公开(公告)号：CN112201036A

公开(公告)日：2021-01-08

申请号：CN202011026285.8

申请日：2020-09-25

Applicant: 同济大学

Inventor： 唐克双 ,  陈思曲 ,  曹喻旻 ,  李效松

IPC: G08G1/01 ,  G06N3/04

Abstract: 本发明涉及一种基于Inception‑CNN的城市快速路行程速度短时预测方法，该方法包括：训练阶段：(A1)构建历史的断面级行程速度信息时空矩阵，组建训练样本；(A2)构建Inception‑CNN深度神经网络模型，模型输入为历史时间段的断面级行程速度信息时空矩阵，模型输出为未来短时时间段的断面级行程速度信息时空矩阵；(A3)基于训练样本对模型进行训练；预测阶段：(B1)构建实时的断面级行程速度信息时空矩阵；(B2)将实时的断面级行程速度信息时空矩阵输入至训练好的模型，完成行程速度短时预测。与现有技术相比，本发明能有效学习具有不同尺度、影响范围的交通拥堵与交通事件模式，预测精度高。

公开(公告)号：CN112201036B

公开(公告)日：2022-06-24

申请号：CN202011026285.8

申请日：2020-09-25

Applicant: 同济大学

Inventor： 唐克双 ,  陈思曲 ,  曹喻旻 ,  李效松

IPC: G08G1/01 ,  G06N3/04

Abstract: 本发明涉及一种基于Inception‑CNN的城市快速路行程速度短时预测方法，该方法包括：训练阶段：(A1)构建历史的断面级行程速度信息时空矩阵，组建训练样本；(A2)构建Inception‑CNN深度神经网络模型，模型输入为历史时间段的断面级行程速度信息时空矩阵，模型输出为未来短时时间段的断面级行程速度信息时空矩阵；(A3)基于训练样本对模型进行训练；预测阶段：(B1)构建实时的断面级行程速度信息时空矩阵；(B2)将实时的断面级行程速度信息时空矩阵输入至训练好的模型，完成行程速度短时预测。与现有技术相比，本发明能有效学习具有不同尺度、影响范围的交通拥堵与交通事件模式，预测精度高。