CN117275215A - 一种基于图过程神经网络的城市道路拥堵时空预测方法 - Google Patents
一种基于图过程神经网络的城市道路拥堵时空预测方法 Download PDFInfo
- Publication number
- CN117275215A CN117275215A CN202310488416.1A CN202310488416A CN117275215A CN 117275215 A CN117275215 A CN 117275215A CN 202310488416 A CN202310488416 A CN 202310488416A CN 117275215 A CN117275215 A CN 117275215A
- Authority
- CN
- China
- Prior art keywords
- congestion
- time
- graph
- space
- event
- 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 115
- 230000008569 process Effects 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图过程神经网络的城市道路拥堵时空预测方法。它将路网图结构信息嵌入到时间点过程模型内部，形成标值时空图过程神经网络模型，使时间点过程模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息，同时通过顾及城市道路网络拥堵事件的时空传播模式，对传统的图卷积网络进行扩展，形成新的感知拥堵模式变化的图传播卷积核P‑GCN，使得图卷积核能够感知拥堵模式变化，提升标值时空图过程神经网络模型的泛化能力。本发明具有提升城市道路拥堵预测准确性、稳定性及预测效率的优点。
Description
技术领域
本发明涉及一种基于图过程神经网络的城市道路拥堵时空预测方法。
背景技术
(1)交通拥堵预测背景
城市道路网络交通拥堵预测问题一直以来都是智能交通***中的一项重要的研究任务。基于精确的拥堵预测结果，交通管理部分可以调整信号控制计划或采取应急措施来减少拥堵，对城市规划和交通管理具有重要意义。
虽然目前已经存在诸多对于拥堵预测方法的研究，利用卷积神经网络和循环神经网络来捕捉交通流量中的时间和空间关系是当前拥堵预测的主流方法。但是对大规模城市路网级拥堵的精确预测依然充满挑战，表1.1对拥堵问题的不同研究方法进行分类总结如下：
表1.1城市交通路网的拥堵预测方法分类
综上研究发现，对城市路网级拥堵预测问题建模研究中存在以下不足：(1)缺乏对全网络时空异质性的建模研究。大多数交通类方法研究只关注于预测特定地点或交叉口的拥堵，而不是整个城市道路网络范围。因此，很难将训练后得到的预测模型直接迁移到网络中的其他位置；(2)机器学习，尤其是深度学习理论的短期预测模型，缺乏交通流理论对模型指导训练，泛化能力不足；(3)缺乏对拥堵事件建模研究，多数集中在对交通流的短期预测方面。
(2)标值时间点过程理论背景
对于给定的事件序列X，将t时刻过去事件的历史表示为具有K类标值的时间点过程分布可以用K个条件强度函数/>表示。单个类的标值条件强度函数表示如公式(2)所示：
其中,Ek表示基于历史事件的影响，在时间窗口[t,t+Δt)内事件发生事件次数的期望；[*]表示强度函数是以历史事件/>为条件计算的。
多类别的标值条件强度函数定义，如公式(3)所示：
其中，|B(m,Δm)|是以Δm为半径的球型，B(m,Δm)的勒贝格测度(Lebesguemeasure)。公式(3)也可以简化分解，如公式(4)所示：
其中，通常指条件背景(background)强度函数，/>表示基于时间和历史事件的标值条件概率分布。通过对两个条件强度分布模型进行建模，分别预测事件的标值及发生时间。
综上所述，传统的标值时间点过程建模主要是基于历史事件时间信息预测下一次事件发生时间和标值，没有结合图神经网络，没有将时间点过程建模和图神经网络联合考虑，导致预测准确性差、稳定性差、预测效率低的问题。
因此，开发一种提升预测准确性、稳定性及预测效率的城市道路拥堵预测方法很有必要。
发明内容
本发明的目的是为了提供一种基于图过程神经网络的城市道路拥堵时空预测方法，考虑拥堵事件空间关联及事件历史信息，提出的MST-NGP模型能够基于混合模型，同时学习拥堵事件空间依赖和传播模式，提升预测准确性、稳定性及预测效率。
为了实现上述目的，本发明的技术方案为：一种基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：在拥堵预测建模过程中考虑拥堵事件的过程变化、拥堵在空间中传播的各向异性问题，将路网图结构信息嵌入到时间点过程模型内部，形成标值时空图过程神经网络模型，使时间点过程模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息；
此外，本发明考虑到拥堵事件稀疏，导致深度学习网络模型泛化能力不足，通过顾及城市道路网络拥堵事件的时空传播模式，对传统的图卷积网络进行扩展，形成新的感知拥堵模式变化的图传播卷积核P-GCN，通过将拥堵传播模式融入时空关联建模，引导时空图过程神经网络的训练，使得城市道路拥堵时空预测模型能够准确地重现拥堵形态演化过程，使得图卷积核能够感知拥堵模式变化，提升标值时空图过程神经网络模型的泛化能力，加快训练和推理效率；解决因城市路网级的拥堵传播是一个十分复杂的、非刚性的时空动态变化过程，同时受到自身传播模式和显著的时空依赖影响，导致路网级交通拥堵很难预测的问题。
在上述技术方案中，一种基于图过程神经网络的城市道路拥堵时空预测方法，具体包括如下步骤，
步骤一：基础资料整理；
分析基础资料，并进行数据预处理，获得完整的实验数据集；
步骤二：拥堵事件定义；
通过拥堵事件定义，将城市路网交通拥堵事件预测定义为一个多任务学习问题，用于预测未来多步时间拥堵是否发生和发生的标值，如下公式(1)所示：
其中：Gs表示未发生拥堵事件时的道路网络连接图结构；Gc表示发生拥堵事件时的路网连接图结构；X表示历史时间段[0,T]的节点特征；E0→T表示拥堵图所有节点拥堵事件序列；T+△T表示从T时刻开始预测△T个信号灯周期拥堵事件拥堵是否发生(时间)和标值。
步骤三：城市路网拥堵传播时空依赖建模；
具体方法为：通过输入双层图结构(即交通拥堵图结构和交通状态图结构)数据，首先，利用从交通拥堵图数据中提取拥堵模式，并将提取的拥堵模式整合到传统的图卷积神经网络形成新的图传播卷积核P-GCN；
接下来，利用新的图传播卷积核P-GCN对历史交通路况图结构进行空间建模，同时空间建模后的模型学习城市路况图结构的空间结构依赖和拥堵传播模式；
最后，对于路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，在时间维上提取时间依赖关系，学习历史拥堵事件时空嵌入表示；
步骤四：集成拥堵传播模式的空间关联建模；
路网图结构每个节点学习路网相邻之间的空间信息和交通路网拥堵节点之间传播模式信息；
对每个历史时刻的输入，进行空间卷积后，交通路况图结构的空间关联信息被融合到同一个图结构中，得到一个紧凑表示的多维特征张量作为历史输入长度；
步骤五：时间维度卷积建模历史拥堵事件；
通过时域卷积网络架构TCN，对路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，学习历史拥堵事件时空嵌入表示；
当历史事件空间卷积输出设为l-1层T(l-1)个历史时间步长的空间输出时：
输入尺度为[T(l-1)×N×C(l-1)]，它与大小为K(t-1)的核函数的卷积公式(9)如下：
上式为神经网络中每层中的隐藏单元的计算方式，具有通用性；
其中：[*]表示标准的卷积运算；Relu为非线性激活函数；K(t-1)表示时间维的卷积核。
在上述技术方案中，在步骤一中，基础资料整理，具体方法为：
通过数据分析，对数据缺失超过20％的路段进行筛选，并进一步通过补全等数据预处理，获得实验数据集。
在上述技术方案中，在步骤二中，拥堵事件定义，具体包括定义1.城市路网级拥堵事件，定义2.交通路况图，定义3.交通拥堵图；
定义1.城市路网级拥堵事件，其具体方法为：
根据城市对于特定的道路限速规定，将任一路段、任一时刻下速度小于标准时速的交通状态定义为一次拥堵事件，由发生时间(事件时间)和拥堵指数(事件标值)元组构成；假设某路段历史拥堵事件集合为{(t1,m1),(t2,m2),…,(tn,mn)}，n表示事件发生次数的随机变量，其中，0<t1<t2<…<tn表示拥堵事件的发生时间ti∈(0,T]和表示事件标值，/>事件连续标值为连续相等时间分割下的拥堵指数，对于未发生拥堵时刻的标值用0填充；因此，T个历史事件序列输入为E＝[(t1,m1),(t2,m2),(0,0),…,(0,0),(tT,mT)]构成的T个连续时间序列；预测未来拥堵发生时间通过分类值{0,1}表示发生与否；在历史间隔(0,T]内，城市路网拥堵事件集合为：/>
定义2.交通路况图，其具体方法为：
Gs＝(Vs,Es,As)表示未发生拥堵事件时的道路网络连接图结构；Vs表示节点集合(|Vs|＝N)，本发明中的图节点为交叉口之间路段单元；Es表示节点边集合，边是无方向的；As∈RN×N表示图Gs的邻接矩阵；对于固定节点，xt∈RF表示交通状态特征向量，F表示交通状态特征个数。进一步，t时刻城市路网所有节点交通状态表达为：因此，对于历史时间段[0,T]的节点特征表示X＝(X1,…,XT)∈RN×F×T；其中，xt∈RF表示交通状态特征向量，F表示交通状态特征个数；N表示节点集合；
定义3.交通拥堵图，其具体方法为：
Gc＝(Vc,Ec,Ac)表示发生拥堵事件时的路网连接图结构(可以看作Gs的子图结构)；Vc表示拥堵节点集合(|Vc|＝N)；Ec表示拥堵节点边集合，这些边是无方向的；N条路段构成Gc，假设i和j路段发生拥堵，矩阵元素否则/>不同于交通路况图定义，Ac∈RN ×N中拥堵节点连接关系和大小随着时间发展动态改变，是一个稀疏矩阵；Ac度量不同拥堵路段之间的关联强度，权重大小ρi,j通过计算图节点的事件相似度；拥堵图节点特征由时间ti和标值mi构成，/> 表示拥堵事件D维向量表示，本发明标值特指交通拥堵指数；对于历史时间段[0,T]，交通拥堵图所有节点拥堵事件序列表示：/>
在上述技术方案中，在步骤四中，集成拥堵传播模式的空间关联建模，具体方法包括如下步骤：
(1)交通路况图嵌入；
首先对交通路况图进行嵌入，图卷积神经网络从输入数据中学习信息，然后将嵌入向量送入第二阶段时间关联建模(本发明的模型主要是空间关联建模和时间关联建模构成，先进行空间、再进行时间关联)；基于图卷积GCN相关理论实现拓扑图的卷积，根据具体研究问题的特殊性，本发明对全局GCN进行扩展，开发新的集成拥堵传播模式的图传播卷积核P-GCN(新的图传播卷积核P-GCN是本发明模型的空间关联建模的一部分)；GCN通过拓扑结构的多次卷积来获取空间信息，具体方法包括：本发明采用两层卷积对空间对t-1进行建模捕获图形空间特征，其中GCN层定义为公式(5)和公式(6)：
其中：为输入交通特征；N为图的节点个数；C(0)＝F为每个节点输入特征向量的维度；/>As∈RN×N为路网邻接矩阵；/>是第l层图卷积输出嵌入表示；C(l)为第l层嵌入空间维度；/>为添加自连接的输入图邻接矩阵； 为节点的度矩阵；σ(·)表示激活函数；/>为神经网络第l层的权重矩阵；
(2)交通拥堵图的传播模式提取与图传播卷积核的建立(为全局GCN进行的扩展)；
将i和j位置的事件时空传播模式定义为ρi,j，用于描述在某一设定时刻下，拥堵事件ei和ej之间的时空依赖关系；具体来说，对于t时刻发生在空间位置i处的拥堵事件ei，为其设定时间阈值Δt和事件之间标值属性(拥堵指数)阈值Δm，那么认为：所有发生在时间窗[t+Δt,m+Δm)内，且与空间位置j的欧氏距离小于Δm的拥堵事件ej，都可能对位置i产生影响；例如，如果两次拥堵事件时间间隔阈值设为10分钟，拥堵指数距离相差0.2，则认为这两次拥堵事件在时间和空间存在关联。否则无关联。而ei对ej影响的大小，可以用它们的时间距离Δti,j＝|ti-tj|，及其标值属性距离mi,j来衡量；两个拥堵事件越接近，它们对应的拥堵模式越相似；因此，根据问题特点，ρi,j可以通过公式(7)计算：
其中，wt,wm∈RN均是学习的参数，用于决定时间和空间对拥堵事件的时空影响的重要程度；
ρi,j数值越大，意味着两拥堵事件的时空相关性越强，拥堵模式越相近；根据公式(7)，路网中两次拥堵事件的时间距离越小，Δti,j越小，相关性ρi,j越强；
基于上述公式(7)，对每个不同时刻的交通拥堵图上所有位置，分别建立不同的时空动态关联矩阵(公式(7)可以对每个时刻都建立一个矩阵)，表征拥堵在城市路网中的时空传播模式矩阵表示；最后，将得到的时空动态传播模式矩阵集成到GCN图卷积核，得到t-1时刻新的图传播卷积核结构，如公式(8)所示：
其中：⊙表示哈达玛乘积，为新的图传播卷积核结构P-GCN。
本发明具有如下优点：
(1)本发明MST-NGP模型通过空间关联建模，使得空间关联建模精度更高，预测更准确；本发明通过将城市交通路网建模为图结构，并利用图结构节点之间的信息传播相关理论与标值时间点过程融合，针对性解决城市拥堵问题中存在的各向异性传播问题(如，解决了现有技术缺乏对拥堵事件建模研究，多数集中在对交通流的短期预测方面的缺点)；同时本发明对于城市交通网络中的每个节点位置，通过将周围空间位置的拥堵信息融合到当前位置，使该位置不仅具备自身历史事件信息，同时具有其他位置的时空特征，使得空间关联建模精度更高，预测更准确；
(2)本发明通过图传播卷积核，使得空间图卷积核能够感知拥堵模式变化，同时提取路网之间的拥堵传播模式和空间结构信息，使得空间关联建模精度更高，预测更准确；
(3)本发明通过标准时间卷积网络来更新节点信号历史拥堵事件之间的相邻时间信息，使得时间运算像卷积运算一样高效，便于并行计算，提升模型处理大规模城市道路拥堵的运算效率；
(4)本发明适用性强，可应用于城市大规模信控路网级拥堵事件的非局部扩散(全局)预测，可用于城市规划和交通管理；解决了现有技术缺乏对全网络时空异质性的建模研究，大多数交通类方法研究只关注于预测特定地点或交叉口的拥堵，而不是整个城市道路网络范围，很难将训练后得到的预测模型直接迁移到网络中的其他位置的问题。
附图说明
图1为传统时间点过程模型和本发明提出的时空图过程神经网络模型的理论示意图。
图2为本发明标值时空图过程拥堵预测模型(MST-NGP)整体流程图。
图3为本发明实施例中研究区域数据事例概况图。
图4为本发明实施例中拥堵传播时空依赖建模示意图。
图5为本发明实施例中残差网络下的时域卷积网络架构示意图。
图6为本发明实施例中某市工作日和非工作日高峰时段拥堵标值预测结果图。
图7为本发明实施例中某市工作日高峰时段时间类别预测结果图。
图8为本发明实施例中某市拥堵标值预测可视化结果。
具体实施方式
下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
图1中的(a)图为传统时间点过程模型理论示意图；图1中的(b)图为传统标值时间点过程(MTPP)模型理论示意图；图1中的(c)图为本发明提出的时空图过程神经网络(MST-NGP)模型理论示意图。如图1所示，传统的标值时间点过程建模(如图1中的(b)图所示)主要是基于历史事件时间信息预测下一次事件发生时间和标值，没有结合图神经网络。考虑到拥堵事件空间关联及事件历史信息，本发明提出的MST-NGP模型(如图1中的(c)图所示)能够基于混合模型，同时学习拥堵事件空间依赖和传播模式，提升预测性能(即提升预测准确性和计算效率)。
图1中的(c)图为本发明所述一种解决支持路网拥堵预测的标值时空图过程神经网络模型框架图，从图1可以看出：本发明基于时空关联特征，将路网图结构信息嵌入到时间点过程模型内部，使该模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息；可见，本发明不仅考虑了当前位置的历史拥堵信息，还考虑了拥堵事件在不同空间位置之间传播产生的空间拓扑信息；解决了拥堵传播的各向异性的交通拥堵的预测问题以及解决了拥堵传播的各向异性的城市路网级拥堵事件的预测问题。
参阅附图可知：本发明提出了标值时空图过程神经网络模型，将路网图结构信息嵌入到时间点过程模型内部，使模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息。此外，考虑到拥堵事件稀疏，导致深度学习网络模型泛化能力不足，通过顾及城市道路网络拥堵事件的时空传播模式，对传统的图卷积网络进行了扩展，设计了新的感知拥堵模式变化的图传播卷积核(P-GCN)，使得图卷积核能够感知拥堵模式变化，提升了拥堵预测模型的泛化能力；解决了现有技术采用机器学习，尤其是深度学习理论的短期预测模型，缺乏交通流理论对模型指导训练，泛化能力不足。
本发明利用某市城市交通路网拥堵真实开源数据对本发明模型及现有深度学习模型进行了对比验证，结果表明，在工作日早高峰时段预测精度MAPE:12.17(未来50分钟)，本发明的测试时间为4.04s，比现有深度学习模型快1倍以上；可见，相对于现有深度学习模型，本发明模型有较高的准确性和计算效率。
本发明的技术路线见附图2。图2为标值时空图过程拥堵预测模型(MST-NGP)整体流程。事件传播历史输入
H＝
{(s1,m1,G1),(s2,m2,G2),…,(st-1,mt-1,Gt-1)},(st-1,mt-1)表示事件发生的时间和标值，Gt＝(Gs,Gc)。
通过交通拥堵图提取拥堵时空动态依赖模式对传统的图卷积网络进行了扩展获得图传播卷积核P-GCN，通过图传播卷积核对交通路况图提取空间信息；空间的输出表示，进一步输入到时间卷积神经网络输出历史事件时空表示：/>在第t时刻，输入当前时间下的事件交通路况图、时间和标值[G(l-1)；st,mt]嵌入表示，并与历史事件时空表示共同作为特征向量，输入到强度变换函数；基于强度变换函数，输出未来多个时间步是否发生拥堵和事件的标值(marker)。
实施例
现以本发明试用于某市城市交通路网进行城市道路拥堵时空预测为实施例对本发明进行详细说明，对本发明应用于其它地区进行城市道路拥堵时空预测同样具有指导作用。
本实施例采用本发明方法进行城市道路拥堵时空预测，包括步骤如下：
1)基础资料整理；
本实施例中的某市的研究区域基本概况，如3所示。该研究区域包含792条路段，时间为2018年1月1日至2018年12月31日一年的拥堵指数和速度，时间粒度为10分钟，数据量39405963条。此外，考虑到城市拥堵受到工作日和非工作、早晚高峰和平峰的影响，本发明进一步对数据进行处理得到相应的特征辅助拥堵预测问题。
通过数据分析，本发明将数据缺失超过20％的路段进行筛选，并进一步通过补全等数据预处理，获得实验数据集。类似对交叉口实验数据说明。根据我国最新颁布的《道路交通拥堵评价方法》(GAT 115-2020)(公安部交通管理科学研究所,2020)，通过对比城市限速和自由行使速度，作为交通拥堵事件是否发生的判定阈值，即当道路某条路段在某时段的平均速度位于拥堵区间内，认为拥堵事件发生一次，否则为非拥堵(畅通状态)事件。图3为所研究的西安市城市路网，根据新的行业标准依据速度属性将交通拥堵度，分为Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级，分别表示严重拥堵、中度拥堵、轻度拥堵和畅通。
2)拥堵事件定义：
定义1.城市路网级拥堵事件：根据城市对于特定的道路限速规定，将某路段、某时刻下速度小于标准时速的交通状态定义为一次拥堵事件，由发生时间(事件时间)和拥堵指数(事件标值)元组构成。假设某路段历史拥堵事件集合为{(t1,m1),(t2,m2),…,(tn,mn)}，n表示事件发生次数的随机变量，其中，0<t1<t2<…<tn表示拥堵事件的发生时间ti∈(0,T]和表示事件标值，/>事件连续标值为连续相等时间分割下的拥堵指数，对于未发生拥堵时刻的标值用0填充。因此，T个历史事件序列输入为E＝[(t1,m1),(t2,m2),(0,0),…,(0,0),(tT,mT)]构成的T个连续时间序列。预测未来拥堵发生时间通过分类值{0,1}表示发生与否。
在历史间隔(0,T]内，城市路网拥堵事件集合：
定义2.交通路况图：Gs＝(Vs,Es,As)表示未发生拥堵事件时的道路网络连接图结构。Vs表示节点集合(|Vs|＝N)，本发明的节图节点为交叉口之间路段单元。Es表示节点边集合，边是无方向的。As∈RN×N表示图Gs的邻接矩阵。对于固定节点，xt∈RF表示交通状态特征向量，F表示交通状态特征个数。进一步，t时刻城市路网所有节点交通状态表达因此，对于历史时间段[0,T]的节点特征表示X＝(X1,…,XT)∈RN ×F×T。
定义3.交通拥堵图：Gc＝(Vc,Ec,Ac)表示发生拥堵事件时的路网连接图结构(可以看作Gs的子图结构)。Vc表示拥堵节点集合(|Vc|＝N)。Ec表示拥堵节点边集合，这些边是无方向的。N条路段构成Gc，假设i和j路段发生拥堵，矩阵元素否则/>不同于交通路况图定义，Ac∈RN×N中拥堵节点连接关系和大小是随着时间发展动态改变的，是一个稀疏矩阵。Ac度量不同拥堵路段之间的关联强度，权重大小ρi,j通过计算图节点的事件相似度。拥堵图节点特征由时间ti和标值mi构成，/>表示拥堵事件D维向量表示，本发明标值特指交通拥堵指数。对于历史时间段[0,T]，拥堵图所有节点拥堵事件序列表示：
基于2和3两层图结构定义，将城市路网交通拥堵事件预测定义为一个多任务学习问题(预测未来多步时间拥堵是否发生和发生的标值)，如下公式(1)所示：
3)城市路网拥堵传播时空依赖建模
图4为拥堵传播时空依赖建模示意图。对应图3中的历史输入部分时空关联建模：通过输入双层图结构，首先，利用交通拥堵图提取拥堵模式，并将提取的拥堵模式整合到传统的图卷积神经网络得到新的图传播卷积核(P-GCN)；接下来，利用P-GCN对历史交通路况图结构进行空间建模，同时学习城市路况图结构的空间结构依赖和拥堵传播模式。最后，对于路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，在时间维上提取时间依赖关系，学习历史拥堵事件时空嵌入表示；
4)集成拥堵传播模式的空间关联建模；
(a)交通路况图嵌入；
第一步是对交通路况图的嵌入，模型的图卷积神经网络从输入数据中学习信息，然后将嵌入向量送入第二阶段时间关联建模。基于图卷积GCN相关理论实现拓扑图的卷积，根据具体研究问题的特殊性，本发明对全局GCN进行了扩展，开发了新的集成拥堵传播模式的图传播卷积核(P-GCN)。具体，GCN可以通过拓扑结构的多次卷积来获取空间信息，本发明采用两层卷积对空间对t-1进行建模捕获图形空间特征，其中GCN层定义为公式(5)，(6)：
为输入交通特征，N为图的节点个数，C(0)＝F为每个节点输入特征向量的维度，/>As∈RN×N为路网邻接矩阵。/>是第l层图卷积输出嵌入表示，C(l)为第l层嵌入空间维度。/>为添加自连接的输入图邻接矩阵，/> 为节点的度矩阵。σ(·)表示激活函数，/>为神经网络第l层的权重矩阵。
(b)交通拥堵图的传播模式提取与图传播卷积核的建立；
本发明将i和j位置的事件时空传播模式定义为ρi,j，用于描述在特定时刻下，拥堵事件ei和ej之间的时空依赖关系。具体来说，对于t时刻发生在空间位置i处的拥堵事件ei，为其设定时间阈值Δt和事件之间标值属性(拥堵指数)阈值Δm，那么认为：所有发生在时间窗[t+Δt,m+Δm)内，且与空间位置j的欧氏距离小于Δm的拥堵事件ej，都可能对位置i产生影响。例如，如果两次拥堵事件时间间隔阈值设为10分钟，拥堵指数距离相差0.2，则认为这两次拥堵事件在时间和空间存在关联。否则无关联。而ei对ej影响的大小，可以用它们的时间距离Δti,j＝|ti-tj|，及其标值属性距离mi,j来衡量。两个拥堵事件越接近，它们对应的拥堵模式越相似。因此，根据问题特点，ρi,j可以通过公式(7)计算：
其中，wt,wm∈RN均是学习的参数，用于决定时间和空间对拥堵事件的时空影响的重要程度。ρi,j数值越大，意味着两拥堵事件的时空相关性越强，拥堵模式越相近。根据公式(7)，路网中两次拥堵事件的时间距离越小，Δti,j越小，相关性ρi,j越强。
基于上述公式，对每个不同时刻的交通拥堵图上所有位置，分别建立不同的时空动态关联矩阵，表征拥堵在城市路网中的时空传播模式矩阵表示：最后，将得到的时空动态传播模式矩阵集成到GCN图卷积核，得到t-1时刻新的图传播卷积核结构，如公式(8)：
⊙表示哈达玛乘积，为新的图传播卷积核结构P-GCN。
5)时间维度卷积建模历史拥堵事件
在空间建模部分，路网图结构每个节点不仅学习路网相邻之间的空间信息，同时学习了交通路网拥堵节点之间传播模式信息。对每个历史时刻的输入，进行空间卷积后，交通路况图结构的空间关联信息被融合到同一个图结构中，得到一个紧凑表示的多维特征张量T为历史输入长度。
本发明提出了时域卷积网络架构TCN，如图5所示。对于路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，学习历史拥堵事件时空嵌入表示。以l-1层T(l-1)个历史时间步长的空间输出为例：输入尺度[T(l-1)×N×C(l-1)]，它与大小为K(t-1)的核函数的卷积，公式(9)：
[*]表示标准的卷积运算,Relu为非线性激活函数，K(t-1)表示时间维的卷积核。
本发明利用某市城市交通路网拥堵真实开源数据对本发明模型及现有深度学习模型进行了对比验证，结果表明，在工作日早高峰时段预测精度MAPE:12.17(未来50分钟)，本发明的测试时间为4.04s，比现有深度学习模型快1倍以上；可见，相对于现有深度学习模型，本发明模型有较高的准确性和计算效率。
验证试验
现将现有的城市道路拥堵预测方法作为对比例，将本发明方法作为实验例，将本发明MST-NGP模型的三个变体作为对照例，将对比例、实验例和对照例同时应用于上述实施例中进行对比，以进一步说明本申请的预测准确性和有效性。
对比例的城市道路拥堵预测方法包括IRNN、SAHP、THP、RMTPP、ASTGCN；其中，
IRNN：强度循环神经网络(Intensity RNN)通过两个递归神经网络来捕获过去的信息。当事件序列发生时，模型将事件类型嵌入到隐藏空间中，然后将嵌入输入到一个事件循环神经网络中。同时，将时间信息输入到另一个循环神经网络中，整个模型具有事件标值类型和时间预测输出层，可以端到端进行训练。
SAHP：自注意力霍克斯过程(Self-Attentive Hawkes Process)，采用自注意机制将历史信息建模在条件强度函数中，指定为 μ,α,ω通过网络参数学习得到。
THP：Transformer霍克斯过程模型(Transformer hawkes process).基于transformer模型，对霍克斯过程建模的方法。该方法主要通过注意力机制对时空关联建模。
RMTPP：循环标值时间点过程模型(The Recurrent Marked Temporal PointProcesses)。为一个统一的模型，能够通过深度神经网络对时间戳和标记信息的历史事件进行一般非线性依赖建模，是最早使用三层递归神经网络来模拟强度函数和标记分布的神经点过程模型之一。
ASTGCN：基于注意力的时空图卷积网络，将注意力机制与时空图卷积相结合，同时提取非线***通流的时空特征。
对照例(用于验证本发明的有效性)的三个变体分别为：MST-TCN、MST-GCN、MST-MTCN；其中，
MST-TCN(变体I)：去掉空间GCN建模部分(保留拥堵先验传播模式)，验证本发明MST-NGP模型对拥堵各向异性传播的捕获能力。
MST-GCN(变体II)：去掉了拥堵先验传播模式、保留空间图卷积GCN部分的MST-NGP，验证拥堵传播模式对本发明MST-NGP模型泛化能力影响。
MST-MTCN(变体III)：缺失MST-NGP模型中时间关联建模TCN卷积网络，验证本发明MST-NGP模型对历史信息影响。
将对比例、实验例和对照例同时应用于上述实施例中进行城市道路拥堵预测，预测结果如表1、图6、图7、图8所示。
表1拥堵事件标值预测模型性能对比(工作日早高峰)
图6为本发明实施例中某市工作日和非工作日高峰时段拥堵标值预测结果图。图6中的(a)图表示工作日高峰时段拥堵标值预测结果图，图6中的(b)图表示非工作日高峰时段拥堵标值预测结果图。
图7为本发明实施例中某市工作日高峰时段时间类别预测结果图。
从图7可以看出，MST-NGP、ASTGCN、IRNN的预测结果精度较好，优于SAHP、THP、RMTPP、MST-TCN、MST-GCN、MST-MTCN的预测结果精度。
图8为本发明实施例中某市拥堵标值预测可视化结果图。图8选择了前面预测结果精度较好的模型(分别为MST-NGP((本发明)、ASTGCN、IRNN)，给出了三个拥堵预测结果的典型例子，有利于定性分析MST-NGP模型的优势。选择上述实施例中2018年某天早高峰时间段7:30-9:00，图8中的(a)图、(b)图、(c)图分别为三个时刻的真实拥堵分布；图8中的(d)图、(e)图、(f)图为MST-NGP模型标值预测结果；图8中的(g)图、(h)图、(i)图为ASTGCN时空模型标值预测结果；图8中的(j)图、(k)图、(l)图为IRNN时间序列模型标值预测结果。
从图8中的(g)图、(h)图、(i)图可以看出，ASTGCN时空模型标值预测结果与真实拥堵分布的预测结果相差较大，预测准确性及稳定性均不高。
从图8中的(j)图、(k)图、(l)图可以看出，IRNN时间序列模型标值预测结果与真实拥堵分布的预测结果相差较大，预测准确性及稳定性均不高。
从图8中的(d)图、(f)图、(e)图可以看出：本发明的预测模型基本能够正确的对真实拥堵进行预测，由于MST-NGP在建模中考虑了空间结构信息，并将拥堵传播模式集成到了空间卷积核GCN中，使得卷积核能够动态感知拥堵在在空间的传播变化；因此，即使在少量空间位置上剧烈变化的重度拥堵预测问题中(如图8中的(a)图所示)，也能够得到对发生位置十分吻合的预测，对于畅通、轻度、中度和重度拥堵都能得到非常接近真实拥堵分布的预测结果，说明本发明MST-NGP预测准确性高、预测精度高、且预测性能十分稳定。
其它未说明的部分均属于现有技术。
Claims (6)
1.一种基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：将路网图结构信息嵌入到时间点过程模型内部，形成标值时空图过程神经网络模型，使时间点过程模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息，同时通过顾及城市道路网络拥堵事件的时空传播模式，对传统的图卷积网络进行扩展，形成新的感知拥堵模式变化的图传播卷积核P-GCN，使得图卷积核能够感知拥堵模式变化，提升标值时空图过程神经网络模型的泛化能力。
2.根据权利要求1所述的基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：包括如下步骤，
步骤一：基础资料整理；
分析基础资料，并进行数据预处理，获得完整的实验数据集；
步骤二：拥堵事件定义；
通过拥堵事件定义，将城市路网交通拥堵事件预测定义为一个多任务学习问题，用于预测未来多步时间拥堵是否发生和发生的标值，如下公式(1)所示：
其中：Gs表示未发生拥堵事件时的道路网络连接图结构；Gc表示发生拥堵事件时的路网连接图结构；X表示历史时间段[0,T]的节点特征；E0→T表示拥堵图所有节点拥堵事件序列；
步骤三：城市路网拥堵传播时空依赖建模；
步骤四：集成拥堵传播模式的空间关联建模；
路网图结构每个节点学习路网相邻之间的空间信息和交通路网拥堵节点之间传播模式信息；
对每个历史时刻的输入，进行空间卷积后，交通路况图结构的空间关联信息被融合到同一个图结构中，得到一个紧凑表示的多维特征张量作为历史输入长度；
步骤五：时间维度卷积建模历史拥堵事件；
通过时域卷积网络架构TCN，对路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，学习历史拥堵事件时空嵌入表示；
当历史事件空间卷积输出设为l-1层T(l-1)个历史时间步长的空间输出时：
输入尺度为[T(l-1)×N×C(l-1)]，它与大小为K(t-1)的核函数的卷积公式(9)如下：
其中：[*]表示标准的卷积运算；Relu为非线性激活函数；K(t-1)表示时间维的卷积核。
3.根据权利要求2所述的基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：在步骤一中，基础资料整理，具体方法为：
通过数据分析，对数据缺失超过20％的路段进行筛选，并进一步通过补全数据预处理，获得实验数据集。
4.根据权利要求2所述的基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：在步骤二中，拥堵事件定义，具体包括定义1.城市路网级拥堵事件，定义2.交通路况图，定义3.交通拥堵图；
其中，定义1.城市路网级拥堵事件，其具体方法为：
根据城市对于特定的道路限速规定，将任一路段、任一时刻下速度小于标准时速的交通状态定义为一次拥堵事件，由发生时间和拥堵指数元组构成；假设某路段历史拥堵事件集合为{(t1,m1),(t2,m2),…,(tn,mn)}，n表示事件发生次数的随机变量，其中，0<t1<t2<…<tn表示拥堵事件的发生时间ti∈(0,T]和表示事件标值，/>事件连续标值为连续相等时间分割下的拥堵指数，对于未发生拥堵时刻的标值用0填充；此时，T个历史事件序列输入为E＝[(t1,m1),(t2,m2),(0,0),…,(0,0),(tT,mT)]构成的T个连续时间序列；预测未来拥堵发生时间通过分类值{0,1}表示发生与否；在历史间隔(0,T]内，城市路网拥堵事件集合为：/>
