CN111292525A - 基于神经网络的交通流预测方法 - Google Patents

基于神经网络的交通流预测方法 Download PDF

Info

Publication number
CN111292525A
CN111292525A CN201911395224.6A CN201911395224A CN111292525A CN 111292525 A CN111292525 A CN 111292525A CN 201911395224 A CN201911395224 A CN 201911395224A CN 111292525 A CN111292525 A CN 111292525A
Authority
CN
China
Prior art keywords
traffic flow
neural network
lstm
layer
value
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
CN201911395224.6A
Other languages
English (en)
Other versions
CN111292525B (zh
Inventor
郭唐仪
邓宏
杨勇
邵飞
侯松林
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.)
Nanjing Aites Technology Co Ltd
Original Assignee
Nanjing Aites 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 Nanjing Aites Technology Co Ltd filed Critical Nanjing Aites Technology Co Ltd
Priority to CN201911395224.6A priority Critical patent/CN111292525B/zh
Publication of CN111292525A publication Critical patent/CN111292525A/zh
Application granted granted Critical
Publication of CN111292525B publication Critical patent/CN111292525B/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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

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

Abstract

本发明公开了一种基于神经网络的交通流预测方法，收集预测路段设定时间内的历史交通流数据，形成二维交通流矩阵；对交通流数据进行标准化处理，并分为训练集、测试集；设计预测交通流量的LSTM‑FC神经网络，并利用训练集对其进行训练；用测试集对训练结束后的模型进行测试，评估模型误差，若误差大于设定值，重新训练模型；将待预测路段前五天的交通流数据输入训练好的LSTM‑FC神经网络，预测路段未来交通流量。本发明能够根据断面的交通流量历史数据预测未来的交通流量，极大程度提升了交通流预测的实时性和准确性。

