CN113627089B - 一种基于混合密度神经网络的城市车流量仿真方法 - Google Patents
一种基于混合密度神经网络的城市车流量仿真方法 Download PDFInfo
- Publication number
- CN113627089B CN113627089B CN202110994275.1A CN202110994275A CN113627089B CN 113627089 B CN113627089 B CN 113627089B CN 202110994275 A CN202110994275 A CN 202110994275A CN 113627089 B CN113627089 B CN 113627089B
- Authority
- CN
- China
- Prior art keywords
- neural network
- mixed density
- density neural
- mixed
- matrix
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合密度神经网络的城市车流量仿真方法。该方法首先收集城市流量数据集,对得到的城市进行区域划分。将划分的区域分别设置为起点(O)与终点(D)创建起点‑终点两两对应的数据结构,称之为OD矩阵。确定流量预测的时间切片长度,创建对应的切片流量数据。切片流量数据用于混合密度神经网络的训练,若混合密度神经网络未收敛则持续训练混合密度神经网络,若混合密度神经网络收敛,则判断预测效果是否良好,若良好,则进行背景流量生成。若效果较差,则重新确定时间切片长度,重复上述过程至最终预测效果良好。
Description
技术领域
本发明涉及智能城市仿真***及背景流量生成领域,尤其涉及一种基于混合密度神经网络的时序背景流量生成方法。
背景技术
智慧城市的建设是中国城市化进程的重要议题,为了辅助智慧城市建设,研究人员需要打造智慧城市的仿真模拟器用于对智慧城市的研究。为了切实反映真实的城市面貌,我们需要对城市的多方细节进行仿真与模拟。城市路网流量作为仿真器的重要模拟对象,具有很多衍生用途:用于估计城市的拥堵状况,从而实时地调整红绿灯的策略;用于确定地区出租车的实时需求,从而更好地派遣车辆;用于确定城市的区域热度,从而辅助后续的城市规划。因此,对城市路网流量的仿真与模拟是至关重要的。
由于交通轨迹数据稀少且难以获得,对于城市路网流量的仿***要依靠流量生成的办法,现有的方案中有采用人工注入流量的方法,即根据城市路网的信息,考虑每个路口的可能流量情况,在城市路口手动注入流量。其次有随机流量注入的方法,即按照预先设计好的混合密度神经网络以随机的方式生成背景流量。
然而对于智慧城市模拟器,它不仅需要生成背景流量,还需要背景流量具有准确与大规模的特点。按照随机流量注入的方法会使得生成的背景流量具有过强的随机性,无法反应真实的城市车流分布,难以用于后续的应用场景。由于人本身的能效限制,采用人工生成背景流量的方式则无法达到模拟器需要的大规模仿真。与此同时,由于大多数数据集中给出的轨迹数据标签过细,数据量级大,直接对背景流量预测所需要的计算资源过大。并且随着预测的进行,误差容易在预测过程中积累误差,并不断偏离真实的流量分布状态。因此更为有效的方式是,将对背景流量的预测转化为对每个地区之间车辆需求的预测,采用鲁棒性更好的混合密度网络进行建模,将预测两地之间的需求值转而模拟需求的分布,并最后用概率密度的方式进行采样。根据获得的两地之间的需求,在仿真器中生成出背景流量。
因此,如何利用有限的轨迹数据集,有限的计算资源,尽可能的生成真实的城市地区车辆需求,对模拟真实的流量状态,对智慧城市仿真器的打造至关重要。
发明内容
发明目的:针对以上现有技术存在的问题,本发明提出了一种基于混合密度神经网络的城市车流量仿真方法,着重解决利用有限的轨迹数据集,有限的计算资源,尽可能的生成真实的城市地区车辆需求,模拟真实的流量状态。在拥有历史车辆轨迹信息的前提下,正确建立车辆需求随时序变化的函数混合密度神经网络。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于混合密度神经网络的城市车流量仿真方法,该方法包括以下步骤:
(1)采集城市流量数据集。本方法需要获得一定量的初始流量数据集,为在一定范围时间T内某一个地区D下的轨迹数据集S。确定数据S经纬度范围,将D延拓为包含D与S的最小正方形地区Dk。根据地区D的大小以及数据集S的稀疏程度,将Dk按照经纬度划分为Nl*Nh等大小的地区,记地区总数为N,编号[0…(N-1)];
(2)确定时间切片长度。确定时间切片长度t,t=[1,5,10…],可以根据最终实验的效果从而决定t的长度。创建切片流量数据。按照轨迹的开始时间ts作为轨迹的标记时间,根据t将轨迹数据集划分为Nt=T|t+1段时间片,并创建Nt个大小为N*N的空的OD矩阵。对于其中的每一段时间片,我们找到其中对应的轨迹切片,获得其初始与中止区域编号,并添加至当前时间编号的OD矩阵中。遍历完所有的轨迹后我们便得到了在时序上的OD矩阵数据集;
(3)根据OD混合密度神经网络进行时序预测。确定每一个样本的训练时间片长度,设为sl。确定每一个样本的预测时间片长度,设为pl。将时序上的OD矩阵数据集按照sl与pl进行对应,生成对应的训练集与测试集。将训练集按照预先设定的batchsize输入OD混合密度神经网络获得输出的值。将输出的结果经过采样与测试样本进行比对,获得预测值与真实值的差值,并将混合密度神经网络进行梯度更新;
(4)重复(3)过程直至混合密度神经网络收敛,并判定混合密度神经网络效果好坏,若在多个指标上达到预期,则判定为混合密度神经网络效果良好。若不满足指标预测,则反复执行步骤(2)(3)至混合密度神经网络达到最终输出预期;
(5)将最终产生的混合密度神经网络用于,后续的流量生成,并产生对应的背景流量。
进一步的,在步骤(3)中,混合密度神经网络预测方法如下:
(3.1)确定每一个样本的训练时间片长度,设为sl。确定每一个样本的预测时间片长度,设为pl。将时序上的OD矩阵数据集按照sl与pl进行对应,生成对应的训练集与测试集。对于每一个训练集样本Xt,都是形状为(sl,Nl,Nh)的三维矩阵。同时对于每一个预测样本Yt,都是形状为(pl,Nl,Nh)的三维矩阵;
(3.2)训练集在经过模块时首先经历时序模块,时序模块采用传统的GRU混合密度神经网络构造输出,获得时序模块下的输出参数H;
(3.3)利用混合密度网络来表示在时序上每个OD点对的分布,在混合密度网络中构造参数矩阵μ,σ,α,将时序模块下的输出H作为混合密度网络模块的输入。其中每个OD点对的分布每个高斯混合密度分布φk(t)如下公式所示:
μk(t),σk(t)为在时间切片为t的情况下第k个分布的均值与标准差。
进一步的,在步骤(3.2)中,时序模块采用传统的GRU混合密度神经网络构造输出,构造更新门,重置门,候选隐藏状态,隐藏状态,获得时序模块下的输出参数H,其中,混合密度神经网络构造方法如下:
(a)混合密度神经网络输入的更新门zt的公式如下:
zt=sigmoid(xtWz+Ht-1Uz)
其中sigmoid为激活函数,xt为输入数据切片,Wz为权重矩阵,Ht-1为上一个隐藏状态,Uz为权重矩阵。
(b)混合密度神经网络输入的重置门rt的公式如下
rt=sigmoid(xtWr+Ht-1Ur)
其中sigmoid为激活函数,xt为输入数据切片,Wr为权重矩阵,Ur为权重矩阵。
(d)混合密度神经网络的隐藏状态Ht公式如下:
(e)混合密度神经网络的最终输出公式如下:
Hd=sigmoid(HtWd)
进一步的,在步骤(2.3)中,我们利用混合密度网络来表示在时序上每个OD点对的分布,在混合密度网络中构造参数矩阵μ,σ,α,将时序模块下的输出H作为混合密度网络模块的输入,其中,混合密度网络构造方法如下:
(A)参数μ代表了构造的高斯混合密度网络的均值,其构造的方式如下:
μ=sigmoid(HdWμ+bμ)
(B)参数σ代表了构造的高斯混合密度网络的标准差,其构造的方式如下:
σ=sigmoid(HdWσ+bσ)
(C)参数α代表了构造的高斯混合密度网络在最后的整体分布表达式中所占的权重,其构造的方式如下公式所示:
α=sigmoid(HdWα+bα)
进一步的,在步骤(C)之后会产生出该混合密度神经网络的分布表达式:
因为在真实的测试集样本中,我们可以知道样本的真实值,而我们输出的结果是一个分布,我们应当让该分布尽可能地去拟合真实的值情况。因此我们采用极大似然的方式去表示该分布的匹配状态,并由此设置我们的损失函数。我们设置的损失函数如下公式所示:
根据该损失函数我们可以进一步地去进行梯度更新参数,梯度更新的大小由设置的learning rate给定。
进一步的,在步骤(3)需要进行混合密度神经网络指标的评价。将最后计算出来的分布进行积分,从而假定为预测的值,并判定混合密度神经网络效果好坏,若在多个指标上达到预期则判定为混合密度神经网络良好。混合密度神经网络的判定指标有MSE,RMSE,并根据经验判定是否属于良好的混合密度神经网络,并决定是否重复步骤(2)(3)流程。
本发明的有益效果在于:着重解决了利用有限的轨迹数据集,有限的计算资源,尽可能的生成真实的城市地区车辆需求,模拟真实的流量状态;在拥有历史车辆轨迹信息的前提下,正确建立车辆需求随时序变化的函数混合密度神经网络。
附图说明
图1本发明实现的基于混合密度神经网络的城市车流量仿真方法算法流程图。
具体实施方式
下面将结合图片来讲述本发明的具体实施方式,图1为本发明实现的基于混合密度神经网络的城市车流量仿真方法算法流程图。根据图例,可以得知发明的具体实施办法如下所描述:
(1)采集城市流量数据集。本方法需要获得一定量的初始流量数据集,为在一定范围时间T内某一个地区D下的轨迹数据集S。确定数据S经纬度范围,将D延拓为包含D与S的最小正方形地区Dk。根据地区D的大小以及数据集S的稀疏程度,将Dk按照经纬度划分为Nl*Nh等大小的地区,记地区总数为N,编号[0…(N-1)];
(2)确定时间切片长度。确定时间切片长度t,t=[1,5,10…],可以根据最终实验的效果从而决定t的长度。创建切片流量数据。按照轨迹的开始时间ts作为轨迹的标记时间,根据t将轨迹数据集划分为Nt=T|t+1段时间片,并创建Nt个大小为N*N的空的OD矩阵。对于其中的每一段时间片,我们找到其中对应的轨迹切片,获得其初始与中止区域编号,并添加至当前时间编号的OD矩阵中。遍历完所有的轨迹后我们便得到了在时序上的OD矩阵数据集;
(3)根据OD混合密度神经网络进行时序预测。确定每一个样本的训练时间片长度,设为sl。确定每一个样本的预测时间片长度,设置为pl。将时序上的OD矩阵数据集按照sl与pl进行对应生成对应的训练集与测试集。将训练集按照预先设定的batchsize输入OD混合密度神经网络获得输出的值。将输出的结果经过采样与测试样本进行比对,获得预测值与真实值的差值,并将混合密度神经网络进行梯度更新;
(4)重复(3)过程直至混合密度神经网络收敛,并判定混合密度神经网络效果好坏,若在多个指标上达到预期,则判定为混合密度神经网络效果良好。若不满足指标预测,则反复执行步骤(2)(3)至混合密度神经网络达到最终输出预期;
(5)将最终产生的混合密度神经网络用于,后续的流量生成,并产生对应的背景流量。
在本实施例中,步骤(3)中,混合密度神经网络预测方法如下:
(3.1)确定每一个样本的训练时间片长度,设为sl。确定每一个样本的预测时间片长度,设置为pl。将时序上的OD矩阵数据集按照sl与pl进行对应生成对应的训练集与测试集。对于每一个训练集样本Xt,都是形状为(sl,Nl,Nh)的三维矩阵。同时对于每一个预测样本Yt,都是形状为(pl,Nl,Nh)的三维矩阵;
(3.2)训练集在经过模块时首先经历时序模块,时序模块采用传统的GRU混合密度神经网络构造输出,获得时序模块下的输出参数H;
(3.3)我们利混合密度网络来表示在时序上每个OD点对的分布,在混合密度网络中构造参数矩阵μ,σ,α,将时序模块下的输出H作为混合密度网络模块的输入。其中每个OD点对的分布每个高斯混合密度分布φk(t)如下公式所示:
指位于OD矩阵的编号为(i,j)在时间切片为t上的分布情况。其中αk(t)为在时间切片为t下的第k个分布的权重,φk(t)为在时间切片为t的情况下的分布表达。μk(t),σk(t)为在时间切片为t的情况下第k个分布的均值与标准差。
在本实施例中,步骤(3.2)中,时序模块采用传统的GRU混合密度神经网络构造输出,构造更新门,重置门,候选隐藏状态,隐藏状态,获得时序模块下的输出参数H,其中,混合密度神经网络构造方法如下:
(a)混合密度神经网络输入的更新门zt的公式如下:
zt=sigmoid(xtWz+Ht-1Uz)
其中sigmoid为激活函数,xt为输入数据切片,Wz为权重矩阵,Ht-1
为上一个隐藏状态,Uz为权重矩阵。
(b)混合密度神经网络输入的重置门rt的公式如下
rt=sigmoid(xtWr+Ht-1Ur)
其中sigmoid为激活函数,xt为输入数据切片,Wr为权重矩阵,Ur为权重矩阵。
(d)混合密度神经网络的隐藏状态Ht公式如下:
(e)混合密度神经网络的最终输出公式如下:
Hd=sigmoid(HtWd)
在本实施例中,步骤(2.3)中,我们利用混合密度网络来表示在时序上每个OD点对的分布,在混合密度网络中构造参数矩阵μ,σ,α,将时序模块下的输出H作为混合密度网络模块的输入,其中,混合密度网络构造方法如下:
(A)参数μ代表了构造的高斯混合密度网络的均值,其构造的方式如下:
μ=sigmoid(HdWμ+bμ)
(B)参数σ代表了构造的高斯混合密度网络的标准差,其构造的方式如下:
σ=sigmoid(HdWσ+bσ)
(C)参数α代表了构造的高斯混合密度网络在最后的整体分布表达式中所占的权重,其构造的方式如下公式所示:
α=sigmoid(HdWα+bα)
在本实施例中,在步骤(C)之后会产生出该混合密度神经网络的分布表达式:
因为在真实的测试集样本中,我们可以知道样本的真实值,而我们输出的结果是一个分布,我们应当让该分布尽可能地去拟合真实的值情况。因此我们采用极大似然的方式去表示该分布的匹配状态,并由此设置我们的损失函数。我们设置的损失函数如下公式所示:
根据该损失函数我们可以进一步地去进行梯度更新参数,梯度更新的大小由设置的learning rate给定。
在本实施例中,步骤(3)需要进行混合密度神经网络指标的评价。将最后计算出来的分布进行积分,从而假定为预测的值,并判定混合密度神经网络效果好坏,若在多个指标上达到预期则判定为混合密度神经网络良好。混合密度神经网络的判定指标有MSE,RMSE,并根据经验判定是否属于良好的混合密度神经网络,并决定是否重复步骤(2)(3)流程。
Claims (6)
1.一种基于混合密度神经网络的城市车流量仿真方法,其特征在于,该方法包括以下步骤:
(1)采集城市流量数据集;获得一定量的初始流量数据集,为在一定范围时间T内某一个地区D下的轨迹数据集S;确定数据集S经纬度范围,将地区D延拓为包含地区D与数据集S的最小正方形地区Dk;根据地区D的大小以及数据集S的稀疏程度,将地区Dk按照经纬度划分为Nl*Nh大小的地区,记地区总数为N,编号0···(N-1);
(2)确定时间切片长度;确定时间切片长度t,t=1,5,10···,根据最终实验的效果从而决定时间切片长度t的长度,创建切片流量数据,按照轨迹的开始时间ts作为轨迹的标记时间,根据时间切片长度t将轨迹数据集划分为Nt=T|t+1段时间片,并创建Nt个大小为N*N的空的OD矩阵;对于其中的每一段时间片,找到其中对应的轨迹切片,获得其初始与中止区域编号,并添加至当前时间编号的OD矩阵中,遍历完所有的轨迹后,便得到了在时序上的OD矩阵数据集;
(3)根据OD混合密度神经网络进行时序预测;确定每一个样本的训练时间片长度,设为sl;确定每一个样本的预测时间片长度,设为pl;将时序上的OD矩阵数据集按照sl与pl进行对应,生成对应的训练集与测试集;将训练集按照预先设定的batchsize输入OD混合密度神经网络获得输出的值;将输出的结果经过采样与测试样本进行比对,获得预测值与真实值的差值,并将混合密度神经网络进行梯度更新;
(4)重复步骤(3)直至混合密度神经网络收敛,并判定混合密度神经网络效果好坏,若在多个指标上达到预期,则判定为混合密度神经网络效果良好;若不满足指标预测,则反复执行步骤(2)(3)至OD混合密度神经网络达到最终输出预期;
(5)将最终产生的OD混合密度神经网络用于后续的流量生成,并产生对应的背景流量。
2.根据权利要求1所述的一种基于混合密度神经网络的城市车流量仿真方法,其特征在于,在步骤(3)中,混合密度神经网络预测方法如下:
(3.1)确定每一个样本的训练时间片长度,设为sl;确定每一个样本的预测时间片长度,设为pl;将时序上的OD矩阵数据集按照sl与pl进行对应,生成对应的训练集与测试集;对于每一个训练集样本Xt,都是形状为(sl,Nl,Nh)的三维矩阵,同时对于每一个预测样本Yt,都是形状为(pl,Nl,Nh)的三维矩阵;
(3.2)训练集在经过模块时首先经历时序模块,时序模块采用传统的GRU混合密度神经网络构造输出,获得时序模块下的输出参数H;
(3.3)利用混合密度网络来表示在时序上每个OD点对的分布,在混合密度网络中构造参数矩阵μ,σ,α,将时序模块下的输出H作为混合密度网络模块的输入,其中每个OD点对的分布每个高斯混合密度分布φk(t)如下公式所示:
指位于OD矩阵的编号为(i,j)在时间切片为t上的分布情况,其中αk(t)为在时间切片为t下的第k个分布的权重,φk(t)为在时间切片为t的情况下的分布表达,μk(t),σk(t)为在时间切片为t的情况下第k个分布的均值与标准差;
3.根据权利要求2所述的一种基于混合密度神经网络的城市车流量仿真方法,其特征在于,在步骤(3.2)中,时序模块采用传统的GRU混合密度神经网络构造输出,构造更新门,重置门,候选隐藏状态,隐藏状态,获得时序模块下的输出参数H,所述的混合密度神经网络构造方法如下:
(a)混合密度神经网络输入的更新门zt的公式如下:
zt=sigmoid(xtWz+Ht-1Uz)
其中sigmoid为激活函数,xt为输入数据切片,Wz为权重矩阵,Ht-1为上一个隐藏状态,Uz为权重矩阵;
(b)混合密度神经网络输入的重置门rt的公式如下
rt=sigmoid(xtWr+Ht-1Ur)
其中sigmoid为激活函数,xt为输入数据切片,Wr为权重矩阵,Ur为权重矩阵;
(d)混合密度神经网络的隐藏状态Ht公式如下:
(e)混合密度神经网络的最终输出公式如下:
Hd=sigmoid(HtWd)。
4.根据权利要求2或3所述的一种基于混合密度神经网络的城市车流量仿真方法,其特征在于,在步骤(2.3)中,利用混合密度网络来表示在时序上每个OD点对的分布,在混合密度网络中构造参数矩阵μ,σ,α,将时序模块下的输出H作为混合密度网络模的输入,其中,混合密度网络构造方法如下:
(A)参数μ代表了构造的高斯混合密度网络的均值,其构造的方式如下公式所示:
μ=sigmoid(HdWμ+bμ)
(B)参数σ代表了构造的高斯混合密度网络的标准差,其构造的方式如下公式所示:
σ=sigmoid(HdWσ+bσ)
(C)参数α代表了构造的高斯混合密度网络在最后的整体分布表达式中所占的权重,其构造的方式如下公式所示:
α=sigmoid(HdWα+bα)。
6.根据权利要求1所述的一种基于混合密度神经网络的城市车流量仿真方法,其特征在于,在步骤(3)需要进行混合密度神经网络指标的评价,将最后计算出来的分布进行积分,从而假定为预测的值,并判定混合密度神经网络效果好坏,若在多个指标上达到预期则判定为混合密度神经网络良好;其中,混合密度神经网络的判定指标有MSE,RMSE,并根据经验判定是否属于良好的混合密度神经网络,并决定是否重复步骤(2)(3)流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110994275.1A CN113627089B (zh) | 2021-08-27 | 2021-08-27 | 一种基于混合密度神经网络的城市车流量仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110994275.1A CN113627089B (zh) | 2021-08-27 | 2021-08-27 | 一种基于混合密度神经网络的城市车流量仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627089A CN113627089A (zh) | 2021-11-09 |
CN113627089B true CN113627089B (zh) | 2022-08-02 |
Family
ID=78388115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110994275.1A Active CN113627089B (zh) | 2021-08-27 | 2021-08-27 | 一种基于混合密度神经网络的城市车流量仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627089B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492814B (zh) * | 2018-11-15 | 2021-04-20 | 中国科学院深圳先进技术研究院 | 一种城市交通流量预测方法、***及电子设备 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110111575B (zh) * | 2019-05-16 | 2020-10-27 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
CN111292525B (zh) * | 2019-12-30 | 2023-01-13 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
CN112508173B (zh) * | 2020-12-02 | 2024-06-28 | 中南大学 | 交通时空序列多步预测方法、***及存储介质 |
CN112906948B (zh) * | 2021-02-02 | 2023-12-22 | 湖南大学 | 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质 |
CN112966853B (zh) * | 2021-02-04 | 2023-12-22 | 南通大学 | 基于时空残差混合模型的城市路网短时交通流预测方法 |
-
2021
- 2021-08-27 CN CN202110994275.1A patent/CN113627089B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113627089A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN110097755A (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN110021165A (zh) | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN105096614B (zh) | 基于生成型深信度网络的新建路***通流量预测方法 | |
CN109754113A (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN110148296A (zh) | 一种基于深度迁移学习的跨城市交通流量联合预测方法 | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN110909909A (zh) | 基于深度学习和多层时空特征图的短时交通流预测方法 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN112966853B (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN114780739A (zh) | 基于时间图卷积网络的时序知识图谱补全方法及*** | |
CN110517510A (zh) | 基于改进Webster函数和遗传算法的交叉口信号灯配时优化方法 | |
CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域***负荷预测方法 | |
CN114912719B (zh) | 一种基于图神经网络的异质交通个体轨迹协同预测方法 | |
CN114970058B (zh) | 一种基于信赖域贝叶斯的大规模网络信号控制优化方法 | |
CN112633602A (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
Zhao et al. | Traffic signal control with deep reinforcement learning | |
CN106297296A (zh) | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 | |
CN117313931A (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
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 |