CN111862592A - 一种基于rgcn的交通流预测方法 - Google Patents
一种基于rgcn的交通流预测方法 Download PDFInfo
- Publication number
- CN111862592A CN111862592A CN202010461193.6A CN202010461193A CN111862592A CN 111862592 A CN111862592 A CN 111862592A CN 202010461193 A CN202010461193 A CN 202010461193A CN 111862592 A CN111862592 A CN 111862592A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road
- matrix
- road traffic
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/045—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
- 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
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于RGCN的交通流预测方法,包括以下步骤:步骤1)基于时间序列相似性的准则,对每个道路选出与之相似的道路,构建道路交通网络;步骤2)获取道路交通流数据,对数据进行预处理,构建道路交通流状态矩阵数据集;步骤3)将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入,进而提取道路交通网络的节点特征;步骤4)将基于高斯分布的图卷积层采样后的特征作为回归预测层输入,计算当前输入对应的预测结果;定义模型损失函数,根据损失函数数值利用反向传播算法不断优化模型参数;获取实时交通流数据作为模型输入,实现实时道路交通流的预测。本发明提高了图卷积网络的鲁棒性,从而提高了交通流预测的准确性。
Description
技术领域
本发明涉及一种基于RGCN的交通流预测方法,本发明属于交通预测领域。
背景技术
城市经济水平的提高以及城市规模的扩大,使得人们的生活水平不断提高,因而城市中车辆的数目也在急剧增长,而车辆的增多也带来了许多问题,交通拥堵可以说是首要问题。交通状态预测在合理分配城市道路资源以及缓解交通拥堵问题上起着至关重要的作用。
目前主流的基于数据驱动的交通流预测方法主要有:差分整合移动平均自回归模型、支持向量机、卷积神经网络、长短期记忆神经网络等等,这些方法有的基于概率统计进行预测、有的基于时间特征进行预测、有的基于浅层神经网络提取特征进行预测等等,虽然这些方法均取得较好的预测结果,但是没有对图结构的交通数据进行学习。图卷积网络能够有效地学习图结构的数据,但没能够消除原始数据中的噪声,有不稳定性。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于RGCN(鲁棒图卷积网络)的交通流预测方法。该方法在图卷积层中使用高斯分布去吸收交通流数据中的噪声,提高了图卷积网络的鲁棒性,从而提高了交通流预测的准确性。
本发明解决其技术问题所采用的技术方案是:
一种基于RGCN的交通流预测方法,包括以下步骤:
步骤1)基于时间序列相似性构建道路交通网络:基于时间序列相似性的准则,对每个道路选出与之相似的道路,构建道路交通网络;
步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集:获取道路交通流数据,对数据进行预处理,构建道路交通流状态矩阵数据集;
步骤3)基于道路交通网络和道路交通状态矩阵,使用基于高斯分布的图卷积层提取节点特征:将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入,进而提取道路交通网络的节点特征;
步骤4)基于高斯分布的图卷积层进行交通流预测:将基于高斯分布的图卷积层采样后的特征作为回归预测层输入,计算当前输入对应的预测结果;定义模型损失函数,根据损失函数数值利用反向传播算法不断优化模型参数;获取实时交通流数据作为模型输入,实现实时道路交通流的预测。
本发明中提出来一种基于RGCN的交通流预测方法,该方法采用高斯分布作为每个卷积层中节点的隐藏表示,可以吸收交通流数据中的随机噪声,提高了图卷积网络的鲁棒性,进而提高了交通流预测的准确性。
本发明的有益效果:本发明通过RGCN模型对交通流数据的学习训练,形成了道路交通流预测模型。本发明根据时间序列相似性构建道路交通网络,从而克服了交通网络地理位置难以获取,实现了交通网络的时空特征有效提取;使用基于高斯分布的图卷积网络进行交通流预测,吸收了交通流数据的噪声,进而提高了道路交通流预测的鲁棒性和精度。
短时交通流预测作为交通流诱导***的重要组成部分,本发明在一定程度上可以有效提高交通流诱导***的性能。此外,该发明也可以作为旅行者出行的有效辅助工具。
附图说明
图1基于RGCN的交通流预测的框架图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1,一种基于RGCN的交通流预测方法,含有以下步骤:
步骤1)基于时间序列相似性构建道路交通网络,过程如下:
针对多条道路交通路段,获取其某一天的时间序列数据,基于时间序列相似性构建道路交通网络,例如:给定两条时间序列数据X=(x1,x2,…,xn),Y=(y1,y2,…,yn),然后构建距离矩阵Mn×n,其中,Mi,j=|xi-yj|。基于距离矩阵Mn×n构建累积距离矩阵Dn×n,其中,Di,j=Mi,j+min(Di,j-1,Di-1,j,Di-1,j-1),Dn,n是最终距离,对于道路i,选出前d条与其最终距离最小的道路S={j,k,…},即道路i与道路S最相似;
