CN112950924B - 一种基于深度学习的复杂交通路网交通速度预测方法 - Google Patents

一种基于深度学习的复杂交通路网交通速度预测方法 Download PDF

Info

Publication number
CN112950924B
CN112950924B CN201911255806.4A CN201911255806A CN112950924B CN 112950924 B CN112950924 B CN 112950924B CN 201911255806 A CN201911255806 A CN 201911255806A CN 112950924 B CN112950924 B CN 112950924B
Authority
CN
China
Prior art keywords
traffic speed
time
traffic
network
space
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
Application number
CN201911255806.4A
Other languages
English (en)
Other versions
CN112950924A (zh
Inventor
郭戈
袁威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN201911255806.4A priority Critical patent/CN112950924B/zh
Publication of CN112950924A publication Critical patent/CN112950924A/zh
Application granted granted Critical
Publication of CN112950924B publication Critical patent/CN112950924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于深度学习的复杂交通路网交通速度预测方法，其通过获取PeMS数据集，制作交通速度数据集和传感器网络的邻接矩阵数据，利用多个时空特征提取层堆叠捕捉高阶邻居节点之间的时空特征，局部注意力层提取当前时刻交通速度的具有空间关系的变化趋势特征，采集多个时空提取层产生的特征和局部注意力层产生的特征进行融合输入到全连接神经网络进行未来的交通速度预测，设计损失函数，并利用Adam算法进行优化；本发明的技术方案解决了现有的交通速度预测方案由于空间特征提取不佳所导致的预测精度低，误差波动较大以及深度学习网络训练耗时等问题。

Description

一种基于深度学习的复杂交通路网交通速度预测方法
技术领域
本发明涉及交通预测的技术领域，特别是涉及一种基于深度学习的复杂交通路网交通速度预测方法。
背景技术
众所周知，复杂交通路网场景下的交通速度预测就是要从实际的交通场景下，对整个交通路网中的数量庞大的交通节点的交通速度进行预测。通过建立深度神经网络模型并利用完整的数据集进行训练，使其能够适应复杂的交通动态变化、捕捉到交通流复杂的时空变化规律、应对整个交通路网海量的交通速度数据。有人提出使用长短期记忆网络来预测交通速度，然而这种方法没能考虑交通速度的空间特征，并且长短期记忆网络迭代训练机制十分的耗时。之后有人提出了CONV-LSTM用于同时捕获交通速度的时空特征预测以预测交通速度,但是这种模型只能处理网格型的交通数据，但是传感器网络是依托于路网的，所以这种预测模型性能不佳。有人提出了STGCN网络来预测交通速度，基于图结构的传感器网络捕获交通速度的空间特征，取得了不错的预测效果，这种模型是通过图卷积捕获传感器节点之间的空间关系，但是图卷积对这种空间关系的表示不够精确。在实际的交通预测场景中，往往由于数据量巨大，交通路网十分复杂，交通速度在时间空间上的动态变化规律难以捕捉，导致现有的模型预测性能不佳。
发明内容
根据以上提出的在实际的交通预测场景中，数据量巨大，交通路网十分复杂，模型训练缓慢以及交通速度在时间空间上的动态变化规律难以捕捉，导致预测性能不佳等问题，本发明提供一种的基于深度学习的复杂交通路网交通速度预测方法。
本发明采用的技术手段如下：
一种基于深度学习的复杂交通路网交通速度预测方法，包括以下步骤：
步骤S1：获取PeMS数据集，制作交通速度数据集和传感器网络邻接矩阵数据；
步骤S2：选取图注意力神经网络和时间卷积神经网络作为基础模块，设计整个交通速度预测网络的框架；
步骤S3：设计时空特征提取层，融合图注意力神经网络和时间卷积神经网络生成交通速度数据的时空特征，单层的时空特征提取层捕获一阶邻居节点传感器的时空特征，多个堆叠的时空特征提取层提取高阶邻居节点传感器之间的时空特征；
步骤S4：局部注意力层，利用图注意力神经网络生成交通速度的具有空间关系的变化趋势特征；
步骤S5：将时空特征提取层的最终输出时空特征和局部注意力层的输出特征进行融合输入全连接神经网络，全连接层的输出作为整个深度学习框架的交通速度预测结果；
步骤S6：设计损失函数，并利用Adam算法进行优化；
步骤S7：利用验证数据集测试网络性能指标。
进一步，所述步骤S1的具体步骤为：
步骤S11：下载PeMS数据集，将所有的交通速度数据划分为训练数据集，测试数据集，验证数据集；
步骤S12：将验证数据集和训练数据集中全部交通速度序列数据用于模型训练，测试数据集用来做消融实验；
步骤S13：根据207个传感器在交通路网中的连接关系构建整个传感器网络的邻接矩阵。
进一步，所述步骤S2的具体步骤为：
步骤S21：选取图注意力神经网络获取交通速度数据的空间特征。图注意力神经网络中注意力机制选取乘法注意力机制，嵌入多头注意力，来解决一天之中复杂的交通动态变化。多头注意力的数目是超参数；
步骤S22：时间卷积神经网络获取交通速度数据的时间特征，时间卷积网络卷积核的尺寸是超参数。
进一步，所述步骤S3的具体步骤为：
步骤S31：将图注意力神经网络和时间卷积神经网络融合为一个时空特征提取层
步骤S32：堆叠多个时空特征提取层，获取高阶邻居节点的特征。时空特征提取层之间的信息传递公式如下：
FLAYER(i+1)＝σ(F'LAYER(i))
其中，F'LAYER(i)为第i个时空特征提取层的输出；
FLAYER(i+1)为第i+1个时空特征提取层的输入；
σ为RELU激活函数。
进一步，所述步骤S4的具体步骤为：
步骤S41：取交通速度数据的最近两个时刻的速度数据做差作为当前交通速度的变化趋势，公式如下：
T＝Ft-Ft-1
其中，Ft为t时刻的交通速度数据；T是当前交通速度的变化趋势。
步骤S42：利用图注意力网络获取所有传感器之间交通速度的空间变化趋势，公式如下：
Figure GDA0003711315080000031
其中，
Figure GDA0003711315080000032
是在所有传感器节点之间归一化之后的相关性系数；α为一个系数；W是一个线性转换矩阵；
进一步，所述步骤S6中设计损失函数，所述损失函数的定义如下：
Figure GDA0003711315080000033
其中，yi表示第i个样本的标签值，
Figure GDA0003711315080000034
表示第i个样本的神经网络预测值，S表示整个测试集样本总和。
有益效果
与现有技术相比本发明的有益效果为：
1、本发明提供的基于深度学习的复杂交通路网下的交通速度预测方法，没有使用传统的网格型的数据作为输入，而是采用了基于传感器网络的交通速度数据，使数据表示更加细致，预测更加准确。
2、本发明提供的基于深度学习的复杂交通路网下的交通速度预测方法，设计了图注意力层来捕获交通流在交通路网上的转移特性，进而能更好的捕获交通速度在空间上的变化规律。大大提高了交通速度预测模型的准确性和稳定性。
3、本发明提供的基于深度学习的复杂交通路网下的交通速度预测方法，利用时间卷积神经网络提取交通速度数据的时间特征，可以提高模型的训练速度和稳定性。
4、本发明提供的基于深度学习的复杂交通路网下的交通速度预测方法，设计了局部注意力层，可以捕获交通速度的具有空间关系的变化趋势特征，使交通速度预测更加准确。
基于上述理由本发明可在交通速度预测等领域广泛推广。
附图说明
图1为本发明网络结构图；
图2为本发明超参数选取误差对比图；
图3为本发明在一天的交通动态变化过程中的误差变化曲线图；
图4为本发明对一传感器节点实际的交通速度预测结果展示图；
图5为本发明捕获到的传感器节点之间相关性关系图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
步骤S1：获取PeMS数据集，制作交通速度数据集和传感器网络邻接矩阵数据；
步骤S11：下载PeMS数据集，将所有的交通速度数据划分为训练数据集，测试数据集，验证数据集。在本实例中训练集的样本数目为36481，测试集的样本数目为10423，验证集的数目为5211；
步骤S12：将验证数据集和训练数据集用于模型训练，测试数据集用来做消融实验；
步骤S13：根据207个传感器在交通路网中的连接关系构建整个传感器网络的邻接矩阵。邻接矩阵的表示如下：
Figure GDA0003711315080000051
其中，Wij＝1，表示第i个传感器和第j个传感器在路网上连接的，Wij＝0反之。交通路网中传感器的总数量为207.
步骤S2：选取图注意力神经网络和时间卷积神经网络作为基础模块，设计整个交通速度预测网络的框架；
步骤S21：选取图注意力神经网络获取交通速度数据的空间特征。图注意力神经网络中注意力机制选取乘法注意力机制，公式如下：
eij＝ATTENTION(WFi,WFj)
其中，W是一个线性变换操作；eij是乘法注意力机制获得传感器节点之间的相关性系数；
为了使所有传感器之间的相关性系数可以相互比较，我们对所有传感器之间的相关性系数进行了归一化处理。归一化公式如下：
Figure GDA0003711315080000052
其中，
Figure GDA0003711315080000053
是在所有传感器节点之间归一化之后的相关性系数；
为了解决每天动态变化的传感器节点之间的相关性，嵌入多头注意力，多头注意力的数目是超参数，多头注意力的数目选择为5，选择依据见图2，公式如下：
Figure GDA0003711315080000061
其中||是连接操作；k是嵌入多头注意力的个数；A是一个线性转换矩阵用于保持注意力特征图尺寸不变。
步骤S22：时间卷积神经网络获取交通速度数据的时间特征，时间卷积网络卷积核的尺寸是K为超参数，本实例中卷积核尺寸选择3，超参的选择依据见图2，时间卷积公式如下：
