CN111882114B - 一种短时交通流量预测模型构建方法及预测方法 - Google Patents
一种短时交通流量预测模型构建方法及预测方法 Download PDFInfo
- Publication number
- CN111882114B CN111882114B CN202010628317.5A CN202010628317A CN111882114B CN 111882114 B CN111882114 B CN 111882114B CN 202010628317 A CN202010628317 A CN 202010628317A CN 111882114 B CN111882114 B CN 111882114B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- short
- data
- time traffic
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 208000033830 Hot Flashes Diseases 0.000 description 1
- 206010060800 Hot flush Diseases 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- 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
- G06Q50/26—Government or public services
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种短时交通流量预测模型构建方法及预测方法,针对一段时间内的交通流量数据进行聚类,充分提取数据信息输入到GRU神经网络,以短时交通流量模式类别作为输出,对GRU神经网络模型进行训练,训练完成后得到短时交通流量预测模型,实现对短时交通流量的预测。针对神经网络的训练集选取对短时交通流量的预测结果影响显著,采用K‑Means聚类算法将历史短时交通流量数据进行聚类,有针对性地进行预测,提高了预测结果的准确度。
Description
技术领域
本发明属于智能交通***领域,具体涉及一种短时交通流量预测模型构建方法及预测方法。
背景技术
智能交通***将现代的技术成果应用于交通规划和管理,建立了一种智能化的交通管理体系,精准、高效、实时是智能交通***的显著优势,通过智能交通***的反馈,有关部门可以及时掌握所关心地区的交通状况,从而有效地指导交通运转,减少甚至避免交通拥堵的发生率,并为城市道路规划、节能减排提供信息支持。
随着人工智能研究热潮的兴起,神经网络模型在短时交通流量预测方面取得了令人瞩目的成果。但是由于不同路况、不同天气、不同日期等因素对短时交通流量时间序列分布存在很大影响,导致现有的神经网络模型无法准确对交通流量进行预测。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种基于K-Means聚类与GRU网络的短时交通流量预测方法,解决现有技术无法准确对交通流量进行预测的技术问题。
为了解决上述技术问题,本申请采用如下技术方案予以实现:
一种短时交通流量预测模型构建方法,包括以下步骤:
步骤1,获取一段时间内的交通流量数据,得到交通流量数据集;对得到的交通流量数据集进行预处理,得到预处理后的交通流量数据集;
步骤2,对步骤1得到的预处理后的交通流量数据集中的数据以K-Means算法进行聚类,得到短时交通流量模式类别,并建立短时交通流量模式库;
步骤3,确定预测日期,获取该预测日期的前N个时刻的短时交通流量数据,依次确定N个时刻短时交通流量模式的特征向量,利用分类方法分别确定N个时刻特征向量对应的短时交通流量模式,选取N个时刻对应的短时交通流量模式出现频率最高的流量模式所对应的交通流量数据组成训练的数据集;
步骤4,利用GRU神经网络模型训练步骤3形成的训练的数据集,训练完成后得到短时交通流量预测模型;
所述的GRU神经网络模型采用堆栈式结构,包括依次连接的输入层、第一GRU单元层、第二GRU单元层和第三GRU单元层,且第三GRU单元层后连接有用于防止过拟合的dropout层。
具体的,步骤1中所述预处理包括数据删除、数据插补、数据去噪和归一化。
具体的,步骤2所述对步骤1得到的短时交通流量数据以K-Means算法进行聚类,得到短时交通流量类别,组成短时交通流量类别模式库具体包括:选取K个点作为初始聚类中心进行聚类,其中,K的取值范围为2~7。
具体的,步骤3所述的GRU网络的参数设置包括:预测步长8、隐层神经元个数12、学习率0.02和迭代次数800。
一种短时交通流量预测方法,所述方法包括以下步骤:
步骤1、获得待预测交通流量数据集并进行预处理,得到得到预处理后的待预测交通流量数据集;
步骤2、将所述的预处理后的待预测交通流量数据集输入至权利要求1-5任一项权利要求所述的短时交通流量预测模型构建方法获得的短时交通流量预测模型中,获得待预测短时交通流量类别。
本发明与现有技术相比,有益的技术效果是:
本发明将K-Means聚类方法与GRU神经网络相结合,针对神经网络的训练集选取对短时交通流量的预测结果影响显著,采用K-Means聚类算法将历史短时交通流量数据进行聚类,有针对性地进行预测,提高了预测结果的准确度。
附图说明
图1为本发明的程序流程图;
图2为本发明实施例1得到的K-means聚类结果图;
图3GRU预测模型流程图。
图4为本发明实施例1中得到的短时交通流量预测结果图,其中,实线表示实际短时交通流量,虚线表示预测值;
图5为KMeans-GRU模型、传统GRU网络模型、ARIMA模型和SAEs模型的预测误差对比图。
以下结合说明书附图和具体实施方式对本发明做具体说明。
具体实施方式
本发明的整体技术构思和技术原理是:对一段时间内的交通流量数据进行聚类,充分提取数据信息输入到GRU神经网络,以短时交通流量模式类别作为输出,对GRU神经网络模型进行训练,训练完成后得到短时交通流量预测模型,实现对短时交通流量的精准预测。
以下对本发明涉及的定义或概念内涵做以说明:
欧几里得度量(也称欧氏距离)是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
二范数:是指矩阵A的2范数,就是A的转置共轭矩阵与矩阵A的积的最大特征根的平方根值,指空间上两个向量矩阵的直线距离。
为了使本发明的目的及优点更加清楚明白,以下结合附图和实施例对本发明进行进一步详细说明,并通过对对比例的分析来体现本发明的优势。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
K-means聚类算法的原理是:以k为参数,把n个对象分成k个簇,使簇内具有较高的相似度,而簇间的相似度较低。K-means聚类算法的处理过程如下:首先,随机选择k个对象作为质心,每个对象初始地代表了一个簇的平均值或中心;对剩余的每个对象,根据其与各簇中心的距离,将它赋给最近的簇,然后算法在数据分配步骤和质心更新步骤之间迭代,直到满足停止标准(即,没有数据点改变,或簇距离的总和最小化,或者达到一些最大迭代次数)。
KNN分类法:KNN模型的核心思想很简单,它通过将每一个测试集样本点与训练集中每一个样本之间测算欧氏距离,然后取欧氏距离最近的K个点(k是可以人为划定的近邻取舍个数,K的确定会影响算法结果),并统计这K个训练集样本点所属类别频数,将其中频数最高的所属类别化为该测试样本点的预测类别。
本发明还采用多个模型评价指标对比来评价预测结果的好坏,包括平方百分比误差(MAPE)、平方绝对误差(MAE)、均方根误差(RMSE)。
对于平方百分比误差、平方绝对误差和均方根误差这几个误差来说,误差越小拟预测效果越好。
实施例:
本实施例
步骤1:获取历史一段时间内及短时交通流量数据,然后进行数据填补、删除或数据去噪和归一化相关预处理,得到预处理后的交通流量数据集。
作为本发明的一种具体实施方式,交通流量数据的获取,可以直接下载官方数据库或者自行独立检测。本实施例中的历史交通流量数据是从美国PeMS数据库下载,包含2018年1月1日至2018年1月31日么5分钟统计一次得交通流量数据,共计8928条数据。
步骤11:对于输入的短时交通流量历史数据,首先判定是否为空值,如果是空值执行删除操作,若一天中的交通流量数据空值占比大于20%,则删除整填的交通流量数据;
步骤12:如果不为空值,根据式(1)判断是否为异常数据。
其中,q表示短时交通流量,C表示道路通行能力最大值,T表示流量数据采集时间间隔,fc表示修正系数。若为异常数据,先删除然后利用前一个值与后一个值的均值进行插补。
步骤13:min-max归一化方法对短时交通流量数据进行处理,如式(2):
其中,Xi表示第i个样本值,Xi′表示第i个样本的归一化值,Xmax表示样本中的最大值,Xmin表示样本中的最小值。
步骤2:对步骤1得到的预处理后的交通流量数据集中的数据以K-Means算法进行聚类,得到短时交通流量模式类别,并建立短时交通流量模式库。
步骤21:首先选取K个点作为初始聚类中心(K的取值范围一般为[2-7])。本例中选取K=3。
步骤22:分配预处理后的交通流量数据集中的数据。
每个质心定义一个簇。在此步骤中,利用基于2范数的欧几里德距离计算数据点之间的距离,将每个数据点分配到距其距离最近的质心,如式(3)。如果ci是集合C中的一个质心集合,则数据集中的点x都将被分配给一个基于质心ci的类簇中。
其中,dist()是2范数下的欧几里德距离。
步骤23:质心更新
在此步骤中,通过计算所有数据点的均值对质心进行更新,如式(4):
不断对步骤1和步骤2进行迭代,直到没有数据点改变类簇,簇中每个数据点到质距离的总和达到最小,或者达到最大迭代次数,如图2所示。
步骤3:选取待预测日期的24个时间点(前2个小时)的短时交通流量作为状态向量,将这24个时间点的短时交通流量与步骤2得到的短时交通流量模式库中的短时交通流量的欧式距离作为衡量数据相似性的指标。
步骤31:计算2018年1月1日0点至2018年1月30日24点区间内得全部数据点与2018年1月31日0点前24个时刻得数据之间得欧氏距离。
步骤32:从小到大排列计算得到的2018年1月31日0点前24个时刻欧氏距离。
步骤33:确定并选取与未知样本距离最小的N个样本点(实施应用例中选择范围为[3-7])。
步骤34:统计出所选N个点所属类别的出现频率,本实施例中选取N=5。
步骤35:将出现频率最高的类别作为当前样点的类别。
步骤4:选取与2018年1月31日的交通流量模式最为相似的类别中的数据,作为GRU网络的训练数据,然后利用所设计的GRU网络进行预测。
所述的GRU网络包括1层输入层、3层GRU单元层、1层dropout层和1层输出层,结构如图3所示。该GRU预测模型结构采用堆栈式结构,多层架构能够对数据进行更深层次的表达。如图4.5所示,gru_1_input:InputLayer中的input的3个参量none、12、1表示的是网络的输入层的输入数据的样本数、时间步长和变量维数,上一层的output的参量必须与下一层input的参量维数相同。3层GRU网络后连接的Dropout层(参数取值范围为0-0.2)是为了减小GRU网络的过拟合,最后的Dense(全连接)层把GRU输出的多维数据转换成一维输出。
GRU网络的超参数设置如表1所示。
表1 GRU网络超参数设置
图4为利用该方法的预测结果图,其中蓝色实线表示实际短时交通流量,橙色实线表示预测值。
图5为KMeans-GRU模型、传统GRU网络模型、ARIMA模型和SAEs模型的误差对比图。
KMeans-GRU预测模型的预测结果与传统GRU网络模型、ARIMA模型和SAEs模型的误差对比如表2:
表2模型的评价指标对比表
Claims (3)
1.一种短时交通流量预测模型构建方法,其特征在于,按下列步骤实施:
步骤1,获取一段时间内的交通流量数据,得到交通流量数据集;对得到的交通流量数据集进行预处理,得到预处理后的交通流量数据集;
步骤1.1:对于输入的短时交通流量历史数据,首先判定是否为空值,如果是空值执行删除操作,若一天中的交通流量数据空值占比大于20%,则删除整填的交通流量数据;
步骤1.2:如果不为空值,根据式(1)判断是否为异常数据;
其中,q表示短时交通流量,C表示道路通行能力最大值,T表示流量数据采集时间间隔,fc表示修正系数;
若为异常数据,先删除然后利用前一个值与后一个值的均值进行插补;
步骤1.3:min-max归一化方法对短时交通流量数据进行处理,如式(2):
其中,Xi表示第i个样本值,Xi′表示第i个样本的归一化值,Xmax表示样本中的最大值,Xmin表示样本中的最小值;
步骤2,对步骤1得到的预处理后的交通流量数据集中的数据以K-Means算法进行聚类,得到短时交通流量模式类别,并建立短时交通流量模式库;
步骤2.1:首先选取K个点作为初始聚类中心,K的取值范围为2~7;
步骤2.2:分配预处理后的交通流量数据集中的数据;
每个质心定义一个簇;在此步骤中,利用基于2范数的欧几里德距离计算数据点之间的距离,将每个数据点分配到距其距离最近的质心,如下式(3)所示;如果ci是集合C中的一个质心集合,则数据集中的点x都将被分配给一个基于质心ci的类簇中;
其中,dist()是2范数下的欧几里德距离;
步骤2.3:质心更新
在此步骤中,通过计算所有数据点的均值对质心进行更新,如下式(4):
不断对步骤1和步骤2进行迭代,直到没有数据点改变类簇,簇中每个数据点到质距离的总和达到最小,或者达到最大迭代次数;
步骤3,确定预测日期,获取该预测日期的前N个时刻的短时交通流量数据,依次确定N个时刻短时交通流量模式的特征向量,利用分类方法分别确定N个时刻特征向量对应的短时交通流量模式,选取N个时刻对应的短时交通流量模式出现频率最高的流量模式所对应的交通流量数据组成训练的数据集;
步骤4,利用GRU神经网络模型训练步骤3形成的训练的数据集,训练完成后得到短时交通流量预测模型;
所述的GRU神经网络模型采用堆栈式结构,包括依次连接的输入层、第一GRU单元层、第二GRU单元层和第三GRU单元层,且第三GRU单元层后连接有用于防止过拟合的dropout层;
所述的GRU网络模型的参数设置包括:预测步长8、隐层神经元个数12、学习率0.02和迭代次数800。
2.如权利要求1所述的短时交通流量预测模型构建方法,其特征在于,步骤1中所述预处理包括数据删除、数据插补、数据去噪和归一化。
3.一种短时交通流量预测方法,其特征在于,所述方法包括以下步骤:
步骤1、获得待预测交通流量数据集并进行预处理,得到得到预处理后的待预测交通流量数据集;
步骤2、将所述的预处理后的待预测交通流量数据集输入至权利要求1或2所述的短时交通流量预测模型构建方法获得的短时交通流量预测模型中,获得待预测短时交通流量类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010628317.5A CN111882114B (zh) | 2020-07-01 | 2020-07-01 | 一种短时交通流量预测模型构建方法及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010628317.5A CN111882114B (zh) | 2020-07-01 | 2020-07-01 | 一种短时交通流量预测模型构建方法及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882114A CN111882114A (zh) | 2020-11-03 |
CN111882114B true CN111882114B (zh) | 2023-10-31 |
