CN115186047B - 交通流量动态图重构方法、相关装置及计算机程序产品 - Google Patents
交通流量动态图重构方法、相关装置及计算机程序产品 Download PDFInfo
- Publication number
- CN115186047B CN115186047B CN202210837366.9A CN202210837366A CN115186047B CN 115186047 B CN115186047 B CN 115186047B CN 202210837366 A CN202210837366 A CN 202210837366A CN 115186047 B CN115186047 B CN 115186047B
- Authority
- CN
- China
- Prior art keywords
- flow
- node
- implicit
- auxiliary
- dynamic 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000010586 diagram Methods 0.000 title claims description 25
- 238000004590 computer program Methods 0.000 title abstract description 15
- 238000012512 characterization method Methods 0.000 claims abstract description 83
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005206 flow analysis Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 39
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 230000001537 neural effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种交通流量动态图重构方法、相关装置及计算机程序产品,涉及深度学习、动态图重构、变分推断等人工智能技术领域。该方法包括:获取构成目标动态图的各时刻快照,该目标动态图用于记录交通流量信息,各时刻快照中包括存在部分节点信息缺失的目标快照;根据各时刻快照分别生成每个节点的吸引流量隐式表征和发出流量隐式表征;融合吸引流量隐式表征和发出流量隐式表征的非线性特征,得到融合特征;利用多层感知机处理每个节点的融合特征,得到起点终点流量估计矩阵;基于起点终点流量估计矩阵中任意起点终点对的交通流量信息,重构目标快照所缺失的部分节点信息。应用该方法可准确的补全动态图中缺失的部分节点信息。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及深度学习、动态图重构、变分推断等人工智能技术领域,尤其涉及一种交通流量动态图重构方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
OD流量矩阵(Origin-Destination Matrix Completion,中文全称为:起点终点流量估计矩阵)是对城市不同观测节点(这些观测节点可以是粗粒度的乡镇/社区,也可以是更细粒度的路口等)之间的流量进行刻画的一种表征方式。
由于传感器数据的质量参差不齐,可能会导致部分节点的观测数据缺失,因而需要OD流量矩阵以重构的方式进行补全,进而将补全后的OD流量矩阵补全用于城市交通流量的态势研判。
发明内容
本公开实施例提出了一种交通流量动态图重构方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种交通流量动态图重构方法,包括:获取构成目标动态图的各时刻快照;其中,目标动态图用于记录交通流量信息,各时刻快照中包括存在部分节点信息缺失的目标快照;根据各时刻快照分别生成每个节点作为吸引对象时的吸引流量隐式表征、作为发出对象时的发出流量隐式表征;融合吸引流量隐式表征和发出流量隐式表征的非线性特征,得到融合特征;利用多层感知机处理每个节点的融合特征,得到起点终点流量估计矩阵;基于起点终点流量估计矩阵中任意起点终点对的交通流量信息,重构目标快照所缺失的部分节点信息。
第二方面,本公开实施例提出了一种交通流量动态图重构装置,包括:动态图快照获取单元,被配置成获取构成目标动态图的各时刻快照;其中,目标动态图用于记录交通流量信息,各时刻快照中包括存在部分节点信息缺失的目标快照;隐式表征生成单元,被配置成根据各时刻快照分别生成每个节点作为吸引对象时的吸引流量隐式表征、作为发出对象时的发出流量隐式表征;非线性特征融合单元,被配置成融合吸引流量隐式表征和发出流量隐式表征的非线性特征,得到融合特征;多层感知机处理单元,被配置成利用多层感知机处理每个节点的融合特征,得到起点终点流量估计矩阵;缺失信息重构单元,被配置成基于起点终点流量估计矩阵中任意起点终点对的交通流量信息,重构目标快照所缺失的部分节点信息。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的交通流量动态图重构方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的交通流量动态图重构方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的交通流量动态图重构方法的步骤。