X'＝f*X∈R(N-K+1)×(C')
其中，X是时间卷积网络的输入，尺寸是NxC,N是输入多少个时间步的交通速度数据，本实例中为N＝12；f是卷积核；X'是卷积过后的输出，维度为(N-K+1)×(C')，长度减少(K-1)；
步骤S3：设计时空特征提取层，融合图注意力神经网络和时间卷积神经网络生成交通速度数据的时空特征，单层的时空特征提取层捕获一阶邻居节点传感器的时空关系，多个堆叠的时空特征提取层提取高阶邻居节点传感器之间的时空关系；
步骤S31：将图注意力神经网络和时间卷积神经网络融合为一个时空特征提取层。
步骤S32：堆叠多个时空特征提取层，获取高阶邻居节点的特征。时空特征提取层之间的信息传递公式如下：
FLAYER(i+1)＝σ(F'LAYER(i))
其中，F'LAYER(i)为第i个时空特征提取层的输出，FLAYER(i+1)为第i+1个时空特征提取层的输入；σ为RELU激活函数；
步骤S4：局部注意力层，利用图注意力神经网络生成交通速度的具有空间关系的变化趋势特征；
步骤S41：取交通速度数据的最近两个时刻的速度数据做差作为当前交通速度的变化趋势，公式如下：
T＝Ft-Ft-1 #
其中，Ft为t时刻的交通速度数据，T是当前交通速度的变化趋势；
步骤S42：利用图注意力网络获取所有传感器节点之间交通速度的具有空间关系的变化趋势，公式如下：
Figure GDA0003711315080000071
其中，α为一个系数；W是一个线性转换矩阵；
Figure GDA0003711315080000072
是在所有传感器节点之间归一化之后的相关性系数；
步骤S5：将时空特征提取层的最终输出时空特征和局部注意力层的输出特征进行融合输入全连接神经网络，全连接层的输出作为整个深度学习框架的交通速度预测结果。整个神经网络的框架输入数据的尺寸为12*207*2，最终输出预测数据的尺寸为1*207。
步骤S6：设计损失函数，并利用Adam算法进行优化，损失函数的定义如下：
Figure GDA0003711315080000073
其中，yi表示第i个样本的标签值，
Figure GDA0003711315080000074
表示第i个样本的神经网络预测值，S表示整个测试集样本总和。
步骤S7：利用验证数据集测试网络性能指标，并与其他基准交通速度预测网络做性能对比，性能对比结果见表1；
Figure GDA0003711315080000081
指标公式定义如下：
Figure GDA0003711315080000082
Figure GDA0003711315080000083
Figure GDA0003711315080000084
如图2所示，本实例在PeMS的测试集上测试了模型在一天时间内的平均预测性能指标的变化曲线(每两个小时统计一次指标)可以看出本在嵌入了多头注意力后，可以使一个节点对它的同一个邻居节点赋予不同的重要性，允许我们的模型更精确的响应复杂的交通动态变化。结果的峰值反映了我们模型中极端的交通状况(道路非常通畅或非常拥挤)。
如图4所示，本实例将一个传感器节点两天的预测交通数据和实际的交通速度数据的进行可视化。可以很明显的看出本发明在复杂的交通网络和海量的数据下有着非常优秀的交通速度预测表现。
与现有技术相比，本发明的一种基于深度学习的复杂交通路网交通速度预测方法，首先设计了新颖的深度学习网络用于交通速度预测，并且融合图注意神经网络用于交通速度数据的空间特征提取，同时引入了局部注意力层，将交通速度的趋势引入整个网络，使交通预测更加准确，且时间卷积网络能够使整个深度学习网络拥有更快的训练速度，因此本发明可在交通速度预测等领域广泛推广。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.一种基于深度学习的复杂交通路网交通速度预测方法，其特征在于：所述基于深度学习的复杂交通路网交通速度预测方法包括以下步骤：
步骤S1：获取PeMS数据集，制作交通速度数据集和传感器网络邻接矩阵数据；
步骤S2：选取图注意力神经网络和时间卷积神经网络作为基础模块，设计整个交通速度预测网络的框架；
步骤S3：设计时空特征提取层，融合了图注意力神经网络和时间卷积神经网络，生成交通速度数据的时空特征，单层的时空特征提取层捕获一阶邻居节点传感器的时空特征，多个堆叠的时空特征提取层提取高阶邻居节点传感器之间的时空特征；
步骤S4：局部注意力层，利用图注意力神经网络生成交通速度的具有空间关系的变化趋势特征；
步骤S5：将时空特征提取层的最终输出时空特征和局部注意力层的输出特征进行融合输入全连接神经网络，全连接层的输出作为整个深度学习框架的交通速度预测结果；
步骤S6：设计损失函数，并利用Adam算法进行优化；
步骤S7：利用验证数据集测试网络性能指标；
所述的步骤S3的具体步骤为：
步骤S31：将图注意力神经网络和时间卷积神经网络融合为一个时空特征提取层；
步骤S32：堆叠多个时空特征提取层，可获取高阶邻居节点的特征；时空特征提取层之间的信息传递公式如下：
FLAYER(i+1)＝σ(F'LAYER(i))
其中，F'LAYER(i)为第i个时空特征提取层的输出；FLAYER(i+1)为第i+1个时空特征提取层的输入；σ为RELU激活函数；
所述的步骤S4的具体步骤为：
步骤S41：取交通速度数据的最近两个时刻的速度数据做差作为当前交通速度的变化趋势，公式如下：
T＝Ft-Ft-1
其中，Ft为t时刻的交通速度数据；T是当前交通速度的变化趋势；
步骤S42：利用图注意力网络获取所有传感器节点之间交通速度的具有空间关系的变化趋势，公式如下：
Figure FDA0003723781550000021
其中，
Figure FDA0003723781550000022
是在所有传感器节点之间归一化之后的相关性系数；W是一个线性转换矩阵；α为一个系数。
2.根据权利要求1所述的一种基于深度学习的复杂交通路网交通速度预测方法，其特征在于，所述的步骤S1的具体步骤为：
步骤S11：下载PeMS数据集，将所有的交通速度数据划分为训练数据集，测试数据集，验证数据集；
步骤S12：将验证数据集和训练数据集中全部交通速度序列数据用于模型训练，测试数据集用来做消融实验；
步骤S13：根据207个传感器在交通路网中的连接关系构建整个传感器网络的邻接矩阵。
3.根据权利要求2所述的一种基于深度学习的复杂交通路网交通速度预测方法，其特征在于，所述的步骤S2的具体步骤为：
步骤S21：选取图注意力神经网络获取交通速度数据的基于路网的空间特征；图注意力神经网络中注意力机制选取乘法注意力机制；嵌入多头注意力，来解决一天之中复杂的交通动态变化；多头注意力的数目是超参数；
步骤S22：时间卷积神经网络获取交通速度数据的时间特征，时间卷积网络卷积核的尺寸是超参数。
4.根据权利要求1所述的一种基于深度学习的复杂交通路网交通速度预测方法，其特征在于，所述步骤S6中设计损失函数，所属损失函数的定义如下：
Figure FDA0003723781550000031
其中，yi表示第i个样本的标签值，
Figure FDA0003723781550000032
表示第i个样本的神经网络预测值，S表示整个测试集样本总和。
CN201911255806.4A 2019-12-10 2019-12-10 一种基于深度学习的复杂交通路网交通速度预测方法 Active CN112950924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911255806.4A CN112950924B (zh) 2019-12-10 2019-12-10 一种基于深度学习的复杂交通路网交通速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911255806.4A CN112950924B (zh) 2019-12-10 2019-12-10 一种基于深度学习的复杂交通路网交通速度预测方法