Description

基于神经网络的交通流预测方法
技术领域
本发明属于智能交通控制领域，具体为一种基于神经网络的交通流预测方法。
背景技术
随着机动车保有量数目不断增加，城市道路极易出现拥堵、混乱、事故高发等问题。为了减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时交通流预测数据是当前的研究热点。
目前的交通流预测主要有四种方法，包括统计分析的预测模型、非线性理论模型、仿真预测模型、智能预测模型。基于统计分析的预测模型大多模型简单，计算较快，但不能处理突发交通状况，精度一般。非线性理论模型大部分理论复杂，计算量大。仿真预测模型计算量大，实时性不高，不适用于大规模数据的交通流量预测。智能预测模型无需建立精确的数学模型，可以基于流量历史数据预测将来流量，但目前提出的交通流智能预测模型大多只考虑交通流的时序特征，未考虑流量的空间联系，预测效果不佳。
发明内容
本发明的目的在于提供一种基于神经网络的交通流预测方法。
实现本发明目的的技术方案为：一种基于神经网络的交通流预测方法，具体步骤为：
步骤1：收集预测路段设定时间内的历史交通流数据，形成二维交通流矩阵；
步骤2：对交通流数据进行标准化处理，并分为训练集、测试集；
步骤3：设计预测交通流量的LSTM-FC神经网络，并利用训练集对其进行训练，所述LSTM-FC神经网络包括依次连接的输入层、循环层、全连接层；
步骤4：用测试集对训练结束后的模型进行测试，评估模型误差，若误差大于设定值，返回步骤3，重新训练模型；
步骤5：将待预测路段前五天的交通流数据输入训练好的LSTM-FC神经网络，预测路段未来交通流量。
优选地，所述历史交通流数据包括预测路段N个检测断面连续m天内每天的交通流量
Figure BDA0002346111500000011
矩阵S第i行表示第i个检测断面数据的N维向量Si，
Figure BDA0002346111500000012
第j列表示第j天n个检测断面的交通流数据向量Q(j)，
Figure BDA0002346111500000021
优选地，采用Z-score规范化对交通流数据进行标准化处理，即
Figure DEST_PATH_FDA0002346111490000014
μ为原始数据的均值，σ为原始数据的标准差，
Figure BDA0002346111500000023
为标准化处理后的N个检测断面连续m天内每天的交通流量。
优选地，利用训练集对LSTM-FC神经网络进行训练的具体方法为：
以均方误差定义损失函数，误差反向传播降低损失，设置学习率α，采用正态分布初始化权重参数与偏差参数，设置单次训练过程的数据批量以及迭代次数， LSTM-FC神经网络单次训练过程如下：
(1)设i＝1，x＝0；
(2)将输入矩阵S第i行包含的前五天交通流量数据
Figure BDA0002346111500000024
经输入层输入至循环层，将循环层输出结果y(ht)与x联合作为全连接层的输入 X＝[y,x]T，x为前一个断面的预测流量，得到断面i第六天的预测值
Figure BDA0002346111500000025
Figure BDA0002346111500000026
Wfc，bfc分别为全连接层的权重参数和偏置参数。
循环层的计算过程为：
ii＝σ(Wi*[hi-1,qi]+bi)
Figure BDA0002346111500000027
Figure BDA0002346111500000028
oi＝σ(Wo[hi-1,qi]+bo)
hi＝oi*tanh(Ci)
式中，Wi，WC，Wo分别为LSTM网络输入门、遗忘门、输出门的权重参数， bi，bC，bo分别为LSTM网络输入门、遗忘门、输出门的偏差参数，qi为当前时刻的输入，ii为当前时间步输入门的值，Ci为当前时间步遗忘门的值，Ci-1为上一时间步的遗忘门的值，
Figure BDA0002346111500000029
是当前时间步记忆细胞的值，oi是当前时间步输出门的值，hi-1为上一时间步的隐藏状态，hi为当前时间步的隐藏状态，σ为sigmoid 激活函数，tanh为三角正切函数；
(3)根据预测值
Figure BDA00023461115000000210
与真实值q6计算损失函数MSE，并更新参数重新计算预测值
Figure BDA0002346111500000031
采用RMSProp优化算法更新神经网络各层权重参数W；
(4)令i＝i+1，
Figure BDA0002346111500000032
返回步骤(2)，得到断面i+1的预测值
Figure BDA0002346111500000033
直至得到全部的N个检测断面的第六天交通流量预测值
Figure BDA0002346111500000034
优选地，采用RMSProp优化算法更新神经网络各层权重参数W的具体步骤为：
31)计算损失函数的梯度值
Figure BDA0002346111500000035
32)计算累积平方梯度
Figure BDA0002346111500000036
33)更新各层权重参数
Figure BDA0002346111500000037
其中α取0.001，ρ取 0.9，∈取10-6；
34)进行步骤(2)，重新获得第i行的预测值
Figure BDA0002346111500000038
本发明与现有技术相比，其显著优点为：本发明能利用预测道路的大量历史交通流数据找出该道路上的交通流特点，模型采用LSTM网络与FC网络组合的形式，既利用LSTM网络处理时序数据的优势，考虑了交通流量的时间序列特征，又采用FC网络关联相邻断面的流量，考虑了流量的空间特征，提高了交通流量预测的合理性，预测过程只需要五天的断面流量数据即可预测未来几天的流量。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明的流程图。
图2为LSTM-FC神经网络模型示意图。
具体实施方式
一种基于神经网络的交通流预测方法，具体步骤为：
步骤1、收集预测路段设定时间内的历史交通流数据，历史交通流数据包括预测路段N个检测断面连续m天内每天的交通流量
Figure BDA0002346111500000039
如
Figure BDA00023461115000000310
表示第v个检测断面在第u天时的交通流量，形成二维交通流矩阵S。矩阵S第i行表示第i个检测断面数据的N维向量Si，
Figure BDA00023461115000000311
第j列表示第j天n个检测断面的交通流数据向量Q(j)，
Figure BDA00023461115000000312
Figure BDA0002346111500000041
步骤2、数据预处理。对交通流数据做标准化处理，并分为训练集、测试集。数据标准化处理采用Z-score规范化，
Figure BDA0002346111500000042
μ为原始数据的均值，σ为原始数据的标准差，
Figure BDA0002346111500000043
为标准化处理后的N个检测断面连续m天内每天的交通流量，采用K值交叉验证(K＝10)将数据集分为训练集、测试集。
步骤3、设计预测交通流量的LSTM-FC神经网络，并利用训练集对其进行训练，网络结构如图2所示，所述LSTM-FC神经网络包括依次连接的输入层、循环层、全连接层。循环层由LSTM网络构成，LSTM网络单次输入向量维度为 1*5，输出向量维度为1*1，全连接层输出结果作为整个网络的预测结果。
所述LSTM-FC神经网络可通过预测路段N个检测断面连续5天内每天的交通流量
Figure BDA0002346111500000047
组成的流量矩阵S，预测N个检测断面在第6天时的交通流量Q6。
以均方误差(MSE)定义损失函数，误差反向传播降低损失。学习率α＝0.001，采用正态分布(μ＝0.485，σ＝0.224)初始化权重参数与偏差参数，单次训练过程的数据批量为32，迭代次数为104。
所述LSTM-FC神经网络单次预测过程如下：
(1)设i＝1；
(2)将输入矩阵S的第i行(即第i个断面)包含的前五天交通流量数据
Figure BDA0002346111500000044
经输入层输入至循环层，计算过程如下：
ii＝σ(Wi*[hi-1,qi]+bi)
Figure BDA0002346111500000045
Figure BDA0002346111500000046
oi＝σ(Wo[hi-1,qi]+bo)
hi＝oi*tanh(Ci)
式中，Wi，WC，Wo分别为LSTM网络输入门、遗忘门、输出门的权重参数， bi，bC，bo分别为LSTM网络输入门、遗忘门、输出门的偏差参数，qi为当前时刻的输入，ii为当前时间步输入门的值，Ci为当前时间步遗忘门的值，Ci-1为上一时间步的遗忘门的值，
Figure BDA0002346111500000051
是当前时间步记忆细胞的值，oi是当前时间步输出门的值，hi-1为上一时间步的隐藏状态，hi为当前时间步的隐藏状态，σ为sigmoid 激活函数，tanh为三角正切函数；
循环层输出结果y(ht)与x联合作为全连接层的输入X＝[y,x]T，x为前一个断面的预测流量，初始时，x＝0，即可得到断面i第六天的预测值
Figure BDA0002346111500000052
Wfc，bfc分别为全连接层的权重参数和偏置参数；
(3)根据预测值
Figure BDA0002346111500000053
与真实值q6计算损失函数MSE，并更新参数重新计算预测值
Figure BDA0002346111500000054
Figure BDA0002346111500000055
采用RMSProp优化算法更新神经网络各层权重参数W。RMSProp优化算法如下：
31)计算损失函数的梯度值
Figure BDA0002346111500000056
32)计算累积平方梯度
Figure BDA0002346111500000057
33)更新各层权重参数
Figure BDA0002346111500000058
其中α取0.001，ρ取0.9，∈取10-6。
34)进行步骤(2)，重新获得第i行的预测值
Figure BDA0002346111500000059
(4)令i＝i+1，
Figure BDA00023461115000000510
重复步骤(2)～(3)，得到断面i+1的预测值
Figure BDA00023461115000000511
直至得到全部的N个检测断面的第六天交通流量预测值
Figure BDA00023461115000000512
Figure BDA00023461115000000513
步骤4、用测试集对训练结束后的模型进行测试，评估模型误差。将测试集中待预测路段五天内的交通流数据如步骤1所示预处理方式组织为矩阵S，即可得到全部的N个检测断面的第六天交通流量预测值
Figure BDA00023461115000000514
计算测试集的MSE，若模型在测试集上误差大于设定值，返回步骤4，重新训练模型。
步骤5、用训练结束并通过测试的LSTM-FC网络对实际道路流量进行预测，输入待预测路段五天内的交通流数据即可预测路段未来交通流量。