本公开提供的交通流量动态图重构方案,通过根据构成交通流量动态图的各时刻快照确定每个节点分别作为吸引对象的吸引流量隐式表征和发出对象的发出流量隐式表征,得以充分契合交通场景下每个节点的流量特性,而通过非线性处理和融合使得融合特征充分考虑到实际情况下的非线性因素,且通过多层感知机来处理每个节点的融合特征,由于多层感知机将向所有节点共享自身的感知机参数,得以更好的结合每个节点的特征,进而使得重构出的起点终点流量估计矩阵能够包含更准确的缺失信息,进而实现对缺失部分的良好补全。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性***架构;
图2为本公开实施例提供的一种交通流量动态图重构方法的流程图;
图3为本公开实施例提供的一种重构交通流量动态图的方法的流程图;
图4为本公开实施例提供的另一种交通流量动态图重构方法的流程图;
图5为本公开实施例提供的一种对交通流量进行分析的方法的流程图;
图6为本公开实施例提供的在一应用场景下的交通流量动态图重构方法的流程示意图;
图7为本公开实施例提供的一种交通流量动态图重构装置的结构框图;
图8为本公开实施例提供的一种适用于执行交通流量动态图重构方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的交通流量动态图重构方法、装置、电子设备及计算机可读存储介质的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如交通流量分析类应用、动态图重构类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等;当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中,其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以为交通流量动态图提供重构服务的动态图重构类应用为例,服务器105在运行该动态图重构类应用时可实现如下效果:根据接收到的存在部分节点信息缺失的交通流量动态图,通过动态图重构方案来补全缺失的部分节点信息。
需要指出的是,存在部分节点信息缺失的交通流量动态图除可以从终端设备101、102、103通过网络104获取到之外,也可以通过各种方式预先存储在服务器105本地。因此,当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理任务),可选择直接从本地获取这些数据,在此种情况下,示例性***架构100也可以不包括终端设备101、102、103和网络104。
由于动态图重构需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的交通流量动态图重构方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,交通流量动态图重构装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的动态图重构类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但动态图重构类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器105的运算压力,相应的,交通流量动态图重构装置也可以设置于终端设备101、102、103中。在此种情况下,示例性***架构100也可以不包括服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,图2为本公开实施例提供的一种交通流量动态图重构方法的流程图,其中流程200包括以下步骤:
步骤201:获取构成目标动态图的各时刻快照;
本步骤旨在由交通流量动态图重构方法的执行主体(例如图1所示的服务器105)获取构成目标动态图的各时刻快照,其中,该目标动态图用于记录交通流量信息,也可以将其简称为交通流量动态图,而各时刻快照中包括存在部分节点信息缺失的目标快照。
通常情况下,一个动态图至少由两个时刻的快照构成,假定该目标动态图由时刻1到时刻T的T张快照构成,目标快照通常是除首张快照之外的其它时刻快照,大概率是为最后一张的T时刻快照,以充分利用前面的多个时刻快照中记录的信息来对T时刻快照中确实的部分节点信息进行补全。
需要说明的是,由于目标动态图是用于记录交通流量信息的动态图,而交通流量信息的描述则是由出现在目标区域内的各个交通对象之间的交互,交通对象包括红绿灯、车辆、站牌、路口、建筑物等等,即将每个交通对象都将作为一个独立的节点,以节点之间的轨迹信息描绘交通流量。
步骤202:根据各时刻快照分别生成每个节点作为吸引对象时的吸引流量隐式表征、作为发出对象时的发出流量隐式表征;
在步骤201的基础上,本步骤旨在由上述执行主体根据各时刻快照分别生成每个节点吸引流量的隐式表征和发出流量的隐式表征。
其中,节点吸引流量的隐式表征是该节点在交通场景下作为吸引其它节点到来的吸引对象时所呈现出的流量的隐式表征;反之,节点发出流量的隐式表征是该节点在交通场景下作为向其它节点进发的发出对象时所呈现的流量的隐式表征。简单来说,吸引流量和发出流量对应“驶入”和“驶出”两个动作所分别呈现出的流量。
隐式表征出自隐式神经表示法(Implicit Neural Representations),是一种将各种信号参数化的新方法。传统的信号表示通常是离散的,例如图像是像素的离散网格,音频信号是振幅的离散样本,三维形状通常被参数化为体素、点云或网格的网格;相反,隐式神经表示将信号参数化为连续函数,该函数将信号域(即,坐标,如图像的像素坐标)映射到该坐标处的任何位置(对于图像,为R、G、B颜色)。当然,这些函数通常上是不可处理的,即不可能“写下”将自然图像参数化为数学公式的函数。因此,隐式神经表示通过神经网络去靠近该“自然表示”函数,基于此构建出的尽可能接近实际情况的表征即为隐式表征。
即本步骤分别生成吸引流量的隐式表征和发出流量的隐式表征,则是期望通过将吸引流量和发出流量的特点利用隐式神经表示法更好的呈现出来。
步骤203:融合吸引流量隐式表征和发出流量隐式表征的非线性特征,得到融合特征;在步骤202的基础上,本步骤旨在由上述执行主体首先利用非线性层处理吸引流量的隐式表征和发出流量的隐式表征,得到吸引流量的非线性特征和发出流量的非线性特征,最终将同一节点的两个非线性特征进行融合。
在步骤202的基础上,本步骤旨在由上述执行主体首先利用非线性层处理吸引流量的隐式表征和发出流量的隐式表征,得到吸引流量的非线性特征和发出流量的非线性特征,最终将同一节点的两个非线性特征进行融合。
其中,之所以用非线性层处理吸引流量和发出流量的隐式表征,也是考虑到实际情况的交通流量特性不太适合使用“线性”方式进行拟合,更适合使用“非线性”的方式进行拟合,从而使得处理得到的非线性特征能够更加贴近实际情况。
而融合吸引流量和发出流量的非线性特征,则是结合同一节点在分别作为吸引对象和发出对象时的不同特征,使得融合特征包含的交通流量特征更加全面、准确。
步骤204:利用多层感知机处理每个节点的融合特征,得到起点终点流量估计矩阵;
在步骤203的基础上,本步骤旨在由上述执行主体利用多层感知机处理每个节点的融合特征,以得到起点终点流量估计矩阵(即OD流量矩阵)。
基于生物神经元模型可得到多层感知机(Multilayer Perceptron,MLP)的基本结构,最典型的MLP包括三层:输入层、隐层(hidden layer)和输出层(即在单层神经网络的基础上引入了一到多个隐藏层,该隐藏层位于输入层和输出层之间),MLP神经网络不同层之间是全连接的,全连接的意思就是:上一层的任何一个神经元与下一层的所有神经元都有连接,即根据多层感知机的此种特性,可以向所有节点共享感知机参数。
步骤205:基于起点终点流量估计矩阵中任意起点终点对的交通流量信息,重构目标快照所缺失的部分节点信息。
在步骤204的基础上,本步骤旨在由上述执行主体基于起点终点流量估计矩阵中任意起点终点对的交通流量信息,重构目标快照所缺失的部分节点信息。
其中,任意起点终点对即为由OD流量矩阵中任意两个节点构成的OD流量对,任意两个节点的一个被选作为起点、另一个被选作终点,通常将先挑选出的一个节点作为起点,后挑选出的另一个节点作为终点。
本公开实施例提供的交通流量动态图重构方法,通过根据构成交通流量动态图的各时刻快照确定每个节点分别作为吸引对象的吸引流量隐式表征和发出对象的发出流量隐式表征,得以充分契合交通场景下每个节点的流量特性,而通过非线性处理和融合使得融合特征充分考虑到实际情况下的非线性因素,且通过多层感知机来处理每个节点的融合特征,由于多层感知机将向所有节点共享自身的感知机参数,得以更好的结合每个节点的特征,进而使得重构出的起点终点流量估计矩阵能够包含更准确的缺失信息,进而实现对缺失部分的良好补全。
请参考图3,图3为本公开实施例提供的一种重构交通流量动态图的方法的流程图,即针对图2所示的流程200中的步骤205提供了一种具体的实现方式,流程200中的其它步骤并不做调整,可通过将本实施例所提供的具体实现方式以替换步骤205的方式得到一个新的完整实施例。其中流程300包括以下步骤:
步骤301:将起点终点流量估计矩阵中的任一节点作为起点、任一节点作为终点,构建出行事件;
本步骤旨在由上述执行主体从起点终点流量估计矩阵中,挑选任一节点作为起点、任一节点作为终点,进而构建起点与重点之间的出行事件。通常情况下,起点与终点并不相同。
步骤302:将泊松分布作为计算变分推断原理的证据下界方式的期望求取方式,拟合出行事件中起点与终点之间的目标交通流量信息;
变分推断(Variational Inference, VI)是贝叶斯近似推断方法中的一大类方法,将后验推断问题巧妙地转化为优化问题进行求解。在概率模型的应用中,一个中心任务是在给定观测(可见)数据变量X的条件下,计算潜在变量Z的后验概率分布,以及计算关于这个概率分布的期望。对于实际应用中的许多模型来说,计算后验概率分布或者计算关于这个后验概率分布的期望是不可行的。这可能是由于潜在空间的维度太高,以至于无法直接计算,或者由于后验概率分布的形式特别复杂,从而期望无法得到解析解。
对于普通的函数f(x),可以认为f是一个关于x的一个实数算子,其作用是将实数x映射到实数f(x)。那么类比这种模式,假设存在函数算子F,它是关于f(x)的函数算子,可以将f(x)映射成实数F(f(x))。对于f(x)可通过改变x来求出f(x)的极值,而在变分中这个x会被替换成一个函数y(x),即通过改变x来改变y(x),最后使得F(y(x))求得极值。
