CN111383452A - 一种城市路网短期交通运行状态估计与预测方法 - Google Patents

一种城市路网短期交通运行状态估计与预测方法 Download PDF

Info

Publication number
CN111383452A
CN111383452A CN201911219004.8A CN201911219004A CN111383452A CN 111383452 A CN111383452 A CN 111383452A CN 201911219004 A CN201911219004 A CN 201911219004A CN 111383452 A CN111383452 A CN 111383452A
Authority
CN
China
Prior art keywords
traffic
road
time
road network
speed
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
Application number
CN201911219004.8A
Other languages
English (en)
Inventor
任刚
宋建华
曹奇
李豪杰
李大韦
张洁斐
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201911219004.8A priority Critical patent/CN111383452A/zh
Priority to PCT/CN2020/071137 priority patent/WO2021109318A1/zh
Publication of CN111383452A publication Critical patent/CN111383452A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

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)

Abstract

本发明公开了一种城市路网短期交通运行状态估计与预测方法，包括：（1）获取异构数据并进行预处理，并以城市两信号交叉口之间路段为研究单元，利用GASM算法对研究单元的速度场重构；（2）构建城市路网空间权重矩阵，计算各路段间的时空相关性并采用TOPSIS识别并量化脆弱路段；（3）依据重构后的研究单元速度场取速度的平均值及选取合理脆弱路段构建城市路网的时空特征矩阵；（4）根据Bi‑ConvLSTM对全路网的交通状态进行估计与预测。本发明通过融合异构数据重构研究单元速度场，解决单一数据源导致的预测局限性，同时采用Bi‑ConvLSTM考虑研究单元上游和下游的交通速度影响，充分挖掘交通流的时空特性，进一步提高了预测的准确率等优点。