Claims (5)

1.一种基于神经网络的交通流预测方法，其特征在于，具体步骤为：
步骤1：收集预测路段设定时间内的历史交通流数据，形成二维交通流矩阵；
步骤2：对交通流数据进行标准化处理，并分为训练集、测试集；
步骤3：设计预测交通流量的LSTM-FC神经网络，并利用训练集对其进行训练，所述LSTM-FC神经网络包括依次连接的输入层、循环层、全连接层；
步骤4：用测试集对训练结束后的模型进行测试，评估模型误差，若误差大于设定值，返回步骤3，重新训练模型；
步骤5：将待预测路段前五天的交通流数据输入训练好的LSTM-FC神经网络，预测路段未来交通流量。
2.根据权利要求1所述的基于神经网络的交通流预测方法，其特征在于，所述历史交通流数据包括预测路段N个检测断面连续m天内每天的交通流量
Figure FDA0002346111490000011
矩阵S第i行表示第i个检测断面数据的N维向量Si，
Figure FDA0002346111490000012
第j列表示第j天n个检测断面的交通流数据向量Q(j)，
Figure FDA0002346111490000013
3.根据权利要求1所述的基于神经网络的交通流预测方法，其特征在于，采用Z-score规范化对交通流数据进行标准化处理，即
Figure FDA0002346111490000014
μ为原始数据的均值，σ为原始数据的标准差，
Figure FDA0002346111490000015
为标准化处理后的N个检测断面连续m天内每天的交通流量。
4.根据权利要求1所述的基于神经网络的交通流预测方法，其特征在于，利用训练集对LSTM-FC神经网络进行训练的具体方法为：
以均方误差定义损失函数，误差反向传播降低损失，设置学习率α，采用正态分布初始化权重参数与偏差参数，设置单次训练过程的数据批量以及迭代次数，LSTM-FC神经网络单次训练过程如下：
(1)设i＝1，x＝0；
(2)将输入矩阵S第i行包含的前五天交通流量数据
Figure FDA0002346111490000016
经输入层输入至循环层，将循环层输出结果y(ht)与x联合作为全连接层的输入X＝[y，x]T，x为前一个断面的预测流量，得到断面i第六天的预测值
Figure FDA0002346111490000017
Figure FDA0002346111490000018
Wfc，bfc分别为全连接层的权重参数和偏置参数。
循环层的计算过程为：
ii＝σ(Wi*[hi-1，qi]+bi)
Figure FDA0002346111490000021
Figure FDA0002346111490000022
oi＝σ(Wo[hi-1，qi]+bo)
hi＝oi*tanh(Ci)
式中，Wi，WC，Wo分别为LSTM网络输入门、遗忘门、输出门的权重参数，bi，bC，bo分别为LSTM网络输入门、遗忘门、输出门的偏差参数，qi为当前时刻的输入，ii为当前时间步输入门的值c，Ci为当前时间步遗忘门的值，Ci-1为上一时间步的遗忘门的值，
Figure FDA0002346111490000023
是当前时间步记忆细胞的值，oi是当前时间步输出门的值，hi-1为上一时间步的隐藏状态，hi为当前时间步的隐藏状态，σ为sigmoid激活函数，tanh为三角正切函数；
(3)根据预测值
Figure FDA0002346111490000024
与真实值q6计算损失函数MSE，并更新参数重新计算预测值
Figure FDA0002346111490000025
Figure FDA0002346111490000026
采用RMSProp优化算法更新神经网络各层权重参数W；
(4)令i＝i+1，
Figure FDA0002346111490000027
返回步骤(2)，得到断面i+1的预测值
Figure FDA0002346111490000028
直至得到全部的N个检测断面的第六天交通流量预测值
Figure FDA0002346111490000029
Figure FDA00023461114900000210
5.根据权利要求1所述的基于神经网络的交通流预测方法，其特征在于，采用RMSProp优化算法更新神经网络各层权重参数W的具体步骤为：
31)计算损失函数的梯度值
Figure FDA00023461114900000211
32)计算累积平方梯度
Figure FDA00023461114900000212
33)更新各层权重参数
Figure FDA00023461114900000213
其中α取0.001，ρ取0.9，∈取10-6；
34)进行步骤(2)，重新获得第i行的预测值
Figure FDA00023461114900000214
CN201911395224.6A 2019-12-30 2019-12-30 基于神经网络的交通流预测方法 Active CN111292525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911395224.6A CN111292525B (zh) 2019-12-30 2019-12-30 基于神经网络的交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911395224.6A CN111292525B (zh) 2019-12-30 2019-12-30 基于神经网络的交通流预测方法

