CN111275962A - 车辆轨迹数据聚集效应预测方法及装置 - Google Patents

车辆轨迹数据聚集效应预测方法及装置 Download PDF

Info

Publication number
CN111275962A
CN111275962A CN201911397442.3A CN201911397442A CN111275962A CN 111275962 A CN111275962 A CN 111275962A CN 201911397442 A CN201911397442 A CN 201911397442A CN 111275962 A CN111275962 A CN 111275962A
Authority
CN
China
Prior art keywords
data
stop
time
layer
vehicle
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.)
Granted
Application number
CN201911397442.3A
Other languages
English (en)
Other versions
CN111275962B (zh
Inventor
周志文
肖竹
王东
肖大鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Mapgoo Technology Co ltd
Original Assignee
Shenzhen Mapgoo Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Mapgoo Technology Co ltd filed Critical Shenzhen Mapgoo Technology Co ltd
Priority to CN201911397442.3A priority Critical patent/CN111275962B/zh
Publication of CN111275962A publication Critical patent/CN111275962A/zh
Application granted granted Critical
Publication of CN111275962B publication Critical patent/CN111275962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种车辆轨迹数据聚集效应预测方法及装置，该方法包括获取车辆停等点数据；将预定区域划分为多个网格；统计每个第二时间段内位于每个网格的车辆停等点数据，并将统计后的结果转化为多个密度矩阵；将多个密度矩阵时序化为多帧视频数据；将数据输入预设的聚集效应预测模型进行训练；根据训练后的聚集效应预测模型预测预定区域在目标时间段的停等点数据。本发明解决现有的交通流预测技术只能局部获悉交通流增加或减少的趋势变化，不能全局感知城市区域内的交通状况变化的过程，不能准确地预测未来停等聚集效应的演变趋势，并推断热区的形成机理的问题。

Description

车辆轨迹数据聚集效应预测方法及装置
技术领域
本发明涉及智能交通管理领域，尤其涉及一种车辆轨迹数据聚集效应预测方法及装置。
背景技术
随着国民经济高速地发展以及城市交通设施不断地完善，机动车数量急剧增加，导致交通状况日趋紧张，为了科学地解决城市交通拥堵问题，常常需要对交通流进行预测分析，伴随着移动感知技术的广泛普及，车载终端能够大规模地采集交通活动派生出来的时空轨迹数据。然而，获取到的时空轨迹数据中的移动轨迹部分大都局限在道路路网中，总体呈现出数据规模庞大、价值密度低等特性，导致数据处理更为复杂，使得时空轨迹数据分析任务日趋繁重。此外，现有的交通流预测技术只能局部获悉交通流增加或减少的趋势变化，不能全局感知城市区域内的交通状况变化的过程，不能准确地预测未来停等聚集效应的演变趋势，并推断热区的形成机理。
发明内容
针对上述技术问题，本发明实施例提供了一种车辆轨迹数据聚集效应预测方法及装置，以解决现有技术中由于时空轨迹数据庞大使得时空轨迹数据分析任务日趋繁重，以及现有的交通流预测技术不能准确地预测未来停等聚集效应的演变趋势的问题。
本发明实施例的第一方面提供一种车辆轨迹数据聚集效应预测方法，包括：
获取车辆轨迹数据中待预测区域在预定时间周期内的车辆启动和熄火时的停等点数据，其中，所述停等点数据至少包括经度信息、纬度信息和时间戳，所述时间戳为车辆启动时间或车辆熄火时间；
将所述待预测区域划分为多个网格，并将预定时间周期划分为多个第一时间段，将每个所述第一时间段划分为多个第二时间段；
统计每个第二时间段内位于每个网格的停等点数据的数量；
将统计后的结果转化为多个密度矩阵，其中，每个密度矩阵用于表征对应的第二时间段内各个网格的停等点统计数据的数量；
将多个密度矩阵时序化为多帧视频数据；
将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，其中，所述聚集效应预测模型能够进行分类和/或回归；
根据训练后的聚集效应预测模型预测预定区域在目标时间段的停等点数据。
可选地，所述聚集效应预测模型包括支持向量回归SVR算法、迭代决策树GBDT算法和3D卷积神经网络3D-CNN算法中的一种。
可选地，所述聚集效应预测模型为基于3D-CNN算法的3D卷积神经网络模型，所述3D卷积神经网络模型包括：输入层、卷积层、池化层、全连接层以及输出层，其中，所述卷积层和所述池化层包括至少一个，且所述卷积层和所述池化层交替连接。
可选地，在所述卷积层中，根据预设的时间卷积核、空间卷积核以及时空卷积核对输入的多帧视频数据进行卷积操作，获得多个特征图，并对多个所述特征图进行填充处理。
可选地，所述将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，包括：
在训练迭代过程中引用Dropout方法来缓解网络过分拟合，其中Dropout 的计算过程如下：
Figure RE-GDA0002469124920000031
Figure RE-GDA0002469124920000032
其中，r为概率向量，r由Bernoulli函数随机产生0、1的向量，并且a 概率为0，即将第i个神经元的激活值以a概率设置为0，v(i)是第i个神经元的激活值，
Figure RE-GDA0002469124920000033