基于时间序列相似性构建道路交通网络图G=(V,E,A),V表示节点,E表示连边,A表示交通网络的邻接矩阵,其中,Aij=1表示道路i和道路j相似,否则,Aij=0;
步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵,过程如下:
2.1:对道路交通流数据进行预处理
对多道路多天的交通流数据进行预处理,使用最大-最小标准化对数据进行归一化,计算表达式如下所示:
其中,xreal为道路的原始流量数据,xmin为道路原始流量数据中的最小值,xmax为道路原始流量数据中的最大值,x为预处理后的道路流量数据;
2.2:构建道路交通流状态矩阵
根据预处理后的道路交通流数据构建道路交通流状态矩阵,道路交通流状态矩阵形式如下:
其中,状态矩阵行向量表示同一时刻不同道路的交通状态,列向量表示同一车道不同时刻的道路交通状态的时间状态,M表示历史交通状态数据的数目,N表示输入矩阵中道路的数目,则xit表示第i条道路上的在t时刻的交通状态;
步骤3)基于道路交通网络和道路交通状态矩阵,使用基于高斯分布的图卷积层提取节点特征
基于RGCN的道路交通流预测总体框架如图1所示。
在原始的图卷积层得到的隐藏特征使用高斯分布,定义节点vi在第l层的隐藏特征为:
其中,μi (l)表示均值向量,diag(σi (l))表示对角方差矩阵,σ代替σ2表示方差;
所有节点的均值和方差定义为:
M(l)=[μ1 (l),μ2 (l),…,μN (l)] (4)
Σ(l)=[σ1 (l),σ2 (l),…,σN (l)] (5)
由于道路交通流状态输入矩阵X是特征向量而不是高斯分布,定义第一层均值矩阵M(1),方差矩阵Σ(1)为如下形式:
其中,Wμ,Wσ分别是均值矩阵和方差矩阵的权重,f和ρ分别表示ELU函数和ReLU函数,公式如下所示:
经过第一层全连接层之后,输入向量变为隐藏特征后对其使用高斯分布,基于高斯分布的图卷积层的定义如下:
步骤4)基于高斯分布的图卷积层进行交通流预测,过程如下:
4.1:计算预测结果
将隐藏特征作为高斯分布来进行交通流预测,需要进行一个采样过程,对最后一层的基于高斯分布的图卷积层进行采样,采样公式如下:
其中,L表示卷积层的最后一层。将采样特征Z=[z1,z2,…,zN]作为全连接层的输入,预测基于历史交通流数据输入下的下一时刻状态,全连接层表达式如下所示:
Ypre=f(Wf·Z+bf) (13)
其中,Wf是全连接层权重矩阵,bf是偏置矩阵,这里使用sigmoid函数作为激活函数f,目的还原标准化的数值;
4.2:定义模型损失函数,优化模型参数并实现实时交通流预测
为了保证学习到的特征是服从高斯分布,我们仅对第一层卷积层得到的隐层特征施加正则化来进行约束:
其中,KL(·||·)是两个分布之间的KL距离;
为了防止模型过拟合,对第一层卷积层施加L2正则化:
定义模型预测的交通流状态为Ypre,实际交通流状态为Ytrue,则最终的模型损失函数L为如下形式:
其中,n表示模型输入的样本数量,λ,β为参数;
将模型预测的交通流状态与实际的交通流状态进行比较,计算模型的损失函数L,然后利用反向传播算法实现对模型参数的不断优化。最后,将测试集数据作为模型输入,实现实时道路交通流的预测。
在本发明中,反向传播算法中的梯度计算与参数更新均通过Adam优化器进行实现。
实例2:实际实验中的数据
(1)选取实验数据
原始交通流数据集包含323个检测器1个月的车流量数据,所述的数据集中的交通流数据为西雅图高速路部分检测器流量数据,采样间隔T为5min。
将323个检测器的前三周的道路交通流数据作为训练数据集,进行模型参数训练。将323个检测器的最后一周的道路交通流数据作为实验数据集,进行算法验证。滑动窗口设置为10,预测步长分别设置为1。
(2)参数确定
本发明的实验结果均基于tensorflow环境下实现的,整个实验参数设定如下:基于高斯分布的图卷积层的层数为2,第一层隐藏单元设置为16,第二层隐藏单元设置为10,学习率为0.001,训练回数为100,批次大小为64,γ=1,λ=0.00005,β=0.00005。
(3)实验结果
本发明实验以多路段短时交通流预测为目的,通过训练集进行模型训练,测试集进行模型预测性能的检验。
本实验选取绝对值均方差(MAE)、均方根误差(RMSE)作为道路交通流预测精度的指标,其计算公式分别如下所示:
所有实验路段流量预测结果统计分析如表1所示:
模型 | RMSE | MAE | MAPE(%) |
GCN | 4.911 | 3.367 | 8.380 |
RGCN | 4.775 | 3.290 | 8.019 |
表1。
Claims (6)
1.一种基于RGCN的交通流预测方法,其特征在于,所述方法包括以下步骤:
步骤1)基于时间序列相似性构建道路交通网络:基于时间序列相似性的准则,对每个道路选出与之相似的道路,构建道路交通网络;
步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集:获取道路交通流数据,对数据进行预处理,构建道路交通流状态矩阵数据集;
步骤3)基于道路交通网络和道路交通状态矩阵,使用基于高斯分布的图卷积层提取节点特征:将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入,进而提取道路交通网络的节点特征;
步骤4)基于高斯分布的图卷积层进行交通流预测:将基于高斯分布的图卷积层采样后的特征作为回归预测层输入,计算当前输入对应的预测结果;定义模型损失函数,根据损失函数数值利用反向传播算法不断优化模型参数;获取实时交通流数据作为模型输入,实现实时道路交通流的预测。
2.如权利要求1所述的一种基于RGCN的交通流预测方法,其特征在于,所述步骤1)基的过程如下:
针对多条道路交通路段,获取其某一天的时间序列数据,基于时间序列相似性构建道路交通网络,例如:给定两条时间序列数据X=(x1,x2,…,xn),Y=(y1,y2,…,yn),然后构建距离矩阵Mn×n,其中,Mi,j=|xi-yj|。基于距离矩阵Mn×n构建累积距离矩阵Dn×n,其中,Di,j=Mi,j+min(Di,j-1,Di-1,j,Di-1,j-1),Dn,n是最终距离,对于道路i,选出前d条与其最终距离最小的道路S={j,k,…},即道路i与道路S最相似;
基于时间序列相似性构建道路交通网络图G=(V,E,A),V表示节点,E表示连边,A表示交通网络的邻接矩阵,其中,Aij=1表示道路i和道路j相似,否则,Aij=0。
3.如权利要求1或2所述的一种基于RGCN的交通流预测方法,其特征在于,所述步骤2)的过程如下:
2.1:对道路交通流数据进行预处理
对多道路多天的交通流数据进行预处理,使用最大-最小标准化对数据进行归一化,计算表达式如下所示:
其中,xreal为道路的原始流量数据,xmin为道路原始流量数据中的最小值,xmax为道路原始流量数据中的最大值,x为预处理后的道路流量数据;
2.2:构建道路交通流状态矩阵
根据预处理后的道路交通流数据构建道路交通流状态矩阵,道路交通流状态矩阵形式如下:
其中,状态矩阵行向量表示同一时刻不同道路的交通状态,列向量表示同一车道不同时刻的道路交通状态的时间状态,M表示历史交通状态数据的数目,N表示输入矩阵中道路的数目,则xit表示第i条道路上的在t时刻的交通状态。
4.如权利要求1或2所述的一种基于RGCN的交通流预测方法,其特征在于,所述步骤3)的过程如下:
在原始的图卷积层得到的隐藏特征使用高斯分布,定义节点vi在第l层的隐藏特征为:
其中,μi (l)表示均值向量,diag(σi (l))表示对角方差矩阵,σ代替σ2表示方差;
所有节点的均值和方差定义为:
M(l)=[μ1 (l),μ2 (l),…,μN (l)] (4)
Σ(l)=[σ1 (l),σ2 (l),…,σN (l)] (5)
由于道路交通流状态输入矩阵X是特征向量而不是高斯分布,定义第一层均值矩阵M(1),方差矩阵Σ(1)为如下形式:
其中,Wμ,Wσ分别是均值矩阵和方差矩阵的权重,f和ρ分别表示ELU函数和ReLU函数,公式如下所示:
经过第一层全连接层之后,输入向量变为隐藏特征后对其使用高斯分布,基于高斯分布的图卷积层的定义如下:
5.如权利要求1或2所述的一种基于RGCN的交通流预测方法,其特征在于,所述步骤4)的过程如下:
4.1:计算预测结果
将隐藏特征作为高斯分布来进行交通流预测,需要进行一个采样过程,对最后一层的基于高斯分布的图卷积层进行采样,采样公式如下:
其中,L表示卷积层的最后一层。将采样特征Z=[z1,z2,…,zN]作为全连接层的输入,预测基于历史交通流数据输入下的下一时刻状态,全连接层表达式如下所示:
Ypre=f(Wf·Z+bf) (13)
其中,Wf是全连接层权重矩阵,bf是偏置矩阵,这里使用sigmoid函数作为激活函数f,目的还原标准化的数值;
4.2:定义模型损失函数,优化模型参数并实现实时交通流预测
为了保证学习到的特征是服从高斯分布,我们仅对第一层卷积层得到的隐层特征施加正则化来进行约束:
其中,KL(·||·)是两个分布之间的KL距离;
为了防止模型过拟合,对第一层卷积层施加L2正则化:
定义模型预测的交通流状态为Ypre,实际交通流状态为Ytrue,则最终的模型损失函数L为如下形式:
其中,n表示模型输入的样本数量,λ,β为参数;
将模型预测的交通流状态与实际的交通流状态进行比较,计算模型的损失函数L,然后利用反向传播算法实现对模型参数的不断优化。最后,将测试集数据作为模型输入,实现实时道路交通流的预测。
6.如权利要求4所述的一种基于RGCN的交通流预测方法,其特征在于,所述反向传播算法中的梯度计算与参数更新均通过Adam优化器进行实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461193.6A CN111862592B (zh) | 2020-05-27 | 2020-05-27 | 一种基于rgcn的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461193.6A CN111862592B (zh) | 2020-05-27 | 2020-05-27 | 一种基于rgcn的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862592A true CN111862592A (zh) | 2020-10-30 |
CN111862592B CN111862592B (zh) | 2021-12-17 |
Family
ID=72985881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461193.6A Active CN111862592B (zh) | 2020-05-27 | 2020-05-27 | 一种基于rgcn的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862592B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112562339A (zh) * | 2020-12-09 | 2021-03-26 | 福州大学 | 基于多任务图卷积网络的鲁棒***通流预测方法 |
CN112766551A (zh) * | 2021-01-08 | 2021-05-07 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN113379156A (zh) * | 2021-06-30 | 2021-09-10 | 南方科技大学 | 速度预测方法、装置、设备及存储介质 |
CN115759484A (zh) * | 2023-01-06 | 2023-03-07 | 南京隼眼电子科技有限公司 | 一种交通流量预测方法、电子设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006018435A (ja) * | 2004-06-30 | 2006-01-19 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置および交通流データ予測方法 |
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测***及方法 |
US20120331226A1 (en) * | 2009-04-29 | 2012-12-27 | Guhan Krishnan | Hierarchical memory arbitration technique for disparate sources |
US20140309976A1 (en) * | 2013-04-16 | 2014-10-16 | International Business Machines Corporation | Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream |
CN104821082A (zh) * | 2015-04-29 | 2015-08-05 | 电子科技大学 | 一种基于综合评价的短时交通流预测方法 |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
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 |
CN110189275A (zh) * | 2019-05-29 | 2019-08-30 | 清华大学 | 鲁棒性增强的图卷积方法及*** |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110428424A (zh) * | 2019-07-02 | 2019-11-08 | 中国航空工业集团公司雷华电子技术研究所 | 基于深度学习的雷达回波图像高压线分割方法 |
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 |
WO2020048445A1 (en) * | 2018-09-04 | 2020-03-12 | Beijing Jingdong Shangke Information Technology Co., Ltd. | End-to-end structure-aware convolutional networks for knowledge base completion |
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 |
CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
-
2020
- 2020-05-27 CN CN202010461193.6A patent/CN111862592B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006018435A (ja) * | 2004-06-30 | 2006-01-19 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置および交通流データ予測方法 |
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
US20120331226A1 (en) * | 2009-04-29 | 2012-12-27 | Guhan Krishnan | Hierarchical memory arbitration technique for disparate sources |
CN101739819A (zh) * | 2009-11-19 | 2010-06-16 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测***及方法 |
US20140309976A1 (en) * | 2013-04-16 | 2014-10-16 | International Business Machines Corporation | Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream |
CN104821082A (zh) * | 2015-04-29 | 2015-08-05 | 电子科技大学 | 一种基于综合评价的短时交通流预测方法 |
WO2020048445A1 (en) * | 2018-09-04 | 2020-03-12 | Beijing Jingdong Shangke Information Technology Co., Ltd. | End-to-end structure-aware convolutional networks for knowledge base completion |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
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 |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110189275A (zh) * | 2019-05-29 | 2019-08-30 | 清华大学 | 鲁棒性增强的图卷积方法及*** |
CN110428424A (zh) * | 2019-07-02 | 2019-11-08 | 中国航空工业集团公司雷华电子技术研究所 | 基于深度学习的雷达回波图像高压线分割方法 |
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 |
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 |
CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
Non-Patent Citations (6)
Title |
---|
KECHENG XIAO: "Learning Multiple Temporal Relational Network Embeddings via Graph Convolutional Network", 《 2019 IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM)》 * |
MICHAEL SCHLICHTKRULL: "Modeling Relational Data with Graph Convolutional Networks", 《ARXIV》 * |
YONGDONG WANG,DONGWEI XU: "Yongdong Wang, Dongwei Xu*", 《2016 IEEE INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND BIG DATA ANALYSIS 》 * |
于亚男: "基于神经网络模型的短时交通流预测及应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
徐东伟: "道路交通状态多维多粒度获取方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
戴航: "面向交通监控的驾驶员人脸检测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112562339A (zh) * | 2020-12-09 | 2021-03-26 | 福州大学 | 基于多任务图卷积网络的鲁棒***通流预测方法 |
CN112562339B (zh) * | 2020-12-09 | 2022-01-04 | 福州大学 | 基于多任务图卷积网络的鲁棒***通流预测方法 |
CN112766551A (zh) * | 2021-01-08 | 2021-05-07 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN112766551B (zh) * | 2021-01-08 | 2022-05-17 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN113379156A (zh) * | 2021-06-30 | 2021-09-10 | 南方科技大学 | 速度预测方法、装置、设备及存储介质 |
CN115759484A (zh) * | 2023-01-06 | 2023-03-07 | 南京隼眼电子科技有限公司 | 一种交通流量预测方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111862592B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
CN112418547B (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN108510741B (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
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 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN114330671A (zh) | 一种基于Transformer时空图卷积网络的交通流预测方法 | |
CN108417029B (zh) | 基于自适应多任务深度学习的城市路网行程时间估计方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN111785014B (zh) | 一种基于dtw-rgcn的路网交通数据修复的方法 | |
CN111613054B (zh) | 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法 | |
CN111709549A (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
CN110942637B (zh) | 基于空域图卷积神经网络的scats***道路交通流预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN111784017A (zh) | 一种基于路况因素回归分析的公路交通事故数量预测方法 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、***、计算机设备及存储介质 | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
CN113988348A (zh) | 一种网格化监测的空气质量预测方法 | |
Zhang et al. | Surface and high-altitude combined rainfall forecasting using convolutional neural network |
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 |