CN110428613A - 一种机器学习的智能交通状态预测方法 - Google Patents
一种机器学习的智能交通状态预测方法 Download PDFInfo
- Publication number
- CN110428613A CN110428613A CN201910614671.XA CN201910614671A CN110428613A CN 110428613 A CN110428613 A CN 110428613A CN 201910614671 A CN201910614671 A CN 201910614671A CN 110428613 A CN110428613 A CN 110428613A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- traffic
- model
- attribute
- data collection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000013480 data collection Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 15
- 238000003860 storage Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- RCSSHZGQHHEHPZ-UHFFFAOYSA-N n-methyl-1-phenylethanamine Chemical compound CNC(C)C1=CC=CC=C1 RCSSHZGQHHEHPZ-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种机器学习的智能交通状态预测方法。本发明根据收集到的路网数据集、交通流量‑速度数据集、气象数据集和社会属性数据集,建立一个基于LSTM的Encoder‑Decoder混合模型,通过对该混合模型的训练实现交通状态的智能实时预测。本发明充分考虑了时间与空间效应,且增加了气象属性、路网属性、社会属性,能够提升道路交通速度预测的准确度;其中气象属性的生成过程中,计算了以道路交叉点为基准来划分的单元格区域内交通速度与气象的相关程度,考虑了某些单元区域内交通不受气象影响的可能性,因此可以提高对所有单元区域的预测准确度。
Description
技术领域
本发明涉及数据挖掘和机器学习领域,具体涉及一种机器学习的智能交通状态预测方法。
背景技术
智能交通***(ITS)是一种广泛的先进技术,旨在通过提高交通运营和管理的效率来提高现有交通网络的可持续性。ITS的一个重要方面是先进的交通管理***,为了使交通管理***有效地工作,有关实际和近期未来交通状态的信息是至关重要的。这就需要对未来的交通流量预测进行不断更新的能力。
交通预测目前已经是智能交通***(ITS)的重要组成部分,对交通网络规划、路由导航和避免拥堵等诸多应用至关重要。对于北京等大城市来说,这样的预测至关重要,但执行起来具有挑战性。这是由于大城市的动态和复杂的交通环境以及新道路的潜力有限:这就把重点放在了交通的管理上。这种管理具有广泛的影响,不仅因为涉及的人口众多,而且还因为它支持各种其他应用的决策,例如优化污染、城市规划以及能源消耗相关的应用。因此,交通预测对于城市智能化进程具有相当重要的作用。
在现实生活中,天气状况对于交通状态的影响是很大的。例如,由于能见度低,车辆需求量大,大雨会减慢交通速度,造成交通堵塞;在非常寒冷的天气里,温度的下降会使道路结冰,影响运输性能;降雨影响交通状况,进而影响城市主干道的交通量等。因此,为了改善不同天气状况下的交通管理,开发一种考虑气象信息的智能交通状态预测方法是十分有意义的。
目前在机器学习领域,最大的热点毫无疑问是深度学习,在处理大型数据集上,具有非常好的学习能力和预测效果。其中,LSTM模型在序列数据预测方面取得了令人震惊的效果,因此正适合应用于智能交通状态的预测。LSTM模型最早由Hochreiter和Schmidhuber于1997年提出,是用来解决RNN模型中梯度消失或梯度膨胀的一种特定变形。通过在RNN中引入多个门限,使得在模型参数固定的情况下,不同时刻积分可以改变,从而避免梯度消失或膨胀问题。
现有的一个技术是“一种基于LSTM模型的机场交通拥堵预测方法及装置”。为预测未来时段机场周边预设范围内道路的拥堵指数,该技术方案提供了一种基于LSTM模型的机场交通拥堵预测方法。其方法具体流程如下:
1.实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息;
2.将所述交通状况信息、航班起降信息和航空气象信息,输入LSTM模型;
3.获取所述LSTM模型的输出结果,所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。
该技术的缺点在于:
1.道路预测的准确度不高,可以进一步考虑更多影响交通状况的因素,如天气状况(该技术仅考虑了航空气象因素)、节假日因素以及交通事故等。