是第i个神经元的激活值经过dropout后的输出值。
可选地，在所述全连接层中设置线性修正单元激活函数ReLU作为激励函数，所述激励函数ReLU的表达式为：
ReLU(x)＝max(0,x)；
其中，x表示上一层的输出。
可选地，在所述全连接层中使用激励函数
Figure RE-GDA0002469124920000034
建立卷积层中获取到的时空特征和停等密度矩阵预测值之间的联系，得到预测停等密度矩阵输出如下：
Figure RE-GDA0002469124920000035
其中，
Figure RE-GDA0002469124920000036
是第i层的第j个特征映射中(x,y,z)处的特征值；
bij是第i层的第j个特征映射的偏置项；
m是第i-1层映射到第i层的特征映射之间的连接索引；
(Pi,Qi)是第i层的卷积核大小；
Figure RE-GDA0002469124920000037
为第i层的第j个特征映射位于(p,q,r)上的神经元与第i-1层中第m个特征映射之间的链接权重。
可选地，在所述卷积层和全连接层中使用Adam梯度下降算法，对卷积层和全连接层的参数进行优化，参数优化表达式为：
Figure RE-GDA0002469124920000038
其中，
Figure RE-GDA0002469124920000039
即卷积层和全连接层的参数的集合；
Πt+1是实际t+1时刻的停等密度矩阵；
Figure RE-GDA0002469124920000041
是预测的t+1时刻停等密度矩阵。
可选地，所述车辆轨迹数据基于车辆上的定位装置和车载诊断的数据融合技术提取获得；和/或，
所述统计每个第二时间段内位于每个网格的停等点数据的数量之前，还包括：
剔除所述停等点数据中的异常数据和/或冗余数据；
其中，所述异常数据为所述停等点数据中车辆熄火时间小于车辆启动时间的数据，所述冗余数据为所述停等点数据中车辆熄火时间与车辆启动时间的差值小于预设阈值的数据。
本发明实施例第二方面提供了一种车辆轨迹数据聚集效应预测装置，包括：
提取单元，用于获取车辆轨迹数据中待预测区域在预定时间周期内的车辆启动和熄火时的停等点数据，其中，所述停等点数据至少包括经度信息、纬度信息和时间戳，所述时间戳为车辆启动时间或车辆熄火时间；
第一处理单元，用于将所述待预测区域划分为多个网格，并将预定时间周期划分为多个第一时间段，将每个所述第一时间段划分为多个第二时间段；
统计单元，用于统计每个第二时间段内位于每个网格的停等点数据的数量；
第一转化单元，用于将统计后的结果转化为多个密度矩阵，其中，每个密度矩阵用于表征对应的第二时间段内各个网格的停等点统计数据的数量；
第二转化单元，用于将多个密度矩阵时序化为多帧视频数据；
训练单元，用于将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，其中，所述聚集效应预测模型能够进行分类和/或回归；
模型预测单元，用于根据训练后的聚集效应预测模型预测预定区域在目标时间段的停等点数据。
本发明实施例提供的技术方案中，通过获取车辆轨迹数据中数据量少、价值高的停等点数据，避免了现有技术中由于时空轨迹数据庞大使得时空轨迹数据分析任务日趋繁重的问题，通过挖掘私家车停等点数据能够高效地分析城市交通状况；由于轨迹数据在空间区域内往往容易产生聚集效应，形成热区，通过将预定区域划分为多个网格，对预定时间周期内每个网格的车辆停等点数据的数量进行统计，并将统计的结果转为密度矩阵，有利于全局感知城市区域内的交通状况变化的过程，分析聚集效应的产生，并挖掘停等热区，以此来辅助居民出行、交通管理和城市规划；通过聚集效应预测模型对输入的多帧视频数据进行训练，能够准确地预测未来停等聚集效应的演变趋势，便于管理部门有依据地采取措施缓解交通拥堵；通过训练后的聚集效应预测模型对输入的数据进行训练，能够满足短时预测的需求，并且大大降低了模型训练的代价，增加了预测的有效性和可靠性。
附图说明
图1为本发明一实施例中车辆轨迹数据聚集效应预测方法的方法流程示意图；
图2为本发明一实施例中基于GPS和车载诊断(OBD)的数据融合新技术采集的原始数据信息；
图3为本发明一实施例中私家车原始停等点图与密度矩阵对比图；
图4为本发明一实施例中基于3D-CNN算法的3D卷积神经网络模型训练方案结构图；
图5为本发明一实施例中3D卷积神经网络结构图；
图6为本发明一实施例中3D卷积神经网络模型训练的loss曲线图；
图7为本发明一实施例中停等点密度矩阵预测对比图；
图8为本发明一实施例中三种预测算法的均方根误差RMSE；
图9为本发明一实施例中车辆轨迹数据聚集效应预测装置的结构框图；
图10为本发明另一实施例中车辆轨迹数据聚集效应预测装置的结构框图。
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。
需要说明的是，在不冲突的情况下，下述实施例可以进行组合。
本发明实施例提供一种车辆轨迹数据聚集效应预测方法，该方法可以通过服务器或终端设备执行。该终端设备可以为任意具有显示装置、处理器和控制器的电子设备，例如，可以是手机、个人电脑等。
本发明实施例的车辆可以是私家车，也可以是其它类型的车辆。
图1为本发明一实施例中车辆轨迹数据聚集效应预测方法的方法流程示意图；请参见图1，本发明实施例的车辆轨迹数据聚集效应预测方法可以包括如下步骤：
S101：获取车辆轨迹数据中待预测区域在预定时间周期内的车辆启动和熄火时的停等点数据，其中，停等点数据至少包括经度信息、纬度信息和时间戳，时间戳为车辆启动时间或车辆熄火时间；
其中，待预测区域、预定时间周期可以根据具体的情况进行设置，比如待预测区域可以是国家、某个省或某个城市，预定时间周期可以是一个月，半个月或一周等。
可选地，车辆轨迹数据基于车辆上的定位装置和车载诊断的数据融合技术提取获得。该定位装置可以为GPS，以可以为其它定位装置。
针对停等轨迹数据采集难的问题，发明人发现，在私家车的日常行驶过程中，往往会在一些具有特殊语义的区域进行停等，大量车辆在不同时刻的停等行为能够产生时空聚集效应，因此，本发明实施例主要使用基于GPS的定位信息并以车载诊断(OBD)数据为辅助的融合新技术。车载诊断(On-Board Diagnostic，OBD)***是可随时监控发动机的运行状态和尾气处理***工作状态的一个车载终端，OBD数据包括对发动机、催化转化器、颗粒捕集器、氧传感器、排放控制***、燃油***、EGR等进行监控时取得的实时数据。如图 2显示了基于GPS和车载诊断(OBD)的数据融合新技术采集的原始数据信息，起初，原始的GPS数据和ODB数据是各自独立的，本发明实施例通过提取车辆的熄火时间和启动时间，去匹配GPS数据中相应时间所对应的经纬度信息，以此来高效的得到具有停等点语义的轨迹数据。
