CN115116226A - 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置 - Google Patents

一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置 Download PDF

Info

Publication number
CN115116226A
CN115116226A CN202210731145.3A CN202210731145A CN115116226A CN 115116226 A CN115116226 A CN 115116226A CN 202210731145 A CN202210731145 A CN 202210731145A CN 115116226 A CN115116226 A CN 115116226A
Authority
CN
China
Prior art keywords
data
deep learning
learning model
time
normalization
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
Application number
CN202210731145.3A
Other languages
English (en)
Inventor
袁月明
宦涣
尹伯华
蔡慧星
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.)
Yunkong Zhihang Shanghai Automotive Technology Co ltd
Original Assignee
Yunkong Zhihang Shanghai Automotive Technology Co ltd
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 Yunkong Zhihang Shanghai Automotive Technology Co ltd filed Critical Yunkong Zhihang Shanghai Automotive Technology Co ltd
Priority to CN202210731145.3A priority Critical patent/CN115116226A/zh
Publication of CN115116226A publication Critical patent/CN115116226A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及基于深度强化学习模型的高速公路货车流量预测算法、软件与装置，涉及高速公路管理领域。所述算法包括获取第一路段的所有车道的第一车辆流量在t时刻的第一数据；将所述第一数据进行预处理，得到归一化历史数据；基于LSTM模型，构建至少两个单深度学习模型；将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定预测误差；基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。本申请基于货车流量数据建立模型，以预测未来流量，保障高速公路安全。

Description

一种基于深度强化学习模型的高速公路货车流量预测算法、 软件与装置
技术领域
本申请涉及高速公路管理领域，尤其涉及基于深度强化学习模型的高速公路货车流量预测算法、软件与装置。
背景技术
当前，高速公路交通流预测方法，一般不区分车型，对于特定车型流量往往通过高速流量中特定车型占比进行换算的形式获得。不同于城市道路交通，特定车型(例如，大型车辆等)实际上是高速公路路段通行车辆的重要部分，准确预测未来时刻特定车型通行总数，有助于辅助运营指挥中心坐席人员提前调整策略，保障高速公路安全。
因此，期望提供一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置，通过高速公路沿线均匀部署的雷达检测器实时采集的高速公路特定车型流量特征数据，利用深度强化学习方法构建高速公路特定车型交通流预测模型，然后通过强化学习算法进行训练，实现对未来时刻特定车型通行总量的准确预测，有助于辅助高速指挥中心坐席人员提前调整策略，保障高速公路安全。
发明内容
根据本申请的一些实施例的第一方面，提供了一种基于深度强化学习模型的高速公路货车流量预测算法，应用于终端(例如，管控***等)中，所述算法可以包括获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]；将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据；基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数；将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差；基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。
在一些实施例中，所述获取实时数据具体包括通过路侧设备实时采集第一车辆流量数据X＝[x1,x2,…,xT]，xt＝[q1,t,q2,t,…,qr,t]，xt为时刻t第一路段l所有车道监测的第一车辆流量，第一路段l所有车道数为r，t∈[1,T]。
在一些实施例中，所述历史数据具体包括通过路侧设备历史采集的第一车辆流量数据X-w＝[x1,-w,x2,-w,…,xT,-w]，X-w为预测日前w天的交通流数据，xt,-w＝[q1,t,-w,q2,t,-w,…,qr,t,-w]，第一路段l所有车道数为r，t∈[1,T]。
在一些实施例中，所述数据归一化处理具体包括根据最大-最小归一化方法，将每一实时数据和历史数据归一化至[0,1]区间，
Figure BDA0003713538040000021
其中，x′t为归一化后的值，xt|min、xt|max分别代表xt的最小值、最大值。
在一些实施例中，所述构建至少两个单深度学习模型，具体包括输入归一化数据X’＝[x’1,x’2,…,x’T]，隐藏层h＝[h1,h2,…,hT]和输出层y＝[y1,y2,…,yT]，x’t为t时刻的输入，yt为t时刻的输出，ht为t时刻的隐藏状态；对每一隐藏层的神经元引入LSTM；通过输出层，计算输出结果yt，
yt＝g(Wyhht+by)
式中：Wyh为输出权重，by为输出的偏置，g()为输出层的激活函数。
在一些实施例中，所述对每一隐藏层的神经元引入LSTM，具体包括通过门控单元控制记忆单元的状态，所述门控单元包括遗忘门、输入门、输出门；所述遗忘门，根据x’t和ht-1计算遗忘门激活函数值ft，确定是否删除记忆单元信息，
ft＝σ(Wf[ht-1,x’t])+bf
其中，ft表示遗忘门限，σ为sigmoid函数，Wf为遗忘门权重，bf为遗忘门的偏置；
所述输入门，根据x’t和ht-1计算输入门激活函数值it、C’t，根据输入门的计算结果确定是否向记忆单元增加信息，
it＝σ(Wi[ht-1,x’t])+bi
C’t＝tanh(Wc[ht-1,x’t])+bc
其中，it为需要记忆的信息，C’t为候选记忆单元用于更新记忆单元，Wi、Wc输入门权重，bi、bc为输入门偏置，σ、tanh为sigmoid函数、双曲正切函数；所述遗忘门和所述输出门完成计算后，
Ct＝ft·Ct-1+it·C’t；
所述输出门，根据x’t和ht-1、Ct计算输出门的激活函数值ot，然后计算隐藏层输出值ht，
ot＝σ(Wo[ht-1,x’t])+bo
ht＝ot·tanhCt。
在一些实施例中，所述利用所述训练集训练所述单深度学习模型，具体包括所述历史数据根据预设比例划分90％训练集与10％测试集，通过训练集，训练单深度学习模型，并采用均方根误差作为损失函数确定最优参数，
Figure BDA0003713538040000031
式中：N为训练样本总数，
Figure BDA0003713538040000032
为预测值，lj为实际值，θ为模型参数。
在一些实施例中，所述构建组合深度学习模型，具体包括：
Figure BDA0003713538040000033
式中：ω(t-i)为t-i时刻第一路段l第i个单深度学习模型的权重，
Figure BDA0003713538040000034
Figure BDA0003713538040000035
为t-i时刻第一路段l第i个单深度学习模型的预测误差，fi(x’t)为第i个单深度学习模型的预测值。
在一些实施例中，所述通过输入当前时刻的第一车辆流量，输出下一时刻的第一车辆流量，具体包括输入当前第一路段当前时刻的第一车辆流量实时数据以及历史数据，利用所述组合深度学习模型进行预测，输出模型预测结果作为下一时刻的第一车辆流量数据；同步更新第一车辆流量时变趋势，上传至管控***。
根据本申请的一些实施例的第二方面，提供了一种基于深度强化学习模型的高速公路货车流量预测软件，所述软件包括计算机程序，存储于计算机可读介质，所述计算机程序使计算机执行步骤：获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]；将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据；基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数；将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差；基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。
根据本申请的一些实施例的第三方面，提供了一种基于深度强化学习模型的高速公路货车流量预测装置，所述装置包括：获取模块，被配置为获取超视距毫米波雷达的感知数据以及历史数据；预测模块，被配置为基于组合深度学习模型预测第一车辆的流量；输出模块，被配置为基于所述第一车辆的流量，更新第一车辆流量时变趋势，上传至管控***；一个存储器，被配置为存储数据及指令；一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：所述方法可以包括获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]；将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据；基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数；将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差；基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。
因此，根据本申请的一些实施例的基于深度强化学习模型的高速公路货车流量预测算法、软件与装置，通过高速公路沿线均匀部署的雷达检测器实时采集的高速公路特定车型流量特征数据，利用深度强化学习方法构建高速公路特定车型交通流预测模型，然后通过强化学习算法进行训练，实现对未来时刻特定车型通行总量的准确预测，有助于辅助高速指挥中心坐席人员提前调整策略，保障高速公路安全。
附图说明
为更好地理解并阐述本申请的一些实施例，以下将结合附图参考实施例的描述，在这些附图中，同样的数字编号在附图中指示相应的部分。
图1是根据本申请的一些实施例提供的基于深度强化学习模型的高速公路货车流量预测***的示例性示意图。
图2是根据本申请的一些实施例提供的基于深度强化学习模型的高速公路货车流量预测算法的示例性流程图。
具体实施方式
以下参考附图的描述为便于综合理解由权利要求及其等效内容所定义的本申请的各种实施例。这些实施例包括各种特定细节以便于理解，但这些仅被视为示例性的。因此，本领域技术人员可以理解对在此描述的各种实施例进行各种变化和修改而不会脱离本申请的范围和精神。另外，为简要并清楚地描述本申请，本申请将省略对公知功能和结构的描述。
在以下说明书和权利要求书中使用的术语和短语不限于字面含义，而是仅为能够清楚和一致地理解本申请。因此，对于本领域技术人员，可以理解，提供对本申请各种实施例的描述仅仅是为说明的目的，而不是限制所附权利要求及其等效定义的本申请。
下面将结合本申请一些实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一”、“一个”、“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本申请中使用的术语“和/或”是指并包含一个或多个相绑定的列出项目的任何或所有可能组合。表达“第一”、“第二”、“所述第一”和“所述第二”是用于修饰相应元件而不考虑顺序或者重要性，仅仅被用于区分一种元件与另一元件，而不限制相应元件。
根据本申请一些实施例的终端可以是智能终端，平台，装备和/或电子设备等；该智能终端可以包括管控***等。该平台可以包括云控平台等，所述平台可以包括由一个或多个电子设备组成的***平台；该装备可以包括智能网联车辆(Intelligent ConnectedVehicle，ICV)；该电子设备可以包括个人电脑(PC，例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、客户端设备、虚拟现实设备(VR)、增强现实设备(AR)、混合现实设备(MR)、XR设备、渲染机、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。根据本申请的一些实施例，所述可穿戴设备可以包括附件类型(例如手表、戒指、手环、眼镜、或头戴式装置(HMD))、集成类型(例如电子服装)、装饰类型(例如皮肤垫、纹身或内置电子装置)等，或几种的组合。在本申请的一些实施例中，所述电子设备可以是灵活的，不限于上述设备，或者可以是上述各种设备中的一种或几种的组合。在本申请中，术语“用户”可以指示使用电子设备的人或使用电子设备的设备(例如人工智能电子设备)。
本申请实施例提供了一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置。为了便于理解本申请实施例，以下将参考附图对本申请实施例进行详细描述。
图1是根据本申请的一些实施例提供的基于深度强化学习模型的高速公路货车流量预测***的示例性示意图。如图1所述，基于深度强化学习模型的高速公路货车流量预测***100可以包括网络110、控制端120(基于深度强化学习模型的高速公路货车流量预测装置)、用户端130和服务器140等。所述基于深度强化学习模型的高速公路货车流量预测装置可以包括获取模块、预测模块、输出模块、存储器、与存储器建立通信的处理器等。具体的，控制端120与用户端130在通过网络建立通信，例如，控制端120与用户端130可以在同一个局域网(比如，同一个路由器的网络环境等)中通信。进一步，控制端120可以通过有线(例如，网线等)或无线(例如，云端服务器等)等方式与网络110连接，用户端130可以通过有线或无线(例如，WIFI等)等方式与网络110建立通信连接。在一些实施例中，用户端130可以向控制端120、服务器140发送车辆位置信息等。进一步地，控制端120、服务器140可以向用户端130反馈车道级控制策略等。根据反馈的信息，用户端130可以根据车道级控制策略进入专用车道等。作为示例，服务器140和/或控制端120可以基于历史数据构建组合深度学习模型，通过实时数据进行数据预测等。
根据本申请的一些实施例，控制端120、用户端130可以为相同或不同的终端设备等。所述终端设备可以包括但不限于管控***，云控平台，智能终端，移动终端，计算机等。在智能交通场景中，控制端120可以包括管控***等，用户端130可以包括显示装置等。在一些实施例中，控制端120和用户端130可以集成在一个设备中，例如，管控***等。在一些实施例中，服务器140是计算机的一种，具有比普通计算机运行更快、负载更高等优势，而相对应的价格更高昂。在网络环境中，服务器可以为其它客户机(例如，PC机、智能手机、ATM等终端，以及交通***等大型设备)提供计算或者应用服务。服务器具有高速的CPU运算能力、长时间的可靠运行、强大的I/O外部数据吞吐能力以及更好的扩展性。所述服务器可以提供的服务包括但不限于承担响应服务请求、承担服务、保障服务的能力等。所述服务器作为电子设备，具有极其复杂的内部结构，包括与普通计算机相近的内部结构等，作为示例，所述服务器的内部结构可以包括中央处理器(Central Processing Unit，CPU)、硬盘、内存，***、***总线等。
在本申请的一些实施例中，基于深度强化学***板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。
在一些实施例中，所述WIFI可以为其他类型的无线通信技术。根据本申请的一些实施例，所述无线通信可以包括无线局域网(WiFi，Wireless Fidelity)、蓝牙、低功耗蓝牙(BLE，Bluetooth Low Energy)、紫蜂协议(ZigBee)、近场通讯(NFC，Near FieldCommunication)、磁安全传输、射频和体域网(BAN，Body Area Network)等，或几种的组合。根据本申请的一些实施例，所述有线通信可以包括全球导航卫星***(Glonass/GNSS，Global Navigation Satellite System)、全球定位***(GPS，Global Position System)、北斗导航卫星***或伽利略(欧洲全球卫星导航***)等。所述有线通信可以包括通用串行总线(USB，Universal Serial Bus)、高清多媒体接口(HDMI，High-Definition MultimediaInterface)、推荐标准232(RS-232，Recommend Standard 232)、和/或简易老式电话服务(POTS，Plain Old Telephone Service)等，或几种的组合。