Publications (2)

Publication Number Publication Date
CN111292525A true CN111292525A (zh) 2020-06-16
CN111292525B CN111292525B (zh) 2023-01-13

Family

ID=71020686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911395224.6A Active CN111292525B (zh) 2019-12-30 2019-12-30 基于神经网络的交通流预测方法

Country Status (1)

Country Link
CN (1) CN111292525B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860621A (zh) * 2020-06-30 2020-10-30 贵州民族大学 一种数据驱动的分布式交通流量预测方法及***
CN111882869A (zh) * 2020-07-13 2020-11-03 大连理工大学 一种考虑不良天气的深度学习交通流预测方法
CN111895923A (zh) * 2020-07-07 2020-11-06 上海辰慧源科技发展有限公司 一种拟合测量薄膜厚度的方法
CN112529299A (zh) * 2020-12-11 2021-03-19 东南大学 基于arima和lstm混合神经网络的短交通流预测方法
CN112669606A (zh) * 2020-12-24 2021-04-16 西安电子科技大学 利用动态时空图训练卷积神经网络的交通流预测方法
CN113627089A (zh) * 2021-08-27 2021-11-09 东南大学 一种基于混合密度神经网络的城市车流量仿真方法
CN113919231A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及***
CN114283584A (zh) * 2021-12-31 2022-04-05 云控智行(上海)汽车科技有限公司 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质
CN114944057A (zh) * 2022-04-21 2022-08-26 中山大学 一种路网交通流量数据的修复方法与***
CN115410372A (zh) * 2022-10-31 2022-11-29 江苏中路交通发展有限公司 基于贝叶斯lstm的高速公路交通流量可靠预测方法
CN116311951A (zh) * 2023-05-25 2023-06-23 湖南工商大学 一种交通出行量数据处理方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
CN109062177A (zh) * 2018-06-29 2018-12-21 无锡易通精密机械股份有限公司 一种基于神经网络的机械设备故障诊断方法与***
US20180373985A1 (en) * 2017-06-23 2018-12-27 Nvidia Corporation Transforming convolutional neural networks for visual sequence learning
CN109194498A (zh) * 2018-07-27 2019-01-11 南京理工大学 一种基于lstm的网络流量预测方法
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法
CN109948833A (zh) * 2019-02-25 2019-06-28 华中科技大学 一种基于长短期记忆网络的水电机组劣化趋势预测方法
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
JP2019169028A (ja) * 2018-03-26 2019-10-03 東日本高速道路株式会社 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
US20180373985A1 (en) * 2017-06-23 2018-12-27 Nvidia Corporation Transforming convolutional neural networks for visual sequence learning
JP2019169028A (ja) * 2018-03-26 2019-10-03 東日本高速道路株式会社 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル
CN109062177A (zh) * 2018-06-29 2018-12-21 无锡易通精密机械股份有限公司 一种基于神经网络的机械设备故障诊断方法与***
CN109194498A (zh) * 2018-07-27 2019-01-11 南京理工大学 一种基于lstm的网络流量预测方法
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法
CN109948833A (zh) * 2019-02-25 2019-06-28 华中科技大学 一种基于长短期记忆网络的水电机组劣化趋势预测方法
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YUANKAI WU ETC.: "A hybrid deep learning based traffic flow prediction method and its understanding", 《TRANSPORTATION RESEARCH PART C》 *
康丹青: "基于深度学习的短时交通流预测方法研究", 《中国优秀硕士学位论文全文数据库》 *
张玉清等: "深度学习应用于网络空间安全的现状、趋势与展望", 《计算机研究与发展》 *
王祥雪等: "基于深度学习的短时交通流预测研究方法", 《交通运输***工程与信息》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860621A (zh) * 2020-06-30 2020-10-30 贵州民族大学 一种数据驱动的分布式交通流量预测方法及***
CN111860621B (zh) * 2020-06-30 2024-05-03 贵州民族大学 一种数据驱动的分布式交通流量预测方法及***
CN111895923A (zh) * 2020-07-07 2020-11-06 上海辰慧源科技发展有限公司 一种拟合测量薄膜厚度的方法
CN111882869A (zh) * 2020-07-13 2020-11-03 大连理工大学 一种考虑不良天气的深度学习交通流预测方法
CN111882869B (zh) * 2020-07-13 2022-10-04 大连理工大学 一种考虑不良天气的深度学习交通流预测方法
CN112529299A (zh) * 2020-12-11 2021-03-19 东南大学 基于arima和lstm混合神经网络的短交通流预测方法
CN112669606B (zh) * 2020-12-24 2022-07-12 西安电子科技大学 利用动态时空图训练卷积神经网络的交通流预测方法
CN112669606A (zh) * 2020-12-24 2021-04-16 西安电子科技大学 利用动态时空图训练卷积神经网络的交通流预测方法
CN113627089A (zh) * 2021-08-27 2021-11-09 东南大学 一种基于混合密度神经网络的城市车流量仿真方法
CN113919231A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及***
CN114283584A (zh) * 2021-12-31 2022-04-05 云控智行(上海)汽车科技有限公司 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质
CN114944057A (zh) * 2022-04-21 2022-08-26 中山大学 一种路网交通流量数据的修复方法与***
CN114944057B (zh) * 2022-04-21 2023-07-25 中山大学 一种路网交通流量数据的修复方法与***
CN115410372A (zh) * 2022-10-31 2022-11-29 江苏中路交通发展有限公司 基于贝叶斯lstm的高速公路交通流量可靠预测方法
CN116311951A (zh) * 2023-05-25 2023-06-23 湖南工商大学 一种交通出行量数据处理方法、装置、设备及存储介质
CN116311951B (zh) * 2023-05-25 2023-08-22 湖南工商大学 一种交通出行量数据处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111292525B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN111292525B (zh) 基于神经网络的交通流预测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及***
CN101414366B (zh) 基于改进极端学习机方法的电力***短期负荷预测方法
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN109920248B (zh) 一种基于gru神经网络的公交到站时间预测方法
CN110942637B (zh) 基于空域图卷积神经网络的scats***道路交通流预测方法
CN109725531B (zh) 一种基于门控制机制的连续学习方法
CN108537366B (zh) 基于最优卷积二维化的水库调度方法
CN110619419B (zh) 城市轨道交通的客流预测方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN114218875A (zh) 一种用于流场预测的加速方法及装置
CN109726802B (zh) 一种铁路和风电场环境风速机器学习预测方法
CN113947182B (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
CN115239029B (zh) 考虑功率时序及气象相依特性的风电功率预测方法及***
CN115392554A (zh) 基于深度图神经网络和环境融合的轨道客流预测方法
CN114897277B (zh) 一种基于lstm的突发型滑坡位移预测方法
CN115496257A (zh) 基于时空融合的短时车速预测
CN116612664A (zh) 基于改进时空图注意力神经网络的船舶交通流量预测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN116665483A (zh) 一种新的预测剩余停车位的方法
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN116525135B (zh) 基于气象因素的时空模型对疫情发展态势进行预测的方法
CN115357862B (zh) 一种狭长空间中的定位方法

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