Family
ID=73149869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010628317.5A Active CN111882114B (zh) | 2020-07-01 | 2020-07-01 | 一种短时交通流量预测模型构建方法及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882114B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561188A (zh) * | 2020-12-22 | 2021-03-26 | 广州杰赛科技股份有限公司 | 一种人流量预测方法和装置 |
CN113763700B (zh) * | 2021-04-26 | 2022-09-20 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
CN114255591A (zh) * | 2021-12-17 | 2022-03-29 | 重庆中信科信息技术有限公司 | 考虑时空相关性的短时交通流预测方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013128486A1 (ja) * | 2012-02-29 | 2013-09-06 | 株式会社 日立製作所 | 交通量予測システム |
CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
CN106875511A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于自编码正则化网络学习驾驶风格的方法 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN109711640A (zh) * | 2019-01-23 | 2019-05-03 | 北京工业大学 | 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
-
2020
- 2020-07-01 CN CN202010628317.5A patent/CN111882114B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013128486A1 (ja) * | 2012-02-29 | 2013-09-06 | 株式会社 日立製作所 | 交通量予測システム |
CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
CN106875511A (zh) * | 2017-03-03 | 2017-06-20 | 深圳市唯特视科技有限公司 | 一种基于自编码正则化网络学习驾驶风格的方法 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN109711640A (zh) * | 2019-01-23 | 2019-05-03 | 北京工业大学 | 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
Non-Patent Citations (3)
Title |
---|
Cluster-Based LSTM Network for Short-Term Passenger Flow Forecasting in Urban Rail Transit;Jinlei Z.等;IEEE Access;全文 * |
城市交通重大事件的客流预测实验设计与实现;徐秀娟;张文轩;陈谆悦;赵小薇;许真珍;;实验室科学(第01期);全文 * |
基于深度学习的交通流量预测;刘明宇 等;***仿真学报;第4100-4114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111882114A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN108388962B (zh) | 一种风电功率预测***及方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN110163429A (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN110619419A (zh) | 城市轨道交通的客流预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN112330052A (zh) | 一种配变负荷预测方法 | |
CN113657671A (zh) | 一种基于集成学习的航班延误预测方法 | |
CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN116341929A (zh) | 一种基于聚类和自适应梯度提升决策树的预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |