公开(公告)号：CN112508173B

公开(公告)日：2024-06-28

申请号：CN202011391942.9

申请日：2020-12-02

Applicant: 中南大学

Inventor： 邝砾 ,  颜学谨 ,  张欢 ,  杨海洋

IPC: G06N3/0464 ,  G06N3/044 ,  G06N3/0442 ,  G06N3/08 ,  G06F16/2458 ,  G06Q10/04 ,  G06Q50/40

Abstract: 本发明公开了一种交通时空序列多步预测方法、系统及存储介质，基于历史数据X1:T计算改进的历史均值#imgabs0#第二步，历史数据X1:T和改进的改进历史均值#imgabs1#通过3D‑CNN模块进行下采样；第三步，使用序列到序列模型进行多步预测得到#imgabs2#模型的编码器和解码器均由ConvLSTM组成，并在解码器中融入了注意力机制，进而使用转置3D卷积进行上采样；第四步，#imgabs3#与#imgabs4#做多模型融合，得到最终的预测结果#imgabs5#本发明预测方法的精度更高。

公开(公告)号：CN112508173A

公开(公告)日：2021-03-16

申请号：CN202011391942.9

申请日：2020-12-02

Applicant: 中南大学

Inventor： 邝砾 ,  颜学谨 ,  张欢 ,  杨海洋

IPC: G06N3/04 ,  G06N3/08 ,  G06F16/2458 ,  G06Q10/04 ,  G06Q50/30

Abstract: 本发明公开了一种交通时空序列多步预测方法、系统及存储介质，基于历史数据X1:T计算改进的历史均值第二步，历史数据X1:T和改进的改进历史均值通过3D‑CNN模块进行下采样；第三步，使用序列到序列模型进行多步预测得到模型的编码器和解码器均由ConvLSTM组成，并在解码器中融入了注意力机制，进而使用转置3D卷积进行上采样；第四步，与做多模型融合，得到最终的预测结果本发明预测方法的精度更高。

公开(公告)号：CN112559585A

公开(公告)日：2021-03-26

申请号：CN202011391966.4

申请日：2020-12-02

Applicant: 中南大学

Inventor： 邝砾 ,  颜学谨 ,  杨海洋 ,  张欢

IPC: G06F16/2458 ,  G06N3/04 ,  G06N3/08 ,  G06Q10/04 ,  G06Q50/30

Abstract: 本发明公开了一种交通时空序列单步预测方法、系统及存储介质，使用3D卷积神经网络提取时空特征，未割裂时间特征和空间特征时之间的联系；同时，本发明将交通时空序列的多模态数据之间的影响纳入考虑范围，利用多任务学习提取各模态之间的关联，提高了预测精度。