阵,其中,d1为每条道路在1小时内的拥堵指数采样个数,WDt[i]代表道路Ri在t前一周的拥堵指数向量,Xt为St的标注部分,表示为一个N维向量,Xt[i]为道路Ri在t+g时刻的真实拥堵指数,对道路网络的历史拥堵指数数据进行分割得到大量训练样本,从而建立训练样本集;
(3-2)预测模型构建:融合图卷积网络、循环神经网络和道路语义向量构建预测模型,对网络结构的解释如下:
输入层:网络的输入为样本St的数据部分WDt,将WDt以1小时为单位分割成168个N×d1维的小矩阵WDt1,WDt2,...,WDt168;
卷积层:对每个小矩阵WDtk,将其和TG一起输入一个图卷积网络,该图卷积网络的输出为一个N×d2维的矩阵,则卷积层的最终输出为一个包含了168个N×d2维矩阵的序列;
循环层:将卷积层的输出输入一个长短期记忆网络,每个N×d2维矩阵输入一个长短期记忆网络单元,则长短期记忆网络的输出为一个包含了168个N×d3维矩阵的序列,取最后一个N×d3维矩阵作为循环层的输出;
融合层:将循环层的输出与道路网络语义矩阵SM进行横向拼接,得到一个N×(d3+k)维的矩阵作为输出;
输出层:首先将融合层的输出输入一个全连接层,然后将全连接层的输出输入一个softmax层,最终softmax层的输出为一个N维向量Yt,其中,Yt[i]代表为道路Ri在t+g时刻的预测拥堵指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552071.7A CN109636049B (zh) | 2018-12-19 | 2018-12-19 | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552071.7A CN109636049B (zh) | 2018-12-19 | 2018-12-19 | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636049A CN109636049A (zh) | 2019-04-16 |
CN109636049B true CN109636049B (zh) | 2021-10-29 |
Family
ID=66075368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811552071.7A Active CN109636049B (zh) | 2018-12-19 | 2018-12-19 | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636049B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110459051B (zh) * | 2019-06-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、终端设备及存储介质 |
CN110276553B (zh) * | 2019-06-24 | 2021-08-17 | 西南交通大学 | 城市轨道交通车站拥堵指数检测方法 |
CN110909942B (zh) * | 2019-11-27 | 2022-07-19 | 第四范式(北京)技术有限公司 | 训练模型的方法及***和预测序列数据的方法及*** |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、***及终端设备 |
CN113160545B (zh) * | 2020-01-22 | 2024-06-11 | 阿里巴巴集团控股有限公司 | 路网数据处理方法、装置与设备 |
CN111371609B (zh) * | 2020-02-28 | 2021-07-02 | 同济大学 | 基于深度学习的车联网连通预测方法 |
CN111833600B (zh) * | 2020-06-10 | 2022-07-08 | 北京嘀嘀无限科技发展有限公司 | 通行时间预测方法、装置及数据处理设备 |
CN111932871B (zh) * | 2020-06-28 | 2021-06-29 | 银江股份有限公司 | 一种区域级实时交通控制策略推荐***及方法 |
US20220019887A1 (en) * | 2020-07-14 | 2022-01-20 | International Business Machines Corporation | Anomaly detection in network topology |
CN112101132B (zh) * | 2020-08-24 | 2022-04-19 | 西北工业大学 | 一种基于图嵌入模型和度量学习的交通状况预测方法 |
CN112651665B (zh) * | 2021-01-14 | 2022-12-20 | 浙江鸿程计算机***有限公司 | 一种基于图神经网络的地表水水质指标预测方法和装置 |
CN113112792A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于语义信息的多模块交通密集度预测方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
CN113283665B (zh) * | 2021-06-10 | 2022-07-19 | 北京邮电大学 | 一种基于路网的城市交通事故风险预测方法 |
CN113470048B (zh) * | 2021-07-06 | 2023-04-25 | 北京深睿博联科技有限责任公司 | 场景分割方法、装置、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060092909A (ko) * | 2004-11-16 | 2006-08-23 | 마이크로소프트 코포레이션 | 확률적 상호 의존 관계 및 정황 데이터의 모델링 및 분석을이용하는 교통 예측 |
CN108073941A (zh) * | 2016-11-17 | 2018-05-25 | 江南大学 | 一种基于深度学习的图像语义生成方法 |
CN108320506A (zh) * | 2018-02-05 | 2018-07-24 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6542808B2 (en) * | 1999-03-08 | 2003-04-01 | Josef Mintz | Method and system for mapping traffic congestion |
-
2018
- 2018-12-19 CN CN201811552071.7A patent/CN109636049B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060092909A (ko) * | 2004-11-16 | 2006-08-23 | 마이크로소프트 코포레이션 | 확률적 상호 의존 관계 및 정황 데이터의 모델링 및 분석을이용하는 교통 예측 |
CN108073941A (zh) * | 2016-11-17 | 2018-05-25 | 江南大学 | 一种基于深度学习的图像语义生成方法 |
CN108320506A (zh) * | 2018-02-05 | 2018-07-24 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109636049A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
CN111785045B (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN114519932B (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN113705636B (zh) | 一种自动驾驶车辆轨迹预测方法、装置及电子设备 | |
CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
CN113362368B (zh) | 一种基于多层次时空图神经网络的人群轨迹预测方法 | |
CN113673749B (zh) | 车辆行人地图轨迹预测方法及装置 | |
Sun et al. | Exploration on spatiotemporal data repairing of parking lots based on recurrent GANs | |
CN115051925B (zh) | 一种基于迁移学习的时空序列预测方法 | |
CN115526316A (zh) | 一种结合图神经网络的知识表示和预测方法 | |
CN116859985A (zh) | 一种四旋翼自动追踪功能实现方法 | |
CN115273029A (zh) | 一种基于异构图卷积网络的智能体运动预测方法 | |
Ye et al. | Neural network‐based semantic segmentation model for robot perception of driverless vision | |
CN115331460B (zh) | 一种基于深度强化学习的大规模交通信号控制方法及装置 | |
CN114912719B (zh) | 一种基于图神经网络的异质交通个体轨迹协同预测方法 | |
Shi et al. | A novel model based on deep learning for Pedestrian detection and Trajectory prediction | |
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 | |
Kumar et al. | Traffic density estimation using progressive neural architecture search | |
CN113762043A (zh) | 异常轨迹识别方法及装置 | |
CN114972429A (zh) | 云边协同自适应推理路径规划的目标追踪方法和*** | |
Li et al. | Personalized trajectory prediction for driving behavior modeling in ramp-merging scenarios | |
Jiang et al. | Optimizing the Placement of Roadside LiDARs for Autonomous Driving | |
Lei et al. | Digital twin‐based multi‐objective autonomous vehicle navigation approach as applied in infrastructure construction |
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 |