S102：将待预测区域划分为多个网格，并将预定时间周期划分为多个第一时间段，将每个第一时间段划分为多个第二时间段；
该步骤中，网格数量、第一时间段，第二时间段可以根据具体的情况进行设置，示例性的，待预测区域可以是国家、某个省或某个城市，对应的每一个网格可以表示某个省、城市或区域的车辆停等点数据，比如预定时间周期可以是一个月，半个月或一周等，对应的第一时间段可以是一周，一天等，优选为一天，第二时间段可以是一个小时，半个小时等，优选为一小时。
S103：统计每个第二时间段内位于每个网格的停等点数据的数量；
为了进一步保证停等点数据的有效性，避免由于失误导致私家车主连续熄火或启动等原因造成数据的无效，可以对停等点数据进行异常数据和冗余数据的剔除。在一些实施例中，统计每个第二时间段内位于每个网格的停等点数据的数量之前，还包括：剔除停等点数据中的异常数据和/或冗余数据。其中，异常数据为停等点数据中车辆熄火时间小于车辆启动时间的数据，冗余数据为停等点数据中车辆熄火时间与车辆启动时间的差值小于预设阈值的数据。示例性的，当停等点数据中车辆熄火时间小于车辆启动时间时，则说明该轨迹点存在异常，为异常数据，需要剔除。当停等点数据中车辆熄火时间与车辆启动时间的差值小于预设阈值时，比如10分钟，2分钟，说明该车辆没有在该位置产生停等，则该轨迹点为冗余点，需要剔除。
S104：将统计后的结果转化为多个密度矩阵，其中，每个密度矩阵用于表征对应的第二时间段内各个网格的停等点统计数据的数量；
S105：将多个密度矩阵时序化为多帧视频数据；
S106：将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，其中，聚集效应预测模型能够进行分类和/或回归；
聚集效应预测模型可以包括支持向量回归SVR算法、迭代决策树GBDT 算法和3D卷积神经网络3D-CNN算法中的一种。
示例性的，在一些实施例中，聚集效应预测模型为基于3D-CNN算法的 3D卷积神经网络模型，3D卷积神经网络模型能够满足短时预测的需求，降低模型训练的代价，增加预测的有效性和可靠性。本实施例的3D卷积神经网络模型包括：输入层、卷积层、池化层、全连接层以及输出层，其中，卷积层和池化层包括至少一个，且卷积层和池化层交替连接。
本实施例中，输入层用于接收时序化后的多帧视频数据，卷积层用于对输入数据进行特征提取，池化层用于在进行卷积操作之后对得到的特征图进行分块，图像被划分成的不相交块，计算这些块内的最大值或平均值，得到池化后的特征图，全连接层用于将特征图展开为向量并通过激励函数传至输出层，最后得到预测停等密度矩阵输出。
下面以预测某个城市某月的车辆停等点数据为例，对上述步骤作进一步地解释说明如下，其中，待预测区域R：纬度范围22.45～22.87，经度范围 113.77～114.62，预定时间周期T：2018.09.01～2018.09.30，第一时间段为一天，第二时间段为一个小时。
为了从大量的私家车轨迹中提取出它们的停等点，采用基于GPS和车载诊断的数据融合技术提取轨迹数据中待预测区域、预定时间周期内车辆启动和熄火时的停等点数据，作为本实施方式的进一步优选，本发明实施方式使用一种集成地理背景方法，提出了轨迹中添加语义信息的停等点提取算法 (Stops and Moves of Trajectories,SMoT)对轨迹数据进行预处理。其主要步骤如下：
(1)、数据筛选：依据待预测区域R、预定时间周期T，筛选出适当的待预测区域、预定时间范围的停等点数据。
(2)、去除异常数据：在某个停等点数据中，如果该停等点的熄火时间 StopTime小于启动时间StartTime，则说明该停等点存在异常，因而需要剔除。
(3)、剔除冗余数据：如果该停等点熄火的时间StopTime与启动时间 StartTime的差值小于设定阈值τ，说明该车辆没有在该位置产生停等，则该停等点为冗余点，需要剔除。
(4)、数据整理：将去除异常数据以及剔除冗余数据后获得的停等点数据以“天”单位，并按照时间先后进行分类存储。
经过预处理后，得到了车辆停等点的位置信息(即经度信息和维度信息) 以及时间戳。
通过数据预处理后获取到以“天”为单位的私家车停等点数据{S1,S2,...,ST}，规格化为集合S，S＝{(xi,yi,ti)}i＝1,...,n。某天的私家车停等点数据可描述为：
Figure RE-GDA0002469124920000091
式(1)中，
Figure RE-GDA0002469124920000092
表示第u周中第d天的私家车停等点数据，(xi,yi,ti)表示停等时空中第i个停等点，x,y表示停等点经维度，t为时间戳，n是整个一天中所有待预测区域的车辆的总的停等点数量。
依据以上定义，测试停等时间序列数据，即输入1,可表示为：
Figure RE-GDA0002469124920000101
训练停等时间序列数据，即输入2，可表示为：
Figure RE-GDA0002469124920000102
其中，T为预定时间周期。然后，以大小为Dw×Dh的子区域将整个待预测区域划分为
Figure RE-GDA0002469124920000103
个网格。最后，将分布在各个网格之中的停等点进行统计、计数，从而得到某个时间段的密度矩阵Π，密度矩阵Π的示意图如图3中b所示。
通过上述操作，将每天的私家车停等点以“时”的单位转化为24个密度矩阵，即{Π1,Π2,...,Π24}。因此，针对历史预定时间周期T内的停等序列 {S1,S2,...,ST}，将得到的密度矩阵按照时间先后顺序排列可得到密度矩阵时间序列：{Π1,Π2,...,Π24×T}。
根据停等密度矩阵时间序列的前后相关性，下一刻的停等密度矩阵可以从之前的轨迹数据中得到的历史停等密度矩阵时间序列Πt,Πt-1,Πt-24,Πt-23,Πt-24*7,Πt-24*7-1预测得到，具体可表示为：
Figure RE-GDA0002469124920000104
其中，
Figure RE-GDA0002469124920000105
为下一刻的停等密度预测矩阵，f表示一个生成模型。如图4所示，展示了基于3D-CNN算法的 3D卷积神经网络模型训练方案结构图。
在一些实施例中，为了更好的获取到时空特征和停等密度矩阵预测值之间的联系，进而实现对未来私家车停等密度矩阵的预测，卷积层采用时间卷积核、空间卷积核以及时空卷积核对输入的多帧视频数据进行卷积操作(如图5所示)，获得多个特征图，并对多个特征图进行填充处理。卷积核的大小可以根据预定区域大小以及划分的网格数量等按需设置。
为了更好地挖掘停等矩阵中存在的时间维度特征和空间维度特征，采用 3D-CNN模型：与传统的卷积神经网络不同，为了保持原有位置蕴含的隐藏信息，卷积层后不采用池化层来特征降维，同时，在上述得到的密度矩阵不能被卷积核的大小整除时，使用填充方法来处理边界问题，一方面，能够降低过拟合概率，提升特征提取鲁棒性，另一方面，使其对平移和旋转不敏感，以此来保持停等密度矩阵时空结构的稳定。以空间卷积核为例分析，设定原始视频帧大小为n×n×d，卷积核大小为1×m×m，则经过边填充技术之后的卷积输出的特征图大小为：(n+2p-m+1)×(n+2p-m+1)，其中，p为填充在原始图像***的大小。为了使每次卷积操作后特征图大小保持不变，则p需要满足：
n+2p-m+1＝n (2)；
即：
Figure RE-GDA0002469124920000111
可选地，在全连接层中设置线性修正单元激活函数ReLU作为激励函数，激励函数ReLU的表达式为：
ReLU(x)＝max(0,x) (4)；
其中，x表示上一层的输出。
可选地，在最后的输出层中，对于全连接层的输出使用激励函数
Figure RE-GDA0002469124920000114
建立卷积层中获取到的时空特征和停等密度矩阵预测值之间的联系，得到预测停等密度矩阵输出如下：
Figure RE-GDA0002469124920000112
其中，
Figure RE-GDA0002469124920000113
是第i层的第j个特征映射中(x,y,z)处的特征值；
bij是第i层的第j个特征映射的偏置项；
m是第i-1层映射到第i层的特征映射之间的连接索引；
(Pi,Qi)是第i层的卷积核大小；
Figure RE-GDA0002469124920000121
为第i层的第j个特征映射位于(p,q,r)上的神经元与第i-1层中第m个特征映射之间的链接权重。
其中，为了确保结果为整数，激励函数
Figure RE-GDA0002469124920000122
进行向下取整操作：
Figure RE-GDA0002469124920000123
在经过多次迭代后，卷积网可能出现过拟合现象，过拟合是指一个假设在训练数据上能够获得比其他假设更好的拟合，但是在训练数据外的数据集上却不能很好的拟合数据的现象，因此，引入Dropout方法来缓解网络过分拟合。具体来说，在每次迭代过程中，某个神经元以概率a从网络中抛弃，保留其激活取值并将其当前输出置为0，而在下次训练中，恢复这些抛弃的神经元。这种随机性能够使得权值的更新不再依赖某些局部的特征影响，从而增加卷积神经网络的泛化能力，该过程被称为Dropout。本实施例中，将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练可以包括：在训练迭代过程中引用Dropout方法来缓解网络过分拟合。
其中，Dropout的计算过程如下：
Figure RE-GDA0002469124920000124
Figure RE-GDA0002469124920000125
其中，r为概率向量，r由Bernoulli函数随机产生0、1的向量，并且a 概率为0，即将第i个神经元的激活值以a概率设置为0，v(i)是第i个神经元的激活值，
Figure RE-GDA0002469124920000126
是第i个神经元的激活值经过dropout后的输出值。
值得注意的是，在测试过程中，因为结果的不确定性，不会对神经元进行随机抛弃，为保持结果的稳定性，给每个神经元的权重进行缩放来“补偿”之前的损失，即：
Figure RE-GDA0002469124920000127
其中，w为实际的权重参数，wtest为补偿后的权重参数，a为概率。
在3D卷积神经网络中，卷积核以及全连接层的参数可用集合
Figure RE-GDA0002469124920000131
来表示，为了获得最优的卷积神经网络的参数集Θ，使用Adam 梯度下降算法，对卷积层和全连接层的参数进行优化，使得模型输出的结果更加准确。参数优化的算法过程是获得的loss函数取得最小值，其中loss函数是指实际t+1时刻的停等密度矩阵与预测的T+1时刻停等密度矩阵的均方根误差具体的参数集优化过程如下：
Figure RE-GDA0002469124920000132
其中，
Figure RE-GDA0002469124920000133
即卷积层和全连接层的参数的集合；
Πt+1是实际t+1时刻的停等密度矩阵；
Figure RE-GDA0002469124920000134
是预测的t+1时刻停等密度矩阵。
通过将多帧视频数据输入到3D-CNN模型中进行训练，最后，获得下一时间段的私家车停等网格数据。
S107：根据训练后的聚集效应预测模型预测预定区域在目标时间段的停等点数据。
其中，预定区域、目标时间段可以根据具体的情况进行设置，比如预定区域可以是国家、某个省或某个城市，目标时间段可以是一个月，半个月或一周等。
步骤S106中的聚集效应预测模型会根据输入数据以及损失函数自动进行特征提取和参数的优化，使聚集效应预测模型达到拟合训练数据的最好效果，比如，当聚集效应预测模型的损失函数达到预期的阈值时，即可认为该模型能很好的拟合数据；步骤S107为步骤S106训练获得的模型的应用。
为了进一步验证本发明实施方式基于3D-CNN算法的停等聚集效应预测算法的有效性和可靠性，能够满足短时预测的需求，大大降低模型训练的代价，如图3-8所示，采用深圳2018年9月1日到9月30日共4周30天的真实私家车停等数据进行验证。
在对深圳停等数据进行处理后，以“时”为单位将30天的数据时序化为720 个时间片，即720帧视频数据。其中，网格数量为32×32，每个网格平均代表 2km范围。如图3中的a图为2018年09月10日8:00--9:00私家车原始停等点，而图3中b图为2018年09月10日8:00--9:00私家车密度矩阵可视化图，其中，颜色浅的为该网格内停等数据较少或趋近于零，颜色深则表示该区域范围私家车停等比较密集。私家车密度矩阵可视化图能够真实具体地展示出各个区域内的私家车停等数量，而不是停等密度程度的值。并且，整个研究范围内较深的区域产生的停等聚集效应也同样可以反映城市热区。
实验仿真参数设定：
如图6展示了在3D-CNN模型训练过程中损失函数曲线，其中，3D-CNN 算法的学习率设置为0.0001，Dropout的概率为0.5。本实验将2018年9月1 日到9月25日共25天的私家车停等点数据进行迭代训练，由图6可知，模型训练的迭代次数为2000次，其中，模型在1000次迭代左右能够较好地学习停等密度矩阵之间的时空相关性，使loss损失函数达到收敛，模型的精度更高。
实验仿真显示：
图7为利用2018年09月26日6:00--7:00，7:00--8:00和2018年09月25 日7:00--8:00，8:00--9:00以及2018年09月19日7:00--8:00，8:00--9:00六个私家车停等点矩阵通过SVR、GBDT、3D-CNN三种算法预测得到的2018年 09月26日8:00--9:00私家车停等点密度矩阵。从图中可以看出，三种算法都能够大体上预测出8:00--9:00交通早高峰期的停等密度矩阵，并且整个区域呈现高密度停等的状况，这也与前8:00的私家车停等密度分布相符合。但是， SVR算法在区域边缘以及停等密集区预测效果比较差，GBDT算法在预测停等稀疏区域呈现“点丢失”现象，主要是因为这些算法忽略了私家车停等事件的时空相关性，而3D-CNN算法能够从空间和时间维度来挖掘停等点之间的特征联系，从而可以更好地顾及到边缘稀疏区域和停等密集区域，进而使得预测效果都要优于其他两种上述两种方法，同时，也验证了3D-CNN算法具有更高的精确度。
为了更加具体地展示实验结果，如图8所示，该结果是通过预测5天即 120个停等矩阵得到的均方根误差RMSE的平均值(RMSEavg)来定量分析 SVR算法、GBDT算法、3D-CNN算法的性能，其中，RMSE的平均值越小，则说明算法的性能更优越。由表可知，3D-CNN算法算法的RMSE的平均值最小，而SVR算法的指标评估值最大，GBDT算法次之。这主要是因为SVR、GBDT算法都是把该3D密度矩阵数据转化为1D密度矩阵，然后再单一网格逐一预测，没有考虑到网格之间的相关性。并且，SVR算法的模型简单，预测波动性较大，因此，在区域边缘以及停等密集区预测效果比较差，而GBDT 算法可以在多个方向对误差进行修正，因此，它比SVR算法相对较好。但是仍然存在停等稀疏区域呈现“点丢失”现象，主要是因为这些算法忽略了私家车停等事件的时空相关性。而3D-CNN算法能够从空间和时间维度来挖掘停等点之间的特征联系，从而可以更好地顾及到边缘稀疏区域和停等密集区域，进而使得预测效果都要优于其他两种传统方法，同时，也验证了3D-CNN算法具有更高的精确度。
本发明实施例提供的车辆轨迹数据聚集效应预测方法，通过基于GPS和车载诊断的数据融合技术能够提取轨迹数据中数据量少、价值高的停等点数据，避免了现有技术中由于时空轨迹数据庞大使得时空轨迹数据分析任务日趋繁重的问题，通过挖掘私家车停等点数据能够高效地分析城市交通状况；由于轨迹数据在空间区域内往往容易产生聚集效应，形成热区，通过将预定区域划分为多个网格，对预定时间周期内每个网格的车辆停等点数据进行统计，并将统计的结果转为密度矩阵，有利于全局感知城市区域内的交通状况变化的过程，分析聚集效应的产生，并挖掘停等热区，以此来辅助居民出行、交通管理和城市规划；通过聚集效应预测模型对输入的多帧视频数据进行训练，能够准确地预测未来停等聚集效应的演变趋势，便于管理部门有依据地采取措施缓解交通拥堵；通过基于3D-CNN算法的3D卷积神经网络模型对输入的数据进行训练，能够满足短时预测的需求，并且大大降低了模型训练的代价，增加了预测的有效性和可靠性。
上面对本发明实施例中的车辆轨迹数据聚集效应预测方法进行了描述，下面对本发明实施例中的车辆轨迹数据聚集效应预测装置进行描述。
请参见图9，本发明实施例的车辆轨迹数据聚集效应预测装置可以包括提取单元110、第一处理单元120、统计单元130、第一转化单元140、第二转化单元150、训练单元160以及模型预测单元170。
提取单元110，用于获取车辆轨迹数据中待预测区域在预定时间周期内的车辆启动和熄火时的停等点数据，其中，停等点数据至少包括经度信息、纬度信息和时间戳，时间戳为车辆启动时间或车辆熄火时间；
第一处理单元120，用于将待预测区域划分为多个网格，并将预定时间周期划分为多个第一时间段，将每个第一时间段划分为多个第二时间段；
统计单元130，用于统计每个第二时间段内位于每个网格的停等点数据的数量；
第一转化单元140，用于将统计后的结果转化为多个密度矩阵，其中，每个密度矩阵用于表征对应的第二时间段内各个网格的停等点统计数据的数量；
第二转化单元150，用于将多个密度矩阵时序化为多帧视频数据；
训练单元160，用于将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，其中，聚集效应预测模型能够进行分类和/或回归；
模型预测单元170，用于根据训练后的聚集效应预测模型预测预定区域在目标时间段的停等点数据。
可选地，聚集效应预测模型包括支持向量回归SVR算法、迭代决策树 GBDT算法和3D卷积神经网络3D-CNN算法中的一种。
可选地，聚集效应预测模型为基于3D-CNN算法的3D卷积神经网络模型， 3D卷积神经网络模型包括：输入层、卷积层、池化层、全连接层以及输出层，其中，卷积层和池化层包括至少一个，且卷积层和池化层交替连接。
可选地，在卷积层中，根据预设的时间卷积核、空间卷积核以及时空卷积核对输入的多帧视频数据进行卷积操作，获得多个特征图，并对多个特征图进行填充处理。
可选地，将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，包括：
在训练迭代过程中引用Dropout方法来缓解网络过分拟合，其中Dropout 的计算过程如下：
Figure RE-GDA0002469124920000171
Figure RE-GDA0002469124920000172
其中，r为概率向量，r由Bernoulli函数随机产生0、1的向量，并且a 概率为0，即将第i个神经元的激活值以a概率设置为0，v(i)是第i个神经元的激活值，
Figure RE-GDA0002469124920000173
是第i个神经元的激活值经过dropout后的输出值。
可选地，在全连接层中设置线性修正单元激活函数ReLU作为激励函数，激励函数ReLU的表达式为：
ReLU(x)＝max(0,x)；
其中，x表示上一层的输出。
