CN111754019A - 一种基于时空图信息最大化模型的路段特征表示学习算法 - Google Patents
一种基于时空图信息最大化模型的路段特征表示学习算法 Download PDFInfo
- Publication number
- CN111754019A CN111754019A CN202010382570.7A CN202010382570A CN111754019A CN 111754019 A CN111754019 A CN 111754019A CN 202010382570 A CN202010382570 A CN 202010382570A CN 111754019 A CN111754019 A CN 111754019A
- Authority
- CN
- China
- Prior art keywords
- representation
- road section
- road
- time
- learning algorithm
- 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
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 12
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 3
- PFFIDZXUXFLSSR-UHFFFAOYSA-N 1-methyl-N-[2-(4-methylpentan-2-yl)-3-thienyl]-3-(trifluoromethyl)pyrazole-4-carboxamide Chemical compound S1C=CC(NC(=O)C=2C(=NN(C)C=2)C(F)(F)F)=C1C(C)CC(C)C PFFIDZXUXFLSSR-UHFFFAOYSA-N 0.000 description 2
- 238000002679 ablation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于时空图信息最大化模型的路段特征表示学习算法，该方法考虑路段状态的时间性，深入挖掘了路段的时间信息，并采用了最大化互信息机制，把路段信息、时间信息和交通信息三者之间相互影响、相互作用的关系提取并利用到基于神经网络的学习算法中。得到的路段表示更好的反映实时的全局交通情况，并学习到路段间上下游实时的依赖关系，大大提高了旅行时间预测的精度。
Description
技术领域
本发明涉及图神经网络等相关领域，更具体地，涉及一种基于时空图信息最大化模型的路段特征表示学习算法。
背景技术
随着机动车数量激增，城市交通拥堵状况日益严峻，并引出出行效率低下、资源浪费等一系列问题。旅行时间预测在交通管理、路径规划、拼车、车辆派单等应用都起着至关重要的作用。现如今几乎所有旅行服务应用都有这项功能，比如谷歌地图，百度地图，滴滴等。在准确的旅行时间估计支撑下，用户可以合理规划个人出现路径，避免在拥堵路段浪费时间。同时，城市亦可合理进行路径指引，有效减缓拥堵问题。因此，许多研究人员致力于及时有效的旅行时间估计。然而，由于旅行时间估计的复杂性，提供准确的估计仍然是一项挑战性的任务。有一种方法被应用于大多数旅行时间预测的任务中，那就是基于路段的旅行时间预测。它能大程度缓解基于路径的旅行时间预测所带来的数据稀疏的风险，得到了很多关注。往年关于基于路段的旅行时间预测的方法存在很多问题，其中一个很大的问题就是关于路段特征表示的学习不够准确，导致预测的精度不尽如人意。随着神经网络的兴起，Embedding被应用到路段特征表示中，并在提取路段静态信息如道路类型、路段间拓扑关系等中起到了很大的作用，其中就有非朴素的网络表示学习方法，该方法基于图卷积神经网络很好的学习到带属性的网络节点特征表示。但是，路网是一个复杂的网络，该方法在路网上还是存在以下几个问题，那就是1)它会导致邻接路段不可区分。目前所提出的方法的目标都是使节点表示和邻接节点表示更相近，但在实际的路网中会出现两条相邻路段只有其中一条拥堵的情况，那么它们应该更可区分；2)它没有考虑路段和交通条件的相互影响。全局的交通条件会影响着路网中每一条路段，而某些关键路段的状态也反过来决定交通状况；3)它没有考虑路段本身的时变性。在不同的时间段，路段的状态可能不一致，例如路段在早上拥堵而下午畅通。
发明内容
本发明提供一种基于时空图信息最大化模型的路段特征表示学习算法，该方法可实现学习路段的实时特征表示。
为了达到上述技术效果，本发明的技术方案如下：
一种基于时空图信息最大化模型的路段特征表示学习算法，包括以下步骤：
S1：从路网中提取路段属性，生成路段初始向量，并基于历史数据中的轨迹构造时间邻接矩阵；
S2：对交通状况采用CNN和max-pooling操作，提取对应的交通状态/流表示；
S3：将S1、S2和S3的数据输入到编码器进行训练，获得实时的路段表示；
S4：将得到的路段表示作为目标，通过全连接层得到路段的动态表示。
进一步地，所述步骤S1的具体过程是：
S11：进行数据预处理，通过路网获取每条路段的静态属性，在这里使用路段类型、车道数、是否为单行路这三个属性；
S12：对该三个属性生成对应的one-hot向量，进行拼接后通过全连接层得到路段初始向量R＝{r1,r2,…,rN}；
