-
公开(公告)号：CN110164129B
公开(公告)日：2021-02-26
申请号：CN201910339787.7
申请日：2019-04-25
申请人： 浙江工业大学
摘要： 一种基于GERNN的单交叉口多车道交通流量预测方法，首先是对道路交通网络的构建；其次基于道路交通网络构建节点映射矩阵；然后基于节点映射矩阵构建GERNN模型的道路交通输入矩阵；接着基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型；最后验证单交叉口多车道交通流预测模型。本发明解决了现有交通流数据高维、稀疏的时空特征的缺点，将网络中的节点投影到一个低维、稠密的空间中进行运算，从而有效提高了交通流预测的精度。
-
公开(公告)号：CN111862592A
公开(公告)日：2020-10-30
申请号：CN202010461193.6
申请日：2020-05-27
申请人： 浙江工业大学
摘要： 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：CN110570363A
公开(公告)日：2019-12-13
申请号：CN201910715042.6
申请日：2019-08-05
申请人： 浙江工业大学
摘要： 一种基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法，包括以下步骤：1)生成器由残差网络、金字塔池化网络以及卷积操作构成，且每次卷积结果都需要经过正则化激活运算；2)构建多尺度鉴别器；3)构建Cycle-GAN；4)提取去雾模型并验证模型效果：从训练好的Cycle-GAN中提取生成器G作为去雾模型，并用测试集中的有雾图像进行测试。本发明避免了人工设计特征，而且本发明中的多尺度输入、多尺度鉴别器和金字塔池化网络能够更好的保留图像细节特征。
-
公开(公告)号：CN105321345B
公开(公告)日：2017-06-30
申请号：CN201510595771.4
申请日：2015-09-18
申请人： 浙江工业大学
摘要： 一种基于ARIMA模型和kalman滤波算法的道路交通流预测方法，首先提取道路交通历史数据，建立时间序列上道路交通数据的ARIMA模型；然后将道路交通数据的ARIMA模型与kalman滤波算法相结合，获取kalman滤波过程中的状态方程、测量方程以及更新方程；最后提取道路交通实时数据，基于ARIMA模型和kalman滤波的道路交通流预测算法，实现道路交通数据的实时预测。
-
公开(公告)号：CN105893331A
公开(公告)日：2016-08-24
申请号：CN201610183761.4
申请日：2016-03-28
申请人： 浙江工业大学
IPC分类号： G06F17/16
CPC分类号： G06F17/16
摘要： 一种基于主成分分析算法的道路交通时间序列数据压缩方法，首先，基于道路交通时间序列上历史数据，结合主成分分析方法，获取道路交通历史数据的投影矩阵；其次，基于道路交通时间序列上实时数据，获得道路交通数据矩阵；基于投影矩阵，获取道路交通数据矩阵的主成分，实现道路交通时间序列上实时数据的压缩；最后，基于道路交通数据矩阵的主成分和投影矩阵，求取重构的数据矩阵，实现道路交通时间序列上实时数据的重构。实验结果表明，本方法在道路交通时间序列上数据压缩方面具有很好的性能。
-
公开(公告)号：CN105321345A
公开(公告)日：2016-02-10
申请号：CN201510595771.4
申请日：2015-09-18
申请人： 浙江工业大学
CPC分类号： G08G1/0129 , G06Q10/04
摘要： 一种基于ARIMA模型和kalman滤波算法的道路交通流预测方法，首先提取道路交通历史数据，建立时间序列上道路交通数据的ARIMA模型；然后将道路交通数据的ARIMA模型与kalman滤波算法相结合，获取kalman滤波过程中的状态方程、测量方程以及更新方程；最后提取道路交通实时数据，基于ARIMA模型和kalman滤波的道路交通流预测算法，实现道路交通数据的实时预测。
-
公开(公告)号：CN110288824A
公开(公告)日：2019-09-27
申请号：CN201910416601.3
申请日：2019-05-20
申请人： 浙江工业大学
IPC分类号： G08G1/01
摘要： 一种基于Granger causality路网早晚高峰拥堵状况和传播机制分析方法，包括以下步骤：1)建立交叉口交通状态时间序列：采用对偶法对道路交叉口建模，以路段为节点，将交叉口抽象为节点之间的边；对交通状态数据进行预处理，整理出有向交叉口全天饱和度时间序列，在早晚高峰时段中选取拥堵时刻并以此向前选取设定长度的交通状态时间序列；2)基于Granger causality构建路网拥堵传播关系网络；3)基于节点平均出度和入度寻找关键节点；引入动力学传播模型，对路网拥堵传播过程进行拟合，构建道路交通拥堵传播机制。本发明方法简单，利于软件实现，结果可以应用到交通状态分析、交通诱导及控制系统中。
-
公开(公告)号：CN110164129A
公开(公告)日：2019-08-23
申请号：CN201910339787.7
申请日：2019-04-25
申请人： 浙江工业大学
摘要： 一种基于GERNN的单交叉口多车道交通流量预测方法，首先是对道路交通网络的构建；其次基于道路交通网络构建节点映射矩阵；然后基于节点映射矩阵构建GERNN模型的道路交通输入矩阵；接着基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型；最后验证单交叉口多车道交通流预测模型。本发明解决了现有交通流数据高维、稀疏的时空特征的缺点，将网络中的节点投影到一个低维、稠密的空间中进行运算，从而有效提高了交通流预测的精度。
-
公开(公告)号：CN110070713A
公开(公告)日：2019-07-30
申请号：CN201910298059.6
申请日：2019-04-15
申请人： 浙江工业大学
摘要： 一种基于双向嵌套LSTM神经网络的交通流预测方法，该方法基于道路交通流相关性矩阵获取预测路段及K个最相关路段的交通流数据，构建道路交通流时空矩阵数据集并进行数据序列化处理；然后构建双向嵌套LSTM神经网络预测模型，定义预测模型损失函数，结合训练集数据，完成模型训练；最后以测试集数据作为训练后模型的输入，实现测试集交通流状态的实时预测并定义模型评价标准，进行误差分析。本发明通过改善LSTM单元时间层级效应和考虑未来、历史交通流状态与现有状态的联系，提高了道路交通流数据的时间特征提取能力，从而提高了道路交通流的预测精度。
-
公开(公告)号：CN108510741A
公开(公告)日：2018-09-07
申请号：CN201810510008.0
申请日：2018-05-24
申请人： 浙江工业大学
摘要： 一种基于Conv1D-LSTM神经网络结构的交通流预测方法，包括以下步骤：1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集；2)获取同一时刻内不同路段的交通流状态，提取交通流数据的空间特征；3)基于包含空间特征的交通流数据提取数据时间特征：将一维卷积网络输出的交通流空间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；4)将道路交通流时空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。本发明提高了交通流短期预测的准确性。
-
-
-
-
-
-
-
-
-
搜索结果
35 条记录 (耗时 0.037 秒)
