CN116913088A - 一种用于高速公路的智能流量预测方法 - Google Patents
一种用于高速公路的智能流量预测方法 Download PDFInfo
- Publication number
- CN116913088A CN116913088A CN202310857392.2A CN202310857392A CN116913088A CN 116913088 A CN116913088 A CN 116913088A CN 202310857392 A CN202310857392 A CN 202310857392A CN 116913088 A CN116913088 A CN 116913088A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- expressway
- portal
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004821 distillation Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种用于高速公路的智能流量预测方法，包括：采集单位时间内高速公路门架的通行信息数据、气象数据和高速公路修路拥堵信息，并在数据预处理后构建高速公路交通流量时序信息数据集和多参数时序数据集；根据高速公路门架的相对地理位置信息建立门架网络结构拓扑图；构建Informer神经网络模型，对高速公路路网拓扑结构和交通流量时序信息进行编码并学习数据的时间空间依赖特征信息；构建XGBoost回归模型，对气象、拥堵等特征进行学习，并与Informer模型结果做加权。本发明通过结合深度学习和机器学习来提高模型的高速公路交通流量预测能力。
Description
技术领域
本发明涉及交通流量预测技术领域，具体是一种基于Informer模型和XGBoost算法的高速公路交通流量预测方法。
背景技术
对于高速公路流量的预测和路况的评价的研究一直是交通领域的一个重要研究课题，对高速公路道路规划、收费决策、人民出行有重要的意义。交通流量预测已经有几十年的研究历史，然而以往的研究往往以城市道路为研究对象，对于高速公路的研究相对不充分。高速公路和普通城市道路有着巨大的差别，不能同一而论，高速公路具有封闭性高，覆盖范围广，更特殊的时空特性，受外部环境影响造成的波动大等特点。以往的交通流量研究大致可分为两大类：一类是基于统计方法的模型，包括但不限于使用自回归滑动平均法(Autoregressire-integrated moving average，ARIMA)、卡尔曼滤波理论(Kalmanfiltering,KF)和自适应时空K近邻模型(adaptive-STKNN)，基于自适应邻居数量、时间窗大小、时空权重等参数综合考虑城市交通的空间特征进行交通流量预测。另一类是基于深度学习的模型，分析高速公路收费数据的特点，结合车检器数据，使用BP神经网络对高速公路的断面交通量进行估计。
然而，上述方法一部分仅对普通城市道路网的流量进行研究，另一部分虽然针对高速公路的流量特点进行数据分析，并根据分析结果提出适用于高速公路的流量方法，但是并没有考虑到外部环境对高速公路流量的影响。综合考虑，现有的流量预测仍然存在以下两个问题：
1)高速公路具有特殊的时间特性。除了城市路网共有的每日24小时的周期性和每周工作日和非工作日周期性，高速公路还受众多的内在和外在因素交织影响而成为一种非线性结构。且由于高速公路上单次路程长，行驶时间长，过去的交通状态会更长时间地影响现在和未来若干时刻的交通状态。
2)高速公路流量预测具有特殊的空间特性，是一种全封闭、全立交、控制出入口的特殊道路，其拓扑图如图4所示。其特点主要体现在以下几个方面：第一，其封闭性体现在出入口固定和行驶方向固定，因此出入口受限导致车流的方向具有特殊的意义；第二，因为高速公路的使用特性，普通城市的道路规划在高速公路上往往不需要，相同的入口到相同的出口往往只有一条路径可供选择；第三，城市交通流量预测划分地图可以划分成非常小的部分，通常只需要小面积预测，预测范围一般是一个区到一个市，而高速公路由于其收费的区域性和通行的特殊性，往往以省为界限划分，这就导致外部环境(如天气、道路维护等)变化较大，对交通流量造成可观的影响，需要加入考虑范围。
发明内容
本发明提供一种基于深度学习和回归算法的长时间序列高速公路交通流量预测方法，以解决上述交通流量预测问题，对高速公路流量进行智能预测。
为了解决上述技术问题，本发明采用的技术方案为：
一种用于高速公路的智能流量预测方法，基于Informer模型和XGBoost方法预测高速公路交通流量，包括以下步骤：
步骤1、采集单位时间内高速公路门架和收费站的通车信息数据建立交通流量时序信息数据集X；采集外部影响数据结合X，数据预处理后组合为表征时间特征的特征数据集W；
步骤2、根据车辆行驶方向用有向无环图G(V,E)建立路网拓扑结构，生成表征空间特征的各门架节点的邻接关系矩阵A；
步骤3、构建Informer神经网络模型，将时间、空间特征信息输入Informer层进行训练并学习长时间序列依赖特征信息，实现对未来高速公路交通流量的预测；
步骤4、在Informer层后构建XGBoost回归模型，将步骤1得到的特征数据集和步骤3得到的未来高速公路流量预测结果作为回归算法的输入，并将回归算法的输出和神经网络模型的输出加权相加，得到最终的未来高速公路流量预测结果。
所述通车信息包括通行时间、门架号、计费；所述外部影响数据包括气象数据、修路及拥堵数据。
所述数据预处理采取数据清洗方法对单位时间间隔内的所有数据进行一致性检查，删除异常值、缺失值，对数据归一化处理，划分为训练集、验证集和测试集。
所述高速公路交通流量时序信息数据集X∈RN*T，其中N为门架编号维度，T为时间序列节点编号维度；所述高速公路交通流量特征数据集W∈RN*C，其中N为门架编号维度，C为特征编号维度。
所述建立路网拓扑结构包括：
步骤2.1、根据门架通行记录计算路段长度距离：
其中，dist(i,j)表示门架节点i与节点j之间的距离，fee表示收费费用，chargei表示车型i对应的收费标准；
步骤2.2、构建所有门架的高速公路路网拓扑节点的邻接矩阵A∈RN*N，其中N为门架编号维度，邻接矩阵A的计算公式为：
所述构建Informer神经网络模型如下：
步骤3.1：将步骤1和步骤2的时间和空间数据映射到一个高维向量空间中，第t个序列输入被重塑为一个矩阵Ly是预测序列长度，dmodel是模型维度；将和系数矩阵WQ,WK,WV做乘法分别得到Q,K,V三个维度为dmodel的权重矩阵；使用概率稀疏自注意力机制，降低模型的时间复杂度和内存使用度，公式如下：
其中，为稀疏矩阵，d为比例因子，具体取值为Q的维度；
保留25个差异化最大的值，用V向量的平均代替剩余时间点的向量将A(Q,K,V)填充至原来大小得到Xt；
步骤3.2：使用蒸馏操作解决编码器的特征映射中存在V值的冗余组合，对具有主要特征的优势特征赋予更高的权重，并在下一层生成聚焦的自注意力特征映射；使用自注意力蒸馏操作提取重要特征，并使用最大值池化下采样减半输入长度，蒸馏操作从第j层推进到第j+1层的计算公式如下：
其中，是本层多头概率稀疏自注意力层的输出，/>是上一层多头概率稀疏自注意力层的输出，Convld是时间维度上的一维卷积，ELU是时间维度上的一维卷积的激活函数，MaxPool是最大池化函数；
步骤3.3：利用解码器实现前向过程得到输出序列，解码器输入为：
其中，其中是第一个编码器的池化结果，/>第一个编码器的池化结果，Lj+1是/>的序列长度，Lk+1是/>的序列长度，/>是编码器池化结果的拼合，作为解码器的第一个输入，/>是起始令牌，/>是目标序列的占位符(设置标量为0)，Ltoken是输入序列长度，Ly是预测序列长度，dmodel是模型维度，是解码器的第二个输入，Decoder是解码器过程，Connected是全连接操作，/>是informer模型最终输出的预测结果。
所述加权具体步骤如下：
步骤4.1：建立XGBoost模型，模型公式为：
其中，fk是基学习器，fk(xi)是当前学习器对样本的预测值，K是学习器数量，是学习器集合，/>是当前样本最终预测值；
步骤4.2：建立结合Informer模型和XGBoost算法的高速公路交通流量预测模型Mmodel：
Mresult＝ω1*Informerresult+ω2*XGBoostresult
其中，Informerresult是Informer模型的预测值，XGBoostresult是XGBoost模型的预测值，Mresult是预测结果，ω1是Informer模型的权重系数，ω2是XGBoost模型的权重系数。
有益效果和优点：
本发明提出了一种用于高速公路的智能流量预测方法，通过采集数据构建高速公路交通流量时序信息数据集和多参数时序数据集；建立门架网络结构拓扑图；将Informer神经网络模型与XGBoost回归模型进行加权学习。本发明通过结合深度学习和机器学习来提高模型的高速公路交通流量预测能力。
附图说明
图1为训练模型的总体工作流程图
图2为Informer-XGBoost模型框架图
图3为Informer编码-解码器结构图
图4为高速公路的路网拓扑图
具体实施方式
下面结合附图对本发明一种实施例做进一步说明，图1显示了如何获得经过训练的模型的总体工作流程。
基于现有交通流量预测方法主要采用CNN等深度学习模型，存在忽略高速公路路网结构的特殊性和忽略外在因素，如天气、事故等对流量的影响的问题，本文提出了一种基于Informer模型和XGBoost算法的高速公路交通流量预测的智能算法，这种算法描述了高速公路拓扑结构并参考了神经网络Informer算法和可扩展的分布式梯度提升决策树(GBDT)的思想，达到有效的高速公路流量预测目的。
本发明实施例中以辽宁高速公路交通流量预测为应用场景为例进行说明。本方法所用的Informer-XGBoost模型框架如图2所示，Informer模型的编码-解码器结构如图3所示。
具体实施步骤如下：
步骤1、构建数据集：通过高速公路上设置的门架获得所有通过该门架的车辆信息，采集收费站的所有通过车辆的信息，包括门架号、交易时间、实付金额(分)、应付金额(分)、折扣金额(分)、车型、卡类型，去除数据中无意义的数据，重复的数据，删除不完整的数据，分别按照1小时、15分钟、10分钟和5分钟为时间间隔处理数据，得到固定时间步长的历史流量记录{Ft-nT,Ft-(n-1)T,…,Ft-T}，构建{时间、门架、流量}交通流量时序信息数据集X。把数据进行标准化处理，本发明采用最大最小值归一化将各项数据映射到[0,1]区间中，计算公式如下：
其中x*为归一化处理后的数据，x为归一化前的原始数据，max为样本数据的最大值，min为样本数据的最小值。
通过气象网站获得对应地区的详细天气情况，采集气温、降雨量、降雪量、风力、能见度、空气质量、事故、修路、拥堵信息，根据门架和收费站的经纬度和通行时间将它们匹配到对应地区对应时段的天气数据，将所有特征值数据量化，与交通流量时序信息组合并处理后构建表征时间空间信息的特征数据集W；
步骤2、建立门架-道路网络拓扑结构G：按照高速公路车辆的行驶方向用有向无环图G(V,E)表示路网拓扑结构，高速公路的路网拓扑图如图3所示。其中，V表示节点，V＝{v1,v2,…,vN}是所有节点的集合，共有N个，vi表示节点集合中的第i个节点。E表示边，即连通节点的路段的门架，是有向的，<i,j>表示节点i到节点j的交通流。普通节点都是双向连接，建立交节点与其他节点之间只能单向连接。具体为使用一个数据结构来表示图中空间特征的各门架节点的邻接关系A。其具体步骤如下：
步骤2.1：根据门架的通行记录获得路段长度数据，计算公式为：
其中，dist(i,j)表示节点i与节点j之间的距离，fee表示收费费用，chargei表示车型i对应的收费标准。
步骤2.2：构建所有门架的高速公路路网拓扑节点的邻接矩阵A∈RN*N，其中N为门架编号维度，邻接矩阵A的计算公式为：
步骤3、构建Informer神经网络模型：将步骤1和步骤2得到的时间空间信息输入Informer层进行训练并学习长时间序列依赖特征信息。
步骤3.1、将步骤1和步骤2的时间和空间数据映射到一个高维向量空间中，第t个序列输入被重塑为一个矩阵Ly是预测序列长度，dmodel是模型维度。将和系数矩阵WQ,WK,WV做乘法分别得到Q,K,V三个维度为dmodel的权重矩阵。使用概率稀疏自注意力机制，降低模型的时间复杂度和内存使用度，公式如下：
其中，为稀疏矩阵，d为比例因子，具体取值为Q的维度。
保留25个差异化最大的值，用V向量的平均代替剩余时间点的向量将A(Q,K,V)填充至原来大小得到Xt。
步骤3.2、使用蒸馏操作解决编码器的特征映射中存在V值的冗余组合，对具有主要特征的优势特征赋予更高的权重，并在下一层生成聚焦的自注意力特征映射。使用自注意力蒸馏操作提取重要特征，并使用最大值池化下采样减半输入长度，蒸馏操作从第j层推进到第j+1层的计算公式如下：
其中，是本层多头概率稀疏自注意力层的输出，/>是上一层多头概率稀疏自注意力层的输出，Convld是时间维度上的一维卷积，ELU是时间维度上的一维卷积的激活函数，MaxPool是最大池化函数。
步骤3.3：利用解码器实现前向过程得到输出序列，解码器输入为：
其中，其中是第一个编码器的池化结果，/>第一个编码器的池化结果，Lj+1是/>的序列长度，Lk+1是/>的序列长度，/>是编码器池化结果的拼合，作为解码器的第一个输入，/>是起始令牌，/>是目标序列的占位符(设置标量为0)，Ltoken是输入序列长度，Ly是预测序列长度，dmodel是模型维度，是解码器的第二个输入，Decoder是解码器过程，Connected是全连接操作，/>是informer模型最终输出的预测结果。
实现使用Informer模型对未来高速公路交通流量的初步预测。
步骤4、在Informer层后构建XGBoost回归模型：将步骤1得到的特征数据集和步骤3得到的未来高速公路流量预测结果作为回归算法的输入，并将回归算法的输出和神经网络模型的输出加权相加，得到最终的未来高速公路流量预测结果。其具体步骤如下：
步骤4.1、建立XGBoost模型，模型公式为：
其中，fk是基学习器，fk(xi)是当前学习器对样本的预测值，K是学习器数量，F是学习器集合，是当前样本最终预测值。
步骤4.2、将回归算法的输出和神经网络模型的输出加权相加，建立结合Informer模型和XGBoost算法的高速公路交通流量预测模型Mmodel:
Mresult＝ω1*Informerresult+ω2*XGBoostresult
其中，InfOrmerresult是Informer模型的预测值，XGBoostresult是XGBoost模型的预测值，Mresult是预测结果，ψ1是Informer模型的权重系数，ψ2是XGBoost模型的权重系数。
得到最终的未来高速公路流量预测结果。
以上说明所描述的实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变换和改进。这些都属于本发明的保护范围。
Claims (7)
1.一种用于高速公路的智能流量预测方法，其特征在于，基于Informer模型和XGBoost方法预测高速公路交通流量，包括以下步骤：
步骤1、采集单位时间内高速公路门架和收费站的通车信息数据建立交通流量时序信息数据集X；采集外部影响数据结合X，数据预处理后组合为表征时间特征的特征数据集W；
步骤2、根据车辆行驶方向用有向无环图G(V,E)建立路网拓扑结构，生成表征空间特征的各门架节点的邻接关系矩阵A；
步骤3、构建Informer神经网络模型，将时间、空间特征信息输入Informer层进行训练并学习长时间序列依赖特征信息，实现对未来高速公路交通流量的预测；
步骤4、在Informer层后构建XGBoost回归模型，将步骤1得到的特征数据集和步骤3得到的未来高速公路流量预测结果作为回归算法的输入，并将回归算法的输出和神经网络模型的输出加权相加，得到最终的未来高速公路流量预测结果。
2.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述通车信息包括通行时间、门架号、计费；所述外部影响数据包括气象数据、修路及拥堵数据。
3.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述数据预处理采取数据清洗方法对单位时间间隔内的所有数据进行一致性检查，删除异常值、缺失值，对数据归一化处理，划分为训练集、验证集和测试集。
4.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述高速公路交通流量时序信息数据集X∈RN*T，其中N为门架编号维度，T为时间序列节点编号维度；所述高速公路交通流量特征数据集W∈RN*C，其中N为门架编号维度，C为特征编号维度。
5.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述建立路网拓扑结构包括：
步骤2.1、根据门架通行记录计算路段长度距离：
其中，dist(i,j)表示门架节点i与节点j之间的距离，fee表示收费费用，chargei表示车型i对应的收费标准；
步骤2.2、构建所有门架的高速公路路网拓扑节点的邻接矩阵A∈RN*N，其中N为门架编号维度，邻接矩阵A的计算公式为：
6.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述构建Informer神经网络模型如下：
步骤3.1：将步骤1和步骤2的时间和空间数据映射到一个高维向量空间中，第t个序列输入被重塑为一个矩阵Ly是预测序列长度，dmodel是模型维度；将/>和系数矩阵WQ,WK,WV做乘法分别得到Q,K,V三个维度为dmodel的权重矩阵；使用概率稀疏自注意力机制，降低模型的时间复杂度和内存使用度，公式如下：
其中，为稀疏矩阵，d为比例因子，具体取值为Q的维度；
保留25个差异化最大的值，用V向量的平均代替剩余时间点的向量将A(Q,K,V)填充至原来大小得到Xt；
步骤3.2：使用蒸馏操作解决编码器的特征映射中存在V值的冗余组合，对具有主要特征的优势特征赋予更高的权重，并在下一层生成聚焦的自注意力特征映射；使用自注意力蒸馏操作提取重要特征，并使用最大值池化下采样减半输入长度，蒸馏操作从第j层推进到第j+1层的计算公式如下：
其中，是本层多头概率稀疏自注意力层的输出，/>是上一层多头概率稀疏自注意力层的输出，Convld是时间维度上的一维卷积，ELU是时间维度上的一维卷积的激活函数，MaxPool是最大池化函数；
步骤3.3：利用解码器实现前向过程得到输出序列，解码器输入为：
其中，其中是第一个编码器的池化结果，/>第一个编码器的池化结果，Lj+1是的序列长度，Lk+1是/>的序列长度，/>是编码器池化结果的拼合，作为解码器的第一个输入，/>是起始令牌，/>是目标序列的占位符(设置标量为0)，Ltoken是输入序列长度，Ly是预测序列长度，dmodel是模型维度，/>是解码器的第二个输入，Decoder是解码器过程，Connected是全连接操作，/>是informer模型最终输出的预测结果。
7.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述加权具体步骤如下：
步骤4.1：建立XGBoost模型，模型公式为：
其中，fk是基学习器，fk(xi)是当前学习器对样本的预测值，K是学习器数量，是学习器集合，/>是当前样本最终预测值；
步骤4.2：建立结合Informer模型和XGBoost算法的高速公路交通流量预测模型Mmodel：
Mresult＝ω1*Informerresult+ω2*XGBoostresvlt
其中，Informerersult是Informer模型的预测值，XGBoostresult是XGBoost模型的预测值，Mresult是预测结果，ω1是Informer模型的权重系数，ω2是XGBoost模型的权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310857392.2A CN116913088A (zh) | 2023-07-13 | 2023-07-13 | 一种用于高速公路的智能流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310857392.2A CN116913088A (zh) | 2023-07-13 | 2023-07-13 | 一种用于高速公路的智能流量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116913088A true CN116913088A (zh) | 2023-10-20 |
Family
ID=88354344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310857392.2A Pending CN116913088A (zh) | 2023-07-13 | 2023-07-13 | 一种用于高速公路的智能流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116913088A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456738A (zh) * | 2023-12-26 | 2024-01-26 | 四川云控交通科技有限责任公司 | 一种基于etc门架数据的高速公路交通量预测方法 |
| CN117475641A (zh) * | 2023-12-28 | 2024-01-30 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
-
2023
- 2023-07-13 CN CN202310857392.2A patent/CN116913088A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456738A (zh) * | 2023-12-26 | 2024-01-26 | 四川云控交通科技有限责任公司 | 一种基于etc门架数据的高速公路交通量预测方法 |
| CN117456738B (zh) * | 2023-12-26 | 2024-02-27 | 四川云控交通科技有限责任公司 | 一种基于etc门架数据的高速公路交通量预测方法 |
| CN117475641A (zh) * | 2023-12-28 | 2024-01-30 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
| CN117475641B (zh) * | 2023-12-28 | 2024-03-08 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
| Shaygan et al. | Traffic prediction using artificial intelligence: Review of recent advances and emerging opportunities | |
| CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
| 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 | |
| CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
| CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
| CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
| CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
| CN111242292A (zh) | 基于深度时空网络的od数据预测方法及*** | |
| 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 | |
| CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
| CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
| CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
| CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
| CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
| CN115565369A (zh) | 一种基于超图的时空超图卷积交通流量预测方法及*** | |
| CN113673749A (zh) | 车辆行人地图轨迹预测方法及装置 | |
| Hou et al. | The effect of the dataset on evaluating urban traffic prediction | |
| Ramhormozi et al. | Multi-task graph neural network for truck speed prediction under extreme weather conditions | |
| CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
| CN117037461A (zh) | 一种基于多权重图三维卷积的路网交通拥堵预测方法 | |
| CN116386020A (zh) | 多源数据融合的高速公路收费站出口流量预测方法及*** | |
| CN115905434A (zh) | 一种基于学习插值预测的道路网轨迹补全方法 | |
| CN114139773A (zh) | 一种基于时空图卷积网络的公共交通流量预测方法 | |
| CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 |
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 |