System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开涉及智慧交通,具体涉及基于多尺度的城市交通细粒度流量预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息,不必然构成在先技术。
2、智慧城市是充分应用人工智能技术于交通流量数据领域的一项创新。这一领域包括道路流量监控、交通信号控制、交通信息采集以及智能交通等方面,其中智能交通扮演着关键的角色。智能交通需要对城市交通流量进行细粒度的监测和分析,以协助城市规划师优化道路布局,降低交通拥堵风险。
3、目前,城市交通流量监测技术存在两种主要方法。一种方法是在城市范围内部署大量流量监测传感器设备,但这种方法的运营和维护成本较高。另一种方法是利用图像超分辨率技术,对城市流量数据进行智能处理。
4、然而,专利技术人发现,现有的细粒度流量预测方法存在一些问题,如模型复杂、未能充分考虑流量数据的时空特性、并且忽略不同尺度的空间依赖等关键因素。
技术实现思路
1、本公开为了解决上述问题,提出了基于多尺度的城市交通细粒度流量预测方法及系统,基于多尺度的思想构建城市全局空间依赖和局部空间依赖,充分考虑如何相互补充,提供不冗余且相互补充的城市空间信息,从而提高了细粒度预测准确度。
2、根据一些实施例,本公开采用如下技术方案:
3、基于多尺度的城市交通细粒度流量预测方法,包括:
4、获取待预测城市的交通数据的多幅流量分布图;
5、基于所述流量分布图构造细粒度流量分布图,将所述细粒度流量分布图
6、对所述粗粒度流量分布图进行高层多尺度空间特征提取,对城市某区域与地理相近区域和远程区域间的空间依赖关系进行学习,得到不同尺度粗粒度流量分布特征图,对不同尺度粗粒度流量分布特征图进行解耦,再将解耦后的不同尺度粗粒度流量分布特征图进行多尺度空间特征的互补融合,获取最终区域特征;
7、利用所述最终区域特征预测城市交通细粒度流量。
8、根据一些实施例,本公开采用如下技术方案:
9、基于多尺度的城市交通细粒度流量预测系统,包括:
10、数据获取模块,用于获取待预测城市的交通数据的多幅流量分布图;
11、数据处理模块,用于基于所述流量分布图构造细粒度流量分布图,将所述细粒度流量分布图根据设定的放缩因子进行放缩获得粗粒度流量分布图;
12、特征提取模块,用于对所述粗粒度流量分布图进行高层多尺度空间特征提取,对城市某区域与地理相近区域和远程区域间的空间依赖关系进行学习,得到不同尺度粗粒度流量分布特征图,对不同尺度粗粒度流量分布特征图进行解耦,再将解耦后的不同尺度粗粒度流量分布特征图进行多尺度空间特征的互补融合,获取最终区域特征;
13、预测模块,用于利用所述最终区域特征预测城市交通细粒度流量。
14、根据一些实施例,本公开采用如下技术方案:
15、一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现所述的基于多尺度的城市交通细粒度流量预测方法。
16、根据一些实施例,本公开采用如下技术方案:
17、一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现所述的基于多尺度的城市交通细粒度流量预测方法。
18、与现有技术相比,本公开的有益效果为:
19、本公开的一种实施例中提供了一种基于多尺度的城市交通细粒度流量预测方法,针对流量数据特征,基于学习不同尺度空间依赖,充分考虑不同尺度空间依赖间信息的冗余和相互补充,运用时间、天气等额外因素使城市细粒度流量预测模型具有丰富的时空数据特性,从而提高了预测准确度。
20、在结合多尺度空间信息进行最终细粒度流量预测模型训练过程中,通过设定结构性约束,保证细粒度区域的流量之和严格等于相应粗粒度流量大小,进一步提升了预测效果。与以往的城市流量预测模型相比具有网络简单、训练周期短、预测效果好等特点。
本文档来自技高网...【技术保护点】
1.基于多尺度的城市交通细粒度流量预测方法,其特征在于,包括:
2.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,所述流量分布图根据待预测城市的流量分布数据获取,所述流量分布数据包括行人数据、自行车数据以及机动车数据。
3.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,所述不同尺度粗粒度流量分布特征图的获取方法为:
4.如权利要求3所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,进一步使用ReLU激活函数来获得地理相近区域级别的表示。
5.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,对于某区域与远程区域的城市尺度特征,引入多头变换器空间编码器来学习跨空间尺度的任意两个空间区间之间的关系,所述多头变换器空间编码器由多头自注意层、每个块中的层归一化和残差连接组成。
6.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,对不同尺度粗粒度流量分布特征图进行解耦,包括:使地理相近区域级别的表示捕捉更精细的区域细微差异,而城市级别
7.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,将解耦后的不同尺度粗粒度流量分布特征图进行多尺度空间特征的互补融合,包括:利用私有解码器来获取每个尺度下特征图的特定信息,同时使用共享解码器来确保不同尺度下特征图信息之间的交互,然后图通过权重将尺度特定信息和交互信息相融合;其中,私有解码器的结构基于邻域级别和城市级别的编码器进行设计,私有邻域级别解码器采用可变形卷积结构,而私有城市级别解码器采用Transformer解码器结构。
8.基于多尺度的城市交通细粒度流量预测系统,其特征在于,包括:
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-7任一项所述的基于多尺度的城市交通细粒度流量预测方法。
10.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-7任一项所述的基于多尺度的城市交通细粒度流量预测方法。
...【技术特征摘要】
1.基于多尺度的城市交通细粒度流量预测方法,其特征在于,包括:
2.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,所述流量分布图根据待预测城市的流量分布数据获取,所述流量分布数据包括行人数据、自行车数据以及机动车数据。
3.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,所述不同尺度粗粒度流量分布特征图的获取方法为:
4.如权利要求3所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,进一步使用relu激活函数来获得地理相近区域级别的表示。
5.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,对于某区域与远程区域的城市尺度特征,引入多头变换器空间编码器来学习跨空间尺度的任意两个空间区间之间的关系,所述多头变换器空间编码器由多头自注意层、每个块中的层归一化和残差连接组成。
6.如权利要求1所述的基于多尺度的城市交通细粒度流量预测方法,其特征在于,对不同尺度粗粒度流量分布特征图进行解耦,包括:使地理相近区域级别的表示捕捉更精细的区域细微差异,而城市级别的远程区域表示呈现城市该区域的更广义语境,引入特征区分损失进行不同尺度粗...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。