CN110276949A - 基于机器学习的交通流短时预测方法 - Google Patents
基于机器学习的交通流短时预测方法 Download PDFInfo
- Publication number
- CN110276949A CN110276949A CN201910539753.2A CN201910539753A CN110276949A CN 110276949 A CN110276949 A CN 110276949A CN 201910539753 A CN201910539753 A CN 201910539753A CN 110276949 A CN110276949 A CN 110276949A
- Authority
- CN
- China
- Prior art keywords
- section
- traffic flow
- short
- machine learning
- 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.)
- Pending
Links
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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于机器学习的交通流短时预测方法,所述方法包括:S1、采集地感线圈数据;S2、将地感线圈数据按照线圈组的网络拓扑关系划分为不同类型的断面,并基于Daganzo模型对不同类型的断面进行交通流参数标定;S3、选取时空关联关系为特征向量;S4、以特征向量为LSTM模型的输入特征,分别对不同类型的断面进行速度值短时预测。本发明基于机器学习的交通流短时预测方法通过对断面进行分类,根据预测节点的上下游节点的历史交通流特征,采用LSTM模型进行速度预测,保证预测精度和预测速度。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及一种基于机器学习的交通流短时预测方法。
背景技术
随着现代化社会的高速发展,城市内的机动车保有量不断增加,现有的道路网络已经不堪重负,交通拥堵愈发严重。为了减缓交通拥堵,可以考虑以下两种途径:其一是通过增加现有道路上的车道数量来增加路网总容量,然而,这需要用于建设基础设施的巨额财政支出以及土地资源,这一点往往在许多城区是行不通的,而且极有可能会诱增新的交通量;另一种途径是通过交通控制策略来合理组织交通流,最大限度地利用现有的路网,这种方法不需要太多支出,因此在实践中更为实用与常见。控制策略通常涉及到交通流短期预测技术,它预测潜在的拥堵,从而可以发布相关交通信息诱导人们制定更合适的出行路线,达到缓解交通拥堵的目的。因此,准确的交通流短时预测对于交通控制尤为重要,它是智能交通***(ITS)关键的一部分。
短期交通预测仅预测不久的将来的交通流,时间间隔从几分钟到几十分钟不等。由于基础设施的限制,缺乏用于获取实时交通信息的检测设备,早期的研究短期交通预测仅仅利用有限的历史交通流数据。因此,与实际交通数据相比,预测结果往往有明显的偏差。如果能够及时获取包括交通量,车速,道路维护和交通控制在内的更多实时交通信息,预测结果显然将更加准确。幸运的是,随着交通基础设施和数据传输技术的发展,形成了交通信息网络,可以获取各种实时交通信息,这些海量的交通数据有助于更准确的交通预测。因此,如何利用海量交通数据来提高预测精度已成为近年来的热点。在过去的几十年中,许多数据分析模型已经被提出来用于交通流短期预测,包括历史平均和平滑、统计和回归方法、基于交通流理论的方法和机器学习方法,这些预测方法可以分为参数方法和非参数方法两大类。
机器学习模型是由多个领域的知识综合后产生的一种方法,涉及概率论、统计学等多门学科,严格意义上来说神经网络模型也是机器学习模型的一种。
随着全国各大城市智能交通***的加速推动,大量的交通检测器被布置在城市的各个角落,如何分析这些海量的数据给交通管理者带来了很大的挑战。本文上述介绍的方法通常具有固定的模型结构,难以处理大量不同类型的交通数据。此外,数据的质量也由于数据缺失和噪声干扰等原因而有所降低,这要求我们提出更有效、更有针对性的交通数据分析方法。
近几年,机器学习已经在数据挖掘、人工智能、模式识别等领域成功落地并取得了很好的效果,现在一些机器学习方法已经开始在交通领域逐步运用,其使用后的结果在交通状态的判别和预测上都有很大的进步。
随着机器学习算法的改进和创新,计算机硬件的不断提升,云计算与并行处理的逐步应用,机器学习在交通信息提取和交通数据分析方面的应用前景十分广阔。究其原因,机器学习方法不受限于固定的模型结构,能够从数据中自动提取特征进行分析,并利用数据不断改善学习的效果,其准确性和适用性均较好。
最近几年用于短时预测的机器学习方法主要注重于模型结构和输入特征的创新,并取得了不错的效果。模型结构既可以是一种全新的结构,或者也可以是一种组合结构,即将多种机器学习模型组合在一起或者同一种机器学习模型组合起来,许多神经网络变体表现尤为突出,其中循环神经网络(Recurrent Neural Network,RNN)等被广泛认为是捕捉交通流时空演变的合适方法,RNN是一类具有短期记忆能力的神经网络。在循环神经网络中,神经元不但可以接受其它神经元的信息,也可以接受自身的信息,形成具有环路的网络结构,和前馈神经网络相比,循环神经网络更加符合生物神经网络的结构。
循环神经网络(RNN)等被广泛认为是捕捉交通流时空演变的合适方法,但会出现梯度消失和梯度***问题。输入特征方面各种方法都在考虑增加信息,由原来的单一时间或者空间转向时空信息。但是由于以往选取模型自身结构的限制,时间或者空间序列长度受到限制。此外,以往的研究大多数着眼于某个交通节点进行训练和预测,在对线网进行实时预测时,难以保证其时效性和精度,难以平衡精度和速度。
因此,针对上述技术问题,有必要提供一种基于机器学习的交通流短时预测方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于机器学习的交通流短时预测方法。
为了实现上述目的,本发明一实施例提供的技术方案如下:
一种基于机器学习的交通流短时预测方法,所述方法包括:
S1、采集地感线圈数据;
S2、将地感线圈数据按照线圈组的网络拓扑关系划分为不同类型的断面,并基于Daganzo模型对不同类型的断面进行交通流参数标定;
S3、选取时空关联关系为特征向量;
S4、以特征向量为LSTM模型的输入特征,分别对不同类型的断面进行速度值短时预测。
作为本发明的进一步改进,所述步骤S2中的Daganzo模型为:
其中,ρcri、ρjam为临界密度和阻塞密度,vcri为临界速度,ρi、vi为密度和速度。
作为本发明的进一步改进,所述步骤S2中的断面包括正常断面、合流断面、分流断面、匝道断面、交织区断面五种类型。
作为本发明的进一步改进,所述正常断面、合流断面、分流断面、匝道断面、交织区断面的临界密度分别为24.82pcu/km/ln、26.87pcu/km/ln、27.12pcu/km/ln、22.74pcu/km/ln、26.95pcu/km/ln,自由流速度分别为71.00km/h、68.00km/h、69.00km/h、51.00km/h、69.00km/h。
作为本发明的进一步改进,所述步骤S3中的时空关联关系中,空间跨度为目标节点、至少一个上游节点、及至少一个下游节点,时间跨度为包括本时间节点的前n个周期。
作为本发明的进一步改进,所述步骤S3中的特征向量为目标节点、五个上游节点及五个下游节点的前五个周期的速度。
作为本发明的进一步改进,所述步骤S1还包括:
对地感线圈数据中的异常数据、内部不一致数据、缺省数据进行清洗。
作为本发明的进一步改进,所述步骤S1还包括:
通过插值法或时间序列预测模型对缺省数据进行填充。
作为本发明的进一步改进,所述步骤S4后还包括:
对速度的区间进行预测。
本发明的有益效果是:
本发明基于机器学习的交通流短时预测方法通过对断面进行分类,根据预测节点的上下游节点的历史交通流特征,采用LSTM模型进行速度预测,保证预测精度和预测速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于机器学习的交通流短时预测方法的流程示意图;
图2为本发明中不同断面类型特征节点选取的示意图;
图3为CNN模型的结构示意图;
图4为LSTM模型的结构示意图;
图5为本发明一具体实施例中上海快速路内环、外环位置的示意图;
图6为本发明一具体实施例中线圈数据内容的示例图;
图7为本发明一具体实施例中SVR模型预测值与真实值的对比图;
图8为本发明一具体实施例中CNN模型预测值与真实值的对比图;
图9为本发明一具体实施例中LSTM模型预测值与真实值的对比图;
图10为本发明一具体实施例中变更分类数实验预测结果对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
参图1所示,本发明公开了一种基于机器学习的交通流短时预测方法,所述方法包括:
S1、采集地感线圈数据;
S2、将地感线圈数据按照线圈组的网络拓扑关系划分为不同类型的断面,并基于Daganzo模型对不同类型的断面进行交通流参数标定;
S3、选取时空关联关系为特征向量;
S4、以特征向量为LSTM模型的输入特征,分别对不同类型的断面进行速度值短时预测。
以下对本发明中的交通流短时预测方法进行详细说明。
首先采集城市快速路交通信息数据,并针对异常数据、内部不一致数据、缺省数据等“脏”数据进行了数据清洗,保证了数据质量。接着对数据按照网络拓扑关系整理成结构化数据形式,方便后续建模使用。
本发明选取Daganzo模型作为用于参数标定的交通流模型,其最早被用来仿真高速公路网上交通流的运行与演化过程,现在也已被广泛用来估算城市道路路网流量、城市道路路段行程延误时间等参数。该模型可表示为如下公式:
其中,ρcri、ρjam为临界密度和阻塞密度,vcri为临界速度,ρi、vi为密度和速度。
本发明中的断面包括正常断面、合流断面、分流断面、匝道断面、交织区断面五种类型。
分别将正常断面、合流断面、分流断面、匝道断面、交织区断面的交通流数据按照Daganzo模型进行参数标定,得到如表1所示结果。不难发现,这5类断面所标定出的临界密度ρcri、自由流速度vmax各不相同,且差异显著,因此需要分别建模来对5类断面进行车速预测。
表1不同断面类型数据按Daganzo模型标定结果表
在进行模型构建时,使用了三种机器学习模型(SVR模型,CNN模型,LSTM模型)应用到本方法的短时交通流预测研究上。正如前文所述,5类不同类型断面的交通流特性存在着显著不同,因此本发明需要对不同类型断面节点的预测需要选择不同的特征向量来分别建模。对于正常断面类型节点,主路上下游的交通状态对其未来的交通状态影响显著,而对于其他断面类型节点,其未来的交通状态也会被它们相邻匝道的交通状态所影响,故在选择上下游节点时需要进行综合考量,本发明中特征节点选择如图2所示意。