2.由于装置的输入模块的输入数据包含航班起降信息和航空气象信息,并且机场道路交通预测具有特殊性,即受航空因素影响较大,因此装置的普适性比较低,只适用于机场周边交通拥堵预测。
发明内容
本发明的目的是克服现有方法的不足,提出了一种机器学习的智能交通状态预测方法。本发明解决的主要问题是,如何通过路网数据集、交通流量-速度数据集、气象数据集和社会属性数据集,建立一个基于LSTM的Encoder-Decoder混合模型,通过对该混合模型的训练实现交通状态的智能实时预测,提升各区域内各道路交通状态预测的准确度。
为了解决上述问题,本发明提出了一种机器学习的智能交通状态预测方法,所述方法包括:
采集路网数据集、交通流量-速度数据集、气象数据集、社会属性数据集;
根据交通流量-速度数据集,建立基于LSTM的Encoder-Decoder基础模型;
根据社会属性数据集和路网数据集,在所述基础模型上添加社会属性和路网属性;
根据路网数据集、交通流量-速度数据集和气象数据集,采用Voronoi图进行区域划分,计算各区域内交通与气象的相关程度,以此生成新的气象属性。在所述基础模型上添加生成的气象属性,得到混合模型;
根据实时获取的交通流量-速度数据和气象数据,按照模型规定的格式输入所述混合模型,完成实时预测。
优选地,所述生成新的气象属性,具体包括:
根据路网数据集,采用Voronoi图划分方法,将城市区域划分为单元格;
对每个单元格,构造不包含气象数据与包含气象数据的训练数据集以及测试数据集;
对每个单元格,计算不包含气象数据时模型的MAPE值;
对每个单元格,计算包含气象数据时模型的MAPE值;
对每个单元格,计算上述两个MAPE值的差值绝对值,以此生成新的气象属性,用于***模型的LSTM块。
本发明提出的一种机器学习的智能交通状态预测方法,充分考虑了时间与空间效应,且增加了气象属性、路网属性、社会属性,能够提升道路交通速度预测的准确度;其中气象属性的生成过程中,计算了以道路交叉点为基准来划分的单元格区域内交通速度与气象的相关程度,考虑了某些单元区域内交通不受气象影响的可能性,因此可以提高对所有单元区域的预测准确度。
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它的附图。
图1是本发明实施例的智能交通状态预测方法总体流程图;
图2是本发明实施例的基础模型示意图;
图3是本发明实施例的混合模型示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例的智能交通状态预测方法总体流程图,如图1所示,该方法包括:
S1,采集路网数据集、交通流量-速度数据集、气象数据集、社会属性数据集;
S2,根据交通流量-速度数据集,建立基于LSTM的Encoder-Decoder基础模型;
S3,根据社会属性数据集和路网数据集,在所述基础模型上添加社会属性和路网属性;
S4,根据路网数据集、交通流量-速度数据集和气象数据集,采用Voronoi图进行区域划分,计算各区域内交通与气象的相关程度,以此生成新的气象属性。在所述基础模型上添加生成的气象属性,得到混合模型;
S5,根据实时获取的交通流量-速度数据和气象数据,按照模型规定的格式输入所述混合模型,完成实时预测。
步骤S1,具体如下:
S1-1:利用地图软件API,采集城市的路网信息,构造路网数据集,并将其保存在本地存储装置中;
S1-2:利用地图软件API采集交通流量-速度数据集,并将其保存在本地存储装置中;
S1-3:收集城市气象台发布的气象数据,构造气象数据集,并将其保存在本地存储装置中;
S1-4:从相关交通数据分析的开源数据集比如Q-Traffic Dataset中,采集社会属性数据集,并将其保存在本地存储装置中;
S1-5:对于所有的数据集,进行预处理,对于无效数据要进行剔除。比如交通流量-速度数据集中,时间戳要转换为日期格式的时间,根据时间与距离数据计算一段时间间隔内的移动平均速度等。
步骤S2,具体如下:
S2-1:给定之前的交通速度变量{v1,v2,…,vt},建立基于LSTM的Encoder-Decoder基础模型来预测未来的交通速度变量{vt+1,vt+2,…,vt+t′}。现假设变量vt有k维,即LSTM模型核心是存储单元中的三种门限结构——遗忘门、输入门和输出门,存储单元最终得到状态向量Ct和输出向量ht;
S2-2:由公式(2-1)构成遗忘门,通过设置连接矩阵Wf来决定从上一时刻输出向量ht-1中去除或保留哪些信息;
ft=σ(Wf·[ht-1,vt]+bf) (2-1)
其中,σ表示激活函数sigmod,vt为dk维原始输入,ht-1为dh维输出,隐藏层维度为dc(通常dh=dc),[ht-1,vt]为两个向量的拼接,Wf为遗忘门矩阵,bf为偏置向量,经激活函数逐点变换后得到ft。
S2-3:由公式(2-2)构成输入门,决定并完成单元状态向量Ct的更新;
Ct=ft*Ct-1+σ(Wf·[ht-1,vt]+bi)*tanh(Wc·[ht-1,vt]+bc) (2-2)
其中,Ct、Ct-1分别为当前单元状态向量和上一单元的状态向量,σ、tanh分别表示激活函数sigmod和双曲正切函数,vt表示dk维原始输入,ht-1为dh维输出,[ht-1,vt]为两个向量的拼接,Wf、Wc分别是遗忘门矩阵和输入门矩阵,bi、bc为偏置向量。
S2-4:由公式(2-3)构成输出门,对Ct使用tanh激活函数,得到输出向量ht;
ht=σ(Wo·[ht-1,vt]+bo)*tanh(Ct) (2-3)
其中,Ct为当前单元状态向量,σ、tanh分别表示激活函数sigmod和双曲正切函数,vt表示dk维原始输入,ht-1为dh维输出,[ht-1,vt]为两个向量的拼接,Wo是输出门矩阵,bo为偏置向量。
S2-5:由公式(2-4)将输出向量ht连接一个全连接层(FC),最终得到预测值vt+1;
vt+1=σ(Wout·ht+bout) (2-4)
其中,σ表示激活函数sigmod,Wout为全连接层矩阵,ht为输出向量,bout为偏置向量,vt+1为第t+1时刻的预测值。
S2-6:根据上述方法构成所有交通速度变量vi(i∈{1,2,…,t+t′})对应的LSTM块,再将{v1,v2,…,vt}的LSTM块作为Encoder部分,{vt+1,vt+2,…,vt+t′}的LSTM块作为Decoder部分,基础模型如图2所示。
步骤S3,具体如下:
S3-1:在基础模型Decoder部分中的每一个全连接层FC,添加社会属性输入,主要包括上班高峰期、下班高峰期、周末、节假日等字段;
S3-2:在基础模型Decoder部分中的每一个全连接层FC,添加路网属性输入,主要包括路段ID、路段名称、路段长度、起始位置ID、起始位置经纬度、结束位置ID、结束位置经纬度、车道数、限速等级等字段;
S3-3:得到一个中间模型,为了方便后续的介绍,将其命名为模型temp。
步骤S4,具体如下:
其中,S4-1到S4-5为生成新的气象属性:
S4-1:根据采集到的路网数据集,采用Voronoi图划分方法,将城市区域划分为单元,划分原则为每个单元格至少包含一个道路交叉口和与该交叉口相连的路段,其中种子是道路交叉点,每个单元格的形状和大小各不相同;
S4-2:为了方便理解,在这里给出在后续介绍中要用到的变量名声明。联结了某一时间段内单元格中所有路段的路网数据以及交通-流量数据的数据集命名为数据集A。联结了与数据集A同一时间段内单元格中所有路段的路网数据、交通-流量数据以及气象数据的数据集命名为数据集B。联结了A数据集后续一个时间段内单元格中所有路段的路网数据以及交通-流量数据的数据集命名为数据集C;
S4-3:假设数据集C某一时间段内的交通速度为{v1,v2,…,vk}。对于每一个单元格,输入数据集A对S3的中间模型temp进行训练,取出与数据集C同一个时间段内的交通速度预测结果,假设为其中a1,a2,…,ak表示从1开始递增的常数,即a1=1,ak=k。计算这两个速度集合之间的MAPE值,其计算公式为公式(2-5),结果记为MAPEa;
S4-4:假设数据集C某一时间段内的交通速度为{v1,v2,…,vk}。对于每一个单元格,输入数据集B对中间模型temp进行训练,取出与数据集C同一个时间段内的交通速度预测结果,假设为其中b1,b2,…,bk表示从1开始递增的常数,即b1=1,bk=k。计算这两个速度集合之间的MAPE值,其计算公式为公式(2-6),结果记为MAPEb;
S4-5:根据上述方法求得划分的每个单元格的MAPEa和MAPEb值,当这两个值的差值绝对值大于某个阈值(自行设定)时,则表明在考虑气象因素后,准确率有所提高,可以得出结论,气象对该单元格交通的影响总体上是存在的,因此气象属性中应添加一列字段属性表示气象对该区域是否存在影响,命名为weather_relation,将其值置为1;否则,则说明在这个单元格中,气象的影响是不确定的,同样,气象属性中应添加一列字段属性表示气象对该区域是否存在影响,命名为weather_relation,将其值置为0;
S4-6:在中间模型temp的每一个LSTM块的输入,添加新生成的气象属性输入,主要包括当前时间、风速、风向、降雨量、当前温度、weather_relation等字段,得到混合模型。混合模型如图3所示,其中AT_social表示社会属性,AT_road表示路段属性,AT_W(t)表示t时刻的气象属性。
步骤S5,具体如下:
S5-1:将实时获取的流量-速度数据、气象数据,进行预处理(如去除无效与重复数据),并按照时间进行关联;
S5-2:将关联后的流量-速度数据、气象数据,与路网数据、社会属性数据进行合并,接着输入混合模型中,进行实时预测。
本发明实施例提出的一种机器学习的智能交通状态预测方法,充分考虑了时间与空间效应,且增加了气象属性、路网属性、社会属性,能够提升道路交通速度预测的准确度;其中气象属性的生成过程中,计算了以道路交叉点为基准来划分的单元格区域内交通速度与气象的相关程度,考虑了某些单元区域内交通不受气象影响的可能性,因此可以提高对所有单元区域的预测准确度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种机器学习的智能交通状态预测方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种机器学习的智能交通状态预测方法,其特征在于,所述方法包括:
采集路网数据集、交通流量-速度数据集、气象数据集、社会属性数据集;