Publications (2)

Publication Number Publication Date
CN112950924A CN112950924A (zh) 2021-06-11
CN112950924B true CN112950924B (zh) 2022-08-19

Family

ID=76225783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911255806.4A Active CN112950924B (zh) 2019-12-10 2019-12-10 一种基于深度学习的复杂交通路网交通速度预测方法

Country Status (1)

Country Link
CN (1) CN112950924B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298319B (zh) * 2021-06-22 2022-03-08 东北大学秦皇岛分校 一种基于跳跃图注意力门控循环网络的交通速度预测方法
CN113570861B (zh) * 2021-07-26 2022-09-27 浙江财经大学 一种基于合成数据的交通流量预测方法及装置
CN113642235B (zh) * 2021-08-09 2023-12-22 贵州电网有限责任公司 一种基于局部时空特征融合的覆冰预测方法
CN113592565B (zh) * 2021-09-09 2023-05-02 哈尔滨工业大学（威海） 一种电力***节点重要度预测方法
CN114333327B (zh) * 2022-01-05 2022-10-28 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种基于多流神经网络的交通状态预测方法
CN114566047A (zh) * 2022-03-02 2022-05-31 中远海运科技股份有限公司 一种基于短时路况预测算法的预警方法及***
CN116153069B (zh) * 2023-02-09 2024-01-30 东南大学 交通流模型与数据融合驱动的交通状态估计方法及装置
CN117935561B (zh) * 2024-03-20 2024-05-31 山东万博科技股份有限公司 一种基于北斗数据的智能交通流分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018175349A1 (en) * 2017-03-19 2018-09-27 Zunum Aero, Inc. Hybrid-electric aircraft, and methods, apparatus and systems for facilitating same
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0822893D0 (en) * 2008-12-16 2009-01-21 Tele Atlas Bv Advanced speed profiles - Further updates
CN102918573B (zh) * 2010-02-08 2016-03-16 “建筑投资项目M公司”有限责任公司 确定车辆速度和坐标并对其进行后续识别和自动记录交通违章的方法与实现所述方法的设备
CN105160880B (zh) * 2015-09-24 2017-08-25 滴滴（中国）科技有限公司 一种车辆载客状态的预估方法及装置
CN109064748B (zh) * 2018-09-18 2020-12-25 浙江工业大学 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN109492830B (zh) * 2018-12-17 2021-08-31 杭州电子科技大学 一种基于时空深度学习的移动污染源排放浓度预测方法
CN109658694A (zh) * 2018-12-28 2019-04-19 中交信息技术国家工程实验室有限公司 一种卷积神经网络高危车辆交通流预测方法和***
CN109840628B (zh) * 2019-01-17 2023-03-24 湖南大学 一种短时多区域车速预测方法及***
CN109754126A (zh) * 2019-01-30 2019-05-14 银江股份有限公司 基于时空相关性和卷积神经网络的短时交通流预测方法
CN109754605B (zh) * 2019-02-27 2021-12-07 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110119703B (zh) * 2019-05-07 2022-10-04 福州大学 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法
CN110378259A (zh) * 2019-07-05 2019-10-25 桂林电子科技大学 一种面向监控视频的多目标行为识别方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018175349A1 (en) * 2017-03-19 2018-09-27 Zunum Aero, Inc. Hybrid-electric aircraft, and methods, apparatus and systems for facilitating same
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图注意力时空神经网络的在线内容流行度预测;鲍鹏，徐昊;《模式识别与人工智能》;20191115;第32卷(第11期);第1014~1021页 *

Also Published As

Publication number Publication date
CN112950924A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112950924B (zh) 一种基于深度学习的复杂交通路网交通速度预测方法
CN110675623A (zh) 基于混合深度学习的短时交通流量预测方法、***、装置
CN108090472B (zh) 基于多通道一致性特征的行人重识别方法及其***
Wang Identification of crop diseases and insect pests based on deep learning
CN114221790A (zh) 一种基于图注意力网络的bgp异常检测方法及***
CN112884742A (zh) 一种基于多算法融合的多目标实时检测、识别及跟踪方法
CN112488978A (zh) 基于模糊核估计的多光谱图像融合成像方法及***
CN114005003B (zh) 基于通道多分组融合的遥感场景图像分类方法
TWI761813B (zh) 視頻分析方法及其相關的模型訓練方法、電子設備、儲存介質
CN114064627A (zh) 一种针对多重关系的知识图谱链接补全方法及***
CN112329536A (zh) 一种基于交替对抗迁移学习的单样本人脸识别方法
CN111915081A (zh) 一种基于深度学习的峰值敏感型出行需求预测方法
CN114496303B (zh) 一种基于多通道神经网络的抗癌药物筛选方法
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
JP5628745B2 (ja) トラヒック予測方法及び装置及びプログラム
CN113935398B (zh) 一种物联网环境下基于小样本学习的网络流量分类方法及***
CN110796182A (zh) 一种少量样本的票据分类方法及***
CN114124734A (zh) 一种基于GCN-Transformer集成模型的网络流量预测方法
CN112115984A (zh) 基于深度学习的茶园异常数据校正方法、***和存储介质
CN116416478A (zh) 一种基于图结构数据特征的生物信息学分类模型
CN115797557A (zh) 基于图注意力网络的自监督3d场景流估计方法
CN114968992A (zh) 数据识别清洗及补偿方法、装置、电子设备及存储介质
CN114611668A (zh) 一种基于异质信息网络随机游走的向量表示学习方法及***
CN113781110A (zh) 一种基于多因素加权bi-lstm学习的用户行为预测方法与***
CN113283540B (zh) 一种基于图压缩的深度图分类模型防御方法

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