-
公开(公告)号：CN111862592B
公开(公告)日：2021-12-17
申请号：CN202010461193.6
申请日：2020-05-27
Applicant: 浙江工业大学
Abstract: 一种基于RGCN的交通流预测方法，包括以下步骤：步骤1)基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；步骤2)获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；步骤3)将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；步骤4)将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。本发明提高了图卷积网络的鲁棒性，从而提高了交通流预测的准确性。
-
公开(公告)号：CN111599170A
公开(公告)日：2020-08-28
申请号：CN202010283867.8
申请日：2020-04-13
Applicant: 浙江工业大学
Abstract: 一种基于时序交通网络图的交通运行状态分类方法，首先对交通流数据进行预处理并利用LPVG(有限穿越可视图复杂网络)完成时序交通网路图的构建；然后对每个交通网络图提取特征；接着将时序交通网络图信息转化为特征向量vector；最后根据保存了时序交通网络图的vector结合交通运行状态进行分类，计算预测出的交通运行状态的准确性。本发明利用了保存时序交通网络图特征为向量的方法，充分地提取出了时序交通流量特征对于交通运行状态的影响，从而有效提高了交通运行状态分类的精度。
-
公开(公告)号：CN110070715A
公开(公告)日：2019-07-30
申请号：CN201910352267.X
申请日：2019-04-29
Applicant: 浙江工业大学
Abstract: 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，包括以下步骤：1)、构建关联道路的交通流数据矩阵，并对数据进行预处理；2)、基于交通流数据矩阵提取道路交通流时空特征；3)、基于道路交通流时空特征构建道路交通流预测模型：采用全连接层对得到的道路交通流时空特征作回归预测，得到未来时刻未经过反归一化的道路交通流的预测结果，并根据均方误差的结果利用反向传播算法不断优化模型参数，最终通过反归一化将结果映射为实际交通流量值；4)、验证道路交通流预测模型：使用训练完成的模型对测试集中的道路交通流数据进行预测，对比预测结果和实际值从而测试模型性能。由实验结果可知本发明预测结果更准确。
-
公开(公告)号：CN109242140A
公开(公告)日：2019-01-18
申请号：CN201810817827.X
申请日：2018-07-24
Applicant: 浙江工业大学
Abstract: 一种基于LSTM_Attention网络的交通流预测方法，包括以下步骤：(1)获取道路交通历史数据，将数据分为训练集和测试集，对数据进行预处理；(2)构建一层LSTM网络，根据训练集数据中样本的序列长度设置隐层单元个数，添加一层激活函数为Softmax的全连层，最后添加一层逻辑回归层作为预测层，将训练集数据输入到网络中得到预测值，将预测值与真实值输入到损失函数并通过反向传播对网络模型以及内部参数进行优化；(3)将测试集数据输入到已完成训练的LSTM_Attention网络中得到预测数据。本发明对未来道路交通流量数据进行精确地预测。
-
公开(公告)号：CN111599170B
公开(公告)日：2021-12-17
申请号：CN202010283867.8
申请日：2020-04-13
Applicant: 浙江工业大学
Abstract: 一种基于时序交通网络图的交通运行状态分类方法，首先对交通流数据进行预处理并利用LPVG(有限穿越可视图复杂网络)完成时序交通网路图的构建；然后对每个交通网络图提取特征；接着将时序交通网络图信息转化为特征向量vector；最后根据保存了时序交通网络图的vector结合交通运行状态进行分类，计算预测出的交通运行状态的准确性。本发明利用了保存时序交通网络图特征为向量的方法，充分地提取出了时序交通流量特征对于交通运行状态的影响，从而有效提高了交通运行状态分类的精度。
-
Patent Agency Ranking
公开(公告)号：CN113129585A
公开(公告)日：2021-07-16
申请号：CN202110242725.1
申请日：2021-03-05
Applicant: 浙江工业大学
Abstract: 一种基于重构交通网络的图聚合机制的道路交通流预测方法，包括以下步骤：(1)针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；(2)获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测。本发明提升了模型实现长期流量预测的稳定性和准确性，实现了短时和长时的交通流量预测。
-
公开(公告)号：CN110895878B
公开(公告)日：2020-10-30
申请号：CN201910952268.8
申请日：2019-10-09
Applicant: 浙江工业大学
Abstract: 一种基于GE‑GAN的交通状态虚拟检测器的生成方法，包括以下步骤：1)根据检测器的位置与邻接关系构建道路检测器网络，利用图嵌入算法中的DeepWalk将检测器网络嵌入到低维表示向量，得到邻接道路交通状态矩阵；2)获取邻接道路交通状态数据矩阵，采用最大最小标准化算法对邻接道路交通状态矩阵进行数据归一化，分别确定生成器与判别器的模型结构，实现生成对抗网络模型构建；3)定义生成对抗网络的生成器与判别器的损失函数，将滑动窗口下的邻接道路交通状态数据作为生成对抗网络模型的输入，通过对抗训练最小化生成数据与真实数据分布之间的差异，生成虚拟检测器的道路交通状态。本发明有效降低道路交通状态检测器维护的成本。
-
公开(公告)号：CN110599766B
公开(公告)日：2020-08-18
申请号：CN201910777261.7
申请日：2019-08-22
Applicant: 浙江工业大学
Abstract: 一种基于SAE‑LSTM‑SAD的道路交通拥堵传播预测方法，首先获取多条道路的车流量与车速数据矩阵，根据宏观基本图得到各车道的临界交通流状态阈值，从而获得体现时空信息的道路交通状态矩阵；然后利用堆栈自动编码器(SAE)对交通状态矩阵进行有效编码，并将其输入长短期时间记忆网络(LSTM)进行模型的训练；最后，定义模型损失函数为模型预测结果与实际数据的差值，并且利用反向传播算法不断优化模型参数，直至得到最优的模型参数，完成模型的训练。本发明能有效地利用道路在时间和空间上的依赖关系，能充分的挖掘道路交通状态矩阵的潜在特征，提高道路交通状态矩阵的预测精度。
-
公开(公告)号：CN110895878A
公开(公告)日：2020-03-20
申请号：CN201910952268.8
申请日：2019-10-09
Applicant: 浙江工业大学
Abstract: 一种基于GE-GAN的交通状态虚拟检测器的生成方法，包括以下步骤：1)根据检测器的位置与邻接关系构建道路检测器网络，利用图嵌入算法中的DeepWalk将检测器网络嵌入到低维表示向量，得到邻接道路交通状态矩阵；2)获取邻接道路交通状态数据矩阵，采用最大最小标准化算法对邻接道路交通状态矩阵进行数据归一化，分别确定生成器与判别器的模型结构，实现生成对抗网络模型构建；3)定义生成对抗网络的生成器与判别器的损失函数，将滑动窗口下的邻接道路交通状态数据作为生成对抗网络模型的输入，通过对抗训练最小化生成数据与真实数据分布之间的差异，生成虚拟检测器的道路交通状态。本发明有效降低道路交通状态检测器维护的成本。
-
公开(公告)号：CN110599766A
公开(公告)日：2019-12-20
申请号：CN201910777261.7
申请日：2019-08-22
Applicant: 浙江工业大学
Abstract: 一种基于SAE-LSTM-SAD的道路交通拥堵传播预测方法，首先获取多条道路的车流量与车速数据矩阵，根据宏观基本图得到各车道的临界交通流状态阈值，从而获得体现时空信息的道路交通状态矩阵；然后利用堆栈自动编码器(SAE)对交通状态矩阵进行有效编码，并将其输入长短期时间记忆网络(LSTM)进行模型的训练；最后，定义模型损失函数为模型预测结果与实际数据的差值，并且利用反向传播算法不断优化模型参数，直至得到最优的模型参数，完成模型的训练。本发明能有效地利用道路在时间和空间上的依赖关系，能充分的挖掘道路交通状态矩阵的潜在特征，提高道路交通状态矩阵的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.022 seconds)