优选地,本发明收集的快速路地感线圈数据是以5分钟为周期的,故本发明将5分钟定为时间节点间隔。时空特征即为目标节点、目标节点上游节点(不止一个)、目标节点下游节点(不止一个)的前n个5分钟(包括本时间节点)构成的速度序列。为了选取合适的空间跨度和时间跨度,本发明对不同的时空特征组合基于LSTM模型进行了实验,并进行结果的对比分析,最终得出:选择目标节点及上下游各五个节点的前5个周期(5min)的速度值作为时空特征进行速度预测是较为准确的。时间跨度或者空间跨度过大时,反而会引入过多在速度值观测时的随机信息,使得模型去尝试拟合这些随机因素,从而使得预测准确性下降,实验情况部分结果展示如表2。
表2特征选取实验结果
本发明基于SVM、CNN、LSTM三种机器学习模型实现了待预测节点的速度数值短时预测。SVR模型中核函数采用高斯(RBF)核函数,并通过交叉验证方法选择适合的高斯核函数参数和惩罚系数;CNN模型中采用两层卷积层,两层池化层,二层全连接层的结构,迭代次数为100次,训练样本批数目为72,学习率为0.01,模型结构如图3所示;LSTM模型中两层LSTM层,一层Drop out层,一层全连接层,迭代次数为100次,训练样本批数目为72,学习率为0.01,模型结构如图4所示。
三种机器学***,测试集平均准确率为77.6%。
在本发明的一具体实施例中,采用的实验数据来源于上海市快速路地感线圈数据,线圈检测器主要铺设在上海市内环和中环快速路,内环、外环位置如图5所示。
本实施例采用的线圈数据是2014年3月1日至15日共计15天的数据。线圈每五分钟记录一次数据,每日每设备共计288条记录,每日数据量约为100万条。
上述地感线圈可获取的数据内容主要包括线圈编号、检测时间、流量、速度、占有率、车头时距等信息,图6为2014年3月1日的线圈数据内容示例图。
利用三种机器学***均绝对误差(MAE)和平均绝对误差百分比(MAPE)这两种误差评价指标。MAE反映了误差的实际大小的平均值,可以很好的反映模型预测误差的实际情况,MAPE反映了误差占待预测值的相对比例的平均值,可以很好的评价模型在测试集上的泛化性,这两种指标的计算方法如下:
其中,truei代表待预测的真实值,predicti代表模型输出的预测值,n为测试集样本数目。
针对这5类断面的数据分别利用SVR、CNN、LSTM模型进行预测的结果比较如表3所示。
表3不同模型对不同断面类型预测结果比较
由表3的结果对比可以看出,三种模型对五类断面类型的速度值预测都比较好,其中LSTM模型结果的MAPE和MAE值在五个断面中大多数情形中均是选取的三个模型中最小的,即表现最好的,例外情况是对于分流断面,CNN模型表现略好于LSTM。
另,本实施例为了直观展示模型预测效果和泛化能力,随机选取了正常断面类型中一个线圈组的3月12至3月15日的数据作为测试集,根据其真实值和模型预测值作出对比图,三种模型的结果分别如图7至图9所示,可以看到三种模型预测效果均不错,其中LSTM仍表现最佳。
此外可以很容易看到三种模型均在3月13日4:35处都预测出了一个很低的速度值,与实际速度偏差甚大,经过查看数据发现为特征数据中数据缺失引起,即上下游或者自身前5个周期速度有缺失值并被填充为0,导致了此类预测错误产生。因此,要更加注意缺失值的处理,比如通过缺失值前后的数据值通过插值法或者ARIMA等时间序列预测模型对缺失值进行更为合理的填充。
由于要做速度区间预测,故首先需要对速度进行合适的区间划分。区间的划分应该有意义,而不是随便划分。本实施例参考了我国快速路基本路段服务水平分级,对速度做出如表4的速度区间划分。
表4速度区间划分表
实验结果表明,随着区间分类数的减少,模型在测试集整体的准确率由77.6%增加至80.7%,由80.7%增加至95.5%,如图10所示。A类和B类在五分类转成四分类的时候因为它们的分类区间两端端点未发生变化,故前后准确率变化不大,而D、E类由于在五分类转成四分类被合并为D类,区间端点数目减少,故合并后准确率显著上升。以上说明减少分类数目会使分类区间端点数量减少,正确率上升,这也是整体正确率逐渐上升的原因。
由以上技术方案可以看出,本发明具有如下有益效果:
(1)通过数据清洗、数据整理和数据分析,将原始地感线圈数据中的异常数据、内部不一致数据、缺省数据清洗并按照线圈组的网络拓扑关系整理成结构化的形式,以便后续建模流程使用。此外本发明将上述处理过后的数据进一步按照线圈组的网络拓扑关系划分为正常断面、分流断面、合流断面、匝道断面、交织区断面共5类断面,并基于Daganzo模型进行了交通流参数标定,标定结果验证了不同断面类型交通流特征存在着显著差异。
(2)本发明选取时空关联关系为特征向量,为了选取合适的空间跨度和时间跨度,本发明对不同的时空特征组合基于LSTM模型进行了实验,最后得出:选择目标节点及上下游各五个节点的前5个周期(5min)的速度值作为时空特征进行速度预测是较为准确的。
(3)基于SVM、CNN、LSTM模型分别以特征向量为输入特征,分别对正常断面、分流断面、合流断面、匝道断面、交织区断面进行速度值短时预测,预测效果均比较准确,其中LSTM模型表现最优。
(4)利用速度值预测中表现最优的LSTM模型对正常断面(交通特性在5类断面里最为简单)进行速度区间进行预测,同时给出置信水平。
综上所述,本发明基于机器学习的交通流短时预测方法通过对断面进行分类,根据预测节点的上下游节点的历史交通流特征,采用LSTM模型进行速度预测,保证预测精度和预测速度。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种基于机器学习的交通流短时预测方法,其特征在于,所述方法包括:
S1、采集地感线圈数据;
S2、将地感线圈数据按照线圈组的网络拓扑关系划分为不同类型的断面,并基于Daganzo模型对不同类型的断面进行交通流参数标定;
S3、选取时空关联关系为特征向量;
S4、以特征向量为LSTM模型的输入特征,分别对不同类型的断面进行速度值短时预测。
2.根据权利要求1所述的基于机器学习的交通流短时预测方法,其特征在于,所述步骤S2中的Daganzo模型为:
其中,ρcri、ρjam为临界密度和阻塞密度,vcri为临界速度,ρi、vi为密度和速度。
3.根据权利要求2所述的基于机器学习的交通流短时预测方法,其特征在于,所述步骤S2中的断面包括正常断面、合流断面、分流断面、匝道断面、交织区断面五种类型。
4.根据权利要求3所述的基于机器学习的交通流短时预测方法,其特征在于,所述正常断面、合流断面、分流断面、匝道断面、交织区断面的临界密度分别为24.82pcu/km/ln、26.87pcu/km/ln、27.12pcu/km/ln、22.74pcu/km/ln、26.95pcu/km/ln,自由流速度分别为71.00km/h、68.00km/h、69.00km/h、51.00km/h、69.00km/h。
5.根据权利要求3所述的基于机器学习的交通流短时预测方法,其特征在于,所述步骤S3中的时空关联关系中,空间跨度为目标节点、至少一个上游节点、及至少一个下游节点,时间跨度为包括本时间节点的前n个周期。
6.根据权利要求5所述的基于机器学习的交通流短时预测方法,其特征在于,所述步骤S3中的特征向量为目标节点、五个上游节点及五个下游节点的前五个周期的速度。
7.根据权利要求1所述的基于机器学习的交通流短时预测方法,其特征在于,所述步骤S1还包括:
对地感线圈数据中的异常数据、内部不一致数据、缺省数据进行清洗。
8.根据权利要求7所述的基于机器学习的交通流短时预测方法,其特征在于,所述步骤S1还包括:
通过插值法或时间序列预测模型对缺省数据进行填充。
9.根据权利要求1所述的基于机器学习的交通流短时预测方法,其特征在于,所述步骤S4后还包括:
对速度的区间进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910539753.2A CN110276949A (zh) | 2019-06-20 | 2019-06-20 | 基于机器学习的交通流短时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910539753.2A CN110276949A (zh) | 2019-06-20 | 2019-06-20 | 基于机器学习的交通流短时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110276949A true CN110276949A (zh) | 2019-09-24 |
Family
ID=67961492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910539753.2A Pending CN110276949A (zh) | 2019-06-20 | 2019-06-20 | 基于机器学习的交通流短时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276949A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992685A (zh) * | 2019-11-20 | 2020-04-10 | 安徽百诚慧通科技有限公司 | 一种基于高速公路交通流突变的交通安全预警方法 |
CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321918A1 (en) * | 2011-05-18 | 2016-11-03 | Pelmorex Canada Inc. | System for providing traffic data and driving efficiency data |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
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 |
CN109785629A (zh) * | 2019-02-28 | 2019-05-21 | 北京交通大学 | 一种短时交通流量预测方法 |
-
2019
- 2019-06-20 CN CN201910539753.2A patent/CN110276949A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160321918A1 (en) * | 2011-05-18 | 2016-11-03 | Pelmorex Canada Inc. | System for providing traffic data and driving efficiency data |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
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 |
CN109785629A (zh) * | 2019-02-28 | 2019-05-21 | 北京交通大学 | 一种短时交通流量预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992685A (zh) * | 2019-11-20 | 2020-04-10 | 安徽百诚慧通科技有限公司 | 一种基于高速公路交通流突变的交通安全预警方法 |
CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及*** |
CN111325976B (zh) * | 2020-02-24 | 2021-02-02 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | Short-term traffic flow prediction method for urban road sections based on space–time analysis and GRU | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
Chen et al. | Predicting station level demand in a bike‐sharing system using recurrent neural networks | |
CN106205156B (zh) | 一种针对部分车道车流突变的交叉口自愈合控制方法 | |
Liu et al. | Data fusion for multi-source sensors using GA-PSO-BP neural network | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN107230351A (zh) | 一种基于深度学习的短时交通流预测方法 | |
Redhu et al. | Short-term traffic flow prediction based on optimized deep learning neural network: PSO-Bi-LSTM | |
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 | |
CN109493599A (zh) | 一种基于生成式对抗网络的短时交通流预测方法 | |
More et al. | Road traffic prediction and congestion control using Artificial Neural Networks | |
CN109034449A (zh) | 基于深度学习和乘客行为模式的短期公交客流预测方法 | |
CN109785618A (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN111080029A (zh) | 基于多路段时空相关的城市交通路段速度预测方法及*** | |
Shen et al. | Research on traffic speed prediction by temporal clustering analysis and convolutional neural network with deformable kernels (May, 2018) | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
CN108446798A (zh) | 基于双路径时空残差网络的城市人群流动预测方法 | |
CN110276949A (zh) | 基于机器学习的交通流短时预测方法 | |
Liu et al. | A method for short-term traffic flow forecasting based on GCN-LSTM | |
CN112862177A (zh) | 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质 | |
Zhang et al. | cst-ml: Continuous spatial-temporal meta-learning for traffic dynamics prediction | |
Fu et al. | From the past to the future: Modeling the temporal instability of safety performance functions | |
Ye et al. | Demand forecasting of online car‐hailing by exhaustively capturing the temporal dependency with TCN and Attention approaches | |
CN110459050A (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
Miao et al. | A queue hybrid neural network with weather weighted factor for traffic flow prediction |
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: 20190924 |