公开(公告)号：CN115953900B

公开(公告)日：2025-02-18

申请号：CN202211721955.7

申请日：2022-12-30

Applicant: 湖北武荆高速公路发展有限公司 ,  长沙理工大学

Inventor： 范文东 ,  宋云 ,  白鑫科 ,  杨选正 ,  罗雨 ,  杜克金 ,  许方怡 ,  孙军 ,  祝昕云 ,  肖卓龙 ,  亢军杰

IPC: G08G1/01 ,  G06F30/27 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/08 ,  G06Q50/26 ,  G06Q50/40 ,  G06Q10/04

Abstract: 本发明涉及一种基于多维度时间和空间依赖挖掘的交通流量预测方法，在交通流量预测模型中引入时空间关系捕捉，利用基于时间卷积网络(Temporal Convolution Network，TCN)和基于自注意力的序列注意力抓取网络，构建模型的时间依赖提取子模型，优化模型对隐含在交通数据中的时间依赖关系的提取能力。空间特征构建过程利用基于静态图和生成图的图卷积神经网络(Graph Convolution Network)进行，针对道路的显性空间关系和隐性空间关系分别进行建模分析，再将其融合生成完整的空间关系表征。

公开(公告)号：CN116434537A

公开(公告)日：2023-07-14

申请号：CN202211713940.6

申请日：2022-12-29

Applicant: 湖北武荆高速公路发展有限公司 ,  长沙理工大学

Inventor： 范文东 ,  舒敏 ,  宋云 ,  姜聪 ,  杨选正 ,  罗雨 ,  孙军 ,  祝昕云

IPC: G08G1/01 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/049 ,  G06N3/045 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明提供一种基于时间注意力循环图卷积神经网络的交通流量预测方法，涉及数据处理技术领域。该方法包括：获取待预测的交通流量数据。对待预测的交通流量数据进行预处理，并获取交通流量信号矩阵。对交通流量信号矩阵进行空间特征提取，获取待预测的交通流量数据的第一特征数据。对第一空间特征数据进行时间特征提取，获取待预测的交通流量数据的第二特征数据。对第二特征数据进行时间特征提取，获取待预测的交通流量数据的第三特征数据。以及，将待预测的交通流量数据的第三特征数据作为输入，获取交通流量预测模型的输出结果，根据交通流量预测模型的输出结果获取交通流量预测结果。该方法能够提高交通流量预测精度。

公开(公告)号：CN116011684A

公开(公告)日：2023-04-25

申请号：CN202310192969.2

申请日：2023-03-02

Applicant: 长沙理工大学 ,  湖北武荆高速公路发展有限公司

Inventor： 姜聪 ,  宋云 ,  邓泽林 ,  范文东 ,  罗雨

IPC: G06Q10/04 ,  G06Q50/30 ,  G06Q50/26 ,  G08G1/01 ,  G06N3/048 ,  G06N3/084 ,  G06N3/0464

Abstract: 本发明提出了一种基于时空图卷积网络的交通流量预测方法，旨在解决交通速流量预测中数据高维、非线性、不确定性等难以解决的问题。所提出的预测模型包括全连接神经网络层、时空卷积块和一维卷积层。交通流量数据经过全连接层后进入时空卷积块，以捕获流量数据的时间特征与空间特征。最后，时空卷积块的结果输入一维卷积层得到最后的预测结果。时空卷积块包括时间卷积网络层、时间注意力层、图卷积层、门控融合层。时间卷积网络层与时间注意力层用于捕获交通流量不同尺度的时间特征，图卷积层用于动态捕获空间特征，门控融合层用于融合不同尺度的特征矩阵。时空卷积块动态捕获了交通流量不同尺度的时空特征且筛选了重要的部分，提高了预测精度。

公开(公告)号：CN116246465A

公开(公告)日：2023-06-09

申请号：CN202310194778.X

申请日：2023-03-02

Applicant: 长沙理工大学

Inventor： 白鑫珂 ,  宋云 ,  邓泽林 ,  范文东 ,  罗雨

IPC: G08G1/01 ,  G06F17/10 ,  G08G1/048

Abstract: 本发明提出一种基于生成式时空演化建模的交通流量预测方法。该方法采用生成对抗网络来捕获交通节点之间随时间的演化关系，利用格拉姆角场将多节点交通序列转换为二维平面数据，并构建节点嵌入结合排布生成矩阵模拟全域交通网络的关联排布，生成表征某一特定时刻全域交通状况特征图。在预测问题的求解过程中，通过生成对抗网络对交通特征的演化关系进行学习，使用格拉姆角场生成每个交通侦测节点的二维图像表示，得到所有时间序列的特征图。通过节点嵌入和排布生成矩阵生成输入的特征排布，训练生成对抗网络生成预测时段的每个节点的交通序列数据。该方法充分考虑了每个节点上时间序列的独立以及交互演化关系，具有较高的预测准确性。

公开(公告)号：CN115953900A

公开(公告)日：2023-04-11

申请号：CN202211721955.7

申请日：2022-12-30

Applicant: 湖北武荆高速公路发展有限公司 ,  长沙理工大学

Inventor： 范文东 ,  宋云 ,  白鑫科 ,  杨选正 ,  罗雨 ,  杜克金 ,  许方怡 ,  孙军 ,  祝昕云 ,  肖卓龙 ,  亢军杰

IPC: G08G1/01 ,  G06F30/27 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/08 ,  G06Q50/26 ,  G06Q50/30 ,  G06Q10/04

Abstract: 本发明涉及一种基于多维度时间和空间依赖挖掘的交通流量预测方法，在交通流量预测模型中引入时空间关系捕捉，利用基于时间卷积网络(Temporal Convolution Network，TCN)和基于自注意力的序列注意力抓取网络，构建模型的时间依赖提取子模型，优化模型对隐含在交通数据中的时间依赖关系的提取能力。空间特征构建过程利用基于静态图和生成图的图卷积神经网络(Graph Convolution Network)进行，针对道路的显性空间关系和隐性空间关系分别进行建模分析，再将其融合生成完整的空间关系表征。