CN112382081A - 一种基于多任务的交通流量预测方法 - Google Patents
一种基于多任务的交通流量预测方法 Download PDFInfo
- Publication number
- CN112382081A CN112382081A CN202011058017.4A CN202011058017A CN112382081A CN 112382081 A CN112382081 A CN 112382081A CN 202011058017 A CN202011058017 A CN 202011058017A CN 112382081 A CN112382081 A CN 112382081A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic flow
- time
- highway section
- graph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000547 structure data Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000002864 sequence alignment Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005406 washing 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多任务的交通流量预测方法,涉及数据挖掘领域。本发明包括如下步骤:S1、设置若干个高速路段监测点,并获取各个高速路段监测点的历史交通流量数据;S2、将获取的历史交通流量数据时序对准,并进行数据清洗及数据预处理;S3、构建用于表示各个高速路段监测点之间的时空依赖关系图像,并得出图数据;S4、将得出的图数据按照时序输入多任务模型中,并预测未来交通路网的交通流量及行程时间。本发明具有能够提升交通流量预测精度能力和提高数据利用效率的特点。
Description
技术领域
本发明涉及数据挖掘领域,尤其是涉及一种基于多任务的交通流量预测方法。
背景技术
交通流量及行程时间预测对于交通管理平台十分重要,它能够帮助交通管理平台更好地完成车辆的空间调度。目前,人们在对交通流量及行程时间进行预测时,通常会把以上这两个问题分别视作一个任务,采用的方法是一次学习一个任务,然后再把这些学习任务组合起来,但是上述做法忽略了交通流量及行程时间之间的高度相关性,进而影响对交通流量及行程时间预测的结果精度,同时也降低了交通管理的效率。
因此,涉及一种基于多任务的交通流量预测方法就显得十分必要。
发明内容
本发明是为了克服现有技术中,传统的交通需求预测方法,由于忽略了交通流量及行程时间之间的高度相关性,进而影响对交通流量及行程时间预测的结果精度,同时也降低了交通管理效率的问题,提供了一种能够提升交通流量预测精度能力和提高数据利用效率的基于多任务的交通流量预测方法。
为实现上述目的,本发明采用以下技术方案:
本发明提供了一种基于多任务的交通流量预测方法,包括如下步骤:
S1、设置若干个高速路段监测点,并获取各个高速路段监测点的历史交通流量数据;S2、将获取的历史交通流量数据时序对准,并进行数据清洗,按设定的间隔时间分别进行累加合并,得到各个设定间隔时间的交通流量数据,并划分为训练数据集、验证数据集和测试数据集;S3、构建用于表示各个高速路段监测点之间的时空依赖关系图像,并得出图数据;S4、将得出的图数据按照时序输入多任务模型中,所述多任务模型包括时空图卷积网络模块和多任务学习模块,训练后多任务模型预测未来交通路网的交通流量及行程时间。
可选的,所述设置若干个高速路段监测点,并获取各个高速路段监测点的历史交通流量数据,如:车道占用率、各车道车辆数目、各车道车辆通行信息等数据,包括如下步骤:
确定高速路段监测点的具体数量,根据预测目标,从监测到的交通数据中提取所需的数据,并得到第i个高速路段监测点的时序数据i∈[1,N],作为历史交通流量数据用于反映该历史时期内高速路段的交通状况;其中j∈[1,M]代表第j个时段在时序上的数据。
可选的,步骤S2还包括如下步骤:
S21、将时序对准后的历史交通流量数据,清洗其中的缺失值、异常值及错误记录;S22、将清洗后的历史交通流量数据按设定的间隔时间进行合并,同时进行归一化处理。
可选的,步骤S22还包括如下步骤:
S221、将各个高速路段监测点采集的并清洗后的历史交通流量数据,按设定的间隔时间分别进行累加合并,得到各个设定间隔时间的交通流量数据;
S222、选取出各个设定间隔时间的交通流量数据中最大的交通流量值,并将各个设定间隔时间的交通流量数据与所述最大的交通流量值的比值,作为归一化处理后的交通流量数据集。
可选的,步骤S3还包括如下步骤:
S31、将每个高速路段监测点视作节点,根据各个高速路段监测点之间的路网距离构建图像;S32、将步骤S222中处理得到的各监测点交通数据作为图节点顶点集数据,同时将邻接矩阵作为图中边集并存储为图结构数据,所述图结构数据即作为高速交通数据;路网的邻接矩阵通过交通网络中的监测站的距离来计算,带权邻接矩阵W通过以下公式计算:
其中wij是边的权重,通过dij得到,也就是第i个高速路段监测点和第j个高速路段监测点之间的距离,σ2和ò是来控制矩阵W的分布和稀疏性的阈值。
可选的,所述时空图卷积网络模块,包括两个时空卷积块和一个连接在末尾的全连接输出层来;每个时空卷积块均包括两个时间门卷积层,所述两个时间门卷积层中间设有一个空间图卷积层。
可选的,所述多任务学习模块,包括一个共享隐藏层,用于对于不同的交通流量需求预测任务。多任务学习模块能够同时分别保留各任务的输出层的方式,实现多任务学习。
因此,本发明具有如下有益效果:
(1)本申请在时空建模上采用图结构,图节点联系上采用邻接矩阵W刻画,能够构建起非相邻监测点间的关系;而非已发表专利中仅构建起相邻监测点间联系。本发明引入多任务学习思想,添加多任务学习层,利用网络中的共享权重,提供了更加精确的预测结果,同时也提高了数据的利用效率;
(2)本发明将时空图卷积网络用于交通流量及行程时间预测,通过学习时空相关性来提高预测结果的精度;交通空间模型上,本专利中用空间图卷积层提取空间特征的模型;交通时序上,相比现有的RNN考虑相邻两个时间点上的关系;而时间门卷积则采用卷积运算方式提取两个及以上时间点间联系。
(3)本发明预测模型能够实现对交通路网的交通流量及行程时间进行预测,在出行规划、交通管理等领域都具有广阔的应用前景。
附图说明
图1为本发明中提供的一种基于多任务的交通流量预测方法流程图。
图2为本发明多任务模型的结构图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述:
如图1所示,本发明提供了一种基于多任务的交通流量预测方法,包括如下步骤:
S1、设置若干个高速路段监测点,并获取各个高速路段监测点的历史交通流量数据。以高速交通流量数据为例,具体的,根据步骤S1所述,选定高速路段监测点的具体数量,根据预测目标,从各个高速路段监测点获取的高速交通数据中提取所需数据,作为历史交通流量数据,历史交通流量数据为特定高速路段监测点或路段上在一定间隔时间内经过的,如:车道占用率、各车道车辆数目、各车道车辆通行信息等数据。确定高速路段监测点的具体数量N,根据预测目标,从监测到的交通数据中提取所需的数据,并得到第i个高速路段监测点的时序数据i∈[1,N],作为历史交通流量数据;其中j∈[1,M]代表第j个时段在时序上的数据。
S2、将获取的历史交通流量数据时序对准,并进行数据清洗,按设定的间隔时间分别进行累加合并,得到各个设定间隔时间的交通流量数据,并划分为训练数据集、验证数据集和测试数据集。具体的,步骤S2还包括如下步骤:
S21、将时序对准后的历史交通流量数据,清洗其中的缺失值、异常值及错误记录;数据清洗后,使用线性插值方法来填补缺失值。
S22、将清洗后的历史交通流量数据按设定的间隔时间进行合并,同时进行归一化处理。所述设定的间隔时间可以根据实际预测需求进行制定。
步骤S22又还包括如下步骤:
S221、将各个高速路段监测点采集的并清洗后的历史交通流量数据,按设定的间隔时间分别进行累加合并,得到各个设定间隔时间的交通流量数据;
S222、选取出各个设定间隔时间的交通流量数据中最大的交通流量值,并将各个设定间隔时间的交通流量数据与所述最大的交通流量值的比值,作为归一化处理后的交通流量数据集。
归一化的交通流数据集划分为训练数据集、验证数据集和测试数据集。该数据集同时兼顾时序信息和空间信息,具体的,将全部交通流量数据的60%作分为训练数据集,30%作为验证数据集,剩余的10%作为测试数据集。
S3、构建用于表示各个高速路段监测点之间的时空依赖关系图像,并得出图数据;具体的,步骤S3还包括如下步骤:
S31、将每个高速路段监测点视作节点,根据各个高速路段监测点之间的路网距离构建图;具体的,设定历史交通流量数据的间隔为5分钟,选定高速路段监测点的具体数量为288个,则288个监测站路网中的每个顶点每天就有288个数据点。通过核对相关性以及每条路的方向和OD(origin-destination)点,环路***可以被数值化成一个有向图。
S32、将步骤S222中处理得到的各监测点交通数据作为图节点顶点集数据,同时将邻接矩阵作为图中边集并存储为图结构数据,所述图结构数据即作为高速交通数据。
路网的邻接矩阵通过交通网络中的监测站的距离来计算。带权邻接矩阵W通过以下公式计算:
其中wij是边的权重,通过dij得到,也就是第i个高速路段监测点和第j个高速路段监测点之间的距离。σ2和ò是来控制矩阵W的分布和稀疏性的阈值,上述公式中设定σ2为10,ò为0.5。该W矩阵用于表征各个节点在空间上的联系程度。
S4、将得出的图数据按照时序输入多任务模型中,所述多任务模型包括时空图卷积网络模块和多任务学习模块,训练后多任务模型预测未来交通路网的交通流量及行程时间。
该步骤中,多任务模型包括时空图卷积网络模块和多任务学习模块。时空图卷积网络模块,包括两个时空卷积块和一个连接在末尾的全连接输出层来;每个时空卷积块均包括两个时间门卷积层,所述两个时间门卷积层中间设有一个空间图卷积层。
通过空间图卷积操作对图结构输入数据的空间特征进行建模,再用标准二维卷积捕获时间维特征,并用线性修正单元激活函数,经过一层时间维卷积之后,图节点的信息被该图节点相邻时间片信息更新,而图节点及其相邻时间片信息在经过图卷积操作后已包含其相邻图节点同时刻的信息。
因此,通过一层时空卷积操作之后,就会捕获到数据的时间维和空间维特征以及时空相关性。使用多层时空卷积,以提取时空维上更远的信息,再通过全连接操作使时空卷积的结果与预测目标维数一致,全连接模块同样使用线性修正单元作为激活函数。
多任务模型中的多任务学习模块,包括一个共享隐藏层,用于进一步提取由时空图卷积网络模块所得到的时空依赖关系预测以表征不同交通任务——交通流量任务和行程时间预测任务——间的各自相关特征及不同任务间相互作用。在多任务学习模块中分别保留各任务的输出层用于接收来自共享隐藏层所提取的信息并分别给出不同交通问题的预测,实现多任务学习。多任务模型选择均方误差作为损失函数用于梯度下降算法训练模型。
通过在所有任务之间共享隐藏层,同时保留几个特定任务的输出层来实现。将时空图卷积网络用于交通流量及行程时间预测,通过多任务学习使学习时空相关性来提高预测结果的精度,其有效性在于
(1)多人相关任务放在一起学习,有相关的部分,但也有不相关的部分。当学习一个任务(Main task)时,与该任务不相关的部分,在学习过程中相当于是噪声,因此,引入噪声可以提高学习的泛化(generalization)效果。
(2)单任务学习时,梯度的反向传播倾向于陷入局部极小值。多任务学习中不同任务的局部极小值处于不同的位置,通过相互作用,可以帮助共享隐藏层逃离局部极小值。
(3)添加的任务可以改变权值更新的动态特性,可能使网络更适合多任务学习。比如,多任务并行学习,提升了共享隐藏层的学习速率,可能,较大的学习速率提升了学习效果。
(4)多个任务在浅层共享表示,可能削弱了网络的能力,降低网络过拟合,提升了泛化效果。
未来交通状况的预测是一个多任务的问题。在本发明的结构中,这些任务一起训练并通过后向传播调节参数,因此每个任务会得到一个更加精确的结果。
本发明通过引入多任务学习思想,添加多任务学习层,利用网络中的共享权重,来提高数据的利用效率;本发明还将时空图卷积网络用于交通流量及行程时间预测,通过学习时空相关性来提高预测结果的精度。1、该学习层可选用全连接神经网络用于得到时空依赖关系中反映所求解问题的特征。
2.一次学习一个任务可能无法考虑到任务间的互相影响,同时学习多个任务,辅助任务可以帮助改善主任务的学习性能。未来交通路网的交通流量及行程时间的预测是相辅相成的。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种基于多任务的交通流量预测方法,其特征在于,包括如下步骤:
S1、设置若干个高速路段监测点,并获取各个高速路段监测点的历史交通流量数据;
S2、将获取的历史交通流量数据时序对准,并进行数据清洗,按设定的间隔时间分别进行累加合并,得到各个设定间隔时间的交通流量数据,并划分为训练数据集、验证数据集和测试数据集;
S3、构建用于表示各个高速路段监测点之间的时空依赖关系图像,并得出图数据;
S4、将得出的图数据按照时序输入多任务模型中,所述多任务模型包括时空图卷积网络模块和多任务学习模块,训练后多任务模型预测未来交通路网的交通流量及行程时间。
3.根据权利要求1所述的基于多任务的交通流量预测方法,其特征在于,所述步骤S2还包括如下步骤:
S21、将时序对准后的历史交通流量数据,清洗其中的缺失值、异常值及错误记录;
S22、将清洗后的历史交通流量数据按设定的间隔时间进行合并,同时进行归一化处理。
4.根据权利要求3所述的基于多任务的交通流量预测方法,其特征在于,所述步骤S22还包括如下步骤:
S221、将各个高速路段监测点采集的并清洗后的历史交通流量数据,按设定的间隔时间分别进行累加合并,得到各个设定间隔时间的交通流量数据;
S222、选取出各个设定间隔时间的交通流量数据中最大的交通流量值,并将各个设定间隔时间的交通流量数据与所述最大的交通流量值的比值,作为归一化处理后的交通流量数据集。
6.根据权利要求1所述的基于多任务的交通流量预测方法,其特征在于,所述时空图卷积网络模块,包括两个时空卷积块和一个连接在末尾的全连接输出层来;每个时空卷积块均包括两个时间门卷积层,所述两个时间门卷积层中间设有一个空间图卷积层。
7.根据权利要求1所述的基于多任务的交通流量预测方法,其特征在于,所述多任务学习模块,包括一个共享隐藏层,用于对于不同的交通流量需求预测任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058017.4A CN112382081A (zh) | 2020-09-30 | 2020-09-30 | 一种基于多任务的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058017.4A CN112382081A (zh) | 2020-09-30 | 2020-09-30 | 一种基于多任务的交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112382081A true CN112382081A (zh) | 2021-02-19 |
Family
ID=74580891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011058017.4A Pending CN112382081A (zh) | 2020-09-30 | 2020-09-30 | 一种基于多任务的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112382081A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905856A (zh) * | 2021-05-08 | 2021-06-04 | 浙江高速信息工程技术有限公司 | 一种具有时空依赖的高速交通数据集的构建方法 |
CN113470352A (zh) * | 2021-06-17 | 2021-10-01 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测***及方法 |
CN114358159A (zh) * | 2021-12-27 | 2022-04-15 | 国网上海市电力公司 | 一种基于图时空神经网络的变压器故障预测方法 |
CN116884215A (zh) * | 2023-07-14 | 2023-10-13 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测***、方法及模型训练方法 |
CN111081010A (zh) * | 2018-10-18 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 一种交通流量或旅行时间的预测方法和设备 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
CN111653088A (zh) * | 2020-04-21 | 2020-09-11 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和*** |
-
2020
- 2020-09-30 CN CN202011058017.4A patent/CN112382081A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111081010A (zh) * | 2018-10-18 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 一种交通流量或旅行时间的预测方法和设备 |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测***、方法及模型训练方法 |
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 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
CN111653088A (zh) * | 2020-04-21 | 2020-09-11 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和*** |
Non-Patent Citations (1)
Title |
---|
ZHANG KUNPENG ET AL: "A Multitask Learning Model for Traffic Flow and Speed Forecasting", 《IEEE ACCESS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905856A (zh) * | 2021-05-08 | 2021-06-04 | 浙江高速信息工程技术有限公司 | 一种具有时空依赖的高速交通数据集的构建方法 |
CN113470352A (zh) * | 2021-06-17 | 2021-10-01 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测***及方法 |
CN113470352B (zh) * | 2021-06-17 | 2022-10-21 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测***及方法 |
CN114358159A (zh) * | 2021-12-27 | 2022-04-15 | 国网上海市电力公司 | 一种基于图时空神经网络的变压器故障预测方法 |
CN116884215A (zh) * | 2023-07-14 | 2023-10-13 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
CN116884215B (zh) * | 2023-07-14 | 2024-05-31 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
CN112330215B (zh) | 一种城市用车需求量预测方法、设备及存储介质 | |
CN111009129B (zh) | 基于时空深度学习模型的城市道路交通流预测方法及装置 | |
CN111210633A (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN112766597B (zh) | 公交客流预测方法及*** | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN112150207A (zh) | 基于时空上下文注意力网络的网约车订单需求预测方法 | |
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 | |
CN113326974B (zh) | 一种基于多任务超图卷积网络的多源交通流预测方法 | |
US20240054321A1 (en) | Traffic prediction | |
CN111639791A (zh) | 交通流预测方法、***、存储介质及终端 | |
CN114287022A (zh) | 多步交通预测 | |
CN115440032A (zh) | 一种长短期公共交通流量预测方法 | |
Kuang et al. | Intelligent traffic signal control based on reinforcement learning with state reduction for smart cities | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
CN116307293B (zh) | 一种基于混杂感知与因果去偏的城市时空数据预测方法 | |
CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
Alecsandru et al. | Hybrid model-based and memory-based traffic prediction system | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN114169659A (zh) | 一种犯罪时空风险预测及决策调度方法和装置 | |
CN117116045A (zh) | 一种基于时空序列深度学习的交通流量预测方法及装置 | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |