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！
摘要：本发明提供基于CNN‑LSTM的城市道路平均速度预测方法及系统，涉及城市车速预测技术领域，本发明结合CNN和LSTM模型，首先，采集并归一化历史交通数据和历史天气数据，利用双通道CNN提取道路空间特征和天气影响特征，通过跨模态注意力机制融合天气影响特征矩阵和道路空间特征矩阵生成融合矩阵，然后，构建LSTM进行训练，以融合矩阵作为输入，未来时刻的城市道路平均速度作为输出，实现对城市道路平均速度的有效预测。
主权项：1.基于CNN-LSTM的城市道路平均速度预测方法，其特征在于，具体步骤包括：步骤1：同步采集历史交通时序数据和历史天气时序数据，并对数据进行归一化处理，所述历史交通时序数据包括沿时间序列排布的车道数量、车道上的车辆数量、车道长度，所述历史天气时序数据包括沿时间序列排布的温度、降水量、降雪量和风速；步骤2：构建双通道CNN，以历史交通数据为输入值，道路的车辆密度特征和车速特征作为标签，训练第一通道；以历史天气数据为输入值，天气对车辆密度特征、车速特征的影响幅度作为标签，训练第二通道；步骤3：将连续n个采集时刻下车辆密度特征和车速特征整合以形成道路空间特征矩阵，并将对应采集时刻下天气对车辆密度特征、车速特征的影响幅度整合以形成天气特征矩阵，基于跨模态注意力融合机制，调整天气特征矩阵和道路空间特征矩阵的权重，生成融合矩阵；步骤4：构建LSTM，在融合矩阵上标注下一采集时刻下城市道路平均速度的标签后，输入到LSTM中进行训练，得到输入值为融合矩阵，输出值为城市道路平均速度的速度预测模型；步骤5：实时采集待预测区域处连续n个采集时刻下的交通时序数据和天气时序数据，并将其输入对应的通道中进行处理，将处理后的数据按照步骤3的方法进行处理，以生成实时融合矩阵；步骤6：将实时融合矩阵输入到训练好的速度预测模型中，预测城市道路的平均速度。
全文数据：
权利要求：
百度查询： 常熟理工学院 基于CNN-LSTM的城市道路平均速度预测方法及系统
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