根据交通流量-速度数据集,建立基于LSTM的Encoder-Decoder基础模型;
根据社会属性数据集和路网数据集,在所述基础模型上添加社会属性和路网属性;
根据路网数据集、交通流量-速度数据集和气象数据集,采用Voronoi图进行区域划分,计算各区域内交通与气象的相关程度,以此生成新的气象属性。在所述基础模型上添加生成的气象属性,得到混合模型;
根据实时获取的交通流量-速度数据和气象数据,按照模型规定的格式输入所述混合模型,完成实时预测。
2.如权利要求1所述的一种机器学习的智能交通状态预测方法,其特征在于,所述生成新的气象属性的步骤,具体包括:
根据路网数据集,采用Voronoi图划分方法,将城市区域划分为单元格;
对每个单元格,构造不包含气象数据与包含气象数据的训练数据集以及测试数据集;
对每个单元格,计算不包含气象数据时模型的MAPE值;
对每个单元格,计算包含气象数据时模型的MAPE值;
对每个单元格,计算上述两个MAPE值的差值绝对值,以此生成新的气象属性,用于***模型的LSTM块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614671.XA CN110428613A (zh) | 2019-07-09 | 2019-07-09 | 一种机器学习的智能交通状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614671.XA CN110428613A (zh) | 2019-07-09 | 2019-07-09 | 一种机器学习的智能交通状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110428613A true CN110428613A (zh) | 2019-11-08 |
Family
ID=68409072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910614671.XA Pending CN110428613A (zh) | 2019-07-09 | 2019-07-09 | 一种机器学习的智能交通状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428613A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688687A (zh) * | 2021-07-27 | 2021-11-23 | 中电海康集团有限公司 | 一种基于电警数据的交通拥堵状态快速识别预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
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 |
CN109671272A (zh) * | 2018-12-29 | 2019-04-23 | 广东工业大学 | 一种高速公路交通流预测方法 |
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 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
-
2019
- 2019-07-09 CN CN201910614671.XA patent/CN110428613A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN109671272A (zh) * | 2018-12-29 | 2019-04-23 | 广东工业大学 | 一种高速公路交通流预测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
BINBING LIAO等: "Deep Sequence Learning with Auxiliary Information for Traffic Prediction", 《KDD’18:PROCEEDINGS OF THE 24TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688687A (zh) * | 2021-07-27 | 2021-11-23 | 中电海康集团有限公司 | 一种基于电警数据的交通拥堵状态快速识别预测方法 |
CN113688687B (zh) * | 2021-07-27 | 2024-05-28 | 中电海康集团有限公司 | 一种基于电警数据的交通拥堵状态快速识别预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109959388B (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN108898838A (zh) | 一种基于lstm模型的机场交通拥堵预测方法及装置 | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
Ngoduy | Multiclass first-order modelling of traffic networks using discontinuous flow-density relationships | |
CN101639871A (zh) | 面向行为研究的车载动态交通信息诱导***模拟设计方法 | |
van Wageningen-Kessels et al. | Discontinuities in the Lagrangian formulation of the kinematic wave model | |
Mao et al. | Analysis of road traffic speed in Kunming plateau mountains: a fusion PSO-LSTM algorithm | |
CN105678034A (zh) | 行人过街时间模型及信号交叉口人行横道宽度优化方法 | |
CN104200127A (zh) | 基于道路转角权重的最优路径分析方法 | |
CN104821086B (zh) | 一种定位大规模交通网络中低效路段组合的方法 | |
Park et al. | Calibration and validation of TRANSIMS microsimulator for an urban arterial network | |
Lin et al. | Data-driven spatial-temporal analysis of highway traffic volume considering weather and festival impacts | |
CN110428613A (zh) | 一种机器学习的智能交通状态预测方法 | |
Cosido et al. | Automatic calculation of bicycle routes by combining meta-heuristics and GIS techniques within the framework of smart cities | |
Liu et al. | Assessing the impacts of connected-and-autonomous vehicle management strategy on the environmental sustainability of urban expressway system | |
Wang et al. | Dynamic traffic congestion simulation and dissipation control based on traffic flow theory model and neural network data calibration algorithm | |
CN116665448A (zh) | 一种基于图卷积网络的交通速度实时预测方法及*** | |
Li et al. | Optimization model and method of variable speed limit for urban expressway | |
Song et al. | Impacts of connected and autonomous vehicles with level 2 automation on traffic efficiency and energy consumption | |
Yang | RETRACTED ARTICLE: An intelligent method to select emergency allocation path of groundwater resource based on game theory | |
Liu et al. | Research on urban transport network topology vulnerability identification under rainfall conditions | |
Zhang et al. | Traffic Guidance Based on LSTM Neural Network and Dual Tracking Dijkstra Algorithm | |
Mizuta et al. | Large-scale traffic simualtion for Low-Carbon City | |
Gharibi et al. | 3D traffic flow model for UAVs | |
Kong et al. | Findings on Queue Length Based Macroscopic Fundamental Diagrams with Enhanced Floating Car Estimation Method |
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: 20191108 |
|
RJ01 | Rejection of invention patent application after publication |