可选地，在全连接层中使用激励函数
Figure RE-GDA0002469124920000174
建立卷积层中获取到的时空特征和停等密度矩阵预测值之间的联系，得到预测停等密度矩阵输出如下：
Figure RE-GDA0002469124920000181
其中，
Figure RE-GDA0002469124920000182
是第i层的第j个特征映射中(x,y,z)处的特征值；
bij是第i层的第j个特征映射的偏置项；
m是第i-1层映射到第i层的特征映射之间的连接索引；
(Pi,Qi)是第i层的卷积核大小；
Figure RE-GDA0002469124920000183
为第i层的第j个特征映射位于(p,q,r)上的神经元与第i-1层中第m个特征映射之间的链接权重。
可选地，在卷积层和全连接层中使用Adam梯度下降算法，对卷积层和全连接层的参数进行优化，参数优化表达式为：
Figure RE-GDA0002469124920000184
其中，
Figure RE-GDA0002469124920000185
即卷积层和全连接层的参数的集合；
Πt+1是实际t+1时刻的停等密度矩阵；
Figure RE-GDA0002469124920000186
是预测的t+1时刻停等密度矩阵。
可选地，车辆轨迹数据基于车辆上的定位装置和车载诊断的数据融合技术提取获得。
可选地，请参见图10，本实施例的车辆轨迹数据聚集效应预测装置还包括剔除单元180。
剔除单元180，用于统计每个第二时间段内位于每个网格的停等点数据的数量之前，剔除停等点数据中的异常数据和/或冗余数据；其中，异常数据为停等点数据中车辆熄火时间小于车辆启动时间的数据，冗余数据为停等点数据中车辆熄火时间与车辆启动时间的差值小于预设阈值的数据。
在本发明实施例中，还提供一种存储介质，存储介质包括存储的程序，其中，程序执行任意一种上述的车辆轨迹数据聚集效应预测方法。
在本发明实施例中，还提供一种处理器，上述处理器用于运行程序，其中，程序运行时执行任意一种上述的车辆轨迹数据聚集效应预测方法。
在本发明实施例中，还提供一种电子设备，包括：一个或多个处理器，存储器，显示装置以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的车辆轨迹数据聚集效应预测方法。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种车辆轨迹数据聚集效应预测方法，其特征在于，包括：
获取车辆轨迹数据中待预测区域在预定时间周期内的车辆启动和熄火时的停等点数据，其中，所述停等点数据至少包括经度信息、纬度信息和时间戳，所述时间戳为车辆启动时间或车辆熄火时间；
将所述待预测区域划分为多个网格，并将预定时间周期划分为多个第一时间段，将每个所述第一时间段划分为多个第二时间段；
统计每个第二时间段内位于每个网格的停等点数据的数量；
将统计后的结果转化为多个密度矩阵，其中，每个密度矩阵用于表征对应的第二时间段内各个网格的停等点统计数据的数量；
将多个密度矩阵时序化为多帧视频数据；
将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，其中，所述聚集效应预测模型能够进行分类和/或回归；
根据训练后的聚集效应预测模型预测预定区域在目标时间段的停等点数据。
2.根据权利要求1所述的方法，其特征在于，所述聚集效应预测模型包括支持向量回归SVR算法、迭代决策树GBDT算法和3D卷积神经网络3D-CNN算法中的一种。
3.根据权利要求2所述的方法，其特征在于，所述聚集效应预测模型为基于3D-CNN算法的3D卷积神经网络模型，所述3D卷积神经网络模型包括：输入层、卷积层、池化层、全连接层以及输出层，其中，所述卷积层和所述池化层包括至少一个，且所述卷积层和所述池化层交替连接。
4.根据权利要求3所述的方法，其特征在于，在所述卷积层中，根据预设的时间卷积核、空间卷积核以及时空卷积核对输入的多帧视频数据进行卷积操作，获得多个特征图，并对多个所述特征图进行填充处理。
5.根据权利要求4所述的方法，其特征在于，所述将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，包括：
在训练迭代过程中引用Dropout方法来缓解网络过分拟合，其中Dropout的计算过程如下：
Figure FDA0002346679730000021
Figure FDA0002346679730000022
其中，r为概率向量，r由Bernoulli函数随机产生0、1的向量，并且a概率为0，即将第i个神经元的激活值以a概率设置为0，v(i)是第i个神经元的激活值，
Figure FDA0002346679730000023
是第i个神经元的激活值经过dropout后的输出值。
6.根据权利要求4所述的方法，其特征在于，在所述全连接层中设置线性修正单元激活函数ReLU作为激励函数，所述激励函数ReLU的表达式为：
ReLU(x)＝max(0,x)；
其中，x表示上一层的输出。
7.根据权利要求4所述的方法，其特征在于，在所述全连接层中使用激励函数
Figure FDA0002346679730000027
建立卷积层中获取到的时空特征和停等密度矩阵预测值之间的联系，得到预测停等密度矩阵输出如下：
Figure FDA0002346679730000024
其中，
Figure FDA0002346679730000025
是第i层的第j个特征映射中(x,y,z)处的特征值；
bij是第i层的第j个特征映射的偏置项；
m是第i-1层映射到第i层的特征映射之间的连接索引；
(Pi,Qi,Ri)是第i层的卷积核大小；
Figure FDA0002346679730000026
为第i层的第j个特征映射位于(p,q,r)上的神经元与第i-1层中第m个特征映射之间的链接权重。
8.根据权利要求4所述的方法，其特征在于，在所述卷积层和全连接层中使用Adam梯度下降算法，对卷积层和全连接层的参数进行优化，参数优化表达式为：
Figure FDA0002346679730000031
其中，
Figure FDA0002346679730000032
即卷积层和全连接层的参数的集合；
Πt+1是实际t+1时刻的停等密度矩阵；
Figure FDA0002346679730000033
是预测的t+1时刻停等密度矩阵。
9.根据权利要求1所述的方法，其特征在于，所述车辆轨迹数据基于车辆上的定位装置和车载诊断的数据融合技术提取获得；和/或，
所述统计每个第二时间段内位于每个网格的停等点数据的数量之前，还包括：
剔除所述停等点数据中的异常数据和/或冗余数据；
其中，所述异常数据为所述停等点数据中车辆熄火时间小于车辆启动时间的数据，所述冗余数据为所述停等点数据中车辆熄火时间与车辆启动时间的差值小于预设阈值的数据。
10.一种车辆轨迹数据聚集效应预测装置，其特征在于，包括：
提取单元，用于获取车辆轨迹数据中待预测区域在预定时间周期内的车辆启动和熄火时的停等点数据，其中，所述停等点数据至少包括经度信息、纬度信息和时间戳，所述时间戳为车辆启动时间或车辆熄火时间；
第一处理单元，用于将所述待预测区域划分为多个网格，并将预定时间周期划分为多个第一时间段，将每个所述第一时间段划分为多个第二时间段；
统计单元，用于统计每个第二时间段内位于每个网格的停等点数据的数量；
第一转化单元，用于将统计后的结果转化为多个密度矩阵，其中，每个密度矩阵用于表征对应的第二时间段内各个网格的停等点统计数据的数量；
第二转化单元，用于将多个密度矩阵时序化为多帧视频数据；
训练单元，用于将时序化后的多帧视频数据输入预设的聚集效应预测模型进行训练，其中，所述聚集效应预测模型能够进行分类和/或回归；
模型预测单元，用于根据训练后的聚集效应预测模型预测预定区域在目标时间段的停等点数据。
CN201911397442.3A 2019-12-30 2019-12-30 车辆轨迹数据聚集效应预测方法及装置 Active CN111275962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911397442.3A CN111275962B (zh) 2019-12-30 2019-12-30 车辆轨迹数据聚集效应预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911397442.3A CN111275962B (zh) 2019-12-30 2019-12-30 车辆轨迹数据聚集效应预测方法及装置

Publications (2)

Publication Number Publication Date
CN111275962A true CN111275962A (zh) 2020-06-12
CN111275962B CN111275962B (zh) 2021-09-03

Family

ID=71000173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911397442.3A Active CN111275962B (zh) 2019-12-30 2019-12-30 车辆轨迹数据聚集效应预测方法及装置

Country Status (1)

Country Link
CN (1) CN111275962B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754053A (zh) * 2020-08-12 2020-10-09 腾讯科技（深圳）有限公司 热力信息反馈方法、装置、计算机设备和存储介质
CN112529284A (zh) * 2020-12-08 2021-03-19 湖南大学 基于神经网络的私家车停留时间预测方法、设备及介质
CN112598165A (zh) * 2020-12-11 2021-04-02 湖南大学 基于私家车数据的城市功能区转移流量预测方法及装置
CN112862177A (zh) * 2021-02-02 2021-05-28 湖南大学 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
CN112906948A (zh) * 2021-02-02 2021-06-04 湖南大学 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质
CN113793502A (zh) * 2021-09-15 2021-12-14 国网电动汽车服务(天津)有限公司 无信号灯控制下的行人过街预测方法
CN116824868A (zh) * 2023-08-30 2023-09-29 国交空间信息技术（北京）有限公司 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020222A (zh) * 2012-12-13 2013-04-03 广州市香港科大***研究院 用于车辆gps数据分析与异常监测的可视挖掘方法
EP3073460A1 (en) * 2015-03-24 2016-09-28 Alcatel Lucent Predicting the trajectory of mobile users
CN106600068A (zh) * 2016-12-19 2017-04-26 英业达科技有限公司 出租车辆行车数据提供***及其方法
CN106611499A (zh) * 2015-10-21 2017-05-03 北京计算机技术及应用研究所 一种检测机动车热点路径的方法
TW201814551A (zh) * 2016-10-05 2018-04-16 中華電信股份有限公司 應用定位軌跡停等與行進模型估算交通車速方法
CN108427965A (zh) * 2018-03-05 2018-08-21 重庆邮电大学 一种基于路网聚类的热点区域挖掘方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020222A (zh) * 2012-12-13 2013-04-03 广州市香港科大***研究院 用于车辆gps数据分析与异常监测的可视挖掘方法
EP3073460A1 (en) * 2015-03-24 2016-09-28 Alcatel Lucent Predicting the trajectory of mobile users
CN106611499A (zh) * 2015-10-21 2017-05-03 北京计算机技术及应用研究所 一种检测机动车热点路径的方法
TW201814551A (zh) * 2016-10-05 2018-04-16 中華電信股份有限公司 應用定位軌跡停等與行進模型估算交通車速方法
CN106600068A (zh) * 2016-12-19 2017-04-26 英业达科技有限公司 出租车辆行车数据提供***及其方法
CN108427965A (zh) * 2018-03-05 2018-08-21 重庆邮电大学 一种基于路网聚类的热点区域挖掘方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG DONG 等: "Stop-and-Wait: Discover Aggregation Effect Based on Private Car Trajectory Data", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754053A (zh) * 2020-08-12 2020-10-09 腾讯科技（深圳）有限公司 热力信息反馈方法、装置、计算机设备和存储介质
CN111754053B (zh) * 2020-08-12 2024-06-07 腾讯科技（深圳）有限公司 热力信息反馈方法、装置、计算机设备和存储介质
CN112529284A (zh) * 2020-12-08 2021-03-19 湖南大学 基于神经网络的私家车停留时间预测方法、设备及介质
CN112598165A (zh) * 2020-12-11 2021-04-02 湖南大学 基于私家车数据的城市功能区转移流量预测方法及装置
CN112598165B (zh) * 2020-12-11 2023-09-26 湖南大学 基于私家车数据的城市功能区转移流量预测方法及装置
CN112862177A (zh) * 2021-02-02 2021-05-28 湖南大学 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
CN112906948A (zh) * 2021-02-02 2021-06-04 湖南大学 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质
CN112906948B (zh) * 2021-02-02 2023-12-22 湖南大学 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质
CN112862177B (zh) * 2021-02-02 2024-01-19 湖南大学 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
CN113793502A (zh) * 2021-09-15 2021-12-14 国网电动汽车服务(天津)有限公司 无信号灯控制下的行人过街预测方法
CN116824868A (zh) * 2023-08-30 2023-09-29 国交空间信息技术（北京）有限公司 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质
CN116824868B (zh) * 2023-08-30 2023-11-24 国交空间信息技术（北京）有限公司 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111275962B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN111275962B (zh) 车辆轨迹数据聚集效应预测方法及装置
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
US20200135017A1 (en) Transportation network speed foreeasting method using deep capsule networks with nested lstm models
WO2022142042A1 (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN112257934A (zh) 一种基于时空动态神经网络的城市人流预测方法
CN107103754A (zh) 一种道路交通状况预测方法及***
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN110310474A (zh) 一种基于时空残差网络的车流量预测方法及装置
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、***及装置
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、***
CN113327417B (zh) 基于3d动态时空残差卷积关联网络的交通流预测方法
CN115148019A (zh) 一种基于节假日拥堵预测算法的预警方法及***
CN112966853A (zh) 基于时空残差混合模型的城市路网短时交通流预测方法
CN109376906A (zh) 基于多维度轨迹的出行时间预测方法、***及电子设备
CN113487863A (zh) 一种多因素交通风险实时定量评估***及方法
CN111047078A (zh) 交通特征预测方法、***及存储介质
CN112598165A (zh) 基于私家车数据的城市功能区转移流量预测方法及装置
Dai et al. Attention based simplified deep residual network for citywide crowd flows prediction
CN112201037A (zh) 一种基于抽样轨迹数据的交叉口到达率估计方法
Rahman et al. Attention based deep hybrid networks for traffic flow prediction using *** maps data
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN116187561A (zh) 一种基于空间时域卷积网络的pm10浓度精细化预测方法
CN111061966B (zh) 基于强化学习算法的失踪目标搜索方法
CN113205685B (zh) 基于全局-局部残差组合模型的短时交通流预测方法
CN117975178B (zh) 一种基于大数据分析的出租车轨迹数据分析方法

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