公开(公告)号：CN111860989B

公开(公告)日：2024-04-19

申请号：CN202010654628.9

申请日：2020-07-08

Applicant: 南通大学

Inventor： 施佺 ,  袁敏 ,  李赟波 ,  曹阳 ,  荆彬彬 ,  戴俊明

IPC: G06Q10/04 ,  G06Q50/40 ,  G06N3/0442 ,  G06N3/084 ,  G06N3/006

Abstract: 本发明公开了一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，从某路口通行数据库及历史数据导入至Python的Pandas模块进行预处理，并按照时间段进行分组聚合；对处理后的数据进行归一化处理；使用基于长短期神经网络构建训练模型，按照80％训练集、20％验证集的比例划分训练集与验证集；通过Ant‑Cycle蚁群算法基于启发式思想对LSTM的神经网络进行优化，与实时数据进行比对，使用MASE与决定系数指标评价模型的预测准确率，最终完成对路口短时交通流的预测。本发明使用蚁群算法优化超参数的设置避免了设置超参数困难的情况，使决定系数提升8个百分点，可有效提高路口短时交通流量预测的准确率。

公开(公告)号：CN114511154A

公开(公告)日：2022-05-17

申请号：CN202210160677.6

申请日：2022-02-22

Applicant: 南通大学

Inventor： 施佺 ,  包银鑫 ,  沈琴琴 ,  施振佺 ,  戴俊明 ,  曹阳

IPC: G06Q10/04 ,  G06N3/08 ,  G06N3/04 ,  G06K9/62 ,  G08G1/01

Abstract: 本发明公开了一种基于时空复杂图卷积网络的交通流预测方法，包括：采集高速公路上所安置传感器的交通流数据，进行数据预处理以降低复杂度和冗余度；根据传感器的位置及交通流数据生成道路图及其特征矩阵；根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵融合得到新的节点关系矩阵；构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成；训练时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流。本发明在对道路交通流进行时空特征提取前，建立三种关系矩阵来提取不同节点之间的关系，提高了对道路不同节点的关联特征提取能力，进而提高道路交通流的预测精度。

公开(公告)号：CN114511154B

公开(公告)日：2024-06-14

申请号：CN202210160677.6

申请日：2022-02-22

Applicant: 南通大学

Inventor： 施佺 ,  包银鑫 ,  沈琴琴 ,  施振佺 ,  戴俊明 ,  曹阳

IPC: G06Q10/04 ,  G06N3/084 ,  G06N3/042 ,  G06F18/211 ,  G08G1/01

Abstract: 本发明公开了一种基于时空复杂图卷积网络的交通流预测方法，包括：采集高速公路上所安置传感器的交通流数据，进行数据预处理以降低复杂度和冗余度；根据传感器的位置及交通流数据生成道路图及其特征矩阵；根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵融合得到新的节点关系矩阵；构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成；训练时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流。本发明在对道路交通流进行时空特征提取前，建立三种关系矩阵来提取不同节点之间的关系，提高了对道路不同节点的关联特征提取能力，进而提高道路交通流的预测精度。

公开(公告)号：CN113823090A

公开(公告)日：2021-12-21

申请号：CN202111104764.1

申请日：2021-09-22

Applicant: 南通大学

Inventor： 施佺 ,  戴俊明 ,  沈琴琴 ,  曹志超 ,  荆彬彬 ,  朱森来

IPC: G08G1/01 ,  G08G1/065 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开的一种基于多时空图卷积网络的交通流预测方法，包括如下步骤：首先，利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性；其次，分别提取周相关、日相关、近期时间的序列数据，输入3个时空组件以深度挖掘不同时间窗口间的时间相关性；最后，将时空组件与编码器‑解码器网络结构(Encoder‑Decoder)融合组建MST‑GCN模型。利用多个高速公路数据集进行实验，结果表明新模型的性能明显优于门控循环单元模型、扩散卷积循环神经网络(DCRNN)模型和时空图卷积网络(T‑GCN)模型。

公开(公告)号：CN111860989A

公开(公告)日：2020-10-30

申请号：CN202010654628.9

申请日：2020-07-08

Applicant: 南通大学

Inventor： 施佺 ,  袁敏 ,  李赟波 ,  曹阳 ,  荆彬彬 ,  戴俊明

IPC: G06Q10/04 ,  G06Q50/30 ,  G06N3/08 ,  G06N3/04 ,  G06N3/00

Abstract: 本发明公开了一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，从某路口通行数据库及历史数据导入至Python的Pandas模块进行预处理，并按照时间段进行分组聚合；对处理后的数据进行归一化处理；使用基于长短期神经网络构建训练模型，按照80％训练集、20％验证集的比例划分训练集与验证集；通过Ant-Cycle蚁群算法基于启发式思想对LSTM的神经网络进行优化，与实时数据进行比对，使用MASE与决定系数指标评价模型的预测准确率，最终完成对路口短时交通流的预测。本发明使用蚁群算法优化超参数的设置避免了设置超参数困难的情况，使决定系数提升8个百分点，可有效提高路口短时交通流量预测的准确率。

公开(公告)号：CN111768622A

公开(公告)日：2020-10-13

申请号：CN202010581586.0

申请日：2020-06-23

Applicant: 南通大学

Inventor： 施佺 ,  戴俊明 ,  曹阳 ,  沈琴琴 ,  苏永杰 ,  李赟波

IPC: G08G1/01 ,  G08G1/081 ,  G06Q10/04 ,  G06Q50/26 ,  G06N3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开的一种基于改进灰狼算法的短时交通量预测方法，包括如下步骤：从城市交叉路口数据库将交叉路口数据导入至Oracle数据库，通过NumPy、Pandas对存入的路口数据进行数据预处理；将数据预处理完成的数据转化为监督学习模型需要的特征与标签；使用离差标准化对处理后的数据进行数据标准化处理；基于GRU神经网络构建路口的短时交通量预测模型，将标准化数据输入模型进行训练，实现对未来某时刻交叉路口车流量的预测；基于改进灰狼算法对短时交通量预测模型进行模型优化，提高精度与稳定性。本发明具有对路口数据进行筛选和选择的操作过程，通过对路口数据的筛选和选择，本发明方法可有效提高对路口车流量预测的准确率。