需要说明的是，以上对于基于深度强化学习模型的高速公路货车流量预测装置100的描述，仅为描述方便，并不能把本申请限制在所举实施例的范围之内。可以理解，对于本领域技术人员，基于本***的原理，可能在不背离该原理的前提下，对各个元件进行任意组合，或者构成子***与其他元件连接，对实施上述方法和***的应用领域进行形式和细节上的各种修正和改变。例如，服务器140和/或控制端120可以通过路侧设备(例如，雷达检测器等)等获取车辆的流量数据等。又例如，控制端120/用户端130可以集成在管控***中等。诸如此类的变形，均在本申请的保护范围之内。
图2是根据本申请的一些实施例提供的基于深度强化学习模型的高速公路货车流量预测算法的示例性流程图。如图2所述，流程200可以通过基于深度强化学习模型的高速公路货车流量预测装置100实现。在一些实施例中，所述基于深度强化学习模型的高速公路货车流量预测算法200可以自动启动或通过指令启动。所述指令可以包括***指令、设备指令、用户指令、动作指令等，或几种的组合。
在201，获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]。操作201可以通过基于深度强化学习模型的高速公路货车流量预测装置100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以获取第一路段的所有车道的第一车辆流量在t时刻的第一数据。所述第一数据可以包括实时数据和历史数据，t∈[1,T]。作为示例，t∈[1,T]包括第1时刻至第T时刻，T为大于1的整数。每个时刻可以对应设置为区间(00:00，24:00]的任一时间点，每个时刻的时间间隔可以设置为5分钟至180分钟。例如，T＝4，t∈[1,4]，包括第1时刻至第4时刻，当每个时刻间隔60分钟，第1时刻至第4时刻可以对应01:00、02:00、03:00、04:00，或21:00、22:00、23:00、24:00，或23:00、24:00、01:00、02:00等。又例如，T＝8，t∈[1,8]，包括第1时刻至第8时刻，当每个时刻间隔30分钟，第1时刻至第8时刻可以对应01:30、02:00、02:30、03:00、03:30、04:00、04:30、05:00等。在一些实施例中，所述第一路段可以包括高速公路的监测路段，所述监测路段可以包括事故易发路段、高车流量路段等。所述第一车辆可以包括大型车辆、重型车辆，例如，货车等。
在一些实施例中，所述获取实时数据具体包括通过路侧设备实时采集第一车辆流量数据X＝[x1,x2,…,xT]，xt＝[q1,t,q2,t,…,qr,t]，xt为时刻t第一路段l所有车道监测的第一车辆流量，第一路段l所有车道数为r，t∈[1,T]。所述路侧设备可以包括雷达检测器，例如，超视距毫米波雷达等。所述超视距毫米波雷达可以设置安装在高速公路沿线，实现分路段、分时段、分车道、分车型等车辆流量感知数据以及用于获取历史数据等。
在一些实施例中，所述历史数据具体包括通过路侧设备历史采集的第一车辆流量数据X-w＝[x1,-w,x2,-w,…,xT,-w]，X-w为预测日前w天的交通流数据，xt,-w＝[q1,t,-w,q2,t,-w,…,qr,t,-w]，第一路段l所有车道数为r，t∈[1,T]。
在202，将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据。操作202可以通过基于深度强化学习模型的高速公路货车流量预测装置100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以对所述第一数据进行预处理。所述预处理可以包括数据归一化处理，得到第二数据；所述第二数据可以包括归一化数据。所述归一化数据可以包括归一化实时数据和归一化历史数据。
作为示例，所述数据归一化处理具体可以包括根据最大-最小归一化方法，将每一实时数据和历史数据归一化至[0,1]区间，
Figure BDA0003713538040000091
其中，x′t为归一化后的值，xt|min、xt|max分别代表xt的最小值、最大值。
在203，基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数。操作203可以通过基于深度强化学习模型的高速公路货车流量预测装置100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以基于LSTM模型，构建至少两个单深度学习模型。在一些实施例中，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数，当n＝4时，构建四个单深度学习模型，可以基于历史时刻t-4、t-3、t-2、t-1以及当前时刻(t时刻)的流量数据，预测未来时刻t+1或者多个未来时刻t+1、t+2、t+3等时刻的流量数据。所述i可以为t时刻与历史时刻或未来时刻的时间间隔的系数，若i＝1，t-1为与t时刻间隔1个时间间隔的历史时刻，t+1为与t时刻间隔1个时间间隔的未来时刻。作为示例，第1个所述单深度学习模型包括t-1时刻至t时刻的数据，第2个所述单深度学习模型包括t-2时刻至t时刻的数据，第3个所述单深度学习模型包括t-3时刻至t时刻的数据，第4个所述单深度学习模型包括t-4时刻至t时刻的数据。又例如，当n＝8时，构建八个单深度学习模型等。
在一些实施例中，所述构建至少两个单深度学习模型，具体包括输入归一化数据X’＝[x’1,x’2,…,x’T]，隐藏层h＝[h1,h2,…,hT]和输出层y＝[y1,y2,…,yT]，x’t为t时刻的输入，yt为t时刻的输出，ht为t时刻的隐藏状态；对每一隐藏层的神经元引入LSTM；通过输出层，计算输出结果yt，
yt＝g(Wyhht+by)
式中：Wyh为输出权重，by为输出的偏置，g()为输出层的激活函数。
在一些实施例中，所述对每一隐藏层的神经元引入LSTM，具体包括通过门控单元控制记忆单元的状态，所述门控单元包括遗忘门、输入门、输出门；所述遗忘门，根据x’t和ht-1计算遗忘门激活函数值ft，确定是否删除记忆单元信息，
ft＝σ(Wf[ht-1,x’t])+bf
其中，ft表示遗忘门限，σ为sigmoid函数，Wf为遗忘门权重，bf为遗忘门的偏置；
所述输入门，根据x’t和ht-1计算输入门激活函数值it、C’t，根据输入门的计算结果确定是否向记忆单元增加信息，
it＝σ(Wi[ht-1,x’t])+bi
C’t＝tanh(Wc[ht-1,x’t])+bc
其中，it为需要记忆的信息，C’t为候选记忆单元用于更新记忆单元，Wi、Wc输入门权重，bi、bc为输入门偏置，σ、tanh为sigmoid函数、双曲正切函数；所述遗忘门和所述输出门完成计算后，
Ct＝ft·Ct-1+it·C’t；
所述输出门，根据x’t和ht-1、Ct计算输出门的激活函数值ot，然后计算隐藏层输出值ht，
ot＝σ(Wo[ht-1,x’t])+bo
ht＝ot·tanhCt。
在204，将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差。操作204可以通过基于深度强化学习模型的高速公路货车流量预测装置100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以将归一化历史数据根据预设比例划分训练集和测试集。作为示例，所述预设比例可以设置为90％训练集和10％测试集。所述训练集可以用于训练所述单深度学习模型。所述测试集可以用于确定多个(例如，至少两个)所述单深度学习模型的预测误差等。
根据本申请的一些实施例，所述利用所述训练集训练所述单深度学习模型，具体包括所述历史数据根据预设比例划分90％训练集与10％测试集，通过训练集，训练单深度学习模型，并采用均方根误差作为损失函数确定最优参数，
Figure BDA0003713538040000101
式中：N为训练样本总数，
Figure BDA0003713538040000111
为预测值，lj为实际值，θ为模型参数。
在一些实施例中，所述利用所述测试集确定所述i个单深度学习模型的预测误差具体包括将10％测试集输入i个单深度学习模型，得到各单深度学习模型的预测误差。作为示例，i∈[1,n]，当n＝4，确定第1个所述单深度学习模型基于t-1时刻至t时刻的数据，预测t+1时刻的预测误差为第一误差；确定第2个所述单深度学习模型基于t-2时刻至t时刻的数据，预测t+1时刻的预测误差为第二误差；确定第3个所述单深度学习模型基于t-3时刻至t时刻的数据，预测t+1时刻的预测误差为第三误差；确定第4个所述单深度学习模型基于t-4时刻至t时刻的数据，预测t+1时刻的预测误差为第四误差。
在205，基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型。操作205可以通过基于深度强化学习模型的高速公路货车流量预测装置100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以基于所述预测误差赋予多个(例如，至少两个)所述单深度学习模型不同权重，构建组合深度学习模型。
在一些实施例中，所述构建组合深度学习模型，具体包括：
Figure BDA0003713538040000112
式中：ω(t-i)为t-i时刻第一路段l(监测路段)第i个单深度学习模型的权重，
Figure BDA0003713538040000113
为t-i时刻第一路段l(监测路段)第i个单深度学习模型的预测误差，fi(x’t)为第i个单深度学习模型的预测值。在一些实施例中，所述t-i时刻第一路段l(监测路段)可以包括t-i时刻至t时刻的第一路段l(监测路段)。
作为示例，i∈[1,n]，当n＝4，基于第一误差，确定第1个所述单深度学习模型的第一权重；基于第二误差，确定第2个所述单深度学习模型的第二权重；基于第三误差，确定第3个所述单深度学习模型的第三权重；基于第四误差，确定第4个所述单深度学习模型的第四权重。根据所述第一权重至第四权重，构建组合深度学习模型。
在206，基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。操作206可以通过基于深度强化学习模型的高速公路货车流量预测装置100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。例如，利用训练好的LSTM组合深度学习模型，对高速公路特定车型流量(货车流量)进行预测。
在一些实施例中，所述通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量，具体包括输入当前第一路段历史时刻及当前时刻的第一车辆流量数据，利用所述组合深度学习模型进行预测，输出模型预测结果作为下一时刻的第一车辆流量数据；同步更新第一车辆流量时变趋势，上传至管控***。根据本申请的一些实施例，流程200可以进一步包括基于车辆流量时变趋势，反馈至管控***，并下发车道级控制策略等操作。作为示例，基于高速公路特定车型流量(例如，货车流量)预测结果作为下一时刻的流量数据，同步更新货车流量时变趋势，反馈至高速公路指挥中心坐席管控***，支持智能网联环境下发车道级控制策略，例如，开启货车专用车道等。
根据本申请的一些实施例，所述车道级控制策略信息可以在用户端130的用户界面(UI)中显示，所述车道级控制策略信息的显示场景可以包括但不限于通过VR，AR，MR，XR任一形式或组合形式进行场景显示。
