公开(公告)号：CN115713155A

公开(公告)日：2023-02-24

申请号：CN202211452377.1

申请日：2022-11-21

Applicant: 杭州电子科技大学 ,  浙江省交通运输科学研究院

Inventor： 翁文超 ,  樊谨 ,  田浩

IPC: G06Q10/04 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明公开了一种基于多元时序数据分析的交通序列预测方法，采用随机图扩散注意力机制提取交通序列的全局和局部空间特征，使用时间注意力提取时间特征，提升了预测精度，降低了模型的内存使用量，提升了模型在长期预测上的效果。本发明所述的基于多元时序数据分析的交通序列预测方法，使已有模型在保持长期预测的精度的前提下，解决短期预测精度不足、计算复杂度过高导致占用内存规模较大以及不够轻量化的问题。

公开(公告)号：CN116128114A

公开(公告)日：2023-05-16

申请号：CN202211695882.9

申请日：2022-12-28

Applicant: 杭州电子科技大学 ,  浙江省交通运输科学研究院

Inventor： 樊谨 ,  翁文超 ,  田浩 ,  祝苻 ,  陈溪源

IPC: G06Q10/04 ,  G08G1/01 ,  G06N3/0464 ,  G06N3/044 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明公开了一种基于动态图卷积的交通预测方法，采用时间embedding生成器和MLP层来提取时空embedding和动态信号，并将两者结合得到动态图embedding用来生成动态图。为了提取交通信号的时空依赖关系，使用动态图构建了一个基于RNN的动态图卷积递归模块(DGCRM)来提取交通信号的时空特征。为了识别交通信号中的主体信号和异常信号，使用残差分解机制来分解得到异常信号并使用DGCRM进行建模预测。本发明采用上述的一种基于动态图卷积的交通预测方法，该方法不依赖任何先验知识，生成的动态邻接矩阵能根据当前时间特征和交通信号来挖掘节点间的动态关系，该方法可以识别交通信号中的主体信号和异常信号并对其分开建模以提升效果。

公开(公告)号：CN118430262A

公开(公告)日：2024-08-02

申请号：CN202410653043.3

申请日：2024-05-24

Applicant: 杭州电子科技大学

Inventor： 蒋涵羽 ,  樊谨 ,  翁文超 ,  祝符 ,  田浩

IPC: G08G1/01 ,  G06F18/214 ,  G06F18/21 ,  G06F18/22 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于周期动态图序列模型的交通预测方法，属于智能交通系统领域，包括对交通序列进行数据预处理与分割；得到对应时间点t的日内周期特征和周内周期特征；对交通信号提取时空特征；解码器根据前一个时间步的真实值预测下一个时间的真实值；得到训练好的解耦动态图卷积循环网络；得到基于测试数据生成的预测序列；得到最终代表模型表现的平均绝对误差；迭代计算直至平均绝对误差不再减小。本发明采用上述的一种基于周期动态图序列模型的交通预测方法，使用周期特征选择器来挑选出交通信号对应的周期特征，并与交通信号相结合，生成周期动态图，在不依赖先验知识的情况下很好的提取特征来进行交通预测，取得了更好的效果。