定义2.交通路况图，其具体方法为：
t时刻城市路网所有节点交通状态表达为：因此，对于历史时间段[0,T]的节点特征表示X＝(X1,…,XT)∈RN×F×T；其中，xt∈RF表示交通状态特征向量，F表示交通状态特征个数；N表示节点集合；
定义3.交通拥堵图，其具体方法为：
假设i和j路段发生拥堵，矩阵元素否则/>Ac∈RN×N中拥堵节点连接关系和大小随着时间发展动态改变，是一个稀疏矩阵；Ac度量不同拥堵路段之间的关联强度，权重大小ρi,j通过计算图节点的事件相似度；拥堵图节点特征由时间ti和标值mi构成，表示拥堵事件D维向量表示，标值指交通拥堵指数；对于历史时间段[0,T]，交通拥堵图所有节点拥堵事件序列表示：/>
5.根据权利要求2所述的基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：在步骤三中，城市路网拥堵传播时空依赖建模，具体方法为：通过输入双层图结构数据，首先，利用从交通拥堵图数据中提取拥堵模式，并将提取的拥堵模式整合到传统的图卷积神经网络形成新的图传播卷积核P-GCN；
接下来，利用新的图传播卷积核P-GCN对历史交通路况图结构进行空间建模，同时学习城市路况图结构的空间结构依赖和拥堵传播模式；
最后，对于路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，在时间维上提取时间依赖关系，学习历史拥堵事件时空嵌入表示。
6.根据权利要求2所述的基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：在步骤四中，集成拥堵传播模式的空间关联建模，具体方法包括如下步骤：
(1)交通路况图嵌入；
首先对交通路况图进行嵌入，图卷积神经网络从输入数据中学习信息；然后将嵌入向量送入第二阶段时间关联建模；基于图卷积GCN相关理论实现拓扑图的卷积，对全局GCN进行扩展，开发新的集成拥堵传播模式的图传播卷积核P-GCN；GCN通过拓扑结构的多次卷积来获取空间信息，具体方法包括：采用两层卷积对空间对t-1进行建模捕获图形空间特征，其中GCN层定义为公式(5)和公式(6)：
其中：为输入交通特征；N为图的节点个数；C(0)＝F为每个节点输入特征向量的维度；/>As∈RN×N为路网邻接矩阵；/>是第k层图卷积输出嵌入表示；C(k)为第l层嵌入空间维度；/>为添加自连接的输入图邻接矩阵；为节点的度矩阵；σ(·)表示激活函数；/>为神经网络第l层的权重矩阵；
(2)交通拥堵图的传播模式提取与图传播卷积核的建立；
将i和j位置的事件时空传播模式定义为ρi,j，用于描述在某一设定时刻下，拥堵事件ei和ej之间的时空依赖关系；具体来说，对于t时刻发生在空间位置i处的拥堵事件ei，为其设定时间阈值Δt和事件之间标值属性阈值Δm，那么认为：所有发生在时间窗[t+Δt,m+Δm)内，且与空间位置j的欧氏距离小于Δm的拥堵事件ej，都可能对位置i产生影响；而ei对ej影响的大小，用它们的时间距离Δti,j＝|ti-tj|，及其标值属性距离mi,j来衡量；两个拥堵事件越接近，它们对应的拥堵模式越相似；因此，根据问题特点，ρi,j通过公式(7)计算：
其中，wt,wm∈RN均是学习的参数，用于决定时间和空间对拥堵事件的时空影响的重要程度；
ρi,j数值越大，意味着两拥堵事件的时空相关性越强，拥堵模式越相近；根据公式(7)，路网中两次拥堵事件的时间距离越小，Δti,j越小，相关性ρi,j越强；
基于上述公式，对每个不同时刻的交通拥堵图上所有位置，分别建立不同的时空动态关联矩阵，表征拥堵在城市路网中的时空传播模式矩阵表示；最后，将得到的时空动态传播模式矩阵集成到GCN图卷积核，得到t-1时刻新的图传播卷积核结构，如公式(8)所示：
其中：⊙表示哈达玛乘积，为新的图传播卷积核结构P-GCN。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310488416.1A CN117275215A (zh) | 2023-05-04 | 2023-05-04 | 一种基于图过程神经网络的城市道路拥堵时空预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310488416.1A CN117275215A (zh) | 2023-05-04 | 2023-05-04 | 一种基于图过程神经网络的城市道路拥堵时空预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117275215A true CN117275215A (zh) | 2023-12-22 |
Family
ID=89213077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310488416.1A Pending CN117275215A (zh) | 2023-05-04 | 2023-05-04 | 一种基于图过程神经网络的城市道路拥堵时空预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117275215A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523848A (zh) * | 2024-01-04 | 2024-02-06 | 湖南工商大学 | 交通拥堵信息的预测方法、装置、计算机设备及介质 |
-
2023
- 2023-05-04 CN CN202310488416.1A patent/CN117275215A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117523848A (zh) * | 2024-01-04 | 2024-02-06 | 湖南工商大学 | 交通拥堵信息的预测方法、装置、计算机设备及介质 |
| CN117523848B (zh) * | 2024-01-04 | 2024-04-19 | 湖南工商大学 | 交通拥堵信息的预测方法、装置、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
| Lin et al. | Real-time traffic accidents post-impact prediction: Based on crowdsourcing data | |
| Wang et al. | Visual traffic jam analysis based on trajectory data | |
| CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
| CN111967712B (zh) | 一种基于复杂网络理论的交通风险预测方法 | |
| EP2590151A1 (en) | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras | |
| CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
| CN110598999B (zh) | 基于个体数据的交通出行分析方法、***及存储介质 | |
| CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
| CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
| US20230140289A1 (en) | Traffic accident prediction systems and methods | |
| CN117275215A (zh) | 一种基于图过程神经网络的城市道路拥堵时空预测方法 | |
| 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 | |
| CN112418939A (zh) | 基于神经网络挖掘房价时空关联性以预测房价的方法 | |
| CN114969263A (zh) | 一种城市交通知识图谱的构建方法、构建装置及应用 | |
| Zhao et al. | Dynamic community detection considering daily rhythms of human mobility | |
| CN112883133B (zh) | 基于时序数据和功能演变数据的流量预测方法 | |
| Ratra et al. | A Comprehensive Review on Crime Patterns and Trends Analysis using Machine Learning | |
| CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
| Liu et al. | Attention based spatio-temporal graph convolutional network with focal loss for crash risk evaluation on urban road traffic network based on multi-source risks | |
| Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
| Mohammadi et al. | Probabilistic prediction of trip travel time and its variability using hierarchical Bayesian learning | |
| Wang et al. | Discovering the impact of urban traffic interventions using contrast mining on vehicle trajectory data | |
| Chen et al. | Dynamic path flow estimation using automatic vehicle identification and probe vehicle trajectory data: A 3D convolutional neural network model | |
| Tikka et al. | Convolutional neural networks in estimating the spatial distribution of electric vehicles to support electricity grid planning |
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 |