Description

一种城市路网短期交通运行状态估计与预测方法
技术领域
本发明属于智能交通技术领域，具体涉及一种城市路网短期交通运行状态估计与预测方法。
背景技术
随着社会经济的高速发展以及5G信息技术革命的到来，使人们的生活变得更为便捷，同时为交通行业带来新的契机。尤其智能交通领域的快速发展，有望解决交通拥堵、交通环境等交通难题。
城市道路交通状态的实时监控和精确的交通状态信息发布是保障交通安全和运行效率的重要基础。根据道路的实时交通状态信息可以实现对交通合理、科学的管理和控制，减少拥挤的发生，充分发挥路网资源，为道路使用者缩短出行时间等方面有着重要的现实意义。因此，实时准确的交通状态信息估计与预测成为至关重要的环节。但目前的研究并未充分考虑异构数据对全路网交通状态估计作用以及交通流上下游的相互影响，导致路网层面的预测精度不能够达到要求。
当预测全路网的交通状态时，路网中路段之间的上游和下游交通状态不能够忽略不计，而一般深度学习方法都是单向进行预测，例如Conv-LSTM模型，有的研究虽然进行双向交通状态预测，但对于交通空间特征并没有很好地挖掘，例如Bidirectional LSTM模型，在预测时有些关键信息可能会被模型过滤掉，导致最终的预测结果存在一定的偏差。
发明内容
为解决上述问题，本发明公开了一种城市路网短期交通运行状态估计与预测方法，解决了现有预测方法在时空维度上考虑不够全面的问题，进一步提高预测精度，对未来城市交通管理者和使用者提供准确的交通信息，同时对智能交通***的建设也具有较大意义。
为达到上述目的，本发明的技术方案如下：
一种城市路网短期交通运行状态估计与预测方法，包括以下步骤：
(1)获取城市出租车GPS数据和城市道路测速卡口数据，对异构数据进行预处理；
(2)以两个交叉口之间的路段作为研究单元，通过利用广义自适应平滑算法(GASM)融合出租车GPS速度和卡口速度，重构研究单元(路段)的实际交通状态；
(3)根据融合后的交通状态求路段的平均速度；
(4)建立城市路网空间权重矩阵；
(5)计算路段之间的时空相关性；
(6)基于逼近理想点排序法(TOPSIS)识别并量化脆弱路段；
(7)生成输入数据，即城市路网的时空矩阵，一个N*D的特征矩阵，其描述了道路上交通速度随时间的变化。其中N为脆弱路段数，D为时间间隔；
(8)本发明基于Bi-LSTM和CNN模型各自优势并进行结合，即利用Bi-ConvLSTM提取全路网交通状态的时空特征，并得到全路网当前时刻和下一时刻的交通状态估计和预测值。
本发明的有益效果是：
本发明所述的城市路网短期交通运行状态估计与预测方法，将以城市出租车GPS数据和路网测速卡口数据作为基础数据，通过广义自适应平滑算法(GASM)融合出租车数据和卡口数据，对实际交通流进行重构，真实地反映实际的城市路段交通速度的变化。这种方法有效地解决了交通状态估计精度低和单一数据源估计误差大等问题，有效提高了真实路段的交通运行状态，为进一步估计与预测全路网的交通状态打下坚实的基础。通过定义路网中脆弱路段，利用双向卷积长短期记忆神经网络对整个城市路网层面的交通状态进行精准估计与短时预测。通过精准地反映城市路网交通状态演变规律，进而为道路交通管理者和使用者提供最优的交通管控措施和出行计划。
附图说明
图1为本发明的城市路网短时交通运行状态估计与预测方法流程图。
图2为LSTM结构示意图。
图3为BDC-LSTM结构示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明的一些缩写的名词解释：
GASM(General adaptive smoothing method，广义自适应平滑法)，
TOPSIS(Technique for Order Preference by Similarity to an IdealSolution，基于逼近理想点排序法)，
Bi-ConvLSTM(Bi-directional LSTM，双向长短时记忆网络；CNN,ConvolutionalNeural Network，卷积神经网络，融合后简写Bi-ConvLSTM,双向卷积长短时记忆神经网络)。
如图1所示为本发明所述实施的城市路网短时交通运行状态估计与预测方法流程图，具体步骤包括：
001，获取城市出租车GPS数据和城市道路测速卡口数据，对异构数据进行预处理；
002，以两个交叉口之间的路段作为研究单元，通过利用广义自适应平滑算法(GASM)融合出租车GPS速度和卡口速度，重构研究单元(路段)的实际交通状态；
003，根据融合后的交通状态求路段的平均速度；
004，建立城市路网空间权重矩阵；
005，计算路段之间的时空相关性；
006，基于TOPSIS识别并量化脆弱路段；
007，生成输入数据，即城市路网的时空矩阵，一个N*D的特征矩阵，其描述了道路上交通速度随时间的变化。其中N为脆弱路段数，D为时间间隔。
008，本发明基于Bi-LSTM和CNN模型各自优势并进行结合，即利用Bi-ConvLSTM对全路网交通状态的时空特征进行提取，并得到全路网当前时刻和下一时刻的交通状态估计和预测值。
上述技术方案中，所述步骤002的实现方法为：
由于收集的交通数据一般呈离散且稀疏的情况，因此有必要利用广义自适应平滑算法(GASM)重构连续速度场以实现精确的交通状态。输入数据为一个离散的数据点集{xi,ti,vi},i＝1,...,n，输出为连续速度场V(x,t)，计算公式如下：
Figure BDA0002300271460000031
其中：x是空间坐标；t时间坐标；vi是点i的速度值；平滑核函数φi(x,t)随着|x|和|t|增加而减少。
核函数计算公式如下：
Figure BDA0002300271460000032
其中：点(x,t)为估计点，(xi,ti)为已收集数据点，σ为两个相邻检测器距离的一半，τ为检测器采样时间的一半；同时定义归一化函数如下式：
Figure BDA0002300271460000033
为了能够真实地反映交通流的传播情况，GASM通过调整核函数实现拥挤交通流Vcong(x,t)和自由流Vfree(x,t)的速度估计分别如下所示：
Figure BDA0002300271460000034
Figure BDA0002300271460000035
其中：cfree和ccong分别为拥堵和自由流情况下的传播速度。
则交通流的连续速度场组成如下：
V(x,t)＝w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t) (6)
其中w(x,t)是拥堵和自由流交通状态的权重函数，该函数用S型非线性函数表示：
Figure BDA0002300271460000041
因此，基于异构数据的交通状态由以下公式计算：
Figure BDA0002300271460000042
其中：z(x,t)是基于异构数据估计后的交通状态；
Figure BDA0002300271460000043
是数据源j在数据点i相应的核函数(见公式(2))；α(j)(x,t)是衡量数据源j在点(x,t)的可靠性动态指标的权重因子。α(j)(x,t)的计算公式如下：
Figure BDA0002300271460000044
其中：
Figure BDA0002300271460000045
数据源j的估计平均速度，
Figure BDA0002300271460000046
数据源j测量误差的标准差，指数kj反映数据源j的测量误差随平均速度的改变而发生变化。
上述技术方案中，步骤004的实现方法为：
道路网络空间邻接矩阵从网络拓扑角度来描述不同空间对象之间的邻接关系。复杂道路网络一般抽象为一个有向图G＝(N,L)，其由N个节点和L条边组成。在图论中邻接关系用下式表达：
Figure BDA0002300271460000047
Figure BDA0002300271460000048
是k阶邻接矩阵中边i和j相邻的权重，并构成N×N空间权重邻接矩阵Ek，路网的综合空间邻接矩阵为
Figure BDA0002300271460000049
通过行标准化的方法将空间邻接矩阵转化为空间权重矩阵，即
Figure BDA00023002714600000410
因此，一个含有N个空间单元的研究对象，其空间权重矩阵表达如下：
Figure BDA00023002714600000411
上述技术方案中，步骤005的实现方法为：
道路网络中交通状态相互影响，因此量化路段间的时空关系十分必要。通过皮尔逊相关函数可以度量两个对象在时间序列上的相关性，同时考虑空间关系的影响，并利用步骤003中得到的路段平均速度，引入空间因子
Figure BDA00023002714600000412
作为量化相邻路段的综合速度，其计算公式如下：
Figure BDA00023002714600000413
其中：表示路段i在t时刻的交通速度，wij为路段i和j相邻的权重，i∈[1,R]
R是路段数量，t∈[1,T]，T是统计时段长度，t时间间隔。
路段i和其相邻路段的速度相关性如下式所示：
Figure BDA0002300271460000051
其中
Figure BDA0002300271460000052
是路段i在统计时段T内交通速度
Figure BDA0002300271460000053
的平均值，
Figure BDA0002300271460000054
综合速度
Figure BDA0002300271460000055
的平均值，s表示时间延迟。
上述技术方案中，步骤006的实现方法为：
为了避免大规模地计算城市路网的交通状态，有效提取脆弱路段对于推演全路网的交通状态至关重要。本发明采用TOPSIS方法实现脆弱路段识别，其计算步骤如下：
①定义正理想方案A+和负理想方案A-
A+(s)＝{maxCori(s)|s∈(1,2,...,S),1≤i≤R} (14)
A-(s)＝{minCori(s)|s∈(1,2,...,S),1≤i≤R} (15)
其中，A+(s)和A-(s)分别是正、负理想方案；R是路网中路段数量，S是时间延迟s的取值的集合。
②计算每个时间延迟下的权重
为了考虑相近时间间隔内交通状态更相近，因此不同的时间延迟下的权重由欧氏距离计算如下：
Figure BDA0002300271460000056
由于较大权重被分配到更相近的交通状态，将其转化如下：
Figure BDA0002300271460000057
其中max(Ed)和min(Ed)分别为欧氏距离集中最大值和最小值。
③计算距离
计算各路段时空相关性与正、负理想方案的距离，通过取欧氏加权距离，计算公式如下：
Figure BDA0002300271460000058
Figure BDA0002300271460000059
其中：
Figure BDA00023002714600000510
和
Figure BDA00023002714600000511
分别是路段i与正、负理想方案的加权距离，其他变量与(14)-(15)定义一样。
④计算相似度
计算路段i和其相邻路段在全部时间延迟下与理想方案的相似度，以度量各路段与其邻接路段的交通状态之间影响程度的大小。计算公式如下：
Figure BDA0002300271460000061
其中Ci是路段i与理想方案的相似度，即路段的重要程度。Ci＝1表示路段i时空相关性为最好情况，其影响程度最大，反之亦然。与其他变量与公式(18)-(19)定义一样。
⑤根据Ci对路段影响程度排序并提取脆弱路段
首先根据计算各路段的Ci值并进行排序，然后基于提取比例α得到部分路段，将这部分路段视为脆弱路段，即最易拥堵的路段看作脆弱路段，并利用脆弱路段的交通特征估计和预测全路网的交通状态。
上述技术方案中，步骤007的实现方法为：
生成输入数据，即城市路网的时空特征矩阵，一个N*D的特征矩阵，其描述了道路上速度随时间的变化。其时空矩阵一般表达为如下式：
Figure BDA0002300271460000062
其中N为脆弱路段数，D为时间延迟的数量，xit为路段i在时间t的平均交通速度，即为根据融合后的交通状态求路段i的平均速度。
上述技术方案中，步骤008的实现方法为：
本发明基于Bi-LSTM和CNN模型各自的优势并进行结合，即利用Bi-ConvLSTM实现对全路网的交通状态估计与预测。通过该模型对历史交通速度数据进行空间相关特征和时间相关特征的提取，最终结合这些特征进行估计与预测。
上述空间相关特征是通过CNN模型从当前路段的交通状态和当前路段相邻路段的交通状态序列中提取得到，用于表示当前路段与相邻路段之间交通状态的相关性；时间相关特征是采用Bi-LSTM模型，通过考虑每时刻的交通状态是一个时间序列且考虑到当前路段受上下游交通流的影响状态中提取得到，该模型最终得到当前路段的正反向交通状态信息，更好地提取实际交通特征，进而降低预测误差。
通过上述步骤构建的城市交通速度数据充分地训练Bi-ConvLSTM模型。与一般的LSTM相似，如图2所示，在Bi-ConvLSTM模型中，输入x1,...,xt，cell输出C1,...,Ct，隐藏状态h1,...,ht均为3D张量。每个cell中包含有三部分即输入门it，遗忘门ft，输出门ot。Bi-ConvLSTM模型通过其本地邻居的输入和过去状态来确定某个单元的未来状态。ConvLSTM模型的计算公式如下所示：
Figure BDA0002300271460000071
其中it,ft,Ct,ot,ht，分别表示输入门，遗忘门，细胞状态更新，输出门和隐藏状态；σ和tanh分别表示sigmoid函数和双曲正切函数的激活函数；*和
Figure BDA0002300271460000072
分别表示卷积算子和哈达玛积；W和b表示相应的权重矩阵和偏差。
在Bi-ConvLSTM中，如图3所示，前向输出结果序列
Figure BDA0002300271460000073
是从时间T-n到T-1使用正向输入序列迭代计算，反向输出结果序列
Figure BDA0002300271460000074
是从时间T-n到T-1使用反向输入序列迭代计算，最终为输出结果向量，在其中每个元素的结果由以下公式进行融合：
Figure BDA0002300271460000075
其中σg函数被用于融合前向、反向输出的两个结果向量，该函数可以是求和函数，平均函数等等。
该模型Bi-ConvLSTM对实际案例进行应用时，所涉及到的Bi-LSTM模型的时间序列步长和隐藏层个数，CNN模型的网络层数，卷积核大小、步长以及各全连接层的神经元个数等这些参数，本领域技术人员都可以根据具体的需求进行配置，在此不再一一说明。
以上对本发明实施例所提供的一种城市路网短时交通运行状态估计与预测方法进行了详细介绍，本文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 (7)

1.一种城市路网短期交通运行状态估计与预测方法，其特征在于：包括以下步骤：
(1)获取城市出租车GPS数据和城市道路测速卡口数据，对异构数据进行预处理；
(2)以两个交叉口之间的路段作为研究单元，通过利用GASM也就是广义自适应平滑算法融合出租车GPS速度和卡口速度，重构研究单元的实际交通状态；
(3)根据融合后的交通状态求路段的平均速度；
(4)建立城市路网空间权重矩阵；
(5)计算路段之间的时空相关性；
(6)基于TOPSIS方法也就是逼近理想点排序法识别并量化脆弱路段；
(7)生成输入数据，即城市路网的时空矩阵，一个N*D的特征矩阵，其描述了道路上交通速度随时间的变化。其中N为脆弱路段数，D为时间间隔；
(8)基于Bi-LSTM和CNN模型各自优势并进行结合，即利用Bi-ConvLSTM提取全路网交通状态的时空特征，并得到全路网当前时刻和下一时刻的交通状态估计和预测值。
2.根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：所述步骤(2)的实现方法为：
输入数据为一个离散的数据点集{xi,ti,vi},i＝1,...,n，输出为连续速度场V(x,t)，其计算公式如下：
Figure FDA0002300271450000011
其中：x是空间坐标,t时间坐标,vi是点i的速度值,平滑核函数φi(x,t)随着|x|和|t|增加而减少；
核函数计算公式如下：
Figure FDA0002300271450000012
其中：点(x,t)为估计点，(xi,ti)为已收集数据点，σ为两个相邻检测器距离的一半，τ为检测器采样时间的一半；同时定义归一化函数如下式：
Figure FDA0002300271450000013
GASM通过调整核函数实现拥挤交通流Vcong(x,t)和自由流Vfree(x,t)的速度估计分别如下所示：
Figure FDA0002300271450000014
Figure FDA0002300271450000015
其中：cfree和ccong分别为拥堵和自由流情况下的传播速度；
则交通流的连续速度场组成如下：
V(x,t)＝w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t) (6)
其中w(x,t)是拥堵和自由流交通状态的权重函数，该函数用S型非线性函数表示：
Figure FDA0002300271450000021
因此，基于异构数据的交通状态由以下公式计算：
Figure FDA0002300271450000022
其中：z(x,t)是基于异构数据估计后的交通状态；
Figure FDA0002300271450000023
是数据源j在数据点i相应的核函数；α(j)(x,t)是衡量数据源j在点(x,t)的可靠性动态
指标的权重因子。α(j)(x,t)的计算公式如下：
Figure FDA0002300271450000024
其中：
Figure FDA0002300271450000025
数据源j的估计平均速度，
Figure FDA0002300271450000026
数据源j测量误差的标准差，指数kj反映数据源j的测量误差随平均速度的改变而发生变化。
3.根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：步骤(4)的实现方法为：
将复杂道路网络抽象为一个有向图G＝(N,L)来表达路网拓扑关系，建立一个由N个节点和L条边组成的有向图，在图论中其邻接关系用下式表达：
Figure FDA0002300271450000027
Figure FDA0002300271450000028
是k阶邻接矩阵中边i和j相邻的权重，并构成N×N空间权重邻接矩阵Ek，路网的综合空间邻接矩阵为
Figure FDA0002300271450000029
通过行标准化的方法将空间邻接矩阵转化为空间权重矩阵，即
Figure FDA00023002714500000210
因此，一个含有N个空间单元的研究对象，其空间权重矩阵表达如下：
Figure FDA00023002714500000211
4.根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：步骤(5)的实现方法为：
通过皮尔逊相关函数可以度量两个对象在时间序列上的相关性，同时考虑空间关系的影响，并利用步骤(3)中得到的路段平均速度，引入空间因子
Figure FDA0002300271450000031
作为量化相邻路段的综合速度，其计算公式如下：
Figure FDA0002300271450000032
其中：
Figure FDA0002300271450000033
表示路段i在t时刻的交通速度，wij为路段i和j相邻的权重，i∈[1,R]，R是路段数量，t∈[1,T]，T是统计时段长度，t时间间隔；
路段i和其相邻路段的速度相关性如下式所示：
Figure FDA0002300271450000034
其中
Figure FDA0002300271450000035
是路段i在统计时段T内交通速度
Figure FDA0002300271450000036
的平均值，
Figure FDA0002300271450000037
综合速度
Figure FDA0002300271450000038
的平均值，s表示时间延迟。
5.根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：步骤(6)的实现方法为：
采用TOPSIS方法实现脆弱路段识别，其计算步骤如下：
①定义正理想方案A+和负理想方案A-
A+(s)＝{maxCori(s)|s∈(1,2,...,S),1≤i≤R} (14)
A-(s)＝{minCori(s)|s∈(1,2,...,S),1≤i≤R} (15)
其中，A+(s)和A-(s)分别是正、负理想方案；R是路网中路段数量，S是时间延迟s的取值的集合；
②计算每个时间延迟下的权重
考虑到相近时间间隔内交通状态更相近，因此不同的时间延迟下的权重由欧氏距离计算如下：
Figure FDA0002300271450000039
由于较大权重被分配到更相近的交通状态，将其转化如下：
Figure FDA00023002714500000310
其中max(Ed)和min(Ed)分别为欧氏距离集中最大值和最小值；
③计算距离
计算各路段时空相关性与正、负理想方案的距离，通过取欧氏加权距离，计算公式如下：
Figure FDA0002300271450000041
Figure FDA0002300271450000042
其中：
Figure FDA0002300271450000043
和
Figure FDA0002300271450000044
分别是路段i与正、负理想方案的加权距离，其他变量与(14)-(15)定义一样；
④计算相似度
计算路段i和其相邻路段在全部时间延迟下与理想方案的相似度，以度量各路段与其邻接路段的交通状态之间影响程度的大小；计算公式如下：
Figure FDA0002300271450000045
其中Ci是路段i与理想方案的相似度，即路段的重要程度；Ci＝1表示路段i时空相关性为最好情况，其影响程度最大，反之亦然；与其他变量与公式(18)-(19)定义一样；
⑤根据Ci对路段影响程度排序并提取脆弱路段
首先根据计算各路段的Ci值并进行排序，然后基于提取比例α得到部分路段，将这部分路段视为脆弱路段，并利用脆弱路段的交通特征估计和预测全路网的交通状态。
6.根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：步骤(7)的实现方法为：
生成输入数据，即城市路网的时空特征矩阵，一个N*D的特征矩阵，其描述了道路上速度随时间的变化；其时空矩阵一般表达为如下式：
Figure FDA0002300271450000046
其中N为脆弱路段数，D为时间延迟的数量，xit为路段i在时间t的平均交通速度，即为步骤(3)根据融合后的交通状态求路段i的平均速度；
7.根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：所述步骤(8)的实现方法为：
通过使用步骤(7)生成的城市交通速度张量数据训练Bi-ConvLSTM模型；与一般的LSTM相似，在Bi-ConvLSTM模型中，输入x1,...,xt，cell输出C1,...,Ct，隐藏状态h1,...,ht均为3D张量；每个cell中包含有三部分即输入门it，遗忘门ft，输出门ot；Bi-ConvLSTM模型通过其本地邻居的输入和过去状态来确定某个单元的未来状态；ConvLSTM模型的计算公式如下所示：
Figure FDA0002300271450000051
其中it,ft,Ct,ot,ht，分别表示输入门，遗忘门，细胞状态更新，输出门和隐藏状态；σ和tanh分别表示sigmoid函数和双曲正切函数的激活函数；*和
Figure FDA0002300271450000052
分别表示卷积算子和哈达玛积；W和b表示相应的权重矩阵和偏差；
在Bi-ConvLSTM中，前向输出结果序列
Figure FDA0002300271450000053
是从时间T-n到T-1使用正向输入序列迭代计算，反向输出结果序列
Figure FDA0002300271450000054
是从时间T-n到T-1使用反向输入序列迭代计算，最终为输出结果向量，在其中每个元素的结果由以下公式进行融合：
Figure FDA0002300271450000055
其中σg函数被用于融合前向、反向输出的两个结果向量。
CN201911219004.8A 2019-12-03 2019-12-03 一种城市路网短期交通运行状态估计与预测方法 Pending CN111383452A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911219004.8A CN111383452A (zh) 2019-12-03 2019-12-03 一种城市路网短期交通运行状态估计与预测方法
PCT/CN2020/071137 WO2021109318A1 (zh) 2019-12-03 2020-01-09 一种城市路网短期交通运行状态估计与预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911219004.8A CN111383452A (zh) 2019-12-03 2019-12-03 一种城市路网短期交通运行状态估计与预测方法

Publications (1)

Publication Number Publication Date
CN111383452A true CN111383452A (zh) 2020-07-07

Family

ID=71218499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911219004.8A Pending CN111383452A (zh) 2019-12-03 2019-12-03 一种城市路网短期交通运行状态估计与预测方法

Country Status (2)

Country Link
CN (1) CN111383452A (zh)
WO (1) WO2021109318A1 (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914052A (zh) * 2020-08-04 2020-11-10 中国人民解放军战略支援部队信息工程大学 一种区域空间关联关系确定方法及装置
CN112489420A (zh) * 2020-11-17 2021-03-12 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、***、终端以及存储介质
CN112562319A (zh) * 2020-11-16 2021-03-26 中铁第四勘察设计院集团有限公司 基于大数据的交通监测方法及设备
CN112819213A (zh) * 2021-01-22 2021-05-18 华南理工大学 基于深度学习网络的高速公路货运量预测方法及***
CN112966871A (zh) * 2021-03-15 2021-06-15 上海交通大学 基于卷积长短期记忆神经网络的交通拥堵预测方法及***
CN112966853A (zh) * 2021-02-04 2021-06-15 南通大学 基于时空残差混合模型的城市路网短时交通流预测方法
CN112967498A (zh) * 2021-02-02 2021-06-15 重庆首讯科技股份有限公司 一种基于动态时空相关特征优化的短时交通流预测方法
CN112991721A (zh) * 2021-02-04 2021-06-18 南通大学 基于图卷积网络节点关联度的城市路网交通速度预测方法
CN113096404A (zh) * 2021-04-23 2021-07-09 中南大学 一种面向道路封锁的路网交通流变动定量计算方法
CN113259900A (zh) * 2021-05-27 2021-08-13 华砺智行(武汉)科技有限公司 一种分布式多源异构交通数据融合方法及装置
CN113420414A (zh) * 2021-05-27 2021-09-21 四川大学 一种基于动态时空分析的短时交通流预测模型
CN113449402A (zh) * 2021-06-22 2021-09-28 武汉大学 一种断头路打通后路网效率增益预测方法
CN113470347A (zh) * 2021-05-20 2021-10-01 上海天壤智能科技有限公司 结合卡口过车记录和浮动车gps数据的拥堵识别方法及***
CN113570867A (zh) * 2021-09-26 2021-10-29 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN114141017A (zh) * 2021-12-14 2022-03-04 北京航空航天大学 一种考虑长短期路段性能的道路韧性衡量方法
CN114639238A (zh) * 2022-02-23 2022-06-17 东南大学 基于归一化谱聚类算法的城市快速路交通状态估计方法
CN114926981A (zh) * 2022-05-07 2022-08-19 同济大学 一种路网交通拥堵主动管控方法及***
CN115331433A (zh) * 2022-07-28 2022-11-11 东南大学 基于多源数据的城市主干道多车轨迹重构方法
CN115620513A (zh) * 2022-09-20 2023-01-17 东南大学 基于韧性分析的城市道路网络状态监测方法及可视化***
CN115691140A (zh) * 2022-11-02 2023-02-03 东南大学 一种汽车充电需求时空分布的分析与预测方法
CN115713856A (zh) * 2022-10-19 2023-02-24 东南大学 一种基于交通流预测与实际路况的车辆路径规划方法

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592246B (zh) * 2021-07-05 2024-04-19 中冶南方城市建设工程技术有限公司 一种基于pca-topsis模型的道路施工期公交线网评价方法
CN113537596A (zh) * 2021-07-16 2021-10-22 南京理工大学 一种城市轨道交通新线站点短时客流预测方法
CN113609656A (zh) * 2021-07-19 2021-11-05 航天科工智能运筹与信息安全研究院(武汉)有限公司 基于数字孪生的智慧城市决策***及方法
CN113742893B (zh) * 2021-08-06 2024-02-06 中煤科工集团沈阳研究院有限公司 基于多元融合时空特征卷积网络的气体浓度预测方法
CN113806419B (zh) * 2021-08-26 2024-04-12 西北大学 基于时空大数据的城市区域功能识别模型及识别方法
CN113903170B (zh) * 2021-08-30 2023-07-14 航天科工广信智能技术有限公司 基于结构自适应自演化深度学习的大规模路网交通流预测方法
CN113947182B (zh) * 2021-09-24 2024-06-14 西安理工大学 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN114037587B (zh) * 2021-10-19 2024-04-16 东南大学 基于异质因果推断的城市通勤主通道多匝道网联控制方法
CN114021254A (zh) * 2021-11-04 2022-02-08 东南大学 一种基于多车道元胞传输模型的基本路段交通仿真方法
CN114004421B (zh) * 2021-11-17 2024-05-10 湖南大学 一种基于时空集成学习的交通数据缺失值插补方法
CN114368420A (zh) * 2021-12-23 2022-04-19 中国铁道科学研究院集团有限公司通信信号研究所 一种车站调车作业工作量的预测方法
CN114495492B (zh) * 2021-12-31 2023-05-23 中国科学院软件研究所 一种基于图神经网络的交通流预测方法
CN114333327B (zh) * 2022-01-05 2022-10-28 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种基于多流神经网络的交通状态预测方法
CN114596700B (zh) * 2022-01-10 2024-02-02 昆明理工大学 一种基于门架数据的高速公路路段实时流量估计方法
CN114463972B (zh) * 2022-01-26 2024-02-27 成都和乐信软件有限公司 一种基于etc门架通信数据的路段区间交通分析预测方法
CN114511154B (zh) * 2022-02-22 2024-06-14 南通大学 一种基于时空复杂图卷积网络的交通流预测方法
CN114611814B (zh) * 2022-03-21 2024-06-07 中南大学 聚合多尺度时空相似信息的城市交通流预测方法
CN114692964B (zh) * 2022-03-24 2024-05-31 北京工商大学 一种基于交叉注意力机制的时空交通流量预测方法
CN114758499B (zh) * 2022-04-01 2023-08-18 济南市公安局交通警察支队 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质
CN115482655B (zh) * 2022-04-18 2023-08-29 同济大学 一种基于偏最小二乘Kriging模型的路径诱导方法
CN115083146B (zh) * 2022-04-27 2023-08-29 同济大学 一种智能网联环境下的安全致因影响范围获取方法
CN114973660B (zh) * 2022-05-13 2023-10-24 黄河科技学院 一种模型线性化迭代更新法的交通决策方法
CN115063972B (zh) * 2022-05-18 2024-06-11 浙江工业大学 基于图卷积和门控循环单元的交通速度预测方法和***
CN115081680B (zh) * 2022-05-23 2023-06-20 天津大学 一种基于异质特征融合的停电风险预测方法
CN114999154B (zh) * 2022-05-26 2024-02-02 浙江工业大学 一种基于图卷积网络的道路服务水平预测方法
CN115019507B (zh) * 2022-06-06 2023-12-01 上海旷途科技有限公司 城市路网行程时间可靠性实时估计方法
CN115311846B (zh) * 2022-06-24 2023-08-11 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测***
CN115346371B (zh) * 2022-08-12 2023-12-29 广西新发展交通集团有限公司 一种交通路网重要节点的识别方法
CN115481531B (zh) * 2022-09-06 2023-07-11 苏州大学 基于sumo的路网交通流实时孪生方法及***
CN115565369B (zh) * 2022-09-20 2024-04-16 北京工商大学 一种基于超图的时空超图卷积交通流量预测方法及***
CN115565376B (zh) * 2022-09-30 2024-05-03 福州大学 融合graph2vec、双层LSTM的车辆行程时间预测方法及***
CN115762140B (zh) * 2022-11-01 2024-06-07 山东高速集团有限公司 一种考虑变量异质性的高速公路交通事故风险预测方法
CN115798198B (zh) * 2022-11-03 2024-04-05 公安部交通管理科学研究所 一种基于数据融合的城市路网行程时间分布估计方法
CN116824838B (zh) * 2022-11-07 2024-06-18 苏州规划设计研究院股份有限公司 基于自适应时间序列分解的路网级交通流集成预测方法
CN116052427B (zh) * 2023-02-03 2024-05-31 湖南大学深圳研究院 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN116542438B (zh) * 2023-03-28 2024-01-30 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法
CN116110234B (zh) * 2023-04-11 2023-07-14 城云科技（中国）有限公司 基于人工智能的车流量预测方法、装置及其应用
CN117198037B (zh) * 2023-05-07 2024-02-09 河海大学 一种基于图卷积回声状态网络的交通流预测方法
CN116681176B (zh) * 2023-06-12 2024-05-03 济南大学 一种基于聚类和异构图神经网络的交通流预测方法
CN116994427A (zh) * 2023-07-04 2023-11-03 重庆邮电大学 一种基于大数据的道路路况预测方法
CN116662766B (zh) * 2023-08-01 2023-10-03 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN116913098B (zh) * 2023-09-14 2023-12-22 华东交通大学 一种融合空气质量与车流量数据的短时交通流预测方法
CN117235556B (zh) * 2023-11-13 2024-02-27 浙江大学城乡规划设计研究院有限公司 一种面向交通管理者的多模式交通复合网络构建方法
CN117690298B (zh) * 2023-12-15 2024-06-04 北京昇启科技有限公司 一种基于图论的冲突路权分配建模方法及***
CN117475640B (zh) * 2023-12-26 2024-03-15 中国市政工程华北设计研究总院有限公司 一种基于雷视融合探测的信号交叉口运行评价方法
CN117523848B (zh) * 2024-01-04 2024-04-19 湖南工商大学 交通拥堵信息的预测方法、装置、计算机设备及介质
CN117854285B (zh) * 2024-03-07 2024-06-07 南京邮电大学 一种顾及城市水文和交通流特征的暴雨积水路段识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046376A (zh) * 2015-09-06 2015-11-11 河海大学 考虑指标相关性的水库群防洪调度方案优选方法
CN106571034A (zh) * 2016-11-02 2017-04-19 浙江大学 基于融合数据的城市快速路交通状态滚动预测方法
CN108583578A (zh) * 2018-04-26 2018-09-28 北京领骏科技有限公司 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7557731B2 (en) * 2006-11-09 2009-07-07 Sridhara Subbiah Ramasubbu RFID reader enabled intelligent traffic signalling and RFID enabled vehicle tags (number plates)
CN105868870A (zh) * 2016-05-17 2016-08-17 北京数行健科技有限公司 一种基于数据融合的城市快速路旅行时间估计方法和装置
CN109285348B (zh) * 2018-10-26 2022-02-18 深圳大学 基于无人机与长短时记忆网络的车辆行为识别方法及***
CN109493599A (zh) * 2018-11-16 2019-03-19 南京航空航天大学 一种基于生成式对抗网络的短时交通流预测方法
CN110047291B (zh) * 2019-05-27 2020-06-19 清华大学深圳研究生院 一种考虑扩散过程的短时交通流预测方法
CN110516833A (zh) * 2019-07-03 2019-11-29 浙江工业大学 一种基于特征提取的Bi-LSTM预测道路交通状态的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046376A (zh) * 2015-09-06 2015-11-11 河海大学 考虑指标相关性的水库群防洪调度方案优选方法
CN106571034A (zh) * 2016-11-02 2017-04-19 浙江大学 基于融合数据的城市快速路交通状态滚动预测方法
CN108583578A (zh) * 2018-04-26 2018-09-28 北京领骏科技有限公司 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
J.W.C. VAN LINT 等: "A Robust and Efficient Method for Fusing Heterogeneous Data from Traffic Sensors on Freeways", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 *
MARTIN TREIBER 等: "Reconstructing the Traffic State by Fusion of Heterogeneous Data", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 *
YIPENG LIU 等: "Short-term traffic flow prediction with Conv-LSTM", 《2017 9TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *
苏飞 等: "基于时空相关性的城市交通路网关键路段识别", 《交通运输***工程与信息》 *
邢皓: "车辆轨迹重构方法综述", 《交通工程》 *

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914052A (zh) * 2020-08-04 2020-11-10 中国人民解放军战略支援部队信息工程大学 一种区域空间关联关系确定方法及装置
CN111914052B (zh) * 2020-08-04 2022-11-29 中国人民解放军战略支援部队信息工程大学 一种区域空间关联关系确定方法及装置
CN112562319A (zh) * 2020-11-16 2021-03-26 中铁第四勘察设计院集团有限公司 基于大数据的交通监测方法及设备
CN112489420A (zh) * 2020-11-17 2021-03-12 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、***、终端以及存储介质
CN112819213A (zh) * 2021-01-22 2021-05-18 华南理工大学 基于深度学习网络的高速公路货运量预测方法及***
CN112819213B (zh) * 2021-01-22 2022-06-14 华南理工大学 基于深度学习网络的高速公路货运量预测方法及***
CN112967498B (zh) * 2021-02-02 2022-05-03 重庆首讯科技股份有限公司 一种基于动态时空相关特征优化的短时交通流预测方法
CN112967498A (zh) * 2021-02-02 2021-06-15 重庆首讯科技股份有限公司 一种基于动态时空相关特征优化的短时交通流预测方法
CN112966853B (zh) * 2021-02-04 2023-12-22 南通大学 基于时空残差混合模型的城市路网短时交通流预测方法
CN112991721A (zh) * 2021-02-04 2021-06-18 南通大学 基于图卷积网络节点关联度的城市路网交通速度预测方法
CN112966853A (zh) * 2021-02-04 2021-06-15 南通大学 基于时空残差混合模型的城市路网短时交通流预测方法
CN112966871A (zh) * 2021-03-15 2021-06-15 上海交通大学 基于卷积长短期记忆神经网络的交通拥堵预测方法及***
CN113096404A (zh) * 2021-04-23 2021-07-09 中南大学 一种面向道路封锁的路网交通流变动定量计算方法
CN113470347A (zh) * 2021-05-20 2021-10-01 上海天壤智能科技有限公司 结合卡口过车记录和浮动车gps数据的拥堵识别方法及***
CN113259900A (zh) * 2021-05-27 2021-08-13 华砺智行(武汉)科技有限公司 一种分布式多源异构交通数据融合方法及装置
CN113420414A (zh) * 2021-05-27 2021-09-21 四川大学 一种基于动态时空分析的短时交通流预测模型
CN113420414B (zh) * 2021-05-27 2022-08-30 四川大学 一种基于动态时空分析的短时交通流预测模型
CN113449402B (zh) * 2021-06-22 2022-08-05 武汉大学 一种断头路打通后路网效率增益预测方法
CN113449402A (zh) * 2021-06-22 2021-09-28 武汉大学 一种断头路打通后路网效率增益预测方法
CN113570867B (zh) * 2021-09-26 2021-12-07 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN113570867A (zh) * 2021-09-26 2021-10-29 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN114141017B (zh) * 2021-12-14 2022-09-27 北京航空航天大学 一种考虑长短期路段性能的道路韧性衡量方法
CN114141017A (zh) * 2021-12-14 2022-03-04 北京航空航天大学 一种考虑长短期路段性能的道路韧性衡量方法
CN114639238B (zh) * 2022-02-23 2023-02-14 东南大学 基于归一化谱聚类算法的城市快速路交通状态估计方法
CN114639238A (zh) * 2022-02-23 2022-06-17 东南大学 基于归一化谱聚类算法的城市快速路交通状态估计方法
CN114926981A (zh) * 2022-05-07 2022-08-19 同济大学 一种路网交通拥堵主动管控方法及***
CN114926981B (zh) * 2022-05-07 2023-04-11 同济大学 一种路网交通拥堵主动管控方法及***
CN115331433A (zh) * 2022-07-28 2022-11-11 东南大学 基于多源数据的城市主干道多车轨迹重构方法
CN115331433B (zh) * 2022-07-28 2023-09-29 东南大学 基于多源数据的城市主干道多车轨迹重构方法
CN115620513B (zh) * 2022-09-20 2023-10-03 东南大学 基于韧性分析的城市道路网络状态监测方法及可视化***
CN115620513A (zh) * 2022-09-20 2023-01-17 东南大学 基于韧性分析的城市道路网络状态监测方法及可视化***
CN115713856A (zh) * 2022-10-19 2023-02-24 东南大学 一种基于交通流预测与实际路况的车辆路径规划方法
CN115713856B (zh) * 2022-10-19 2023-09-22 东南大学 一种基于交通流预测与实际路况的车辆路径规划方法
CN115691140A (zh) * 2022-11-02 2023-02-03 东南大学 一种汽车充电需求时空分布的分析与预测方法
CN115691140B (zh) * 2022-11-02 2023-08-15 东南大学 一种汽车充电需求时空分布的分析与预测方法

Also Published As

Publication number Publication date
WO2021109318A1 (zh) 2021-06-10

Similar Documents

Publication Publication Date Title
CN111383452A (zh) 一种城市路网短期交通运行状态估计与预测方法
CN110223517B (zh) 基于时空相关性的短时交通流量预测方法
CN111612243B (zh) 交通速度预测方法、***及存储介质
Sit et al. Decentralized flood forecasting using deep neural networks
Zhang et al. DNEAT: A novel dynamic node-edge attention network for origin-destination demand prediction
Guo et al. GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model
CN112418547A (zh) 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
CN111860951A (zh) 一种基于动态超图卷积网络的轨道交通客流预测方法
Chen et al. A novel reinforced dynamic graph convolutional network model with data imputation for network-wide traffic flow prediction
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN112949999A (zh) 一种基于贝叶斯深度学习的高速交通事故风险预警方法
CN112949828A (zh) 一种基于图学习的图卷积神经网络交通预测方法及***
CN106910199A (zh) 面向城市空间信息采集的车联网众包方法
CN114495507B (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
CN115376317B (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN116468186A (zh) 一种航班链延误时间预测方法、电子设备及存储介质
Zhang et al. Forecast daily tourist volumes during the epidemic period using COVID-19 data, search engine data and weather data
CN117494034A (zh) 基于交通拥堵指数和多源数据融合的空气质量预测方法
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
CN113742195B (zh) 一种基于贝叶斯神经网络的***健康状态预测方法
Shuai et al. Relationship analysis of short-term origin–destination prediction performance and spatiotemporal characteristics in urban rail transit
CN112927507B (zh) 一种基于LSTM-Attention的交通流量预测方法
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法

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: 20200707

RJ01 Rejection of invention patent application after publication