变分:指的是泛函的变分,它最终寻求的是极值函数,它们使得泛函取得极大或极小值。比如,从A点到B点有无数条路径,每一条路径都是一个函数,这无数条路径,每一条函数(路径)的长度都是一个数,那你从这无数个路径当中选一个路径最短或者最长的,这就是求泛函的极值问题。
在此基础上,变分推断就可以理解为;寻找一个简单的分布来近似推断问题中无法求解的后验概率密度。用数学语言表示就是想最小化,但因为KL散度(Kullback-Leiblerdivergence)中的后验概率密度也是无法求解的,因此借助EM(Expectation-maximization,期望最大化)的推导思路,将问题由最小化KL散度转化为最大化证据下界(Evidence Lower Bound,这里的证据指数据或可观测变量的概率密度)。
在步骤301的基础上,本步骤旨在由上述执行主体将泊松分布作为计算变分推断原理的证据下界方式的期望求取方式,拟合得到该出行事件中起点与终点之间的目标交通流量信息。
泊松分布(Poisson Distribution)适合于描述单位时间(或空间)内随机事件发生的次数。如某一服务设施在一定时间内到达的人数,电话交换机接到呼叫的次数,汽车站台的候客人数,机器出现的故障数,自然灾害发生的次数,一块产品上的缺陷数,显微镜下单位分区内的细菌分布数等等。因此较为适合本公开所针对的交通流量分析场景来描述交通对象之间的流量信息,本步骤正是借助泊松分布的这一特性来将其作为证据下界方式的期望求取方式,进而尽可能准确的拟合得到该出行事件中起点与终点之间的目标交通流量信息。
步骤303:根据与目标快照所缺失的部分节点相关的目标交通流量信息,重构目标快照所缺失的部分节点信息。
在步骤302的基础上,本步骤旨在根据与目标快照所缺失的部分节点相关的目标交通流量信息,以借助节点之间的时空相关性来重构目标快照所缺失的部分节点信息,以使重构得到的部分节点信息尽可能的贴近实际情况下的真实信息。
本实施例通过在将OD流量矩阵中任意OD流量对构建为出行事件后,将更符合交通流量场景下的泊松分布作为计算变分推断原理的证据下界方式的期望求取方式,进而尽可能的拟合出行事件中起点与终点之间的准确的目标交通流量信息,最终使得重构的效果尽可能的好。
需要说明的是,本实施例给出了采用变分推断原理下的证据下界方式下的泊松分布来进行信息重构,也可以换用相同原理下相同计算方式下的不同分布来进行信息拟合,还可以换用相同原理下的不同计算方式,只要能够实现类似的技术效果即可,此处不做具体限定,上例仅作为一个示例性例子存在。
请参见图4,图4为本公开实施例提供的另一种交通流量动态图重构方法的流程图,其流程400包括如下步骤:
步骤401:获取构成目标动态图的各时刻快照;
步骤402:根据各时刻快照分别生成每个节点作为吸引对象时的吸引流量隐式表征、作为发出对象时的发出流量隐式表征;
步骤403:融合吸引流量隐式表征和发出流量隐式表征的非线性特征,得到融合特征;
以上步骤401-403与如图2所示的步骤201-203一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
步骤404:获取与目标动态图模态不同的辅助动态图,并获取构成辅助动态图的各时刻快照;
本步骤旨在由上述执行主体获取到与目标动态图分属不同模态的辅助动态图,并进一步的获取构成辅助动态图的各时刻快照。
即目标动态图与辅助动态图的模态不同,即两个动态图的获取渠道、信息的表现形式不同,但均记录有交通流量信息,也可以简单的理解为交通流量动态图的不同表现形式,以期通过不同的图表现形式、不同的信息获取渠道,来从另一模态中包含的交通流量信息从另一角度对缺失的部分节点进行补全,甚至还可以提升稀疏数的数据密度。
需要说明的是,辅助动态图的数量可以为多个,即可以同时结合多个不同模态的辅助动态图,以提升最终的重构效果。
步骤405:根据构成辅助动态图的各时刻快照,生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征;
具体的,可将构成辅助动态图的各时刻快照通过贝叶斯图表征学习方法,来生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征,以充分借助贝叶斯图表征学习方法与本公开所针对的动态图相契合的表征能力。
步骤406:融合辅助吸引流量隐式表征和辅助发出流量隐式表征的非线性特征,得到辅助融合特征;
步骤405-步骤405与步骤402-步骤403类似,区别仅在于源头一个是构成目标动态图的各时刻快照,一个是构成辅助动态图的各时刻快照,均用于生成吸引流量隐式表征和发出流量隐式表征,并进而融合其两个隐式表征的非线性特征。
步骤407:利用多层感知机处理每个节点的拼接特征,得到起点终点流量估计矩阵,拼接特征由融合特征和辅助融合特征拼接得到;
在步骤403和步骤406的基础上,本步骤旨在由上述执行主体首先拼接来自目标动态图的各节点融合特征和来自辅助动态图的各节点辅助融合特征,进而得到融合不同模态的拼接特征,之后再利用多层感知机来处理每个节点的拼接特征,最终得到结合不同模态信息的优化的起点终点流量估计矩阵。
步骤408:基于起点终点流量估计矩阵中任意起点终点对的交通流量信息,重构目标快照所缺失的部分节点信息。