根据本申请的一些实施例，提供基于深度强化学习模型的高速公路货车流量预测软件，所述软件包括计算机程序，存储于计算机可读介质，所述计算机程序使计算机执行步骤：获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]；将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据；基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数；将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差；基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。
根据本申请的一些实施例，提供基于深度强化学习模型的高速公路货车流量预测装置，所述装置包括：获取模块，被配置为获取超视距毫米波雷达的感知数据以及历史数据；预测模块，被配置为基于组合深度学习模型预测第一车辆的流量；输出模块，被配置为基于所述第一车辆的流量，更新第一车辆流量时变趋势，上传至管控***；一个存储器，被配置为存储数据及指令；一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]；将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据；基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数；将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差；基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。
需要说明的是，以上对于流程200、软件、装置的描述，仅为描述方便，并不能把本申请限制在所举实施例的范围之内。可以理解，对于本领域技术人员，基于本***的原理，可能在不背离该原理的前提下，对各个操作进行任意组合，或者构成子流程与其它操作组合，对实施上述流程和操作的功能进行形式和细节上的各种修正和改变。例如，流程200可以进一步包括基于车辆流量时变趋势，反馈至管控***，并下发车道级控制策略等操作。又例如，流程200可以进一步构建八个单深度学习模型等。诸如此类的变形，均在本申请的保护范围之内。
综上所述，根据本申请实施例的基于深度强化学习模型的高速公路货车流量预测算法、软件与装置，通过高速公路沿线均匀部署的雷达检测器(例如，超视距毫米波雷达)实时采集的高速公路特定车型流量特征数据，利用深度强化学习方法构建高速公路特定车型交通流预测模型，然后通过强化学习算法进行训练，实现对未来时刻特定车型通行总量的准确预测，有助于辅助高速指挥中心坐席人员提前调整策略，保障高速公路安全。
需要注意的是，上述的实施例仅仅是用作示例，本申请不限于这样的示例，而是可以进行各种变化。
需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后，还需要说明的是，上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理，而且包括并行或分别地、而不是按时间顺序执行的处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于一计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器(Read-Only Memory，ROM)或随机存储器(Random Access Memory，RAM)等。
以上所揭露的仅为本申请一些优选的实施例，不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种基于深度强化学习模型的高速公路货车流量预测算法，其特征在于，包括：
获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]；
将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据；
基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数；
将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差；
基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；
基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。
2.根据权利要求1所述的基于深度强化学习模型的高速公路货车流量预测算法，其特征在于，所述获取实时数据具体包括通过路侧设备实时采集第一车辆流量数据X＝[x1,x2,…,xT]，xt＝[q1,t,q2,t,…,qr,t]，xt为时刻t第一路段l所有车道监测的第一车辆流量，第一路段l所有车道数为r，t∈[1,T]。
3.根据权利要求2所述的基于深度强化学习模型的高速公路货车流量预测算法，其特征在于，所述历史数据具体包括通过路侧设备历史采集的第一车辆流量数据X-w＝[x1,-w,x2,-w,…,xT,-w]，X-w为预测日前w天的交通流数据，xt,-w＝[q1,t,-w,q2,t,-w,…,qr,t,-w]，第一路段l所有车道数为r，t∈[1,T]。
4.根据权利要求3所述的基于深度强化学习模型的高速公路货车流量预测算法，其特征在于，所述数据归一化处理具体包括：
根据最大-最小归一化方法，将每一实时数据和历史数据归一化至[0,1]区间，
Figure FDA0003713538030000011
其中，x′t为归一化后的值，xt|min、xt|max分别代表xt的最小值、最大值。
