-
公开(公告)号：CN117010490A
公开(公告)日：2023-11-07
申请号：CN202310776719.3
申请日：2023-06-28
Applicant: 厦门大学
IPC: G06N5/01 , G06N3/0442 , G06N3/08 , G06F18/25
Abstract: 本申请的实施例提供了一种基于图表示学习的数据插值方法、装置、介质及设备。该方法中对多重异质关系中目标预测节点和邻居节点之间的相似性和差异性同时进行建模，以聚合邻居节点的节点信息，得到目标预测节点的归纳式特征表示，并基于GRU神经网络在多重异质关系中自适应地根据邻居节点在时间维度上的信息流动模式指导目标预测节点时间相关性的建模，再在不同时间步动态地融合多重异质关系中学习到的目标预测节点的目标节点表示以输出目标预测节点的估计序列。本申请实施例的技术方案可以提高数据插值的合理性以及准确性。
-
公开(公告)号：CN107967532A
公开(公告)日：2018-04-27
申请号：CN201711052176.1
申请日：2017-10-30
Applicant: 厦门大学
Abstract: 本发明公开了一种融合区域活力的城市交通流量预测方法，包括：S1、对城市路网进行区域划分，并计算各个区域的交通流量；S2、设计区域活力模型：利用城市兴趣点的分布和节假日及天气信息，运用3D卷积神经网络(3D CNN)学习城市中各个区域活力的动态变化；S3、设计流量预测模型：融合区域活力与交通流量,运用卷积长短时记忆网络(ConvLSTM)进行流量预测；S4、根据历史数据对区域活力模型和流量预测模型进行同时训练，再利用训练好的模型对各个区域的交通流量进行实时预测。本方法通过融合区域活力，同时考虑了人群活动背后的驱动力和外部因素的影响，能够取得较高的预测精度。
-
公开(公告)号：CN110415516B
公开(公告)日：2021-06-22
申请号：CN201910637679.8
申请日：2019-07-15
Applicant: 厦门大学
Abstract: 本发明公开了一种基于图卷积神经网络的城市交通流预测方法和介质，其中方法包括：获取原始数据；根据每个节点对应的经纬度信息生成距离矩阵；根据限速平均值和距离矩阵计算可达矩阵；构建用于预测交通流速的初始交通流预测模型，并将交通流速信息和可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和可达矩阵输出交通流速预测值；对初始交通流预测模型进行训练，以确定最终的交通流预测模型；将待预测交通流速信息和待预测可达矩阵输入交通流预测模型，以便通过交通流预测模型对未来交通流进行预测；实现对城市交通路网的空间特征进行有效提取，提高交通流预测的精准度，并且，提高该预测方法的普适性，使其便于推广。
-
公开(公告)号：CN109117987A
公开(公告)日：2019-01-01
申请号：CN201810790785.5
申请日：2018-07-18
Applicant: 厦门大学
Abstract: 本发明公开了一种基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：将城市划分为网格区域；计算各网格区域各时段的交通事故数据、交通流量数据、天气特征数据；利用深度学习方法进行模型训练，获得交通事故风险预测模型；根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。本发明利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。
-
公开(公告)号：CN111260919A
公开(公告)日：2020-06-09
申请号：CN202010044078.9
申请日：2020-01-15
Applicant: 厦门大学
Abstract: 本发明公开了一种交通流量预测方法，包括以下步骤：获取多个节点采集的交通状况数据和每个节点对应的定位信息；根据所述定位信息计算每个节点对应的空间向量，并根据所述交通状况数据和所述空间向量生成时空向量；根据所述时空向量和所述交通状况数据计算每个节点对应的空间加权值和时间加权值，并对所述空间加权值和所述时间加权值进行门控融合，以得到融合值，以及根据所述融合值对未来交通流量进行预测；能够实现对未来交通状况的准确预测，提高预测结果的可参考性。
-
Patent Agency Ranking
公开(公告)号：CN110415516A
公开(公告)日：2019-11-05
申请号：CN201910637679.8
申请日：2019-07-15
Applicant: 厦门大学
Abstract: 本发明公开了一种基于图卷积神经网络的城市交通流预测方法和介质，其中方法包括：获取原始数据；根据每个节点对应的经纬度信息生成距离矩阵；根据限速平均值和距离矩阵计算可达矩阵；构建用于预测交通流速的初始交通流预测模型，并将交通流速信息和可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和可达矩阵输出交通流速预测值；对初始交通流预测模型进行训练，以确定最终的交通流预测模型；将待预测交通流速信息和待预测可达矩阵输入交通流预测模型，以便通过交通流预测模型对未来交通流进行预测；实现对城市交通路网的空间特征进行有效提取，提高交通流预测的精准度，并且，提高该预测方法的普适性，使其便于推广。
-
公开(公告)号：CN111260919B
公开(公告)日：2021-06-22
申请号：CN202010044078.9
申请日：2020-01-15
Applicant: 厦门大学
Abstract: 本发明公开了一种交通流量预测方法，包括以下步骤：获取多个节点采集的交通状况数据和每个节点对应的定位信息；根据所述定位信息计算每个节点对应的空间向量，并根据所述交通状况数据和所述空间向量生成时空向量；根据所述时空向量和所述交通状况数据计算每个节点对应的空间加权值和时间加权值，并对所述空间加权值和所述时间加权值进行门控融合，以得到融合值，以及根据所述融合值对未来交通流量进行预测；能够实现对未来交通状况的准确预测，提高预测结果的可参考性。
-
公开(公告)号：CN109117987B
公开(公告)日：2020-09-29
申请号：CN201810790785.5
申请日：2018-07-18
Applicant: 厦门大学
Abstract: 本发明公开了一种基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：将城市划分为网格区域；计算各网格区域各时段的交通事故数据、交通流量数据、天气特征数据；利用深度学习方法进行模型训练，获得交通事故风险预测模型；根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。本发明利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。
-
公开(公告)号：CN107967532B
公开(公告)日：2020-07-07
申请号：CN201711052176.1
申请日：2017-10-30
Applicant: 厦门大学
Abstract: 本发明公开了一种融合区域活力的城市交通流量预测方法，包括：S1、对城市路网进行区域划分，并计算各个区域的交通流量；S2、设计区域活力模型：利用城市兴趣点的分布和节假日及天气信息，运用3D卷积神经网络(3D CNN)学习城市中各个区域活力的动态变化；S3、设计流量预测模型：融合区域活力与交通流量,运用卷积长短时记忆网络(ConvLSTM)进行流量预测；S4、根据历史数据对区域活力模型和流量预测模型进行同时训练，再利用训练好的模型对各个区域的交通流量进行实时预测。本方法通过融合区域活力，同时考虑了人群活动背后的驱动力和外部因素的影响，能够取得较高的预测精度。
-
公开(公告)号：CN107103758B
公开(公告)日：2019-06-21
申请号：CN201710427408.0
申请日：2017-06-08
Applicant: 厦门大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于深度学习的城市区域交通流量预测方法，该方法通过提取交通流量变化的高维时空特征对城市每个区域的交通流量同时进行预测，为城市交通流量预测问题提供了一种新的思路。首先根据LPR设备的数据计算城市区域每个时间段的历史流量；然后利用ConvLSTM和CNN设计交通流量预测模型，并提取影响预测时段的关键时间段的流量数据作为输入训练模型；最后利用训练好的模型进行城市区域交通流量的预测。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
