CN112687102A - 基于知识图谱和深度时空卷积的城域交通流量预测方法 - Google Patents
基于知识图谱和深度时空卷积的城域交通流量预测方法 Download PDFInfo
- Publication number
- CN112687102A CN112687102A CN202011537038.4A CN202011537038A CN112687102A CN 112687102 A CN112687102 A CN 112687102A CN 202011537038 A CN202011537038 A CN 202011537038A CN 112687102 A CN112687102 A CN 112687102A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- stgcn
- space
- network model
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于知识图谱和深度时空卷积的城域交通流量预测方法。本发明采用时空图卷积神经网络进行交通流量预测，相比传动的预测方法，将时间和空间进行强关联，提高了交通流量预测的准确性；本发明没有采用常规的卷积和递归单位，而是在图上建立问题，并建立具有完整卷积结构的模型，使得可以用更少的参数带来更快的训练速度，极大了降低了交通流量预测的算力需求；本发明将路网产生的新数据加入到训练集中，不断对模型进行迭代优化，提升模型性能。
Description
技术领域
本发明涉及交通预测领域，涉及一种基于知识图谱和深度时空卷积的城域交通流量预测方法
背景技术
道路的交通流量预测由于交通的随机性较大，受各种事件影响大等原因而十分困难，并且尤其在城市主要干路上预测困难的问题格外突出。这些都为相关部门提前部署，进行预警准备等带来了困难。
目前在实际层面主要是通过早晚高峰、重大事件等进行粗层面的管理，缺乏量化的标准与方法，因此在面对一些突发性的交通拥堵等时往往反应过慢。
常规方法在进行交通流量预测往往仅从时间层面上考虑，忽略了各路口之间在空间上的关联性，虽然有些方法将路网的时空信息应用于交通流量预测，但是大量的时空数据信息也带来了大量的算力消耗问题。
发明内容
本发明针对现有技术的不足，提供了一种基于知识图谱和深度时空卷积的城域交通流量预测方法。
本发明解决技术问题所采取的技术方案为：
本发明利用埋地线圈收集到的复杂数据，进行整理融合之后，通过时空图卷积神经网络进行特征学习，从而利用以往的交通情况预测未来的交通量变化，包括以下步骤：
A)数据清洗
1、提取有效信息
提取出有助于后续预测的数据，包括路段ID、路段名称、车道方向、车道号、采集时间、平均速度和过车数。
其中路段ID、路段名称和车道方向，用于建立道路的相互对应关系，以便于在预测结束后及时对应到道路。
采集时间为车道数据融合及数据清洗提供时间点参照。
平均速度和过车数为时空图卷积神经网络训练的数据输入。
2、车道融合
将同一路段同一方向的不同车道数据进行融合，融合按照以下方式进行：
1)确定当前时间点；
2)确定当前路段ID；
3)如果当前时间点与路段ID只对应一条记录，那么跳过融合；否则将这几条记录合并为一条，删除车道号属性；
4)遍历所有时间点与路段ID。
3、时间插值融合及清洗，具体如下：
1)将每天的6:00-23:00生成时间戳，使得每一个以秒为单位的时间点对应一个大于0的整数，并且任意两个相差1秒的时间点的时间戳相差为1；
2)按照5分钟间隔取出数据，收集时间中的时间戳，记为标准时间戳序列；
3)对于每一个数据，如果其收集时间对应的时间戳在标准时间戳序列中，或者差距在5秒以内，那么保留这条数据，否则将之移动到待删除区；
4)对于每一个路段和标准时间戳，如果没有对应的记录保存下来，那么到待删除区，找出所有路段相同，收集时间与这个时间戳相差5分钟以内的数据，进行车道融合之后返回到数据之中。
5)删除所有待删除区的数据。
B)采用时空图卷积神经网络进行交通状态预测
所述的时空图卷积神经网络包括
数据预处理、
STGCN网络模型构建、
STGCN网络模型训练
STGCN网络模型优化四部分，以
中所述网络模型进行建模，使用
中的数据集进行训练，训练至其输出的loss值低于一个预设阈值后停止。得到上述可靠的STGCN网络模型后，将当前交通数据输入，就能得到待预测的未来一段时间内的交通状态。同时将当前交通数据更新到训练集中，并对STGCN网络模型不断优化。
将清洗后的数据合并成为一个数据矩阵，数据矩阵是以每5分钟为时间间隔，每天的6:00-23:00时间段内共计204个，并根据n个路口的连接关系构建出一个路口的邻接矩阵，并将连续一个半月的数据合并成为一组数据矩阵，作为数据集和测试集用于STGCN网络的训练。
所述STGCN网络模型包括两个时空卷积块和一个在此之后的全连接层。
所述时空卷积块包括两个时间门卷积层和一个空间门卷积层。STGCN网络模型的输入由时空卷积块统一处理，以便时空的连续性。综合特征由一个最后的全连接层集成以生成最终预测。
其中中间的空间门卷积层桥接两个时间门卷积层，实现从图卷积到时间卷积的高速空间状态传输。此外，在每个时空卷积块中使用归一化来防止过度拟合。
将
中得到的数据重新整合到一个大的矩阵数据，将其作为STGCN网络模型的数据集放入STGCN网络模型中去训练，并使用其自身作为测试集进行测试，最终得到训练完成的STGCN网络模型。
将
中训练完成的STGCN网络模型应用于实际路网中进行交通流量预测，同时，将路网产生的新数据按照
中数据预处理的方式将新数据处理后加入到训练集中，不断对模型进行迭代优化，提升模型性能。
本发明的有益效果：本发明采用时空图卷积神经网络进行交通流量预测，相比传动的预测方法，将时间和空间进行强关联，提高了交通流量预测的准确性；本发明没有采用常规的卷积和递归单位，而是在图上建立问题，并建立具有完整卷积结构的模型，使得可以用更少的参数带来更快的训练速度，极大了降低了交通流量预测的算力需求；本发明将路网产生的新数据加入到训练集中，不断对模型进行迭代优化，提升模型性能。
附图说明
图1为数据清洗流程图；
图2为车道融合流程图；
图3为时间插值流程图；
图4为时间插值流程续图；
图5为时间序列预测图；
图6为STGCN网络结构图。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明主要利用数据融合和时空图卷积神经网络(STGCN网络)进行交通预测的方法，本质上是利用埋地线圈收集到的复杂数据，进行必要的整理融合之后通过STGCN网络进行特征学习，从而可以利用以往的交通情况预测未来的交通量变化，具体包括以下步骤：
A)数据清洗，见图1
埋地线圈收集到的数据以csv形式存储，纵轴是时间，以1分钟为单位；横轴是交通量和属性，具体收集的参数包括：
1、提取有效信息，见图2
提取出有助于后续预测的数据，包括路段ID、路段名称、车道方向、车道号、采集时间、平均速度和过车数。
其中路段ID、路段名称和车道方向，用于建立道路的相互对应关系，以便于在预测结束后及时对应到道路。
其中采集时间为车道数据融合及数据清理提供时间点参照。
其中平均速度和过车数为STGCN网络模型训练的数据输入。
这之后对于数据进行初步的清洗，这是由于埋地线圈可能存在错误记录的情况。具体方法为扫描所有记录，删除其中明显不合理的记录，包括速度(SPEED)为0和占有率(OCCUPANCY)超过1。
2.车道融合，见图3
原数据中每条路的每一个车道都进行了单独的统计，为了简化后续运算将同一路段同一方向的不同车道数据进行融合。融合按照以下方式进行：
1)确定当前时间点(COLLECTIONTIME)；
2)确定当前路段ID(SECTIONID)；
3)如果当前时间点与路段只对应一条记录，那么跳过融合步骤；否则将这几条记录合并为一条，删除车道号属性。其他属性融合方法如下：
a.速度(SPEED)，占有率(OCCUPANCY)，流量(VOLUME)取所有记录的平均值。
b.过车辆(COMMCOUNT)取所有记录的加和。
4)遍历所有时间点与路段ID。
3、时间插值融合及清洗，见图3和图4。
在现实应用中，往往不需要过于时间细粒度的预测，也不需要再深夜进行预测，因此线圈提供的全天1分钟间隔数据可能会导致数据冗余的问题。因此只需要考虑每天早上6:00-23:00的五分钟间隔的数据。但是可以利用冗余的数据来填补线圈可能产生的错误数据，即步骤1中删除的数据。具体方法如下：
1)将每天的6:00-23:00生成时间戳，使得每一个时间点(以秒为单位)对应一个大于0的整数，并且任意两个相差1秒的时间点的时间戳相差为1；
2)按照5分钟间隔取出数据收集时间中的时间戳，记为标准时间戳序列；
3)对于每一个数据，如果其收集时间(COLLECTIONTIME)对应的时间戳在标准时间戳序列中，或者差距在5秒以内，那么保留这条数据，否则将之移动到待删除区；
4)对于每一个路段(SECTIONID)和标准时间戳，如果没有对应的记录保存下来，那么到待删除区，找出所有路段(SECTIONID)相同，收集时间(COLLECTIONTIME)与这个时间戳相差5分钟以内的数据，按照2中方法进行融合之后返回到数据之中；
5)删除所有待删除区的数据。
B)采用STGCN网络进行数据预测
针对交通领域时间序列上的状态预测问题，本发明使用一种新的深度学习框架STGCN网络。本发明不采用常规的卷积和递归单位，而是在图上建立问题，并建立具有完整卷积结构的模型。
所述的STGCN网络包括
数据预处理、
STGCN网络模型构建、
STGCN网络模型训练
STGCN网络模型优化四部分，以
中所述网络模型进行建模，使用
中数据集进行训练，训练至其输出的loss值低于一个预设阈值后停止。得到上述可靠的STGCN网络模型后，将当前交通数据输入，就可以得到待预测的未来一段时间内的交通状态。同时将当前交通数据更新到训练集中，并对STGCN网络模型不断优化。
交通预测是一个典型的时间序列预测问题，见图5，即根据交通网络先前的M观测，预测下一个H时间步最可能的交通量测量值(如速度或交通流量)，即
每一个
都表示时间步骤t时当前交通的状态，记录在一个数据矩阵中。
在此问题中，本发明使用步骤A中得到的数据，将其合并成为一个数据矩阵，数据矩阵是以每5分钟为时间间隔，每天的6:00-23:00时间段内共计204个，并根据n个路口的连接关系构建出一个路口的邻接矩阵，并将这连续一个半月的数据合并成为一组数据矩阵，作为数据集和测试集用于STGCN网络的训练。
STGCN网络的框架包括两个时空卷积层(ST-Conv)和一个在此之后的全连接层。每个ST-Conv包括两个时间门卷积层和一个空间门卷积层。输入由ST-Conv统一处理，以便时空的连续性，综合特征由一个最后的全连接层集成以生成最终预测。
如图6所示，中间的空间门卷积层桥接两个时间门卷积层，可以实现从图卷积到时间卷积的快速空间状态传播。此外，在每个ST-Conv块中使用归一化来防止过度拟合。
ST-Conv的输入和输出全是3D的向量。对于l时间点的输入
其中，M表示道路图的帧数，C代表特征维度，则下一个时间点l+1的输出为
其中本发明使用了一个宽度为Kl的卷积来提取Kl-1的时间特征，则vl+1由以下式子计算得到：
其中
和
分别是kernel内的前后时间核；θl是图卷积的谱核；RELU(·)表示线性单位函数。
在堆叠2个ST-Conv块之后，在末尾附加一个具有完全连接层的额外时间卷积层作为输出层。时间卷积层将最后一个ST-Conv块的输出映射为单步预测。然后，可以从模型中获得Z∈Rn×C，并通过在c信道上应用线性变换，用于n个路口的速度预测，公式如下：
v＝Zw+b
其中w是一个权重向量，b是一个偏差。
使用L2范数损失来衡量上述模型的性能。因此，STGCN网络对交通量预测的损失函数可以表示为：
其中，Wθ为模型中训练的参数，
为模型预测，vt+1为下一时刻的真实值。
将第一步中得到的数据重新整合到一个大的矩阵数据，将其作为STGCN网络的数据集放入STGCN网络中去训练，并使用其自身作为测试集进行测试，最终得到了训练完成的STGCN网络。
将
中训练完成的STGCN网络模型应用于实际路网中进行交通流量预测，同时，将路网产生的新数据按照
中数据预处理的方法将新数据处理后加入到训练集中，不断对模型进行迭代优化，提升模型性能。
Claims (4)
1.基于知识图谱和深度时空卷积的城域交通流量预测方法，利用埋地线圈收集到的复杂数据，进行整理融合之后，通过时空图卷积神经网络进行特征学习，从而利用以往的交通情况预测未来的交通量变化，其特征在于包括以下步骤：
A)数据清洗
1、提取有效信息
提取出有助于后续预测的数据，包括路段ID、路段名称、车道方向、车道号、采集时间、平均速度和过车数；
2、车道融合
将同一路段同一方向的不同车道数据进行融合，融合按照以下方式进行：
1)确定当前时间点；
2)确定当前路段ID；
3)如果当前时间点与路段ID只对应一条记录，那么跳过融合；否则将这几条记录合并为一条，删除车道号属性；
4)遍历所有时间点与路段ID；
3、时间插值融合及清洗，具体如下：
1)将每天的6:00-23:00生成时间戳，使得每一个以秒为单位的时间点对应一个大于0的整数，并且任意两个相差1秒的时间点的时间戳相差为1；
2)按照5分钟间隔取出数据，收集时间中的时间戳，记为标准时间戳序列；
3)对于每一个数据，如果其收集时间对应的时间戳在标准时间戳序列中，或者差距在5秒以内，那么保留这条数据，否则将之移动到待删除区；
4)对于每一个路段和标准时间戳，如果没有对应的记录保存下来，那么到待删除区，找出所有路段相同，收集时间与这个时间戳相差5分钟以内的数据，进行车道融合之后返回到数据之中；
5)删除所有待删除区的数据；
B)采用时空图卷积神经网络进行交通状态预测
所述的时空图卷积神经网络包括
数据预处理、
STGCN网络模型构建、
STGCN网络模型训练
STGCN网络模型优化四部分，以
中所述网络模型进行建模，使用
中的数据集进行训练，训练至其输出的loss值低于一个预设阈值后停止；得到上述可靠的STGCN网络模型后，将当前交通数据输入，就能得到待预测的未来一段时间内的交通状态；同时将当前交通数据更新到训练集中，并对STGCN网络模型不断优化；
将清洗后的数据合并成为一个数据矩阵，数据矩阵是以每5分钟为时间间隔，每天的6:00-23:00时间段内共计204个，并根据n个路口的连接关系构建出一个路口的邻接矩阵，并将连续一个半月的数据合并成为一组数据矩阵，作为数据集和测试集用于STGCN网络的训练；
所述STGCN网络模型包括两个时空卷积块和一个在此之后的全连接层；
所述时空卷积块包括两个时间门卷积层和一个空间门卷积层；STGCN网络模型的输入由时空卷积块统一处理，以便时空的连续性；综合特征由一个最后的全连接层集成以生成最终预测；
将
中得到的数据重新整合到一个大的矩阵数据，将其作为STGCN网络模型的数据集放入STGCN网络模型中去训练，并使用其自身作为测试集进行测试，最终得到训练完成的STGCN网络模型；
将
中训练完成的STGCN网络模型应用于实际路网中进行交通流量预测，同时，将路网产生的新数据按照
中数据预处理的方式将新数据处理后加入到训练集中，不断对模型进行迭代优化，提升模型性能。
2.根据权利要求1所述的基于知识图谱和深度时空卷积的城域交通流量预测方法，其特征在于：所提取有效信息中：
其中路段ID、路段名称和车道方向，用于建立道路的相互对应关系，以便于在预测结束后及时对应到道路；
采集时间为车道数据融合及数据清洗提供时间点参照；
平均速度和过车数为时空图卷积神经网络训练的数据输入。
3.根据权利要求1所述的基于知识图谱和深度时空卷积的城域交通流量预测方法，其特征在于：STGCN网络模型中：中间的空间门卷积层桥接两个时间门卷积层，实现从图卷积到时间卷积的高速空间状态传输。
4.根据权利要求1所述的基于知识图谱和深度时空卷积的城域交通流量预测方法，其特征在于：STGCN网络模型中：每个时空卷积块中使用归一化来防止过度拟合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011537038.4A CN112687102A (zh) | 2020-12-23 | 2020-12-23 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011537038.4A CN112687102A (zh) | 2020-12-23 | 2020-12-23 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112687102A true CN112687102A (zh) | 2021-04-20 |
Family
ID=75451001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011537038.4A Pending CN112687102A (zh) | 2020-12-23 | 2020-12-23 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112687102A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932026A (zh) * | 2020-08-27 | 2020-11-13 | 西南交通大学 | 基于数据融合和知识图谱嵌入的城市流量模式挖掘方法 |
| 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 |
| CN113570859A (zh) * | 2021-07-23 | 2021-10-29 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
| CN113792929A (zh) * | 2021-04-26 | 2021-12-14 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
| CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及*** |
| CN114360254A (zh) * | 2022-03-17 | 2022-04-15 | 湖南工商大学 | 一种基于时空的交通流量预测方法及相关设备 |
| CN116153084A (zh) * | 2023-04-20 | 2023-05-23 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测***及城市交通信号机控制方法 |
| CN116774086A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
| US10074271B1 (en) * | 2017-06-02 | 2018-09-11 | Yandex Europe Ag | Methods and systems for generating a traffic prediction |
| US20190116505A1 (en) * | 2017-10-13 | 2019-04-18 | At&T Intellectual Property I, L.P. | Network traffic forecasting for non-ticketed events |
| CN110347668A (zh) * | 2019-07-04 | 2019-10-18 | 南京航空航天大学 | Ads-b航迹清洗与校准装置 |
| CN110362559A (zh) * | 2019-07-04 | 2019-10-22 | 南京航空航天大学 | 基于局部遍历密度聚类的ads-b航迹清洗与校准方法 |
| CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
| CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
-
2020
- 2020-12-23 CN CN202011537038.4A patent/CN112687102A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
| US10074271B1 (en) * | 2017-06-02 | 2018-09-11 | Yandex Europe Ag | Methods and systems for generating a traffic prediction |
| US20190116505A1 (en) * | 2017-10-13 | 2019-04-18 | At&T Intellectual Property I, L.P. | Network traffic forecasting for non-ticketed events |
| CN110347668A (zh) * | 2019-07-04 | 2019-10-18 | 南京航空航天大学 | Ads-b航迹清洗与校准装置 |
| CN110362559A (zh) * | 2019-07-04 | 2019-10-22 | 南京航空航天大学 | 基于局部遍历密度聚类的ads-b航迹清洗与校准方法 |
| CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
| CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| BINGYU等: "Spatio-Temporal Graph Convolutional Networks_ A Deep Learning Framework for Traffic", 《IJCAI-2018》 * |
| 邹易呈: "基于多源数据融合的交通知识图谱构建及应用", 《中国万方学位论文库》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932026B (zh) * | 2020-08-27 | 2022-03-04 | 西南交通大学 | 基于数据融合和知识图谱嵌入的城市流量模式挖掘方法 |
| CN111932026A (zh) * | 2020-08-27 | 2020-11-13 | 西南交通大学 | 基于数据融合和知识图谱嵌入的城市流量模式挖掘方法 |
| CN113792929B (zh) * | 2021-04-26 | 2023-09-22 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
| CN113792929A (zh) * | 2021-04-26 | 2021-12-14 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
| 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 |
| CN113570859A (zh) * | 2021-07-23 | 2021-10-29 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
| CN113570859B (zh) * | 2021-07-23 | 2022-07-22 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
| CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及*** |
| CN114360254A (zh) * | 2022-03-17 | 2022-04-15 | 湖南工商大学 | 一种基于时空的交通流量预测方法及相关设备 |
| CN116153084B (zh) * | 2023-04-20 | 2023-09-08 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测***及城市交通信号机控制方法 |
| CN116153084A (zh) * | 2023-04-20 | 2023-05-23 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测***及城市交通信号机控制方法 |
| CN116774086A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
| CN116774086B (zh) * | 2023-06-09 | 2024-03-26 | 淮阴工学院 | 一种基于多传感器数据融合的锂电池健康状态估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112687102A (zh) | 基于知识图谱和深度时空卷积的城域交通流量预测方法 | |
| CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及*** | |
| CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
| CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
| CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
| Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
| CN112257934A (zh) | 一种基于时空动态神经网络的城市人流预测方法 | |
| 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 | |
| CN109166309A (zh) | 一种面向复杂城市交通网络的缺失流量数据恢复方法 | |
| CN112215427B (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** | |
| 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 | |
| CN111489013A (zh) | 一种基于时空多图卷积网络的交通站点流量预测方法 | |
| CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
| CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
| CN111047078B (zh) | 交通特征预测方法、***及存储介质 | |
| CN112309118B (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
| CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
| CN112820104B (zh) | 一种基于时空聚类张量分解的交通数据补全方法 | |
| CN111523706A (zh) | 一种基于深度学习组合模型的断面车道级短时交通流预测方法 | |
| CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
| Wu et al. | Spatiotemporal scenario generation of traffic flow based on lstm-gan | |
| CN111445700B (zh) | 一种基于车牌识别数据的区域行停车辆的监测方法 | |
| CN111461426A (zh) | 一种基于深度学习的高精度行程时长预测方法 | |
| CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 | |
| CN116259172A (zh) | 考虑交通网络时空特征的城市道路速度预测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210420 |
|
| WD01 | Invention patent application deemed withdrawn after publication |