S13：将历史数据的路段轨迹按时间段分割，根据不同时间段的轨迹得到时间邻接矩阵A(t)，即如果在某一时间段内，从历史轨迹中得到某些路段被多次行驶并存在上下游关系，则对应的路段则具有邻接关系，而不是简单的从拓扑关系确定邻接关系。
进一步地，所述步骤S2的具体过程是：
S21：将对应城市进行网格划分，计算对应网格的拥堵情况、交通流；
S22：将网格数据输入到CNN中得到交通状态、交通流的表示；
基于CNN，从网格数据中学习到可以放映实时交通情况的表示；使用同样的方法得到网格流入流出的表示；具体计算公式如下：
s(t)＝CNN(S(t))。
进一步地，所述步骤S3的具体过程是：
S31：利用图卷积神经网络，从路段初始向量以及时间邻接矩阵得到路段的邻接表示h(t)；
S32：通过负采样，重复S31的步骤得到损坏的路段邻接表示
S33：利用readout函数对路段的邻接表示进行归纳，得到图的全局表示g(t)；
S34：将图的全局表示、交通状态、流入以及流出进行拼接，得到实时的图高阶归纳
S35：将得到的邻接表示、负采样邻接表示、图高阶归纳根据以下目标函数使用梯度下降最大化进行模型的训练，训练稳定后得到的路段的邻接表示即为最终的路段表示，函数公式如下：
进一步地，实际上就是基于正样本和负样本之间的Jensen-Shannon divergence即J-S散度，最大化路段表示和全局表示的交互信息，那么得到的邻接表示更趋向于保留全局图表示的交互信息，发现和保留局部级别的相似性如具有相似结构特征的远距离路段。
进一步地，所述步骤S4的具体过程是：
S41：考虑到路段表示具有时间周期规律，将路段静态表示和one-hot编码的时间通过全连接层映射到一个低维表示，获取动态路段表示；
S42：使用训练稳定后的编码器获取路段表示；
S43：利用L损失最小化两者的差别，并优化全连接层的参数，训练稳定后，便可基于全连接层得到路段的动态表示；
S44：实际上就是根据路段状态本身的周期性，以及考虑到数据稀疏问题，对路段动态表示进行压缩，主要公式如下：
H(t)＝ε(R+A(t))
与现有技术相比，本发明技术方案的有益效果是：
本发明考虑路段状态的时间性，深入挖掘了路段的时间信息，并采用了最大化互信息机制，把路段信息、时间信息和交通信息三者之间相互影响、相互作用的关系提取并利用到基于神经网络的学习算法中。得到的路段表示更好的反映实时的全局交通情况，并学习到路段间上下游实时的依赖关系，大大提高了旅行时间预测的精度。
附图说明
图1为本发明方法流程图；
图2为本发明流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，一种基于时空图信息最大化模型的路段特征表示学习算法，包括以下步骤：
S1：从路网中提取路段属性，生成路段初始向量，并基于历史数据中的轨迹构造时间邻接矩阵；
S2：对交通状况采用CNN和max-pooling操作，提取对应的交通状态/流表示；
S3：将S1、S2和S3的数据输入到编码器进行训练，获得实时的路段表示；
S4：将得到的路段表示作为目标，通过全连接层得到路段的动态表示。
进一步地，所述步骤S1的具体过程是：
S11：进行数据预处理，通过路网获取每条路段的静态属性，在这里使用路段类型、车道数、是否为单行路这三个属性；
S12：对该三个属性生成对应的one-hot向量，进行拼接后通过全连接层得到路段初始向量R＝{r1,r2,…,rN}；
S13：将历史数据的路段轨迹按时间段分割，根据不同时间段的轨迹得到时间邻接矩阵A(t)，即如果在某一时间段内，从历史轨迹中得到某些路段被多次行驶并存在上下游关系，则对应的路段则具有邻接关系，而不是简单的从拓扑关系确定邻接关系。
步骤S2的具体过程是：
S21：将对应城市进行网格划分，计算对应网格的拥堵情况、交通流；
S22：将网格数据输入到CNN中得到交通状态、交通流的表示；
基于CNN，从网格数据中学习到可以放映实时交通情况的表示；使用同样的方法得到网格流入流出的表示；具体计算公式如下：
s(t)＝CNN(S(t))。
步骤S3的具体过程是：
S31：利用图卷积神经网络，从路段初始向量以及时间邻接矩阵得到路段的邻接表示h(t)；
S32：通过负采样，重复S31的步骤得到损坏的路段邻接表示
S33：利用readout函数对路段的邻接表示进行归纳，得到图的全局表示g(t)；
S34：将图的全局表示、交通状态、流入以及流出进行拼接，得到实时的图高阶归纳
S35：将得到的邻接表示、负采样邻接表示、图高阶归纳根据以下目标函数使用梯度下降最大化进行模型的训练，训练稳定后得到的路段的邻接表示即为最终的路段表示，函数公式如下：
进一步地，实际上就是基于正样本和负样本之间的Jensen-Shannon divergence即J-S散度，最大化路段表示和全局表示的交互信息，那么得到的邻接表示更趋向于保留全局图表示的交互信息，发现和保留局部级别的相似性如具有相似结构特征的远距离路段。
步骤S4的具体过程是：
S41：考虑到路段表示具有时间周期规律，将路段静态表示和one-hot编码的时间通过全连接层映射到一个低维表示，获取动态路段表示；
S42：使用训练稳定后的编码器获取路段表示；
S43：利用L损失最小化两者的差别，并优化全连接层的参数，训练稳定后，便可基于全连接层得到路段的动态表示；
S44：实际上就是根据路段状态本身的周期性，以及考虑到数据稀疏问题，对路段动态表示进行压缩，主要公式如下：
H(t)＝ε(R+A(t))
如图2所示，本发明的核心目的是路段表示在交通预测上的作用。那么首先要研究路段表示对旅行时间预测的影响，并确定数据集，我们采用的是滴滴出行“盖亚”数据开发计划提供的城市出行数据集——成都以及西安数据集，发布在https://gaia.didichuxing.com，以及哈尔滨数据集，由DeepGTT发布。表1为三组数据集的路段数量以及轨迹数量。
然后要确定旅行时间预测的评判标准，这里采用在该领域常用的RMSE和MAE来表示模型的预测效果。即当我们对路径的预测时间以及真实时间进行差值评判。
根据评判标准，我们将三组数据集都分为训练集、验证集和测试集，其中对应滴滴数据集，训练集为前17天的轨迹，最后10天数据作为测试集，其余数据作为验证集；哈尔滨数据集则训练集为前3天的轨迹，最后1天数据作为测试集，其余数据作为验证集。
表1、数据集的维度信息与交互信息
在本专利之前，常用的路段表示学习的方法都是基于非朴素的网络表示学习算法，该算法虽然对路网的路段静态属性进行了学习，但没有考虑路段的时间因素以及路网的交通因素，对旅行时间预测的精度影响还是比较明显的。所有我们提出的算法就采用的一种基于卷积神经网络的网络表示学习算法以及采用最大化互信息来考虑路段、路网全局以及交通状况之间的相互作用。
为了和以前方法做对比，我们同样计算了这些方法在三个数据集上的RMSE和MAE的表现，训练集、验证集和测试集的分割方式同样和我们的方法保持一致。
另外，为了测试模型每个部分对于模型的作用，我们进行了消融实验，分别产生了以下三个模型变体：1)ST-DGI/S：去掉路段的静态信息，即将路段看作无属性的节点，对路段表示进行随机初始化；2)ST-DGI/T：忽视路段的时间因素；3)ST-DGI/G：忽视路网的交通因素，只使用路网图的归纳表示。
表2、多种模型在两组数据集上的表现
从结果可以看出我们的发明相较于以前方法有比较明显的提升，这从很大程度是因为本发明从路段的时空属性出发，通过最大化互信息机制，最大程度地提取局部路段与全局路网的交互信息，从而学习到路段与交通情况的相互关系以及路段间动态的依赖关系。我们通过消融实验也可以确认到三个因素对于模型效果的重要性。基于准确的动态路段表示，我们才得以提高旅行时间预测的准确性。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于时空图信息最大化模型的路段特征表示学习算法，其特征在于，包括以下步骤：
S1：从路网中提取路段属性，生成路段初始向量，并基于历史数据中的轨迹构造时间邻接矩阵；
S2：对交通状况采用CNN和max-pooling操作，提取对应的交通状态/流表示；
S3：将S1、S2和S3的数据输入到编码器进行训练，获得实时的路段表示；
S4：将得到的路段表示作为目标，通过全连接层得到路段的动态表示。
2.根据权利要求1所述的基于时空图信息最大化模型的路段特征表示学习算法，其特征在于，所述步骤S1的具体过程是：
S11：进行数据预处理，通过路网获取每条路段的静态属性，在这里使用路段类型、车道数、是否为单行路这三个属性；
S12：对该三个属性生成对应的one-hot向量，进行拼接后通过全连接层得到路段初始向量R＝{r1,r2,…,rN}；
S13：将历史数据的路段轨迹按时间段分割，根据不同时间段的轨迹得到时间邻接矩阵A(t)，即如果在某一时间段内，从历史轨迹中得到某些路段被多次行驶并存在上下游关系，则对应的路段则具有邻接关系，而不是简单的从拓扑关系确定邻接关系。
3.根据权利要求2所述的基于时空图信息最大化模型的路段特征表示学习算法，其特征在于，所述步骤S2的具体过程是：
S21：将对应城市进行网格划分，计算对应网格的拥堵情况、交通流；
S22：将网格数据输入到CNN中得到交通状态、交通流的表示；
基于CNN，从网格数据中学习到可以放映实时交通情况的表示；使用同样的方法得到网格流入流出的表示；具体计算公式如下：
S(t)＝CNN(S(t))。
4.根据权利要求3所述的基于时空图信息最大化模型的路段特征表示学习算法，其特征在于，所述步骤S3的具体过程是：
S31：利用图卷积神经网络，从路段初始向量以及时间邻接矩阵得到路段的邻接表示h(t)；
S32：通过负采样，重复S31的步骤得到损坏的路段邻接表示
S33：利用readout函数对路段的邻接表示进行归纳，得到图的全局表示g(t)；
S34：将图的全局表示、交通状态、流入以及流出进行拼接，得到实时的图高阶归纳
S35：将得到的邻接表示、负采样邻接表示、图高阶归纳根据以下目标函数使用梯度下降最大化进行模型的训练，训练稳定后得到的路段的邻接表示即为最终的路段表示，函数公式如下：
5.根据权利要求4所述的基于时空图信息最大化模型的路段特征表示学习算法，其特征在于，实际上就是基于正样本和负样本之间的Jensen-Shannon divergence即J-S散度，最大化路段表示和全局表示的交互信息，那么得到的邻接表示更趋向于保留全局图表示的交互信息，发现和保留局部级别的相似性如具有相似结构特征的远距离路段。
6.根据权利要求5所述的基于时空图信息最大化模型的路段特征表示学习算法，其特征在于，所述步骤S4的具体过程是：
S41：考虑到路段表示具有时间周期规律，将路段静态表示和one-hot编码的时间通过全连接层映射到一个低维表示，获取动态路段表示；
S42：使用训练稳定后的编码器获取路段表示；
S43：利用L损失最小化两者的差别，并优化全连接层的参数，训练稳定后，便可基于全连接层得到路段的动态表示；
S44：实际上就是根据路段状态本身的周期性，以及考虑到数据稀疏问题，对路段动态表示进行压缩，主要公式如下：
H(t)＝ε(R+A(t))
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010382570.7A CN111754019B (zh) | 2020-05-08 | 2020-05-08 | 一种基于时空图信息最大化模型的路段特征表示学习算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010382570.7A CN111754019B (zh) | 2020-05-08 | 2020-05-08 | 一种基于时空图信息最大化模型的路段特征表示学习算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754019A true CN111754019A (zh) | 2020-10-09 |
| CN111754019B CN111754019B (zh) | 2023-11-07 |
Family
ID=72673259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010382570.7A Active CN111754019B (zh) | 2020-05-08 | 2020-05-08 | 一种基于时空图信息最大化模型的路段特征表示学习算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754019B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256980A (zh) * | 2021-05-28 | 2021-08-13 | 佳都科技集团股份有限公司 | 一种路网状态的确定方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688850A (zh) * | 2017-08-08 | 2018-02-13 | 北京深鉴科技有限公司 | 一种深度神经网络压缩方法 |
| CN109830102A (zh) * | 2019-02-14 | 2019-05-31 | 重庆邮电大学 | 一种面向复杂城市交通网络的短时交通流量预测方法 |
| US10349208B1 (en) * | 2018-08-17 | 2019-07-09 | xAd, Inc. | Systems and methods for real-time prediction of mobile device locations |
| CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
| CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
-
2020
- 2020-05-08 CN CN202010382570.7A patent/CN111754019B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688850A (zh) * | 2017-08-08 | 2018-02-13 | 北京深鉴科技有限公司 | 一种深度神经网络压缩方法 |
| US10349208B1 (en) * | 2018-08-17 | 2019-07-09 | xAd, Inc. | Systems and methods for real-time prediction of mobile device locations |
| CN109830102A (zh) * | 2019-02-14 | 2019-05-31 | 重庆邮电大学 | 一种面向复杂城市交通网络的短时交通流量预测方法 |
| CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
| CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 罗文慧 等: "基于CNN-SVR混合深度学习模型的短时交通流预测", 《交通运输***工程与信息》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256980A (zh) * | 2021-05-28 | 2021-08-13 | 佳都科技集团股份有限公司 | 一种路网状态的确定方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754019B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Contextualized spatial–temporal network for taxi origin-destination demand prediction | |
| 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 | |
| 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 | |
| CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
| CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及*** | |
| US20240054321A1 (en) | Traffic prediction | |
| Fang et al. | Ssml: Self-supervised meta-learner for en route travel time estimation at *** maps | |
| Yuan et al. | Route travel time estimation on a road network revisited: Heterogeneity, proximity, periodicity and dynamicity | |
| Yokoyama et al. | A framework for large-scale train trip record analysis and its application to passengers’ flow prediction after train accidents | |
| CN111754019A (zh) | 一种基于时空图信息最大化模型的路段特征表示学习算法 | |
| Maleki et al. | Developing a supervised learning-based simulation method as a decision support tool for rebalancing problems in bike-sharing systems | |
| Wang et al. | Signalized arterial origin-destination flow estimation using flawed vehicle trajectories: A self-supervised learning approach without ground truth | |
| Hu et al. | SOUP: A fleet management system for passenger demand prediction and competitive taxi supply | |
| Song et al. | Statistical traffic generation methods for urban traffic simulation | |
| Hu et al. | Recurrent multi-graph neural networks for travel cost prediction | |
| CN112686457B (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
| CN113409574B (zh) | 一种基于贝叶斯网络的交通健康诊断方法 | |
| Alajali et al. | Fog computing based traffic and car parking intelligent system | |
| Li et al. | Ridesplitting demand prediction via spatiotemporal multi-graph convolutional network | |
| Sun et al. | Alleviating data sparsity problems in estimated time of arrival via auxiliary metric learning | |
| Upadhyay et al. | Mining periodic patterns from spatio-temporal trajectories using FGO-based artificial neural network optimization model | |
| Othman et al. | Real-Time Simulation Framework with Traffic Incident Prediction: A Singapore Case Study | |
| Maleki et al. | Developing a Data-Driven Learning-Based Simulation Method as a Decision Support Tool for Rebalancing Problem in the Bike-Sharing Systems | |
| Ma et al. | Short‐Term Traffic State Prediction Based on the Critical Road Selection Optimization in Transportation Networks | |
| Fang et al. | Travel Time Prediction Method Based on Spatial-Feature-based Hierarchical Clustering and Deep Multi-input Gated Recurrent Unit |
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 |