WO2021109318A1 - 一种城市路网短期交通运行状态估计与预测方法 - Google Patents

一种城市路网短期交通运行状态估计与预测方法 Download PDF

Info

Publication number
WO2021109318A1
WO2021109318A1 PCT/CN2020/071137 CN2020071137W WO2021109318A1 WO 2021109318 A1 WO2021109318 A1 WO 2021109318A1 CN 2020071137 W CN2020071137 W CN 2020071137W WO 2021109318 A1 WO2021109318 A1 WO 2021109318A1
Authority
WO
WIPO (PCT)
Prior art keywords
road
traffic
time
road network
speed
Prior art date
Application number
PCT/CN2020/071137
Other languages
English (en)
French (fr)
Inventor
任刚
宋建华
曹奇
李豪杰
李大韦
张洁斐
Original Assignee
东南大学
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 东南大学 filed Critical 东南大学
Publication of WO2021109318A1 publication Critical patent/WO2021109318A1/zh

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
    • G08G1/0125—Traffic data processing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—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
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Definitions

  • the invention belongs to the technical field of intelligent transportation, and specifically relates to a method for estimating and predicting the short-term traffic operation state of an urban road network.
  • Real-time monitoring of urban road traffic status and accurate traffic status information release are important foundations for ensuring traffic safety and operational efficiency.
  • the real-time traffic status information of the road reasonable and scientific management and control of traffic can be realized, the occurrence of congestion can be reduced, the road network resources can be fully utilized, and the road users can shorten the travel time, which has important practical significance. Therefore, real-time and accurate traffic state information estimation and prediction has become a crucial link.
  • the current research does not fully consider the effect of heterogeneous data on the estimation of the traffic state of the whole road network and the mutual influence of the upstream and downstream of the traffic flow, resulting in the prediction accuracy of the road network level cannot meet the requirements.
  • the upstream and downstream traffic states between the road sections in the road network cannot be ignored.
  • deep learning methods are one-way predictions, such as the Conv-LSTM model.
  • Two-way traffic state prediction but the traffic spatial characteristics are not well mined, such as the Bidirectional LSTM model.
  • some key information may be filtered out by the model, resulting in a certain deviation in the final prediction result.
  • the present invention discloses a short-term traffic operation state estimation and prediction method of urban road network, which solves the problem that the existing prediction methods are not considered comprehensively in the space and time dimensions, and further improves the prediction accuracy. Provide accurate traffic information with users, and at the same time have greater significance for the construction of intelligent transportation systems.
  • An urban road network short-term traffic operation state estimation and prediction method including the following steps:
  • the present invention is based on the respective advantages of Bi-LSTM and CNN models and combines them, that is, Bi-ConvLSTM is used to extract the temporal and spatial characteristics of the traffic state of the entire road network, and obtain the current and next traffic state estimation and prediction of the entire road network value.
  • the urban road network short-term traffic operation state estimation and prediction method of the present invention uses urban taxi GPS data and road network speed test bayonet data as basic data, and integrates taxi data and card data through a generalized adaptive smoothing algorithm (GASM). Port data, reconstruct the actual traffic flow, and truly reflect the changes in the actual traffic speed of urban road sections.
  • GSM generalized adaptive smoothing algorithm
  • This method effectively solves the problems of low traffic state estimation accuracy and large estimation error of a single data source, effectively improves the traffic operation state of the real road section, and lays a solid foundation for further estimating and predicting the traffic state of the entire road network.
  • the bidirectional convolutional long- and short-term memory neural network is used to accurately estimate and short-term forecast the traffic state at the level of the entire urban road network. By accurately reflecting the evolution of the urban road network traffic state, it can provide road traffic managers and users with optimal traffic control measures and travel plans.
  • Fig. 1 is a flow chart of the method for estimating and predicting the short-term traffic operation state of the urban road network of the present invention.
  • Figure 2 is a schematic diagram of the LSTM structure.
  • Figure 3 is a schematic diagram of the BDC-LSTM structure.
  • GASM General adaptive smoothing method, generalized adaptive smoothing method
  • Bi-ConvLSTM Bi-directional LSTM, bidirectional long and short-term memory network
  • CNN Convolutional Neural Network
  • Bi-ConvLSTM after fusion bi-directional convolutional long and short-term memory neural network
  • Figure 1 is a flow chart of the method for estimating and predicting the short-term traffic operation state of urban road network implemented in the present invention. The specific steps include:
  • the section between two intersections is used as the research unit, and the actual traffic state of the research unit (section) is reconstructed by using the generalized adaptive smoothing algorithm (GASM) to fuse the GPS speed and bayonet speed of the taxi;
  • GSM generalized adaptive smoothing algorithm
  • the present invention is based on the respective advantages of the Bi-LSTM and CNN models and combines them, that is, the Bi-ConvLSTM is used to extract the temporal and spatial characteristics of the traffic state of the entire road network, and obtain the current and next traffic state estimates of the entire road network. Predictive value.
  • step 002 is:
  • GSM Generalized Adaptive Smoothing Algorithm
  • x is the spatial coordinate
  • time coordinate T is the velocity value of point i
  • increases.
  • the kernel function calculation formula is as follows:
  • point (x, t) is the estimated point
  • (x i , t i ) is the collected data point
  • ⁇ is half of the distance between two adjacent detectors
  • ⁇ is half of the detector sampling time
  • GASM realizes the speed estimation of the congested traffic flow V cong (x,t) and the free flow V free (x,t) by adjusting the kernel function as follows:
  • c free and c cong are the propagation speeds under congestion and free flow, respectively.
  • V(x,t) w(x,t)V cong (x,t)+[1-w(x,t)]V free (x,t) (6)
  • w(x,t) is the weight function of congestion and free flow traffic state, and this function is represented by an sigmoid nonlinear function:
  • the traffic state based on heterogeneous data is calculated by the following formula:
  • z(x,t) is the estimated traffic state based on heterogeneous data
  • ⁇ (j) (x, t) is a measure of the reliability dynamics of data source j at point (x, t)
  • the estimated average speed of data source j The standard deviation of the measurement error of the data source j, and the index k j reflects the change of the measurement error of the data source j as the average speed changes.
  • step 004 is:
  • the road network spatial adjacency matrix describes the adjacency relationship between different spatial objects from the perspective of network topology.
  • the adjacency relationship is expressed by the following formula:
  • the comprehensive spatial adjacency matrix of the road network is
  • the spatial adjacency matrix is transformed into a spatial weight matrix by the method of row standardization, namely Therefore, for a research object containing N spatial units, its spatial weight matrix is expressed as follows:
  • step 005 is:
  • the traffic status in the road network affects each other, so it is necessary to quantify the time-space relationship between road sections.
  • the Pearson correlation function can be used to measure the correlation of two objects in the time series, while considering the influence of the spatial relationship, and using the average speed of the road section obtained in step 003, the spatial factor is introduced As a quantification of the comprehensive speed of adjacent sections, the calculation formula is as follows:
  • R is the number of road sections, t ⁇ [1,T], T is the length of the statistical period, and t time interval.
  • step 006 is:
  • the present invention adopts the TOPSIS method to realize fragile road section identification, and the calculation steps are as follows:
  • a - (s) ⁇ minCor i (s)
  • a + (s), and A - (s) are the positive, negative over the program;
  • R is a number of sections of the road network,
  • S is the time delay of the set value s.
  • the weights under different time delays are calculated from the Euclidean distance as follows:
  • max(Ed) and min(Ed) are the maximum and minimum values of the Euclidean distance set, respectively.
  • C i is the similarity between the road section i and the ideal solution, that is, the importance of the road section.
  • C i 1 indicates that the time-space correlation of road section i is the best, and its influence is the greatest, and vice versa.
  • the definitions of other variables are the same as formulas (18)-(19).
  • This section is regarded as a vulnerable road section, that is, the most easily congested road section is regarded as a vulnerable road section, and the traffic characteristics of the vulnerable road section are used to estimate And predict the traffic status of the entire road network.
  • step 007 is:
  • N*D feature matrix which describes the change of speed on the road over time.
  • the space-time matrix is generally expressed as the following formula:
  • N is the number of vulnerable road sections
  • D is the number of time delays
  • x it is the average traffic speed of road section i at time t, that is, the average speed of road section i is calculated according to the merged traffic state.
  • step 008 is:
  • the present invention is based on the respective advantages of the Bi-LSTM and CNN models and combines them, that is, the Bi-ConvLSTM is used to realize the estimation and prediction of the traffic state of the entire road network.
  • the model is used to extract spatial and time-related features from historical traffic speed data, and finally combine these features for estimation and prediction.
  • the above spatial correlation feature is extracted from the traffic state of the current road segment and the traffic state sequence of the adjacent road segment of the current road segment through the CNN model, and is used to express the correlation of the traffic state between the current road segment and the adjacent road segment; the time correlation feature is used
  • the Bi-LSTM model is extracted by considering that the traffic state at each moment is a time series and taking into account the current road section affected by the upstream and downstream traffic flow. The model finally obtains the forward and reverse traffic state information of the current road section. Extract actual traffic characteristics, thereby reducing prediction errors.
  • the urban traffic speed data constructed through the above steps fully train the Bi-ConvLSTM model. Similar to the general LSTM, as shown in Figure 2, in the Bi-ConvLSTM model, x 1 ,...,x t are input, the cell outputs C 1 ,...,C t , and the hidden state h 1 ,... , h t are all 3D tensors. Each cell contains three parts: input gate i t , forget gate f t , and output gate o t .
  • the Bi-ConvLSTM model determines the future state of a unit through the input and past state of its local neighbors. The calculation formula of the ConvLSTM model is as follows:
  • the ⁇ g function is used to fuse the two result vectors of forward and reverse output.
  • the function can be a summation function, an average function, and so on.
  • the time series step size and hidden layer number of the Bi-LSTM model involved the number of network layers of the CNN model, the size of the convolution kernel, the step size and each fully connected layer Those skilled in the art can configure these parameters such as the number of neurons and the number of neurons according to specific requirements, and will not be described one by one here.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种城市路网短期交通运行状态估计与预测方法，包括：(1)获取异构数据并进行预处理，并以城市两信号交叉口之间路段为研究单元，利用GASM算法对研究单元的速度场重构；(2)构建城市路网空间权重矩阵，计算各路段间的时空相关性并采用TOPSIS识别并量化脆弱路段；(3)依据重构后的研究单元速度场取速度的平均值及选取合理脆弱路段构建城市路网的时空特征矩阵；(4)根据Bi-ConvLSTM对全路网的交通状态进行估计与预测。该方法通过融合异构数据重构研究单元速度场，解决单一数据源导致的预测局限性，同时采用Bi-ConvLSTM考虑研究单元上游和下游的交通速度影响，充分挖掘交通流的时空特性，进一步提高了预测的准确率等优点。

Description

一种城市路网短期交通运行状态估计与预测方法 技术领域
本发明属于智能交通技术领域，具体涉及一种城市路网短期交通运行状态估计与预测方法。
背景技术
随着社会经济的高速发展以及5G信息技术革命的到来，使人们的生活变得更为便捷，同时为交通行业带来新的契机。尤其智能交通领域的快速发展，有望解决交通拥堵、交通环境等交通难题。
城市道路交通状态的实时监控和精确的交通状态信息发布是保障交通安全和运行效率的重要基础。根据道路的实时交通状态信息可以实现对交通合理、科学的管理和控制，减少拥挤的发生，充分发挥路网资源，为道路使用者缩短出行时间等方面有着重要的现实意义。因此，实时准确的交通状态信息估计与预测成为至关重要的环节。但目前的研究并未充分考虑异构数据对全路网交通状态估计作用以及交通流上下游的相互影响，导致路网层面的预测精度不能够达到要求。
当预测全路网的交通状态时，路网中路段之间的上游和下游交通状态不能够忽略不计，而一般深度学习方法都是单向进行预测，例如Conv-LSTM模型，有的研究虽然进行双向交通状态预测，但对于交通空间特征并没有很好地挖掘，例如Bidirectional LSTM模型，在预测时有些关键信息可能会被模型过滤掉，导致最终的预测结果存在一 定的偏差。
发明内容
为解决上述问题，本发明公开了一种城市路网短期交通运行状态估计与预测方法，解决了现有预测方法在时空维度上考虑不够全面的问题，进一步提高预测精度，对未来城市交通管理者和使用者提供准确的交通信息，同时对智能交通***的建设也具有较大意义。
为达到上述目的，本发明的技术方案如下：
一种城市路网短期交通运行状态估计与预测方法，包括以下步骤：
(1)获取城市出租车GPS数据和城市道路测速卡口数据，对异构数据进行预处理；
(2)以两个交叉口之间的路段作为研究单元，通过利用广义自适应平滑算法(GASM)融合出租车GPS速度和卡口速度，重构研究单元(路段)的实际交通状态；
(3)根据融合后的交通状态求路段的平均速度；
(4)建立城市路网空间权重矩阵；
(5)计算路段之间的时空相关性；
(6)基于逼近理想点排序法(TOPSIS)识别并量化脆弱路段；
(7)生成输入数据，即城市路网的时空矩阵，一个N*D的特征矩阵，其描述了道路上交通速度随时间的变化。其中N为脆弱路段数，D为时间间隔；
(8)本发明基于Bi-LSTM和CNN模型各自优势并进行结合，即利用Bi-ConvLSTM提取全路网交通状态的时空特征，并得到全路网当前时刻和下一时刻的交通状态估计和预测值。
本发明的有益效果是：
本发明所述的城市路网短期交通运行状态估计与预测方法，将以城市出租车GPS数据和路网测速卡口数据作为基础数据，通过广义自适应平滑算法(GASM)融合出租车数据和卡口数据，对实际交通流进行重构，真实地反映实际的城市路段交通速度的变化。这种方法有效地解决了交通状态估计精度低和单一数据源估计误差大等问题，有效提高了真实路段的交通运行状态，为进一步估计与预测全路网的交通状态打下坚实的基础。通过定义路网中脆弱路段，利用双向卷积长短期记忆神经网络对整个城市路网层面的交通状态进行精准估计与短时预测。通过精准地反映城市路网交通状态演变规律，进而为道路交通管理者和使用者提供最优的交通管控措施和出行计划。
附图说明
图1为本发明的城市路网短时交通运行状态估计与预测方法流程图。
图2为LSTM结构示意图。
图3为BDC-LSTM结构示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述 具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明的一些缩写的名词解释：
GASM(General adaptive smoothing method，广义自适应平滑法)，
TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution，基于逼近理想点排序法)，
Bi-ConvLSTM(Bi-directional LSTM，双向长短时记忆网络；CNN,Convolutional Neural Network，卷积神经网络，融合后简写Bi-ConvLSTM,双向卷积长短时记忆神经网络)。
如图1所示为本发明所述实施的城市路网短时交通运行状态估计与预测方法流程图，具体步骤包括：
001，获取城市出租车GPS数据和城市道路测速卡口数据，对异构数据进行预处理；
002，以两个交叉口之间的路段作为研究单元，通过利用广义自适应平滑算法(GASM)融合出租车GPS速度和卡口速度，重构研究单元(路段)的实际交通状态；
003，根据融合后的交通状态求路段的平均速度；
004，建立城市路网空间权重矩阵；
005，计算路段之间的时空相关性；
006，基于TOPSIS识别并量化脆弱路段；
007，生成输入数据，即城市路网的时空矩阵，一个N*D的特征矩阵，其描述了道路上交通速度随时间的变化。其中N为脆弱路段数， D为时间间隔。
008，本发明基于Bi-LSTM和CNN模型各自优势并进行结合，即利用Bi-ConvLSTM对全路网交通状态的时空特征进行提取，并得到全路网当前时刻和下一时刻的交通状态估计和预测值。
上述技术方案中，所述步骤002的实现方法为：
由于收集的交通数据一般呈离散且稀疏的情况，因此有必要利用广义自适应平滑算法(GASM)重构连续速度场以实现精确的交通状态。输入数据为一个离散的数据点集{x i,t i,v i},i＝1,...,n，输出为连续速度场V(x,t)，计算公式如下：
Figure PCTCN2020071137-appb-000001
其中：x是空间坐标；t时间坐标；v i是点i的速度值；平滑核函数φ i(x,t)随着|x|和|t|增加而减少。
核函数计算公式如下：
Figure PCTCN2020071137-appb-000002
其中：点(x,t)为估计点，(x i,t i)为已收集数据点，σ为两个相邻检测器距离的一半，τ为检测器采样时间的一半；同时定义归一化函数如下式：
Figure PCTCN2020071137-appb-000003
为了能够真实地反映交通流的传播情况，GASM通过调整核函数实现拥挤交通流V cong(x,t)和自由流V free(x,t)的速度估计分别如下所示：
Figure PCTCN2020071137-appb-000004
Figure PCTCN2020071137-appb-000005
其中：c free和c cong分别为拥堵和自由流情况下的传播速度。
则交通流的连续速度场组成如下：
V(x,t)＝w(x,t)V cong(x,t)+[1-w(x,t)]V free(x,t)     (6)
其中w(x,t)是拥堵和自由流交通状态的权重函数，该函数用S型非线性函数表示：
Figure PCTCN2020071137-appb-000006
因此，基于异构数据的交通状态由以下公式计算：
Figure PCTCN2020071137-appb-000007
其中：z(x,t)是基于异构数据估计后的交通状态；
Figure PCTCN2020071137-appb-000008
是数据源j在数据点i相应的核函数(见公式(2))；α (j)(x,t)是衡量数据源j在点(x,t)的可靠性动态
指标的权重因子。α (j)(x,t)的计算公式如下：
Figure PCTCN2020071137-appb-000009
其中：
Figure PCTCN2020071137-appb-000010
数据源j的估计平均速度，
Figure PCTCN2020071137-appb-000011
数据源j测量误差的标准差，指数k j反映数据源j的测量误差随平均速度的改变而发生变化。
上述技术方案中，步骤004的实现方法为：
道路网络空间邻接矩阵从网络拓扑角度来描述不同空间对象之间的邻接关系。复杂道路网络一般抽象为一个有向图G＝(N,L)，其由 N个节点和L条边组成。在图论中邻接关系用下式表达：
Figure PCTCN2020071137-appb-000012
Figure PCTCN2020071137-appb-000013
是k阶邻接矩阵中边i和j相邻的权重，并构成N×N空间权重邻接矩阵E k，路网的综合空间邻接矩阵为
Figure PCTCN2020071137-appb-000014
通过行标准化的方法将空间邻接矩阵转化为空间权重矩阵，即
Figure PCTCN2020071137-appb-000015
因此，一个含有N个空间单元的研究对象，其空间权重矩阵表达如下：
Figure PCTCN2020071137-appb-000016
上述技术方案中，步骤005的实现方法为：
道路网络中交通状态相互影响，因此量化路段间的时空关系十分必要。通过皮尔逊相关函数可以度量两个对象在时间序列上的相关性，同时考虑空间关系的影响，并利用步骤003中得到的路段平均速度，引入空间因子
Figure PCTCN2020071137-appb-000017
作为量化相邻路段的综合速度，其计算公式如下：
Figure PCTCN2020071137-appb-000018
其中：
Figure PCTCN2020071137-appb-000019
表示路段i在t时刻的交通速度，w ij为路段i和j相邻的权重，i∈[1,R]
R是路段数量，t∈[1,T]，T是统计时段长度，t时间间隔。
路段i和其相邻路段的速度相关性如下式所示：
Figure PCTCN2020071137-appb-000020
其中
Figure PCTCN2020071137-appb-000021
是路段i在统计时段T内交通速度
Figure PCTCN2020071137-appb-000022
的平均值，
Figure PCTCN2020071137-appb-000023
综合速度
Figure PCTCN2020071137-appb-000024
的平均值，s表示时间延迟。
上述技术方案中，步骤006的实现方法为：
为了避免大规模地计算城市路网的交通状态，有效提取脆弱路段对于推演全路网的交通状态至关重要。本发明采用TOPSIS方法实现脆弱路段识别，其计算步骤如下：
①定义正理想方案A +和负理想方案A -
A +(s)＝{maxCor i(s)|s∈(1,2,...,S),1≤i≤R}    (14)
A -(s)＝{minCor i(s)|s∈(1,2,...,S),1≤i≤R}    (15)
其中，A +(s)和A -(s)分别是正、负理想方案；R是路网中路段数量，S是时间延迟s的取值的集合。
②计算每个时间延迟下的权重
为了考虑相近时间间隔内交通状态更相近，因此不同的时间延迟下的权重由欧氏距离计算如下：
Figure PCTCN2020071137-appb-000025
由于较大权重被分配到更相近的交通状态，将其转化如下：
Figure PCTCN2020071137-appb-000026
其中max(Ed)和min(Ed)分别为欧氏距离集中最大值和最小值。
③计算距离
计算各路段时空相关性与正、负理想方案的距离，通过取欧氏加权距离，计算公式如下：
Figure PCTCN2020071137-appb-000027
Figure PCTCN2020071137-appb-000028
其中：
Figure PCTCN2020071137-appb-000029
和
Figure PCTCN2020071137-appb-000030
分别是路段i与正、负理想方案的加权距离，其他变量与(14)-(15)定义一样。
④计算相似度
计算路段i和其相邻路段在全部时间延迟下与理想方案的相似度，以度量各路段与其邻接路段的交通状态之间影响程度的大小。计算公式如下：
Figure PCTCN2020071137-appb-000031
其中C i是路段i与理想方案的相似度，即路段的重要程度。C i＝1表示路段i时空相关性为最好情况，其影响程度最大，反之亦然。与其他变量与公式(18)-(19)定义一样。
⑤根据C i对路段影响程度排序并提取脆弱路段
首先根据计算各路段的C i值并进行排序，然后基于提取比例α得到部分路段，将这部分路段视为脆弱路段，即最易拥堵的路段看作脆弱路段，并利用脆弱路段的交通特征估计和预测全路网的交通状态。
上述技术方案中，步骤007的实现方法为：
生成输入数据，即城市路网的时空特征矩阵，一个N*D的特征矩 阵，其描述了道路上速度随时间的变化。其时空矩阵一般表达为如下式：
Figure PCTCN2020071137-appb-000032
其中N为脆弱路段数，D为时间延迟的数量，x it为路段i在时间t的平均交通速度，即为根据融合后的交通状态求路段i的平均速度。
上述技术方案中，步骤008的实现方法为：
本发明基于Bi-LSTM和CNN模型各自的优势并进行结合，即利用Bi-ConvLSTM实现对全路网的交通状态估计与预测。通过该模型对历史交通速度数据进行空间相关特征和时间相关特征的提取，最终结合这些特征进行估计与预测。
上述空间相关特征是通过CNN模型从当前路段的交通状态和当前路段相邻路段的交通状态序列中提取得到，用于表示当前路段与相邻路段之间交通状态的相关性；时间相关特征是采用Bi-LSTM模型，通过考虑每时刻的交通状态是一个时间序列且考虑到当前路段受上下游交通流的影响状态中提取得到，该模型最终得到当前路段的正反向交通状态信息，更好地提取实际交通特征，进而降低预测误差。
通过上述步骤构建的城市交通速度数据充分地训练Bi-ConvLSTM模型。与一般的LSTM相似，如图2所示，在Bi-ConvLSTM模型中，输入x 1,...,x t，cell输出C 1,...,C t，隐藏状态h 1,...,h t均为3D张量。每个cell中包含有三部分即输入门i t，遗忘门f t，输出门o t。Bi-ConvLSTM模型通过其本地邻居的输入和过去状态来确定某个单元的未来状态。 ConvLSTM模型的计算公式如下所示：
i t＝σ(x t*W xi+h t-1*W hi+b i),
f t＝σ(x t*W xf+h t-1*W hf+b f),
Figure PCTCN2020071137-appb-000033
o t＝σ(x t*W xo+h t-1*W ho+b o),
Figure PCTCN2020071137-appb-000034
其中i t,f t,C t,o t,h t，分别表示输入门，遗忘门，细胞状态更新，输出门和隐藏状态；σ和tanh分别表示sigmoid函数和双曲正切函数的激活函数；*和о分别表示卷积算子和哈达玛积；W和b表示相应的权重矩阵和偏差。
在Bi-ConvLSTM中，如图3所示，前向输出结果序列
Figure PCTCN2020071137-appb-000035
是从时间T-n到T-1使用正向输入序列迭代计算，反向输出结果序列
Figure PCTCN2020071137-appb-000036
是从时间T-n到T-1使用反向输入序列迭代计算，最终为输出结果向量，在其中每个元素的结果由以下公式进行融合：
Figure PCTCN2020071137-appb-000037
其中σ g函数被用于融合前向、反向输出的两个结果向量，该函数可以是求和函数，平均函数等等。
该模型Bi-ConvLSTM对实际案例进行应用时，所涉及到的Bi-LSTM模型的时间序列步长和隐藏层个数，CNN模型的网络层数，卷积核大小、步长以及各全连接层的神经元个数等这些参数，本领域技术人员都可以根据具体的需求进行配置，在此不再一一说明。
以上对本发明实施例所提供的一种城市路网短时交通运行状态估计与预测方法进行了详细介绍，本文对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助本发明的方法及其核心思 想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

  1. 一种城市路网短期交通运行状态估计与预测方法，其特征在于：包括以下步骤：
    (1)获取城市出租车GPS数据和城市道路测速卡口数据，对异构数据进行预处理；
    (2)以两个交叉口之间的路段作为研究单元，通过利用GASM也就是广义自适应平滑算法融合出租车GPS速度和卡口速度，重构研究单元的实际交通状态；
    (3)根据融合后的交通状态求路段的平均速度；
    (4)建立城市路网空间权重矩阵；
    (5)计算路段之间的时空相关性；
    (6)基于TOPSIS方法也就是逼近理想点排序法识别并量化脆弱路段；
    (7)生成输入数据，即城市路网的时空矩阵，一个N*D的特征矩阵，其描述了道路上交通速度随时间的变化。其中N为脆弱路段数，D为时间间隔；
    (8)基于Bi-LSTM和CNN模型各自优势并进行结合，即利用Bi-ConvLSTM提取全路网交通状态的时空特征，并得到全路网当前时刻和下一时刻的交通状态估计和预测值。
  2. 根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：所述步骤(2)的实现方法为：
    输入数据为一个离散的数据点集{x i,t i,v i},i＝1,...,n，输出为连续 速度场V(x,t)，其计算公式如下：
    Figure PCTCN2020071137-appb-100001
    其中：x是空间坐标,t时间坐标,v i是点i的速度值,平滑核函数φ i(x,t)随着|x|和|t|增加而减少；
    核函数计算公式如下：
    Figure PCTCN2020071137-appb-100002
    其中：点(x,t)为估计点，(x i,t i)为已收集数据点，σ为两个相邻检测器距离的一半，τ为检测器采样时间的一半；同时定义归一化函数如下式：
    Figure PCTCN2020071137-appb-100003
    GASM通过调整核函数实现拥挤交通流V cong(x,t)和自由流V free(x,t)的速度估计分别如下所示：
    Figure PCTCN2020071137-appb-100004
    Figure PCTCN2020071137-appb-100005
    其中：c free和c cong分别为拥堵和自由流情况下的传播速度；
    则交通流的连续速度场组成如下：
    V(x,t)＝w(x,t)V cong(x,t)+[1-w(x,t)]V free(x,t)    (6)
    其中w(x,t)是拥堵和自由流交通状态的权重函数，该函数用S型非线性函数表示：
    Figure PCTCN2020071137-appb-100006
    因此，基于异构数据的交通状态由以下公式计算：
    Figure PCTCN2020071137-appb-100007
    其中：z(x,t)是基于异构数据估计后的交通状态；
    Figure PCTCN2020071137-appb-100008
    是数据源j在数据点i相应的核函数；α (j)(x,t)是衡量数据源j在点(x,t)的可靠性动态
    指标的权重因子。α (j)(x,t)的计算公式如下：
    Figure PCTCN2020071137-appb-100009
    其中：
    Figure PCTCN2020071137-appb-100010
    数据源j的估计平均速度，
    Figure PCTCN2020071137-appb-100011
    数据源j测量误差的标准差，指数k j反映数据源j的测量误差随平均速度的改变而发生变化。
  3. 根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：步骤(4)的实现方法为：
    将复杂道路网络抽象为一个有向图G＝(N,L)来表达路网拓扑关系，建立一个由N个节点和L条边组成的有向图，在图论中其邻接关系用下式表达：
    Figure PCTCN2020071137-appb-100012
    Figure PCTCN2020071137-appb-100013
    是k阶邻接矩阵中边i和j相邻的权重，并构成N×N空间权重邻接矩阵E k，路网的综合空间邻接矩阵为
    Figure PCTCN2020071137-appb-100014
    通过行标准化的方法将空间邻接矩阵转化为空间权重矩阵，即
    Figure PCTCN2020071137-appb-100015
    因此，一 个含有N个空间单元的研究对象，其空间权重矩阵表达如下：
    Figure PCTCN2020071137-appb-100016
  4. 根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：步骤(5)的实现方法为：
    通过皮尔逊相关函数可以度量两个对象在时间序列上的相关性，同时考虑空间关系的影响，并利用步骤(3)中得到的路段平均速度，引入空间因子
    Figure PCTCN2020071137-appb-100017
    作为量化相邻路段的综合速度，其计算公式如下：
    Figure PCTCN2020071137-appb-100018
    其中：
    Figure PCTCN2020071137-appb-100019
    表示路段i在t时刻的交通速度，w ij为路段i和j相邻的权重，i∈[1,R]，R是路段数量，t∈[1,T]，T是统计时段长度，t时间间隔；
    路段i和其相邻路段的速度相关性如下式所示：
    Figure PCTCN2020071137-appb-100020
    其中
    Figure PCTCN2020071137-appb-100021
    是路段i在统计时段T内交通速度
    Figure PCTCN2020071137-appb-100022
    的平均值，
    Figure PCTCN2020071137-appb-100023
    综合速度
    Figure PCTCN2020071137-appb-100024
    的平均值，s表示时间延迟。
  5. 根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：步骤(6)的实现方法为：
    采用TOPSIS方法实现脆弱路段识别，其计算步骤如下：
    ①定义正理想方案A +和负理想方案A -
    A +(s)＝{maxCor i(s)|s∈(1,2,...,S),1≤i≤R}    (14)
    A -(s)＝{minCor i(s)|s∈(1,2,...,S),1≤i≤R}    (15)
    其中，A +(s)和A -(s)分别是正、负理想方案；R是路网中路段数量，S是时间延迟s的取值的集合；
    ②计算每个时间延迟下的权重
    考虑到相近时间间隔内交通状态更相近，因此不同的时间延迟下的权重由欧氏距离计算如下：
    Figure PCTCN2020071137-appb-100025
    由于较大权重被分配到更相近的交通状态，将其转化如下：
    Figure PCTCN2020071137-appb-100026
    其中max(Ed)和min(Ed)分别为欧氏距离集中最大值和最小值；
    ③计算距离
    计算各路段时空相关性与正、负理想方案的距离，通过取欧氏加权距离，计算公式如下：
    Figure PCTCN2020071137-appb-100027
    Figure PCTCN2020071137-appb-100028
    其中：
    Figure PCTCN2020071137-appb-100029
    和
    Figure PCTCN2020071137-appb-100030
    分别是路段i与正、负理想方案的加权距离，其他变量与(14)-(15)定义一样；
    ④计算相似度
    计算路段i和其相邻路段在全部时间延迟下与理想方案的相似 度，以度量各路段与其邻接路段的交通状态之间影响程度的大小；计算公式如下：
    Figure PCTCN2020071137-appb-100031
    其中C i是路段i与理想方案的相似度，即路段的重要程度；C i＝1表示路段i时空相关性为最好情况，其影响程度最大，反之亦然；与其他变量与公式(18)-(19)定义一样；
    ⑤根据C i对路段影响程度排序并提取脆弱路段
    首先根据计算各路段的C i值并进行排序，然后基于提取比例α得到部分路段，将这部分路段视为脆弱路段，并利用脆弱路段的交通特征估计和预测全路网的交通状态。
  6. 根据权利要求1所述的一种城市路网短期交通运行状态估计与预测方法，其特征在于：步骤(7)的实现方法为：
    生成输入数据，即城市路网的时空特征矩阵，一个N*D的特征矩阵，其描述了道路上速度随时间的变化；其时空矩阵一般表达为如下式：
    Figure PCTCN2020071137-appb-100032
    其中N为脆弱路段数，D为时间延迟的数量，x it为路段i在时间t的平均交通速度，即为步骤(3)根据融合后的交通状态求路段i的平均速度。
  7. 根据权利要求1所述的一种城市路网短期交通运行状态估计与预 测方法，其特征在于：所述步骤(8)的实现方法为：
    通过使用步骤(7)生成的城市交通速度张量数据训练Bi-ConvLSTM模型；与一般的LSTM相似，在Bi-ConvLSTM模型中，输入x 1,...,x t，cell输出C 1,...,C t，隐藏状态h 1,...,h t均为3D张量；每个cell中包含有三部分即输入门i t，遗忘门f t，输出门o t；Bi-ConvLSTM模型通过其本地邻居的输入和过去状态来确定某个单元的未来状态；ConvLSTM模型的计算公式如下所示：
    Figure PCTCN2020071137-appb-100033
    其中i t,f t,C t,o t,h t，分别表示输入门，遗忘门，细胞状态更新，输出门和隐藏状态；σ和tanh分别表示sigmoid函数和双曲正切函数的激活函数；*和о分别表示卷积算子和哈达玛积；W和b表示相应的权重矩阵和偏差；
    在Bi-ConvLSTM中，前向输出结果序列
    Figure PCTCN2020071137-appb-100034
    是从时间T-n到T-1使用正向输入序列迭代计算，反向输出结果序列
    Figure PCTCN2020071137-appb-100035
    是从时间T-n到T-1使用反向输入序列迭代计算，最终为输出结果向量，在其中每个元素的结果由以下公式进行融合：
    Figure PCTCN2020071137-appb-100036
    其中σ g函数被用于融合前向、反向输出的两个结果向量。
PCT/CN2020/071137 2019-12-03 2020-01-09 一种城市路网短期交通运行状态估计与预测方法 WO2021109318A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911219004.8 2019-12-03
CN201911219004.8A CN111383452A (zh) 2019-12-03 2019-12-03 一种城市路网短期交通运行状态估计与预测方法

Publications (1)

Publication Number Publication Date
WO2021109318A1 true WO2021109318A1 (zh) 2021-06-10

Family

ID=71218499

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/071137 WO2021109318A1 (zh) 2019-12-03 2020-01-09 一种城市路网短期交通运行状态估计与预测方法

Country Status (2)

Country Link
CN (1) CN111383452A (zh)
WO (1) WO2021109318A1 (zh)

Cited By (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537596A (zh) * 2021-07-16 2021-10-22 南京理工大学 一种城市轨道交通新线站点短时客流预测方法
CN113592246A (zh) * 2021-07-05 2021-11-02 中冶南方城市建设工程技术有限公司 一种基于pca-topsis模型的道路施工期公交线网评价方法
CN113609656A (zh) * 2021-07-19 2021-11-05 航天科工智能运筹与信息安全研究院(武汉)有限公司 基于数字孪生的智慧城市决策***及方法
CN113689052A (zh) * 2021-09-06 2021-11-23 北京航空航天大学 一种基于张量积神经网络的出行需求预测方法
CN113742893A (zh) * 2021-08-06 2021-12-03 中煤科工集团沈阳研究院有限公司 基于多元融合时空特征卷积网络的气体浓度预测方法
CN113806419A (zh) * 2021-08-26 2021-12-17 西北大学 基于时空大数据的城市区域功能识别模型及识别方法
CN113903170A (zh) * 2021-08-30 2022-01-07 航天科工广信智能技术有限公司 基于结构自适应自演化深度学习的大规模路网交通流预测方法
CN113947182A (zh) * 2021-09-24 2022-01-18 西安理工大学 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN114004421A (zh) * 2021-11-17 2022-02-01 湖南大学 一种基于时空集成学习的交通数据缺失值插补方法
CN114021254A (zh) * 2021-11-04 2022-02-08 东南大学 一种基于多车道元胞传输模型的基本路段交通仿真方法
CN114037587A (zh) * 2021-10-19 2022-02-11 东南大学 基于异质因果推断的城市通勤主通道多匝道网联控制方法
CN114333327A (zh) * 2022-01-05 2022-04-12 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种基于多流神经网络的交通状态预测方法
CN114368420A (zh) * 2021-12-23 2022-04-19 中国铁道科学研究院集团有限公司通信信号研究所 一种车站调车作业工作量的预测方法
CN114463972A (zh) * 2022-01-26 2022-05-10 成都和乐信软件有限公司 一种基于etc门架通信数据的路段区间交通分析预测方法
CN114495492A (zh) * 2021-12-31 2022-05-13 中国科学院软件研究所 一种基于图神经网络的交通流预测方法
CN114511154A (zh) * 2022-02-22 2022-05-17 南通大学 一种基于时空复杂图卷积网络的交通流预测方法
CN114596700A (zh) * 2022-01-10 2022-06-07 昆明理工大学 一种基于门架数据的高速公路路段实时流量估计方法
CN114611814A (zh) * 2022-03-21 2022-06-10 中南大学 聚合多尺度时空相似信息的城市交通流预测方法
CN114692964A (zh) * 2022-03-24 2022-07-01 北京工商大学 一种基于交叉注意力机制的时空交通流量预测方法
CN114758499A (zh) * 2022-04-01 2022-07-15 济南市公安局交通警察支队 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质
CN114973660A (zh) * 2022-05-13 2022-08-30 黄河科技学院 一种模型线性化迭代更新法的交通决策方法
CN114999154A (zh) * 2022-05-26 2022-09-02 浙江工业大学 一种基于图卷积网络的道路服务水平预测方法
CN115019507A (zh) * 2022-06-06 2022-09-06 上海旷途科技有限公司 城市路网行程时间可靠性实时估计方法
CN115063972A (zh) * 2022-05-18 2022-09-16 浙江工业大学 基于图卷积和门控循环单元的交通速度预测方法和***
CN115081680A (zh) * 2022-05-23 2022-09-20 天津大学 一种基于异质特征融合的停电风险预测方法
CN115083146A (zh) * 2022-04-27 2022-09-20 同济大学 一种智能网联环境下的安全致因影响范围获取方法
CN115311846A (zh) * 2022-06-24 2022-11-08 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测***
CN115346371A (zh) * 2022-08-12 2022-11-15 广西新发展交通集团有限公司 一种交通路网重要节点的识别方法
CN115481531A (zh) * 2022-09-06 2022-12-16 苏州大学 基于sumo的路网交通流实时孪生方法及***
CN115482655A (zh) * 2022-04-18 2022-12-16 同济大学 一种基于偏最小二乘Kriging模型的路径诱导方法
CN115565376A (zh) * 2022-09-30 2023-01-03 福州大学 融合graph2vec、双层LSTM的车辆行程时间预测方法及***
CN115565369A (zh) * 2022-09-20 2023-01-03 北京工商大学 一种基于超图的时空超图卷积交通流量预测方法及***
CN115762140A (zh) * 2022-11-01 2023-03-07 山东高速集团有限公司 一种考虑变量异质性的高速公路交通事故风险预测方法
CN115798198A (zh) * 2022-11-03 2023-03-14 公安部交通管理科学研究所 一种基于数据融合的城市路网行程时间分布估计方法
CN116052427A (zh) * 2023-02-03 2023-05-02 湖南大学深圳研究院 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN116110234A (zh) * 2023-04-11 2023-05-12 城云科技（中国）有限公司 基于人工智能的车流量预测方法、装置及其应用
CN116542438A (zh) * 2023-03-28 2023-08-04 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法
CN116662766A (zh) * 2023-08-01 2023-08-29 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN116681176A (zh) * 2023-06-12 2023-09-01 济南大学 一种基于聚类和异构图神经网络的交通流预测方法
CN116824838A (zh) * 2022-11-07 2023-09-29 苏州规划设计研究院股份有限公司 基于自适应时间序列分解的路网级交通流集成预测方法
CN116913098A (zh) * 2023-09-14 2023-10-20 华东交通大学 一种融合空气质量与车流量数据的短时交通流预测方法
CN116994427A (zh) * 2023-07-04 2023-11-03 重庆邮电大学 一种基于大数据的道路路况预测方法
CN117198037A (zh) * 2023-05-07 2023-12-08 河海大学 一种基于图卷积回声状态网络的交通流预测方法
CN117235556A (zh) * 2023-11-13 2023-12-15 浙江大学城乡规划设计研究院有限公司 一种面向交通管理者的多模式交通复合网络构建方法
CN117475640A (zh) * 2023-12-26 2024-01-30 中国市政工程华北设计研究总院有限公司 一种基于雷视融合探测的信号交叉口运行评价方法
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
CN117690298A (zh) * 2023-12-15 2024-03-12 北京昇启科技有限公司 一种基于图论的冲突路权分配建模方法及***
CN117854285A (zh) * 2024-03-07 2024-04-09 南京邮电大学 一种顾及城市水文和交通流特征的暴雨积水路段识别方法

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914052B (zh) * 2020-08-04 2022-11-29 中国人民解放军战略支援部队信息工程大学 一种区域空间关联关系确定方法及装置
CN112562319A (zh) * 2020-11-16 2021-03-26 中铁第四勘察设计院集团有限公司 基于大数据的交通监测方法及设备
CN112489420B (zh) * 2020-11-17 2022-06-21 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、***、终端以及存储介质
CN112819213B (zh) * 2021-01-22 2022-06-14 华南理工大学 基于深度学习网络的高速公路货运量预测方法及***
CN112967498B (zh) * 2021-02-02 2022-05-03 重庆首讯科技股份有限公司 一种基于动态时空相关特征优化的短时交通流预测方法
CN112966853B (zh) * 2021-02-04 2023-12-22 南通大学 基于时空残差混合模型的城市路网短时交通流预测方法
CN112991721A (zh) * 2021-02-04 2021-06-18 南通大学 基于图卷积网络节点关联度的城市路网交通速度预测方法
CN112966871B (zh) * 2021-03-15 2023-05-05 上海交通大学 基于卷积长短期记忆神经网络的交通拥堵预测方法及***
CN113096404B (zh) * 2021-04-23 2022-02-15 中南大学 一种面向道路封锁的路网交通流变动定量计算方法
CN113470347B (zh) * 2021-05-20 2022-07-26 上海天壤智能科技有限公司 结合卡口过车记录和浮动车gps数据的拥堵识别方法及***
CN113420414B (zh) * 2021-05-27 2022-08-30 四川大学 一种基于动态时空分析的短时交通流预测模型
CN113259900B (zh) * 2021-05-27 2021-10-15 华砺智行(武汉)科技有限公司 一种分布式多源异构交通数据融合方法及装置
CN113449402B (zh) * 2021-06-22 2022-08-05 武汉大学 一种断头路打通后路网效率增益预测方法
CN113570867B (zh) * 2021-09-26 2021-12-07 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN114141017B (zh) * 2021-12-14 2022-09-27 北京航空航天大学 一种考虑长短期路段性能的道路韧性衡量方法
CN114639238B (zh) * 2022-02-23 2023-02-14 东南大学 基于归一化谱聚类算法的城市快速路交通状态估计方法
CN114926981B (zh) * 2022-05-07 2023-04-11 同济大学 一种路网交通拥堵主动管控方法及***
CN115331433B (zh) * 2022-07-28 2023-09-29 东南大学 基于多源数据的城市主干道多车轨迹重构方法
CN115620513B (zh) * 2022-09-20 2023-10-03 东南大学 基于韧性分析的城市道路网络状态监测方法及可视化***
CN115713856B (zh) * 2022-10-19 2023-09-22 东南大学 一种基于交通流预测与实际路况的车辆路径规划方法
CN115691140B (zh) * 2022-11-02 2023-08-15 东南大学 一种汽车充电需求时空分布的分析与预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080150759A1 (en) * 2006-11-09 2008-06-26 Sridhara Subbiah Ramasubbu RFID reader enabled Intelligent Traffic Signalling and RFID enabled Vehicle tags(Number Plates)
CN105868870A (zh) * 2016-05-17 2016-08-17 北京数行健科技有限公司 一种基于数据融合的城市快速路旅行时间估计方法和装置
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及***
CN109493599A (zh) * 2018-11-16 2019-03-19 南京航空航天大学 一种基于生成式对抗网络的短时交通流预测方法
CN110047291A (zh) * 2019-05-27 2019-07-23 清华大学深圳研究生院 一种考虑扩散过程的短时交通流预测方法
CN110516833A (zh) * 2019-07-03 2019-11-29 浙江工业大学 一种基于特征提取的Bi-LSTM预测道路交通状态的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046376A (zh) * 2015-09-06 2015-11-11 河海大学 考虑指标相关性的水库群防洪调度方案优选方法
CN106571034B (zh) * 2016-11-02 2019-02-05 浙江大学 基于融合数据的城市快速路交通状态滚动预测方法
CN108583578B (zh) * 2018-04-26 2019-12-31 北京领骏科技有限公司 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080150759A1 (en) * 2006-11-09 2008-06-26 Sridhara Subbiah Ramasubbu RFID reader enabled Intelligent Traffic Signalling and RFID enabled Vehicle tags(Number Plates)
CN105868870A (zh) * 2016-05-17 2016-08-17 北京数行健科技有限公司 一种基于数据融合的城市快速路旅行时间估计方法和装置
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及***
CN109493599A (zh) * 2018-11-16 2019-03-19 南京航空航天大学 一种基于生成式对抗网络的短时交通流预测方法
CN110047291A (zh) * 2019-05-27 2019-07-23 清华大学深圳研究生院 一种考虑扩散过程的短时交通流预测方法
CN110516833A (zh) * 2019-07-03 2019-11-29 浙江工业大学 一种基于特征提取的Bi-LSTM预测道路交通状态的方法

Cited By (83)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592246A (zh) * 2021-07-05 2021-11-02 中冶南方城市建设工程技术有限公司 一种基于pca-topsis模型的道路施工期公交线网评价方法
CN113592246B (zh) * 2021-07-05 2024-04-19 中冶南方城市建设工程技术有限公司 一种基于pca-topsis模型的道路施工期公交线网评价方法
CN113537596A (zh) * 2021-07-16 2021-10-22 南京理工大学 一种城市轨道交通新线站点短时客流预测方法
CN113609656A (zh) * 2021-07-19 2021-11-05 航天科工智能运筹与信息安全研究院(武汉)有限公司 基于数字孪生的智慧城市决策***及方法
CN113742893B (zh) * 2021-08-06 2024-02-06 中煤科工集团沈阳研究院有限公司 基于多元融合时空特征卷积网络的气体浓度预测方法
CN113742893A (zh) * 2021-08-06 2021-12-03 中煤科工集团沈阳研究院有限公司 基于多元融合时空特征卷积网络的气体浓度预测方法
CN113806419A (zh) * 2021-08-26 2021-12-17 西北大学 基于时空大数据的城市区域功能识别模型及识别方法
CN113806419B (zh) * 2021-08-26 2024-04-12 西北大学 基于时空大数据的城市区域功能识别模型及识别方法
CN113903170A (zh) * 2021-08-30 2022-01-07 航天科工广信智能技术有限公司 基于结构自适应自演化深度学习的大规模路网交通流预测方法
CN113903170B (zh) * 2021-08-30 2023-07-14 航天科工广信智能技术有限公司 基于结构自适应自演化深度学习的大规模路网交通流预测方法
CN113689052A (zh) * 2021-09-06 2021-11-23 北京航空航天大学 一种基于张量积神经网络的出行需求预测方法
CN113947182A (zh) * 2021-09-24 2022-01-18 西安理工大学 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN114037587A (zh) * 2021-10-19 2022-02-11 东南大学 基于异质因果推断的城市通勤主通道多匝道网联控制方法
CN114037587B (zh) * 2021-10-19 2024-04-16 东南大学 基于异质因果推断的城市通勤主通道多匝道网联控制方法
CN114021254A (zh) * 2021-11-04 2022-02-08 东南大学 一种基于多车道元胞传输模型的基本路段交通仿真方法
CN114004421B (zh) * 2021-11-17 2024-05-10 湖南大学 一种基于时空集成学习的交通数据缺失值插补方法
CN114004421A (zh) * 2021-11-17 2022-02-01 湖南大学 一种基于时空集成学习的交通数据缺失值插补方法
CN114368420A (zh) * 2021-12-23 2022-04-19 中国铁道科学研究院集团有限公司通信信号研究所 一种车站调车作业工作量的预测方法
CN114495492B (zh) * 2021-12-31 2023-05-23 中国科学院软件研究所 一种基于图神经网络的交通流预测方法
CN114495492A (zh) * 2021-12-31 2022-05-13 中国科学院软件研究所 一种基于图神经网络的交通流预测方法
CN114333327A (zh) * 2022-01-05 2022-04-12 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种基于多流神经网络的交通状态预测方法
CN114596700B (zh) * 2022-01-10 2024-02-02 昆明理工大学 一种基于门架数据的高速公路路段实时流量估计方法
CN114596700A (zh) * 2022-01-10 2022-06-07 昆明理工大学 一种基于门架数据的高速公路路段实时流量估计方法
CN114463972A (zh) * 2022-01-26 2022-05-10 成都和乐信软件有限公司 一种基于etc门架通信数据的路段区间交通分析预测方法
CN114463972B (zh) * 2022-01-26 2024-02-27 成都和乐信软件有限公司 一种基于etc门架通信数据的路段区间交通分析预测方法
CN114511154A (zh) * 2022-02-22 2022-05-17 南通大学 一种基于时空复杂图卷积网络的交通流预测方法
CN114611814A (zh) * 2022-03-21 2022-06-10 中南大学 聚合多尺度时空相似信息的城市交通流预测方法
CN114611814B (zh) * 2022-03-21 2024-06-07 中南大学 聚合多尺度时空相似信息的城市交通流预测方法
CN114692964A (zh) * 2022-03-24 2022-07-01 北京工商大学 一种基于交叉注意力机制的时空交通流量预测方法
CN114692964B (zh) * 2022-03-24 2024-05-31 北京工商大学 一种基于交叉注意力机制的时空交通流量预测方法
CN114758499A (zh) * 2022-04-01 2022-07-15 济南市公安局交通警察支队 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质
CN114758499B (zh) * 2022-04-01 2023-08-18 济南市公安局交通警察支队 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质
CN115482655A (zh) * 2022-04-18 2022-12-16 同济大学 一种基于偏最小二乘Kriging模型的路径诱导方法
CN115482655B (zh) * 2022-04-18 2023-08-29 同济大学 一种基于偏最小二乘Kriging模型的路径诱导方法
CN115083146B (zh) * 2022-04-27 2023-08-29 同济大学 一种智能网联环境下的安全致因影响范围获取方法
CN115083146A (zh) * 2022-04-27 2022-09-20 同济大学 一种智能网联环境下的安全致因影响范围获取方法
CN114973660A (zh) * 2022-05-13 2022-08-30 黄河科技学院 一种模型线性化迭代更新法的交通决策方法
CN114973660B (zh) * 2022-05-13 2023-10-24 黄河科技学院 一种模型线性化迭代更新法的交通决策方法
CN115063972A (zh) * 2022-05-18 2022-09-16 浙江工业大学 基于图卷积和门控循环单元的交通速度预测方法和***
CN115063972B (zh) * 2022-05-18 2024-06-11 浙江工业大学 基于图卷积和门控循环单元的交通速度预测方法和***
CN115081680A (zh) * 2022-05-23 2022-09-20 天津大学 一种基于异质特征融合的停电风险预测方法
CN114999154A (zh) * 2022-05-26 2022-09-02 浙江工业大学 一种基于图卷积网络的道路服务水平预测方法
CN114999154B (zh) * 2022-05-26 2024-02-02 浙江工业大学 一种基于图卷积网络的道路服务水平预测方法
CN115019507A (zh) * 2022-06-06 2022-09-06 上海旷途科技有限公司 城市路网行程时间可靠性实时估计方法
CN115019507B (zh) * 2022-06-06 2023-12-01 上海旷途科技有限公司 城市路网行程时间可靠性实时估计方法
CN115311846A (zh) * 2022-06-24 2022-11-08 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测***
CN115311846B (zh) * 2022-06-24 2023-08-11 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测***
CN115346371A (zh) * 2022-08-12 2022-11-15 广西新发展交通集团有限公司 一种交通路网重要节点的识别方法
CN115346371B (zh) * 2022-08-12 2023-12-29 广西新发展交通集团有限公司 一种交通路网重要节点的识别方法
CN115481531A (zh) * 2022-09-06 2022-12-16 苏州大学 基于sumo的路网交通流实时孪生方法及***
CN115565369B (zh) * 2022-09-20 2024-04-16 北京工商大学 一种基于超图的时空超图卷积交通流量预测方法及***
CN115565369A (zh) * 2022-09-20 2023-01-03 北京工商大学 一种基于超图的时空超图卷积交通流量预测方法及***
CN115565376B (zh) * 2022-09-30 2024-05-03 福州大学 融合graph2vec、双层LSTM的车辆行程时间预测方法及***
CN115565376A (zh) * 2022-09-30 2023-01-03 福州大学 融合graph2vec、双层LSTM的车辆行程时间预测方法及***
CN115762140B (zh) * 2022-11-01 2024-06-07 山东高速集团有限公司 一种考虑变量异质性的高速公路交通事故风险预测方法
CN115762140A (zh) * 2022-11-01 2023-03-07 山东高速集团有限公司 一种考虑变量异质性的高速公路交通事故风险预测方法
CN115798198B (zh) * 2022-11-03 2024-04-05 公安部交通管理科学研究所 一种基于数据融合的城市路网行程时间分布估计方法
CN115798198A (zh) * 2022-11-03 2023-03-14 公安部交通管理科学研究所 一种基于数据融合的城市路网行程时间分布估计方法
CN116824838A (zh) * 2022-11-07 2023-09-29 苏州规划设计研究院股份有限公司 基于自适应时间序列分解的路网级交通流集成预测方法
CN116052427A (zh) * 2023-02-03 2023-05-02 湖南大学深圳研究院 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN116052427B (zh) * 2023-02-03 2024-05-31 湖南大学深圳研究院 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN116542438B (zh) * 2023-03-28 2024-01-30 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法
CN116542438A (zh) * 2023-03-28 2023-08-04 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法
CN116110234A (zh) * 2023-04-11 2023-05-12 城云科技（中国）有限公司 基于人工智能的车流量预测方法、装置及其应用
CN117198037B (zh) * 2023-05-07 2024-02-09 河海大学 一种基于图卷积回声状态网络的交通流预测方法
CN117198037A (zh) * 2023-05-07 2023-12-08 河海大学 一种基于图卷积回声状态网络的交通流预测方法
CN116681176A (zh) * 2023-06-12 2023-09-01 济南大学 一种基于聚类和异构图神经网络的交通流预测方法
CN116681176B (zh) * 2023-06-12 2024-05-03 济南大学 一种基于聚类和异构图神经网络的交通流预测方法
CN116994427A (zh) * 2023-07-04 2023-11-03 重庆邮电大学 一种基于大数据的道路路况预测方法
CN116662766A (zh) * 2023-08-01 2023-08-29 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN116662766B (zh) * 2023-08-01 2023-10-03 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN116913098A (zh) * 2023-09-14 2023-10-20 华东交通大学 一种融合空气质量与车流量数据的短时交通流预测方法
CN116913098B (zh) * 2023-09-14 2023-12-22 华东交通大学 一种融合空气质量与车流量数据的短时交通流预测方法
CN117235556B (zh) * 2023-11-13 2024-02-27 浙江大学城乡规划设计研究院有限公司 一种面向交通管理者的多模式交通复合网络构建方法
CN117235556A (zh) * 2023-11-13 2023-12-15 浙江大学城乡规划设计研究院有限公司 一种面向交通管理者的多模式交通复合网络构建方法
CN117690298A (zh) * 2023-12-15 2024-03-12 北京昇启科技有限公司 一种基于图论的冲突路权分配建模方法及***
CN117690298B (zh) * 2023-12-15 2024-06-04 北京昇启科技有限公司 一种基于图论的冲突路权分配建模方法及***
CN117475640B (zh) * 2023-12-26 2024-03-15 中国市政工程华北设计研究总院有限公司 一种基于雷视融合探测的信号交叉口运行评价方法
CN117475640A (zh) * 2023-12-26 2024-01-30 中国市政工程华北设计研究总院有限公司 一种基于雷视融合探测的信号交叉口运行评价方法
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
CN117854285B (zh) * 2024-03-07 2024-06-07 南京邮电大学 一种顾及城市水文和交通流特征的暴雨积水路段识别方法
CN117854285A (zh) * 2024-03-07 2024-04-09 南京邮电大学 一种顾及城市水文和交通流特征的暴雨积水路段识别方法

Also Published As

Publication number Publication date
CN111383452A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
WO2021109318A1 (zh) 一种城市路网短期交通运行状态估计与预测方法
CN110223517B (zh) 基于时空相关性的短时交通流量预测方法
CN111612243B (zh) 交通速度预测方法、***及存储介质
Ren et al. TBSM: A traffic burst-sensitive model for short-term prediction under special events
Yan et al. Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
Huang et al. A GAN framework-based dynamic multi-graph convolutional network for origin–destination-based ride-hailing demand prediction
Chen et al. A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
CN115376317B (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
Kang et al. Application of LSTM in short-term traffic flow prediction
Zhang et al. Forecast daily tourist volumes during the epidemic period using COVID-19 data, search engine data and weather data
Wu et al. Traffic prediction based on GCN-LSTM model
CN114565187A (zh) 一种基于图时空自编码网络的交通路网数据预测方法
Sun et al. Landslide evolution state prediction and down-level control based on multi-task learning
Li et al. Fusion attention mechanism bidirectional LSTM for short-term traffic flow prediction
Turki et al. Study Estimating hourly traffic flow using Artificial Neural Network: A M25 motorway case
Wu et al. Learning spatial-temporal dynamics and interactivity for short-term passenger flow prediction in urban rail transit
Hu et al. Multi-source information fusion based dlaas for traffic flow prediction
Zhang et al. Boosted trajectory calibration for traffic state estimation
Sun et al. Ada-STNet: A Dynamic AdaBoost Spatio-Temporal Network for Traffic Flow Prediction
Zhao et al. Urban traffic flow forecasting based on memory time-series network
Kang et al. Deep spatio-temporal modified-inception with dilated convolution networks for citywide crowd flows prediction
Cheng et al. Improved particle swarm optimization-based GRU networks for short-time traffic flow prediction

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20895429

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20895429

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 13/01/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 20895429

Country of ref document: EP

Kind code of ref document: A1