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】
本专利技术涉及交通,特别是涉及一种在线时空交通流预测方法。
技术介绍
1、在智能交通系统的发展背景下,随着城市化进程的加速和车辆保有量的不断增加,交通拥堵、事故频发及环境污染等问题日益严峻。为了有效应对这些挑战,提高交通系统的运行效率和安全性,构建高效、智能的交通管理系统成为了当务之急。其中,交通流预测作为智能交通系统的核心组成部分,对于实现交通信号的智能控制、路径规划与导航、以及紧急事件响应等具有至关重要的意义。
2、传统的交通流预测方法主要依赖于历史交通数据的时间序列分析或简单的统计模型,这些方法在应对复杂多变的交通状况时显得力不从心,难以准确捕捉交通流的动态变化特性。近年来,随着人工智能技术的飞速发展,尤其是深度学习技术的兴起,为交通流预测提供了新的思路和方法。特别是自监督学习和transformer机制的应用,为处理大规模、高维度的交通数据提供了强有力的工具,能够自动从数据中学习复杂的时空依赖关系,显著提升交通流预测的准确性和实时性。
3、然而,单一的计算中心(如传统的数据中心)在处理海量、实时的交通数据时往往面临计算资源不足、网络延迟高等问题,难以满足智能交通系统对高实时性和高可靠性的要求。
技术实现思路
1、本专利技术的目的是提供一种在线时空交通流预测方法,能够实现精确预测。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种在线时空交通流预测方法,包括:
4、构建云边协同网络;所述云边协同网络包括中心云
5、将经各所述边缘云采集得到的当前时刻的交通数据输入所述交通流预测模型后,由所述交通流预测模型进行时空预测,得到当前时刻的交通流预测结果,并根据设定周期对所述交通流预测模型进行更新。
6、可选地,所述交通流预测模型的构建过程包括:
7、获取初始训练数据;所述初始训练数据包括交通训练数据及对应的标签;
8、基于自监督学习和transformer机制构建预训练模型;
9、将所述初始训练数据输入所述预训练模型,以模型输出结果与所述标签之间的损失最小为目标,并根据梯度下降策略进行训练,将训练好的模型确定为所述交通流预测模型。
10、可选地,所述交通流预测模型在训练时采用huber损失。
11、可选地,所述交通流预测模型包括编码器,编码器的输出分别作为非自适应解码器和自适应解码器的输入;非自适应解码器和自适应解码器分别计算预测损失和自适应损失,并将预测损失和自适应损失反向传播到编码器,更新编码器的参数。
12、可选地,还包括:将所述交通流预测结果以海藻球形式进行显示;其中,所述海藻球包括多个颜色,各所述颜色用于根据设定阈值区间显示在对应区间内的交通流预测结果。
13、可选地,在将经各所述边缘云采集得到的当前时刻的交通数据输入所述交通流预测模型之前,还包括:对所述交通相关数据依次进行数据清洗和数据标准化处理。
14、可选地,所述数据清洗包括:去除异常值和缺失值,对数据进行平滑处理,消除噪声干扰。
15、可选地,所述数据标准化处理包括:对数据进行标准化处理,消除不同量纲对模型的影响。
16、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
17、本专利技术公开了一种在线时空交通流预测方法,所述方法包括构建云边协同网络;所述云边协同网络包括中心云以及与所述中心云练级的多个边缘云;所述中心云用于构建基于自监督学习和transformer机制的交通流预测模型;各所述边缘云用于实时采集交通数据;将经各所述边缘云采集得到的当前时刻的交通数据输入所述交通流预测模型后,由所述交通流预测模型进行时空预测,得到当前时刻的交通流预测结果,并根据设定周期对所述交通流预测模型进行更新。本专利技术能够实现精确预测。
本文档来自技高网...【技术保护点】
1.一种在线时空交通流预测方法,其特征在于,包括:
2.根据权利要求1所述的在线时空交通流预测方法,其特征在于,所述交通流预测模型的构建过程包括:
3.根据权利要求2所述的在线时空交通流预测方法,其特征在于,所述交通流预测模型在训练时采用Huber损失。
4.根据权利要求1所述的在线时空交通流预测方法,其特征在于,所述交通流预测模型包括编码器,编码器的输出分别作为非自适应解码器和自适应解码器的输入;非自适应解码器和自适应解码器分别计算预测损失和自适应损失,并将预测损失和自适应损失反向传播到编码器,更新编码器的参数。
5.根据权利要求1所述的在线时空交通流预测方法,其特征在于,还包括:将所述交通流预测结果以海藻球形式进行显示;其中,所述海藻球包括多个颜色,各所述颜色用于根据设定阈值区间显示在对应区间内的交通流预测结果。
6.根据权利要求1所述的在线时空交通流预测方法,其特征在于,在将经各所述边缘云采集得到的当前时刻的交通数据输入所述交通流预测模型之前,还包括:对所述交通相关数据依次进行数据清洗和数据标准化处理。
8.根据权利要求6所述的在线时空交通流预测方法,其特征在于,所述数据标准化处理包括:对数据进行标准化处理,消除不同量纲对模型的影响。
...【技术特征摘要】
1.一种在线时空交通流预测方法,其特征在于,包括:
2.根据权利要求1所述的在线时空交通流预测方法,其特征在于,所述交通流预测模型的构建过程包括:
3.根据权利要求2所述的在线时空交通流预测方法,其特征在于,所述交通流预测模型在训练时采用huber损失。
4.根据权利要求1所述的在线时空交通流预测方法,其特征在于,所述交通流预测模型包括编码器,编码器的输出分别作为非自适应解码器和自适应解码器的输入;非自适应解码器和自适应解码器分别计算预测损失和自适应损失,并将预测损失和自适应损失反向传播到编码器,更新编码器的参数。
5.根据权利要求1所述的在线时空交通流预测方法,其特征在于,还包括:...
【专利技术属性】
技术研发人员:肖捡花,肖洪波,丁黎明,米春桥,邓小武,
申请(专利权)人:怀化学院,
类型:发明
国别省市:
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。