申请/专利权人：东北林业大学

申请日：2024-01-22

公开（公告）日：2024-04-19

公开（公告）号：CN117912248A

主分类号：G08G1/01

分类号：G08G1/01;G06N3/0442;G06N3/0464;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：基于表示学习的车辆到达时间预测方法，属于智慧交通技术领域。为了解决现有的车辆到达时间预测准确率较低的问题。本发明首先采用SDNE算法对交叉口类型矩阵和包括交通流量信息、重要信息点的补充信息矩阵进行处理，然后输入到MLP全连接神经网络中得到第一表示向量；采用LSTM算法对节点信息向量行处理得到第二表示向量；同时采用xDeepFM算法对离散语义信息向量进行处理，得到第三表示向量；然后将第一表示向量至第三表示向量按channel拼接，进行1维ResNet做卷积操作，再通过CBAM注意力模块和MLP处理，MLP输出预测的车辆到达时间。

主权项：1.一种基于表示学习的车辆到达时间预测方法，其特征在于，首先获取待进行预测的车辆所在区域的交通信息，然后采用SLD联合模型进行预测；所述的交通信息包括交叉口类型矩阵A、补充信息矩阵B，以及离散语义信息；交叉口类型矩阵A为将待预测出行计划的车辆轨迹信息映射到基础道路网络后节点序列对应的节点类型序列构成的矩阵；所述节点即基础道路网络中的交叉口，节点类型即交叉口类型，交叉路口类型包括十字交叉口、T型交叉口、Y型交叉口，分别用标识数1、2、3来表示；A中存储的是交叉口类型所对应的标识数；补充信息矩阵B与叉口类型矩阵A具有相同的节点顺序和对应关系，补充信息矩阵B是N*M的，其中M表示每个节点的特征属性的数量，特征属性包括交通流量信息和重要信息点；所述交通流量信息：到达当前节点时当前节点所对应的交通流量是否超过当天所有节点平均交通流量，超过用1表示，否则为0；所述重要信息点：如果当前节点周边有重要地点，则节点重要信息点为1，否则为0；所述的离散语义信息包括：待预测出行计划的车辆轨迹的轨迹总长度、出发时间、天气状况、星期数、最高气温、最低气温、车辆ID；SLD联合模型进行预测的过程包括以下步骤：针对交叉口类型矩阵A和补充信息矩阵B，将交叉口类型矩阵A和补充信息矩阵B一起作为输入，采用SDNE算法进行处理，然后将SDNE输出的结果，输入到MLP全连接神经网络中得到一个表示向量，该表示向量记为第一表示向量；基于待预测出行计划的车辆轨迹信息映射到基础道路网络后节点序列对应的各节点信息得到节点信息向量，节点信息向量内容包括：节点位置坐标、节点类型、通过节点的车辆速度；按照序列排列的节点顺序，将节点信息向量作为输入，使用LSTM算法来进行处理；通过LSTM算法输出一个表示向量，该表示向量记为第二表示向量；基于离散语义信息确定离散语义信息向量，采用xDeepFM算法进行处理，将xDeepFM算法处理后得到的表示向量记为第三表示向量；将第一表示向量至第三表示向量按channel拼接，进行1维ResNet做卷积操作，再通过CBAM注意力模块和MLP处理，MLP输出预测的车辆到达时间。

全文数据：

权利要求：

百度查询： 东北林业大学 基于表示学习的车辆到达时间预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD