CN110110877A - 交通流量短时预测方法及***、存储介质、电子设备 - Google Patents
交通流量短时预测方法及***、存储介质、电子设备 Download PDFInfo
- Publication number
- CN110110877A CN110110877A CN201811290167.0A CN201811290167A CN110110877A CN 110110877 A CN110110877 A CN 110110877A CN 201811290167 A CN201811290167 A CN 201811290167A CN 110110877 A CN110110877 A CN 110110877A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- magnitude
- short
- term
- 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
- 238000013459 approach Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通流量短时预测方法,包括:通过物联网的方式,采集交通道路车辆通行量的时序数据;利用小波分析与高斯过程回归相结合的方法对采集的时序数据处理;建立短时交通流量的预测模型进行预测输出;本发明还涉及交通流量短时预测***、存储介质、电子设备。本发明通过小波分析与高斯过程回归相结合的方法建立稳定的预测模型,并通过物联网以及开源Hadoop架构,实现短时交通流量的程序化预测与查询,提高流量预测的精度与查询效率。
Description
技术领域
本发明涉及交通流量短时预测方法,尤其涉及交通领域,具体是指一种交通流量短时预测方法及***。
背景技术
随着人民生活水平以及汽车行业的不断发展,交通越来越拥挤。如何解决城市的交通拥挤和拥堵,已经成为了城市管理中迫在眉睫的问题。
短时交通流量的预测在交通***的调节中具有重要的作用。通过短时交通流量的预测,能够及时有效的交通诱导措施,减少拥挤道路的车辆通过量,增加空闲道路的车辆容纳量,从而缓解整体道路的拥挤程度。通过短时交通流量的预测,可提高交通的通行效率。因此,短时交通流量预测对于减小交通延误,提高道路服务水平有着非常重要的现实意义,其预测模型的研究成为近几十年来热点问题。
目前短时交通流预测的方法总的归纳起来,主要有神经网络、支持向量机、非参数回归法以及时间序列建模等。大部分方法都没有考虑到模型的不确定性。目前急需一种稳定的交通流量短时预测方法。
发明内容
为了克服现有技术的不足,本发明提出的一种基于小波分析与高斯过程回归的交通流量短时预测方法。
本发明提供交通流量短时预测方法,包括以下步骤:
参数采集,通过物联网采集交通道路车辆通行量的时序数据作为初始数据;
模型训练,初始数据做预处理得到输入输出数据对,采用小波分析的方法对输入数据进行小波分析得到分解系数并提取时序数据特征;将分解系数作为输入,交通流量的短时预测值作为输出,建立高斯过程回归模型并训练;
流量预测,实时采集交通道路车辆通行量的时序数据并进行预处理,得到测试输入,将测试输入导入高斯过程回归模型进行预测,获得交通流量短时的预测输出。
优选地,所述预处理包括:采用归一化处理通道路车辆通行量的时序数据,并用时间窗方法构建输入输出数据对。
优选地,所述小波分析基函数采用如下离散Haar变换:
优选地,流量预测具体包括以下步骤:
实时数据采集,通过物联网获取实时的交通道路车辆通行量的时序数据,得到训练样本
实时数据预处理,通过对时间序列进行小波分析,提取时间窗为{x(t),x(t+1),…,x(t+w)},得到N-w组数据;
交通流量短时预测,通过Haar变换,获取时间序列窗{x(t),x(t+1,…,xt+w}的{SJk,DJk,DJ-1k,DJ-2k,…,D1k}k=tt+w,并以此为输入,记为Ut,w,共有N-w组输入,记为输出为未来时刻的流量值,记为x(t+w+1),共有N-w组输入数据,记为利用N-w对输入输出数据,通过高斯过程回归建模,得到测试输入数据{x*(t),x*(t+1),…,x*(t+w)},记为X*(t)的,预测输出为
其中,k(.)表示为协方差函数。
优选地,交通流量短时预测中还得到预测的方差:
其中,k(.)表示为协方差函数。
优选地,用户侧通过发送查询指令查询所述预测输出。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行交通流量短时预测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行交通流量短时预测方法。
交通流量短时预测***,包括用户侧、网络侧、处理侧、数据侧;其中,
所述用户侧用于发起交通流量查询指请求,接收并显示交通流量短时预测输出;
所述网络侧用于接收交通流量查询指请求,与用户侧、处理侧建立连接,调用处理侧的预测输出并返回至所述用户侧;
所述处理侧用于读取数据侧的数据库服务器的实时和历史交通流量数据,生成并存储预测输出,等待所述网络侧调用;
所述数据侧用于采集并存储交通流量数据,其中,交通流量数据包括车流量、平均车速、占有率、交通密度。
优选地,所述用户侧配置有Ajax引擎。
相比现有技术,本发明的有益效果在于:
本发明提供一种基于小波分析与高斯过程回归的交通流量短时预测方法,主要包括:通过物联网的方式,采集交通道路车辆通行量的时序数据;利用小波分析与高斯过程回归相结合的方法对采集的时序数据处理;建立短时交通流量的预测模型进行预测输出;本发明还涉及交通流量短时预测***、存储介质、电子设备。本发明通过小波分析与高斯过程回归相结合的方法建立稳定的预测模型,并通过物联网以及开源Hadoop架构,实现短时交通流量的程序化预测与查询,提高流量预测的精度与查询效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的交通流量短时预测方法流程示意图;
图2为本发明的交通流量短时预测***架构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
交通流量短时预测方法,如图1所示,包括以下步骤:
参数采集,通过物联网采集交通道路车辆通行量的时序数据作为初始数据;在一实施例中,结合1、图2所示,步骤S1,通过WEB服务器对道路的交通流量传感器进行远程配置,采集交通流量传感器的参数,形成交通流量的时序数据并存储在数据侧的数据库中。
模型训练,初始数据做预处理得到输入输出数据对,采用小波分析的方法对输入数据进行小波分析得到分解系数并提取时序数据特征;将分解系数作为输入,交通流量的短时预测值作为输出,建立高斯过程回归模型并训练;具体地,在一实施例中,如图1所示,包括步骤:
S2、初始数据预处理,采用归一化处理通道路车辆通行量的时序数据,并用时间窗方法构建输入输出数据对;例如,对训练时间序列进行归一化预处理,
这里,x(k)表示k时刻的交通流量,表示该时间序列的平均值,σ表示方差,若训练样本为提取时间窗为{x(t),x(t+1),…,x(t+w)},因此一共有N-w组数据。
S3、小波分析,确定分量,需要说明的是,交通流量数据存在非稳定性,采用传统的傅里叶变换无法对非稳定的时序数据进行处理,在一实施例中,所述小波分析基函数采用如下离散Haar变换:
其中,分解的结果表示小波系数的2个矢量,用于低频和高频的缩放系数,与1级高频有关的系数是由D1表示,低频系数由S1表示;S1系数进一步分解为D2和S2,趋势系数S2进一步分解为D3和S3;由此,通过小波分解得到一系列系数,如第J层,可得到{SJ,DJ,DJ-1,DJ-2,…,D1};通过离散小波分析,提取流量时间序列的特征,得到
这里,
dj,t=∫x(t)ψj,k(t)dt。
S4、建立高斯过程回归模型,完成训练过程;采用小波分解后的历史交通流量的时序数据建立高斯过程回归模型,并对其进行训练;例如,通过时间序列窗{x(t),x(t+1),…,x(t+w)}的并以此为输入,记为Ut,w,共有N-w组输入,记为输出为未来时刻的流量值,记为x(t+w+1),共有N-w组输入数据,记为利用N-w对输入输出数据,通过高斯过程回归建模,得到训练输入数据{x*(t),x*(t+1,…,x*t+w},记为X*t,训练输出为
;其中,k(.)表示为协方差函数。
流量预测,实时采集交通道路车辆通行量的时序数据并进行预处理,得到测试输入,将测试输入导入高斯过程回归模型进行预测,获得交通流量短时的预测输出。
在一实施例中,如图1所示,流量预测具体包括以下步骤:
S5、实时数据采集,通过物联网获取实时的交通道路车辆通行量的时序数据,得到训练样本
S6、实时数据预处理,通过对时间序列进行小波分析,提取时间窗为{x(t),x(t+1),…,x(t+w)},得到N-w组数据;
S7、交通流量短时预测,通过Haar变换,获取时间序列窗{x(t),x(t+1,…,xt+w}的{SJk,DJk,DJ-1k,DJ-2k,…,D1k}k=tt+w,并以此为输入,记为Ut,w,共有N-w组输入,记为输出为未来时刻的流量值,记为x(t+w+1),共有N-w组输入数据,记为利用N-w对输入输出数据,通过高斯过程回归建模,得到测试输入数据{x*(t),x*(t+1),…,x*(t+w)},记为X*(t)的,预测输出为
其中,k(.)表示为协方差函数,一般可以采用SE(squared exponential)函数。
应当理解,S5-S7的过程为即时请求即时响应的循环,通过不断的获取最新的交通流量数据,实时生成基于当前数据的短时预测,并通过建立数据库以及APP程序,实现短时交通流量的预测与查询,便于用户即时使用。
在一实施例中,交通流量短时预测中还得到预测的方差:
其中,k(.)表示为协方差函数,一般可以采用SE(squared exponential)函数。
在一实施例中,用户侧通过发送查询指令查询所述预测输出,用户可通过APP或者网页查询实时的交通流量短时预测输出。
一种电子设备,包括:处理器;存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行交通流量短时预测方法。一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行交通流量短时预测方法。
交通流量短时预测***,由于城市交通道路繁多,数据量庞大,在本实施了中采用物联网以及开源Hadoop架构,通过建立数据库以及APP程序,实现短时交通流量的预测与查询;Hadoop实现一个分布式文件***(Hadoop Distributed File System),简称HDFS。HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据,适合那些有着超大数据集(large data set)的应用程序;HDFS放宽了(relax)POSIX的要求,可以以流的形式访问(streaming access)文件***中的数据。
如图2所示,包括用户侧、网络侧、处理侧、数据侧;其中,
所述用户侧用于发起交通流量查询指请求,接收并显示交通流量短时预测输出;在一实施例中,用户侧可通过APP或浏览器呈现的用户界面进行交互。
所述网络侧用于接收交通流量查询指请求,与用户侧、处理侧建立连接,调用处理侧的预测输出并返回至所述用户侧;在一实施例中,网络侧配置成WEB服务器,包括URL映射器、表现层。
所述处理侧用于读取数据侧的数据库服务器的实时和历史交通流量数据,生成并存储预测输出,等待所述网络侧调用;在一实施例中,网络侧配置成数据集成服务器,包括业务逻辑层、数据存取层;其中,业务逻辑层内配置有基于小波分析与高斯过程的预测算法的交通流量短时预测模块;
所述数据侧用于采集并存储交通流量数据,其中,交通流量数据包括车流量、平均车速、占有率、交通密度。无线物联网交通流量数据通过物联网数据采集***采集,包括但不限于信号接收处理模块、特征建模模块、优化运行模块,其构建可由使用者根据实际情况完成。
在一实施例中,道路的流量数据通过无线物联网方式进行获取,用户可以直接通过手机APP去向WEB服务器发送请求,WEB服务器接收到请求后,与数据库服务器连接,读取数据库服务器的资源,并动态的显示在用户的APP界面上。WEB服务器的包含但不限于:道路流量传感器的远程配置、数据信息的采集存储、实时和历史曲线显示、数据查询及备份、用户管理。本实施例中应用的数据库管理***为MySQL数据库,并结合使用SQL(StructuredQuery Language)语句来对***数据库数据进行添加、删除、修改等操作。MySQL是一个开放源码的小型关联式数据库管理***。***远程监控***的web服务器程序的开发是采用Django框架实现,并且采用AJAX技术实现页面的局部动态刷新。Django是一款基于Python语言及MVC设计模式实现的Web应用开发框架。MVC设计模式适用于大型可扩展的Web应用开发,它将客户端请求、请求处理、服务器响应划分为模型、视图、控制器3个部分。其中,模型(Model)主要负责后台数据库操作;视图负责响应页面的呈现;控制器接收用户请求,根据请求访问模型获取数据,并调用视图显示这些数据。控制器将模型和视图隔离,并成为二者之间的枢纽。Django对传统的MVC设计模式进行了改进,将视图分成View模块和Template模块两部分,将动态的逻辑处理与静态的页面展现分离开;而Model采用了ORM技术,将关系型数据库表抽象成面向对象的Python类,将表操作转换成类操作,避免了复杂的SQL语句编写;AJAX(Asynchronous JavaScript and XML)是一种用于创建交互式web应用的开发技术,它并不是一种新的编程语言,而是几种已经存在的一系列相关技术的有机结合,其中AJAX应用到的基本技术有XHTML、CSS、DOM(Document Object Mode)、XML、XMLHttpRequest以及JavaScript;采用Ajax技术后,将在用户侧的客户端添加了一个Ajax引擎,客户端通过JavaScript调用Ajax引擎向服务器端发出HTTP请求后,并不等待请求的响应,当服务器端的数据以XML形式返回时,Ajax引擎接收数据并指定JavaScript函数来完成对响应的处理或页面的更新;采用Ajax交互过程中,当服务端数据没有返回时,用户可以继续浏览或交互,而避免等待的过程,提升用户交互体验。
本发明提供一种基于小波分析与高斯过程回归的交通流量短时预测方法,主要包括:通过物联网的方式,采集交通道路车辆通行量的时序数据;利用小波分析与高斯过程回归相结合的方法对采集的时序数据处理;建立短时交通流量的预测模型进行预测输出;本发明还涉及交通流量短时预测***、存储介质、电子设备。本发明通过小波分析与高斯过程回归相结合的方法建立稳定的预测模型,并通过物联网以及开源Hadoop架构,实现短时交通流量的程序化预测与查询,提高流量预测的精度与查询效率。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.交通流量短时预测方法,其特征在于,包括以下步骤:
参数采集,通过物联网采集交通道路车辆通行量的时序数据作为初始数据;
模型训练,初始数据做预处理得到输入输出数据对,采用小波分析的方法对输入数据进行小波分析得到分解系数并提取时序数据特征;将分解系数作为输入,交通流量的短时预测值作为输出,建立高斯过程回归模型并训练;
流量预测,实时采集交通道路车辆通行量的时序数据并进行预处理,得到测试输入,将测试输入导入高斯过程回归模型进行预测,获得交通流量短时的预测输出。
2.如权利要求1所述的交通流量短时预测方法,其特征在于,所述预处理包括:采用归一化处理通道路车辆通行量的时序数据,并用时间窗方法构建输入输出数据对。
3.如权利要求1或2所述的交通流量短时预测方法,其特征在于:所述小波分析基函数采用如下离散Haar变换:
4.如权利要求3所述的交通流量短时预测方法,其特征在于,流量预测具体包括以下步骤:
实时数据采集,通过物联网获取实时的交通道路车辆通行量的时序数据,得到训练样本
实时数据预处理,通过对时间序列进行小波分析,提取时间窗为{x(t),x(t+1),…,x(t+w)},得到N-w组数据;
交通流量短时预测,通过Haar变换,获取时间序列窗{x(t),x(t+1),…,x(t+w)}的并以此为输入,记为Ut,w,共有N-w组输入,记为输出为未来时刻的流量值,记为x(t+w+1),共有N-w组输入数据,记为利用N-w对输入输出数据,通过高斯过程回归建模,得到测试输入数据{x*(t),x*(t+1),…,x*(t+w)},记为X*(t)的,预测输出为
;
其中,k(.)表示为协方差函数。
5.如权利要求4所述的交通流量短时预测方法,其特征在于,交通流量短时预测中还得到预测的方差:
其中,k(.)表示为协方差函数。
6.如权利要求4或5所述的交通流量短时预测方法,其特征在于:用户侧通过发送查询指令查询所述预测输出。
7.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1所述的方法。
9.交通流量短时预测***,其特征在于:包括用户侧、网络侧、处理侧、数据侧;其中,
所述用户侧用于发起交通流量查询指请求,接收并显示交通流量短时预测输出;
所述网络侧用于接收交通流量查询指请求,与用户侧、处理侧建立连接,调用处理侧的预测输出并返回至所述用户侧;
所述处理侧用于读取数据侧的数据库服务器的实时和历史交通流量数据,生成并存储预测输出,等待所述网络侧调用;
所述数据侧用于采集并存储交通流量数据,其中,交通流量数据包括车流量、平均车速、占有率、交通密度。
10.如权利要求9所述的交通流量短时预测***,其特征在于:所述用户侧配置有Ajax引擎。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290167.0A CN110110877A (zh) | 2018-10-31 | 2018-10-31 | 交通流量短时预测方法及***、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290167.0A CN110110877A (zh) | 2018-10-31 | 2018-10-31 | 交通流量短时预测方法及***、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110877A true CN110110877A (zh) | 2019-08-09 |
Family
ID=67483346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811290167.0A Pending CN110110877A (zh) | 2018-10-31 | 2018-10-31 | 交通流量短时预测方法及***、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110877A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192453A (zh) * | 2019-12-30 | 2020-05-22 | 深圳市麦谷科技有限公司 | 一种基于贝叶斯优化的短时交通流预测方法及*** |
CN113538903A (zh) * | 2021-06-21 | 2021-10-22 | 东南大学 | 一种基于交通流量特征提取与分类的交通拥堵预测方法 |
CN114239948A (zh) * | 2021-12-10 | 2022-03-25 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
JP2013257667A (ja) * | 2012-06-11 | 2013-12-26 | Toshiba Corp | 交通管制システムおよび交通管制システムの情報提供方法 |
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测***和方法 |
CN107341581A (zh) * | 2017-08-08 | 2017-11-10 | 国网江苏省电力公司盐城供电公司 | 一种基于经验小波变换与高斯过程回归的新能源出力短期预测方法 |
CN108304773A (zh) * | 2017-12-25 | 2018-07-20 | 广州市高科通信技术股份有限公司 | 一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质 |
-
2018
- 2018-10-31 CN CN201811290167.0A patent/CN110110877A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
JP2013257667A (ja) * | 2012-06-11 | 2013-12-26 | Toshiba Corp | 交通管制システムおよび交通管制システムの情報提供方法 |
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测***和方法 |
CN107341581A (zh) * | 2017-08-08 | 2017-11-10 | 国网江苏省电力公司盐城供电公司 | 一种基于经验小波变换与高斯过程回归的新能源出力短期预测方法 |
CN108304773A (zh) * | 2017-12-25 | 2018-07-20 | 广州市高科通信技术股份有限公司 | 一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
王少帅 等: "基于DWT的多模型组合社交网站访问量预测", 《信息安全研究》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192453A (zh) * | 2019-12-30 | 2020-05-22 | 深圳市麦谷科技有限公司 | 一种基于贝叶斯优化的短时交通流预测方法及*** |
CN113538903A (zh) * | 2021-06-21 | 2021-10-22 | 东南大学 | 一种基于交通流量特征提取与分类的交通拥堵预测方法 |
CN113538903B (zh) * | 2021-06-21 | 2022-07-22 | 东南大学 | 一种基于交通流量特征提取与分类的交通拥堵预测方法 |
CN114239948A (zh) * | 2021-12-10 | 2022-03-25 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220129731A1 (en) | Method and apparatus for training image recognition model, and method and apparatus for recognizing image | |
JP7157154B2 (ja) | 性能予測ニューラルネットワークを使用したニューラルアーキテクチャ探索 | |
CN110110877A (zh) | 交通流量短时预测方法及***、存储介质、电子设备 | |
US20190392258A1 (en) | Method and apparatus for generating information | |
US20220292404A1 (en) | Black-box optimization using neural networks | |
CN107832468B (zh) | 需求识别方法和装置 | |
Wang et al. | Efficient video transformers with spatial-temporal token selection | |
CN107491547A (zh) | 基于人工智能的搜索方法和装置 | |
WO2017190527A1 (zh) | 一种文本数据分类方法及服务器 | |
WO2019233077A1 (zh) | 业务对象的排序 | |
KR102236546B1 (ko) | 빅데이터 및 인공지능 기반 관광목적에 따른 선택이 가능한 스마트 관광 서비스 제공 방법 | |
CN109739965B (zh) | 跨领域对话策略的迁移方法及装置、设备、可读存储介质 | |
Zhao et al. | An edge streaming data processing framework for autonomous driving | |
CN104298780B (zh) | 一种浏览器网页信息的预获取方法及*** | |
US20190147540A1 (en) | Method and apparatus for outputting information | |
WO2021004318A1 (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
Williams et al. | Improving geolocation of social media posts | |
WO2024001806A1 (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
US20220414689A1 (en) | Method and apparatus for training path representation model | |
CN112084752A (zh) | 基于自然语言的语句标注方法、装置、设备及存储介质 | |
Peng et al. | A forecast model of tourism demand driven by social network data | |
CN110020310A (zh) | 资源加载的方法、装置、终端及存储介质 | |
Sik et al. | Implementation of a geographic information system with big data environment on common data model | |
Liao et al. | Taxi demand forecasting based on the temporal multimodal information fusion graph neural network | |
CN109543085A (zh) | 数据提取方法、装置及计算机可读存储介质 |
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 |
Application publication date: 20190809 |
|
RJ01 | Rejection of invention patent application after publication |