步骤408与步骤205相同,此处不再赘述,相同部分可参见步骤205下的详细展开描述。
区别于图2所示的实现方案,本实施例还通过步骤404-步骤406增加了结合其它模态的辅助动态图的技术方案,以通过额外结合不同模态的辅助动态图中的交通流量信息,更好的来重构目标时刻确实的部分节点信息。
进一步的,考虑到与辅助动态图对应的隐式表征可以服从任意先验分布,而为了减少跨模态之间的差异,还可以对齐第一隐式表征和第二隐式表征的先验分布,该第一隐式表征为与目标动态图对应的隐式表征(即步骤202和步骤402中的吸引流量隐式表征和发出流量隐式表征),该第二隐式表征为与辅助动态图对应的隐式表征(即步骤405中的辅助吸引流量隐式表征和辅助发出流量隐式表征)。
更进一步的,为了防止与目标动态图不同模态的辅助动态图中的信息对来自目标动态图的隐式表征的先验分布进行干扰,还可以在训练的反向传播过程中,丢弃该第二隐式表征的梯度信息。
在上述实施例的基础上,本实施例还通过图5示出了一种对交通流量进行分析的方法的流程图,以充分考虑到补全后的动态图的实际使用场景和用法,其流程500包括如下步骤:
步骤501:根据重构得到的目标快照所缺失的部分节点信息,生成补全后动态图;
步骤502:基于补全后动态图中记录的各节点的交通流量信息,生成交通流量分析结果。
本实施例首先根据重构得到的目标快照所缺失的部分节点信息,得到生成的补全后动态图,然后基于补全信息的补全后动态图中所记录的各节点的交通流量信息,结合对应的交通流量管控区域,生成与实际需求对应的交通流量分析结果,进而基于该分析结果对各项交通管控参数进行调整或修正。
为加深理解,本公开还结合一个具体应用场景,给出了一种具体的实现方案,请参见图6所示的一种流程示意图:
1、给定一个动态图,其中动态图在时刻的快照,记为,/>和/>表示/>的节点集合和有向边集合。此外,/>的节点属性记为/>,邻接矩阵记为/>;
2、经过编码器得到时刻的隐式表征/>令/>,则/> 和/>分别表示吸引流量(in-flow)和发生流量(out-flow)的隐式表征,进而,分别输入到非线性层/>和/>;
3、利用多层感知机实现了一个端到端的表征融合过程来实现OD流量矩阵重构。具体而言,在得到每个节点的in-flow和out-flow表征之后,对其进行向量拼接,并喂给一个MLP。这里所有节点都共享MLP的参数;
4、通过上述步骤可以生成任意OD对的流量值,从而实现OD流量矩阵重构,此处将该解码过程记为;
具体的,可以将任意两个节点之间的一次出行当作是一个事件,那么OD对的流量值可以通过泊松分布进行拟合。因此,可以得到关于的如下后验分布:
。
进而,利用变分推断原理,利用端到端的学习实现OD流量矩阵重构。
即本实施例通过基于多层感知机构建的解码器,并利用泊松分布估计可以实现针对城市OD流量矩阵补全这个特殊应用场景的有向图深度重构方法,得以有效的提升了OD流量矩阵中缺失信息的补全效果。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种交通流量动态图重构装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的交通流量动态图重构装置700可以包括:动态图快照获取单元701、隐式表征生成单元702、非线性特征融合单元703、多层感知机处理单元704、缺失信息重构单元705。其中,动态图快照获取单元701,被配置成获取构成目标动态图的各时刻快照;其中,目标动态图用于记录交通流量信息,各时刻快照中包括存在部分节点信息缺失的目标快照;隐式表征生成单元702,被配置成根据各时刻快照分别生成每个节点作为吸引对象时的吸引流量隐式表征、作为发出对象时的发出流量隐式表征;非线性特征融合单元703,被配置成融合吸引流量隐式表征和发出流量隐式表征的非线性特征,得到融合特征;多层感知机处理单元704,被配置成利用多层感知机处理每个节点的融合特征,得到起点终点流量估计矩阵;缺失信息重构单元705,被配置成基于起点终点流量估计矩阵中任意起点终点对的交通流量信息,重构目标快照所缺失的部分节点信息。
在本实施例中,交通流量动态图重构装置700中:动态图快照获取单元701、隐式表征生成单元702、非线性特征融合单元703、多层感知机处理单元704、缺失信息重构单元705的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,缺失信息重构单元705可以被进一步配置成:
将起点终点流量估计矩阵中的任一节点作为起点、任一节点作为终点,构建出行事件;
将泊松分布作为计算变分推断原理的证据下界方式的期望求取方式,拟合出行事件中起点与终点之间的目标交通流量信息;
根据与目标快照所缺失的部分节点相关的目标交通流量信息,重构目标快照所缺失的部分节点信息。
在本实施例的一些可选的实现方式中,交通流量动态图重构装置700中还可以包括:
辅助动态图快照获取单元,被配置成获取与目标动态图模态不同的辅助动态图,并获取构成辅助动态图的各时刻快照;
辅助隐式表征生成单元,被配置成根据构成辅助动态图的各时刻快照,生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征;
辅助非线性特征融合单元,被配置成辅助吸引流量隐式表征和辅助发出流量隐式表征的非线性特征,得到辅助融合特征;
对应的,多层感知机处理单元被进一步配置成:
利用多层感知机处理每个节点的拼接特征,起点终点流量估计矩阵;其中,拼接特征由融合特征和辅助融合特征拼接得到。
在本实施例的一些可选的实现方式中,辅助隐式表征生成单元可以被进一步配置成:
将构成辅助动态图的各时刻快照通过贝叶斯图表征学习方法,生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征。
在本实施例的一些可选的实现方式中,交通流量动态图重构装置700中还可以包括:
先验分布对齐单元,被配置成对齐第一隐式表征和第二隐式表征的先验分布;其中,第一隐式表征为与目标动态图对应的隐式表征,第二隐式表征为与辅助动态图对应的隐式表征。
在本实施例的一些可选的实现方式中,交通流量动态图重构装置700中还可以包括:
梯度信息丢弃单元,被配置成在反向传播过程中,丢弃第二隐式表征的梯度信息。
在本实施例的一些可选的实现方式中,交通流量动态图重构装置700中还可以包括:
补全后动态图生成单元,被配置成根据重构得到的目标快照所缺失的部分节点信息,生成补全后动态图;
交通流量分析单元,被配置成基于补全后动态图中记录的各节点的交通流量信息,生成交通流量分析结果。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的交通流量动态图重构装置,通过根据构成交通流量动态图的各时刻快照确定每个节点分别作为吸引对象的吸引流量隐式表征和发出对象的发出流量隐式表征,得以充分契合交通场景下每个节点的流量特性,而通过非线性处理和融合使得融合特征充分考虑到实际情况下的非线性因素,且通过多层感知机来处理每个节点的融合特征,由于多层感知机将向所有节点共享自身的感知机参数,得以更好的结合每个节点的特征,进而使得重构出的起点终点流量估计矩阵能够包含更准确的缺失信息,进而实现对缺失部分的良好补全。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的交通流量动态图重构方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的交通流量动态图重构方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的交通流量动态图重构方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如交通流量动态图重构方法。例如,在一些实施例中,交通流量动态图重构方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的交通流量动态图重构方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行交通流量动态图重构方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
根据本公开实施例的技术方案,通过根据构成交通流量动态图的各时刻快照确定每个节点分别作为吸引对象的吸引流量隐式表征和发出对象的发出流量隐式表征,得以充分契合交通场景下每个节点的流量特性,而通过非线性处理和融合使得融合特征充分考虑到实际情况下的非线性因素,且通过多层感知机来处理每个节点的融合特征,由于多层感知机将向所有节点共享自身的感知机参数,得以更好的结合每个节点的特征,进而使得重构出的起点终点流量估计矩阵能够包含更准确的缺失信息,进而实现对缺失部分的良好补全。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种交通流量动态图重构方法,包括:
获取构成目标动态图的各时刻快照;其中,所述目标动态图用于记录交通流量信息,各所述时刻快照中包括存在部分节点信息缺失的目标快照;
根据各所述时刻快照分别生成每个节点作为吸引对象时的吸引流量隐式表征、作为发出对象时的发出流量隐式表征;
融合所述吸引流量隐式表征和所述发出流量隐式表征的非线性特征,得到融合特征;
利用多层感知机处理每个节点的融合特征,得到起点终点流量估计矩阵;
将所述起点终点流量估计矩阵中的任一节点作为起点、任一节点作为终点,构建出行事件;
将泊松分布作为计算变分推断原理的证据下界方式的期望求取方式,拟合所述出行事件中起点与终点之间的目标交通流量信息;
根据与所述目标快照所缺失的部分节点相关的目标交通流量信息,重构所述目标快照所缺失的部分节点信息。
2.根据权利要求1所述的方法,还包括:
获取与所述目标动态图模态不同的辅助动态图,并获取构成所述辅助动态图的各时刻快照;
根据构成所述辅助动态图的各时刻快照,生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征;
融合所述辅助吸引流量隐式表征和所述辅助发出流量隐式表征的非线性特征,得到辅助融合特征;
对应的,所述利用多层感知机处理每个节点的融合特征,得到起点终点流量估计矩阵,包括:
利用多层感知机处理每个节点的拼接特征,得到所述起点终点流量估计矩阵;其中,所述拼接特征由所述融合特征和所述辅助融合特征拼接得到。
3.根据权利要求2所述的方法,其中,所述根据构成所述辅助动态图的各时刻快照,生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征,包括:
将构成所述辅助动态图的各时刻快照通过贝叶斯图表征学习方法,生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征。
4.根据权利要求2所述的方法,还包括:
对齐第一隐式表征和第二隐式表征的先验分布;其中,所述第一隐式表征为与所述目标动态图对应的隐式表征,所述第二隐式表征为与所述辅助动态图对应的隐式表征。
5.根据权利要求4所述的方法,还包括:
在反向传播过程中,丢弃所述第二隐式表征的梯度信息。
6.根据权利要求1-5任一项所述的方法,还包括:
根据重构得到的目标快照所缺失的部分节点信息,生成补全后动态图;
基于所述补全后动态图中记录的各节点的交通流量信息,生成交通流量分析结果。
7.一种交通流量动态图重构装置,包括:
动态图快照获取单元,被配置成获取构成目标动态图的各时刻快照;其中,所述目标动态图用于记录交通流量信息,各所述时刻快照中包括存在部分节点信息缺失的目标快照;
隐式表征生成单元,被配置成根据各所述时刻快照分别生成每个节点作为吸引对象时的吸引流量隐式表征、作为发出对象时的发出流量隐式表征;
非线性特征融合单元,被配置成融合所述吸引流量隐式表征和所述发出流量隐式表征的非线性特征,得到融合特征;
多层感知机处理单元,被配置成利用多层感知机处理每个节点的融合特征,得到起点终点流量估计矩阵;
缺失信息重构单元,被配置成将所述起点终点流量估计矩阵中的任一节点作为起点、任一节点作为终点,构建出行事件;将泊松分布作为计算变分推断原理的证据下界方式的期望求取方式,拟合所述出行事件中起点与终点之间的目标交通流量信息;根据与所述目标快照所缺失的部分节点相关的目标交通流量信息,重构所述目标快照所缺失的部分节点信息。
8.根据权利要求7所述的装置,还包括:
辅助动态图快照获取单元,被配置成获取与所述目标动态图模态不同的辅助动态图,并获取构成所述辅助动态图的各时刻快照;
辅助隐式表征生成单元,被配置成根据构成所述辅助动态图的各时刻快照,生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征;
辅助非线性特征融合单元,被配置成所述辅助吸引流量隐式表征和所述辅助发出流量隐式表征的非线性特征,得到辅助融合特征;
对应的,所述多层感知机处理单元被进一步配置成:
利用多层感知机处理每个节点的拼接特征,得到所述起点终点流量估计矩阵;其中,所述拼接特征由所述融合特征和所述辅助融合特征拼接得到。
9.根据权利要求8所述的装置,其中,所述辅助隐式表征生成单元被进一步配置成:
将构成所述辅助动态图的各时刻快照通过贝叶斯图表征学习方法,生成每个节点的作为吸引对象时的辅助吸引流量隐式表征、作为发出对象时的辅助发出流量隐式表征。
10.根据权利要求8所述的装置,还包括:
先验分布对齐单元,被配置成对齐第一隐式表征和第二隐式表征的先验分布;其中,所述第一隐式表征为与所述目标动态图对应的隐式表征,所述第二隐式表征为与所述辅助动态图对应的隐式表征。
11.根据权利要求10所述的装置,还包括:
梯度信息丢弃单元,被配置成在反向传播过程中,丢弃所述第二隐式表征的梯度信息。
12.根据权利要求7-11任一项所述的装置,还包括:
补全后动态图生成单元,被配置成根据重构得到的目标快照所缺失的部分节点信息,生成补全后动态图;
交通流量分析单元,被配置成基于所述补全后动态图中记录的各节点的交通流量信息,生成交通流量分析结果。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的交通流量动态图重构方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的交通流量动态图重构方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837366.9A CN115186047B (zh) | 2022-07-15 | 2022-07-15 | 交通流量动态图重构方法、相关装置及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837366.9A CN115186047B (zh) | 2022-07-15 | 2022-07-15 | 交通流量动态图重构方法、相关装置及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115186047A CN115186047A (zh) | 2022-10-14 |
CN115186047B true CN115186047B (zh) | 2023-07-18 |
Family
ID=83519878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210837366.9A Active CN115186047B (zh) | 2022-07-15 | 2022-07-15 | 交通流量动态图重构方法、相关装置及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186047B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111063194A (zh) * | 2020-01-13 | 2020-04-24 | 兰州理工大学 | 一种交通流预测方法 |
CN114445252A (zh) * | 2021-11-15 | 2022-05-06 | 南方科技大学 | 数据补全方法、装置、电子设备及存储介质 |
CN114611798A (zh) * | 2022-03-06 | 2022-06-10 | 北京工业大学 | 一种基于动态超图卷积神经网络的od客流预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014203042A1 (en) * | 2013-06-21 | 2014-12-24 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Method for pseudo-recurrent processing of data using a feedforward neural network architecture |
-
2022
- 2022-07-15 CN CN202210837366.9A patent/CN115186047B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111063194A (zh) * | 2020-01-13 | 2020-04-24 | 兰州理工大学 | 一种交通流预测方法 |
CN114445252A (zh) * | 2021-11-15 | 2022-05-06 | 南方科技大学 | 数据补全方法、装置、电子设备及存储介质 |
CN114611798A (zh) * | 2022-03-06 | 2022-06-10 | 北京工业大学 | 一种基于动态超图卷积神经网络的od客流预测方法 |
Non-Patent Citations (1)
Title |
---|
基于Optima的实时在线交通流预测方法研究;李颖宏等;交通运输***工程与信息;17(02);119-125 * |
Also Published As
Publication number | Publication date |
---|---|
CN115186047A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033537B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN112862877B (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
US20140240310A1 (en) | Efficient approach to estimate disparity map | |
CN110632608A (zh) | 一种基于激光点云的目标检测方法和装置 | |
CN113538235B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN113408662A (zh) | 图像识别、图像识别模型的训练方法和装置 | |
CN114092673B (zh) | 图像处理的方法、装置、电子设备和存储介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114627239B (zh) | 包围盒生成方法、装置、设备及存储介质 | |
CN110633716A (zh) | 一种目标对象的检测方法和装置 | |
CN115170815A (zh) | 视觉任务处理及模型训练的方法、装置、介质 | |
CN114677350A (zh) | 连接点提取方法、装置、计算机设备及存储介质 | |
CN113591580B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN117745944A (zh) | 预训练模型确定方法、装置、设备以及存储介质 | |
CN115186047B (zh) | 交通流量动态图重构方法、相关装置及计算机程序产品 | |
US20230115765A1 (en) | Method and apparatus of transferring image, and method and apparatus of training image transfer model | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN113514053B (zh) | 生成样本图像对的方法、装置和更新高精地图的方法 | |
CN115866229A (zh) | 多视角图像的视角转换方法、装置、设备和介质 | |
CN113344200B (zh) | 用于训练可分离卷积网络的方法、路侧设备及云控平台 | |
CN113505834A (zh) | 训练检测模型、确定图像更新信息和更新高精地图的方法 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN114187318A (zh) | 图像分割的方法、装置、电子设备以及存储介质 | |
CN115187698A (zh) | 动态图重构方法、装置、设备、可读存储介质及程序产品 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |