龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：河南大学
摘要：本发明公开一种基于深度学习模型的复杂交通网络流量预测方法，包括：根据路网的历史交通数据以及根据谱聚类之后的聚类数据，针对这两种交通历史数据构建动态图；将历史序列通过卷积模型嵌入到潜在维度，对两种不同层次的特征静态融合；将两个层次的特征采用STODE‑Block块来捕捉时间和空间的依赖关系，对时间和空间进行连续的统一建模，得到学习之后的特征表示；对区域和节点的特征表示通过动态融合模块进行第二次动态融合，得到最终的特征输出；采用跳跃连接的方式将两次融合结果进行结合，然后通过ReLU激活函数输出最终的预测结果。本发明能实现精准的短时交通流预测，预测精度优于已有的基于ODE的交通流预测模型。
主权项：1.一种基于深度学习模型的复杂交通网络流量预测方法，其特征在于，包括：步骤A，通过谱聚类方法将交通路网的传感器节点进行聚类，构建交通区域，并计算交通区域内的平均交通状态，得到交通区域时空特征序列数据XR，然后基于交通路网节点传感器的历史交通流量特征序列数据X和XR构建交通区域与交通节点间的关联矩阵As；节点表示传感器的所在位置；步骤B，采用卷积模型将X和XR分别映射到潜在空间，得到交通节点的静态特征表示HT和交通区域的静态特征表示HRT；同时分别构建交通节点的动态图特征数据A和交通区域的动态图特征数据AR；步骤C，利用卷积门控模块，将HT和HRT进行静态融合，得到静态融合特征Htran1；步骤D，采用基于常微分方程技术的连续时空特征建模技术，构建两个结构相同的连续时空特征学习模块，以骤B、C的结果为输入，分别实现节点层次和区域层次的连续时空特征学习，得到交通节点的连续时空特征Hout和交通区域的连续时空特征所述连续时空特征学习模块包括连续时间特征学习模块，所述连续时间特征学习模块包括时间特征传播模块和连续空间特征学习模块；步骤E，将步骤D的输出作为融合目标，利用注意力机制和卷积门技术，将Hout和进行动态融合，得到动态融合特征Htran2；步骤F，利用跳跃连接技术将Htran1和Htran2进行关联，然后通过两个ReLU激活函数缩小数据维度，输出交通流量预测结果。
全文数据：
权利要求：
百度查询： 河南大学 一种基于深度学习模型的复杂交通网络流量预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号