-
公开(公告)号：CN107230351B
公开(公告)日：2019-08-09
申请号：CN201710585474.0
申请日：2017-07-18
Applicant: 福州大学
Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN108805418B
公开(公告)日：2021-08-31
申请号：CN201810496222.5
申请日：2018-05-22
Applicant: 福州大学
IPC: G06Q10/06
Abstract: 本发明涉及一种基于生成式对抗网络的交通数据填充方法，将3D卷积神经网络与生成式对抗网络相结合，构造一种3DConvGAN模型，首先利用历史数据训练3DConvGAN模型，并采用3D卷积神经网络对临近时刻的数据进行时空特征提取；其次设置衡量已知点的真实数据和生成数据之间的差异，通过最小化损失函数来获取生成网络的最优输入；最后，使用最优输入通过生成网络获取最优的生成数据，以实现交通数据的恢复。本发明克服了现有技术不能充分利用交通数据的历史信息与时空特征的不足，充分利用历史的交通数据并有效地提取交通数据的时空特性，从而提升了交通数据的恢复精确度。
-
公开(公告)号：CN108805418A
公开(公告)日：2018-11-13
申请号：CN201810496222.5
申请日：2018-05-22
Applicant: 福州大学
IPC: G06Q10/06
CPC classification number: G06Q10/067
Abstract: 本发明涉及一种基于生成式对抗网络的交通数据填充方法，将3D卷积神经网络与生成式对抗网络相结合，构造一种3DConvGAN模型，首先利用历史数据训练3DConvGAN模型，并采用3D卷积神经网络对临近时刻的数据进行时空特征提取；其次设置衡量已知点的真实数据和生成数据之间的差异，通过最小化损失函数来获取生成网络的最优输入；最后，使用最优输入通过生成网络获取最优的生成数据，以实现交通数据的恢复。本发明克服了现有技术不能充分利用交通数据的历史信息与时空特征的不足，充分利用历史的交通数据并有效地提取交通数据的时空特性，从而提升了交通数据的恢复精确度。
-
公开(公告)号：CN108898527B
公开(公告)日：2021-10-29
申请号：CN201810643268.5
申请日：2018-06-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于有损测量的生成模型的交通数据填充方法。考虑到临近时刻交通数据与大量的历史数据有助于提高交通数据的恢复精度，该方法将3D卷积神经网络与基于有损测量的生成模型相结合，构造一种新型网络模型，以实现交通数据的填充；本发明的优势是可以利用残缺数据进行训练，实现交通流丢失数据的恢复；本发明通过衡量已知点的真实数据和生成数据之间的差异，并采用最小化损失函数来获取生成网络的最优输入，从而获取最优的生成数据，以实现交通流数据的恢复；本发明方法克服了传统方法无法利用残缺数据进行训练的缺点，同时充分利用历史的交通流数据并有效地提取交通流数据的时空特性，从而提升了交通流数据的恢复精确度。
-
公开(公告)号：CN107230351A
公开(公告)日：2017-10-03
申请号：CN201710585474.0
申请日：2017-07-18
Applicant: 福州大学
CPC classification number: G08G1/0125 , G06N3/0454 , G06N3/084 , G06Q10/04 , G06Q50/26
Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。
-
公开(公告)号：CN108898527A
公开(公告)日：2018-11-27
申请号：CN201810643268.5
申请日：2018-06-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于有损测量的生成模型的交通数据填充方法。考虑到临近时刻交通数据与大量的历史数据有助于提高交通数据的恢复精度，该方法将3D卷积神经网络与基于有损测量的生成模型相结合，构造一种新型网络模型，以实现交通数据的填充；本发明的优势是可以利用残缺数据进行训练，实现交通流丢失数据的恢复；本发明通过衡量已知点的真实数据和生成数据之间的差异，并采用最小化损失函数来获取生成网络的最优输入，从而获取最优的生成数据，以实现交通流数据的恢复；本发明方法克服了传统方法无法利用残缺数据进行训练的缺点，同时充分利用历史的交通流数据并有效地提取交通流数据的时空特性，从而提升了交通流数据的恢复精确度。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