5.根据权利要求4所述的基于深度强化学习模型的高速公路货车流量预测算法，其特征在于，所述构建至少两个单深度学习模型，具体包括：
输入归一化数据X’＝[x’1,x’2,…,x’T]，隐藏层h＝[h1,h2,…,hT]和输出层y＝[y1,y2,…,yT]，x’t为t时刻的输入，yt为t时刻的输出，ht为t时刻的隐藏状态；
对每一隐藏层的神经元引入LSTM；
通过输出层，计算输出结果yt，
yt＝g(Wyhht+by)
式中：Wyh为输出权重，by为输出的偏置，g()为输出层的激活函数。
6.根据权利要求5所述的基于深度强化学习模型的高速公路货车流量预测算法，其特征在于，所述对每一隐藏层的神经元引入LSTM，具体包括：
通过门控单元控制记忆单元的状态，所述门控单元包括遗忘门、输入门、输出门；
所述遗忘门，根据x’t和ht-1计算遗忘门激活函数值ft，确定是否删除记忆单元信息，
ft＝σ(Wf[ht-1,x’t])+bf
其中，ft表示遗忘门限，σ为sigmoid函数，Wf为遗忘门权重，bf为遗忘门的偏置；
所述输入门，根据x’t和ht-1计算输入门激活函数值it、C’t，根据输入门的计算结果确定是否向记忆单元增加信息，
it＝σ(Wi[ht-1,x’t])+bi
C’t＝tanh(Wc[ht-1,x’t])+bc
其中，it为需要记忆的信息，C’t为候选记忆单元用于更新记忆单元，Wi、Wc输入门权重，bi、bc为输入门偏置，σ、tanh为sigmoid函数、双曲正切函数；
所述遗忘门和所述输出门完成计算后，
Ct＝ft·Ct-1+it·C’t；
所述输出门，根据x’t和ht-1、Ct计算输出门的激活函数值ot，然后计算隐藏层输出值ht，
ot＝σ(Wo[ht-1,x’t])+bo
ht＝ot·tanhCt。
7.根据权利要求6所述的基于深度强化学习模型的高速公路货车流量预测算法，其特征在于，所述利用所述训练集训练所述单深度学习模型，具体包括：
所述历史数据根据预设比例划分90％训练集与10％测试集，通过训练集，训练单深度学习模型，并采用均方根误差作为损失函数确定最优参数，
Figure FDA0003713538030000031
式中：N为训练样本总数，
Figure FDA0003713538030000032
为预测值，lj为实际值，θ为模型参数。
8.根据权利要求7所述的基于深度强化学习模型的高速公路货车流量预测算法，其特征在于，所述构建组合深度学习模型，具体包括：
Figure FDA0003713538030000033
式中：ω(t-i)为t-i时刻第一路段l第i个单深度学习模型的权重，
Figure FDA0003713538030000034
Figure FDA0003713538030000035
ω(t-i)≥0，i∈[1,n]，
Figure FDA0003713538030000036
为t-i时刻第一路段l第i个单深度学习模型的预测误差，fi(x’t)为第i个单深度学习模型的预测值。
9.一种基于深度强化学习模型的高速公路货车流量预测软件，所述软件包括计算机程序，存储于计算机可读介质，其特征在于，所述计算机程序使计算机执行步骤：
获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]；
将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据；
基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数；
将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差；
基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；
基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。
10.一种基于深度强化学习模型的高速公路货车流量预测装置，其特征在于，包括：
获取模块，被配置为获取超视距毫米波雷达的感知数据以及历史数据；
预测模块，被配置为基于组合深度学习模型预测第一车辆的流量；
输出模块，被配置为基于所述第一车辆的流量，更新第一车辆流量时变趋势，上传至管控***；
一个存储器，被配置为存储数据及指令；
一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：
获取第一路段的所有车道的第一车辆流量在t时刻的第一数据，所述第一数据包括实时数据和历史数据，t∈[1,T]；
将所述第一数据进行预处理，所述预处理包括数据归一化处理，得到第二数据，所述第二数据包括归一化数据，所述归一化数据包括归一化实时数据和归一化历史数据；
基于LSTM模型，构建至少两个单深度学习模型，第i个所述单深度学习模型包括t-i时刻至t时刻的数据，i∈[1,n]，n为大于等于2的整数；
将归一化历史数据根据预设比例划分训练集和测试集，利用所述训练集训练多个所述单深度学习模型，利用所述测试集确定多个所述单深度学习模型的预测误差；
基于所述预测误差赋予多个所述单深度学习模型不同权重，构建组合深度学习模型；
基于所述组合深度学习模型，通过输入历史时刻及当前时刻的第一车辆流量，输出下一时刻的第一车辆流量。
CN202210731145.3A 2022-06-24 2022-06-24 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置 Pending CN115116226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210731145.3A CN115116226A (zh) 2022-06-24 2022-06-24 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210731145.3A CN115116226A (zh) 2022-06-24 2022-06-24 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置

Publications (1)

Publication Number Publication Date
CN115116226A true CN115116226A (zh) 2022-09-27

Family

ID=83330084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210731145.3A Pending CN115116226A (zh) 2022-06-24 2022-06-24 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置

Country Status (1)

Country Link
CN (1) CN115116226A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311948A (zh) * 2023-05-11 2023-06-23 武汉理工大学三亚科教创新园 基于交通流速度预测和信号灯状态的车辆路径规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
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
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN113344254A (zh) * 2021-05-20 2021-09-03 山西省交通新技术发展有限公司 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
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
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN113344254A (zh) * 2021-05-20 2021-09-03 山西省交通新技术发展有限公司 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311948A (zh) * 2023-05-11 2023-06-23 武汉理工大学三亚科教创新园 基于交通流速度预测和信号灯状态的车辆路径规划方法

Similar Documents

Publication Publication Date Title
US10977585B2 (en) Order allocation system and method
WO2018214361A1 (en) Systems and methods for improvement of index prediction and model building
WO2020029164A1 (en) Systems and methods for allocating orders
JP6483852B2 (ja) サービス時点を予測するシステム及び方法
CN111831675A (zh) 一种仓储模型训练方法、装置、计算机设备及存储介质
US20220340146A1 (en) Apparatus and method for calculating ratio of negligence based on 3d simulator
CN110914856B (zh) 用于确定线上到线下服务的营销策略的***和方法
AU2018381722A1 (en) Systems and methods for determining an estimated time of arrival for online to offline services
US20240176045A1 (en) Nowcasting using generative neural networks
CN112862546B (zh) 用户流失预测方法、装置、计算机设备及存储介质
CN115148026A (zh) 一种数据驱动的交通安全风险评估与可变限速管控算法及***
CN115116226A (zh) 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置
CN113628221B (zh) 图像处理方法、图像分割模型训练方法及相关装置
CN116030617A (zh) 一种基于公路od数据进行车流量预测的方法及装置
CN111667689B (zh) 车辆旅行时间预测的方法、设备和计算机设备
CN112862183A (zh) 充电难度的预测方法、模型的训练方法、装置以及设备
CN112651550A (zh) 一种路况预测方法、装置及可读存储介质
CN115631628B (zh) 车道可变限速控制方法、装置、计算机设备和存储介质
CN111291253B (zh) 模型训练方法、咨询推荐方法、装置及电子设备
CN113723712B (zh) 风电功率预测方法、***、设备及介质
US20210168195A1 (en) Server and method for controlling server
CN109598508B (zh) 一种识别方法和装置、一种计算设备及存储介质
CN113924460B (zh) 确定服务请求的推荐信息的***和方法
Chu et al. Deep Encoder Cross Network for Estimated Time of Arrival
CN114036830B (zh) 基于多视图集成学习的公交车载重预测方法及装置

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