胶囊TCN网络城市计算和智能城市交通预测

文摘

预测城市交通的重视智能城市系统和公共安全;然而,这是一个非常具有挑战性的任务,因为一些动态和复杂的因素,如模式的城市地理位置、天气、季节和节日。来应对这些挑战,我们刺激的深度学习方法开启知识的力量从城市计算,提出了一种基于神经网络的深度学习模型,名为胶囊TCN网络,预测交通流在城市的地方。胶囊TCN网络采用胶囊网络和时间卷积网络作为基本单元学习的空间相关性,时间依赖和外部因素的交通流量预测。在特定的,我们考虑一些特定场景,需要准确的交通流预测(例如,智能交通、商圈分析、和交通流量评估),提出一个GAN-based超限分辨重建模型。广泛的基于真实数据集的实验来证明胶囊的优越性TCN网络超越了几种先进的方法。相比之下,哈,ARIMA、RNN LSTM经典方法,分别提出了本文方法实现更好的结果在实验验证。

1。介绍

由物联网(神往)授权技术和先进的算法,可以收集和处理大量的交通数据,城市计算和情报做出更明智的决定,可以创建实际交通情况和管理部门之间的反馈回路在城市环境1]。它可以弥合差距无处不在的传感、智能计算、合作交流,和大数据管理技术来创建新的解决方案可以改善城市交通环境,生活质量和智能城市系统(2]。在这些城市计算方法,科学家们所使用的巨大的数据集都从各种来源,如地理信息、出租车GPS、天气和在线网站(3]。

城市交通预测已经成为一个具有挑战性的紧迫任务智能城市发展的城市,因为它可以幻想的城市规划和交通管理,提高城市交通的性能,以及提供突发公共安全事件预警信息及时(4]。此外,城市交通预测一直是一个重要的研究问题高度社会冲击(5]。当一些事如交通事故发生,地震,龙卷风,和国家假期,城市交通预测成为权威的首要任务(例如,执法)和交通管理运营商(如公交/渡船/地铁)来保护人们的安全,保持社会基础设施的工作(6]。尤其对于一个巨大的人口城市如纽约和伦敦,城市交通很拥挤,这通常会导致更多的不同的交通碰撞概率和事故情况下(6]。

迎接这一挑战,我们的目的是与派生的城市交通预测期间,趋势,地理,和外部影响和产生一个精确的预测未来城市交通的时间窗口,这被认为是一个可用的方法处理城市计算。我们提出一种神经网络方法称为胶囊TCN网络基于收集的大流量流动数据和两个深度学习架构TCN网络和胶囊。为实时,我们也提出了进一步提高时空数据处理方法来实现监督市区车辆密度。

2。相关工作

交通流预测已被视为智能交通系统的关键功能部件。与此同时,人工智能技术的快速发展和第五代通信技术是接近7- - - - - -15]。大流量数据正在不断通过各种渠道收集,其中一些可以治疗和利用作为理解和预测城市交通流数据(6]。所有这些刺激我们采取新举措,实现新的成功这社会问题通过使用流流动数据和先进的人工智能技术(6]。

交通流的演化可以被认为是一个时空的过程。早在1970年代,自回归综合移动平均(ARIMA)模型被用来预测高速公路的短期交通流量(16]。交通流预测基于时间序列法是一种广泛使用的交通流量预测技术。莱文和曹Box-Jenkins公路交通流时间序列分析预测,发现ARIMA(0, 1, 1)模型是有用的预测最显著(17]。哈米德等人利用ARIMA模型预测城市主干道的交通量(18]。为了提高预测精度,提出了ARIMA的许多变体,如Kohonen-ARIMA [19),子集ARIMA (20.],ARIMAX [21),时空ARIMA (22),和季节性ARIMA (23]。除了ARIMA-type时间序列模型、时间序列模型的其他类型也用于交通流量预测(24]。

由于交通流的随机和非线性性质,非参数方法在交通流预测的领域得到了广泛的关注。戴维斯和Nihan资讯的方法用于短期流量预测高速公路(25]。张等人提出了一个基于资讯的动态范围的交通预测模型非参数回归(26]。Faouzi开发了一个自回归函数与一个光滑核函数对短期交通流预测,在这一个函数估计技术应用(27]。太阳等人局部线性回归模型用于短期流量预测(28]。基于贝叶斯网络的交通流预测方法也提出了(29日]。它提出了一个在线学习加权支持向量回归(SVR)短期交通流预测。各种人工神经网络模型预测交通流建立了(30.- - - - - -32]。马、ES, ARIMA模型是用于获得三个相关的时间序列,这是自然的基础在聚合阶段(33]。Zargari等人开发了不同的线性规划,多层感知器和模糊逻辑模型来估计5 -和30分钟的流量34]。Cetin和Comert期望最大化的ARIMA模型和累积求和算法(35]。

姚明等人提出了结合主成分分析方法与SVR并选择城市multisection数据建立道路网络短期预测模型,该模型考虑了时间和空间之间的关系的多个部分(36]。李等人使用的小波分解和小波重建交通流序列数据,然后利用卡尔曼滤波进行动态数据预测(37];太阳等人提出的应用灰色系统理论的十字路口交通量预测(38]。熊等人结合传统的线性模型和人工智能预测模型,提出了一种基于人工神经网络的短期交通流预测方法和卡尔曼滤波39]。

本文分为六部分:第一部分介绍了研究背景、意义和目的的城市车辆交通流量的预测。第二部分介绍了现状及本文的结构。第三部分模型在城市交通预测,介绍了胶囊TCN网络的结构,它有两个主要技术:胶囊网络和时间卷积网络。同时,胶囊TCN网络模型结果超限分辨重建获得区域交通流量精度较高的预报图。第四部分介绍了实验中使用的数据集和数据预处理,实验标准,比较基线。此外,在实验环境,介绍了平台建设和演示了实验结果和分析。第五部分总结了整个研究。

3所示。区域交通分析模型

3.1。区域流量预测问题

在城市地区,汽车流的指标可以用来显示车辆流在一个区域。这个指标可以反映交通,一个地区的人口密度,和公共安全。本文预测两种类型的车辆集团交通:流入和流出,如图1(一)。流入的总量是指车辆进入特定区域与其他区域在一个给定的时间间隔中。流出代表车辆的总流在给定时间间隔内搬离这个地方。两种类型的交通是用来显示车辆交通的运动模式在城市地区。了解他们可以很大的帮助在风险评估和交通管理。流入和流出的数量可以测量汽车驾驶在道路附近,汽车行驶在公共交通系统的数量(例如,地铁和公共汽车),出租车的数量,或所有可用的数据。图1 (b)显示了一个示例使用租车的GPS轨迹测量的流量。结果表明,区域B2 4中的流入和流出B5也是4。显然,预测交通流可以被视为一个时空预测问题。

有三种复杂因素的时空预测问题:

3.1.1。空间的依赖

如图1(一),B2地区流入流出的影响(比如B5)附近。同样,流出的B5还会影响其他地区(如B2)的流入。B2地区的流入将会影响自己的流出。城市交通流可能甚至影响到遥远的地区。例如,居民远离办公室总是把车或出租车去上班,这意味着长途居民区外流直接影响流入的办公区域。

3.1.2。时间依赖性

在任何区域交通流量的变化通常是连续的从时间的角度来看。这意味着下一刻的交通流和交通流前一刻有强烈的相关性。随着时间间隔的增加,交通流量的相关性将逐渐减少。图2显示了交通流的时变曲线在一个典型的住宅区域和一个典型的数据集的工作区域。可以看出,两种曲线相对平稳,反映上述连续变化特征。同时,从图可以看出2交通流量的变化曲线在居住面积的变化曲线不同工作区域的交通流量,这反映了地区差异。

不同的地区有不同数量的人口密度。居民区适合生活和休息。在一个居民区,每个人都有一个大单位空间更适合生活和休息。因此,降低人口密度的一个居民区,居民区就越好。在工作区域,工人们正在越近,更方便沟通和工作效率。因此,在工作区域的人口密度远远大于在居民区。不同的人口密度确定不同的对公共交通的需求。从图可以看出2,尽管这一趋势居民区的出租车的数量随着时间的推移和工作区域基本上是相同的,有明显的差异的大小。

如图3,无论是在工作区域的交通流量的变化或居民区的交通流的变化,有明显的周期性变化特征。更糟糕的是,这个周期也将是不同的在不同的时间尺度。当你在天观察,你可以看到车辆的日常波动从早晨到晚上。当你观察在几周内,你可以看到车辆的波动。如果你看的单位,你可以看到的影响气候和交通流的四季度假。

本文将时间依赖性分为周期和趋势。时间:早上交通在高峰时段连续工作日相似。早上高峰时间通常从8点到10点,和晚上高峰时间通常是下午17日至21日,重复每24小时。趋势:有周期性的区别交通工作日和非职业的一天,一个星期的时间间隔。

3.1.3。外部因素

一些外部因素,如天气和节假日,可以彻底改变交通流在城市的不同区域。如图4暴雨,影响道路交通的速度,进一步改变了地区的交通量。图5显示了节假日对区域交通的影响。

有很多方法可以把城市地区。根据函数,它可分为工作区域,居民区,混合区,等。也可以根据城市道路网络的结构划分,城市可分为主要道路使用地图划分方法。介绍了划分方法。我们使用网格划分城市根据纬度和经度。如图6(一),和代表的行数和列在该地区,分别。在实际生活中,的值和根据不同的城市可以调整大小和不同的应用场景。本文分为的场景 网格。

让的轨迹集时间间隔。的网格 位于th行和列,流入和流出的时间间隔被定义为

其中,所有车辆的轨迹在吗在时间间隔。这里的轨迹决定根据GPS坐标数据集和网格划分的地图。在时间间隔,流入的 网格在整个区域可以表示为一个矩阵组成的如图6 (b)。交通预测问题转化为已知的历史数据和预测和在接下来的时刻。

3.2。胶囊TCN的算法模型

递归神经网络(RNN)和长期的短期记忆(LSTM)有能力学习远程时间依赖性。但是,如果RNN或LSTM用于模拟时间和趋势,它需要很长时间的输入序列,使得整个培训过程非常复杂。根据时空的知识领域,以前只有少数关键帧会影响下一个关键帧。因此,我们使用时间,趋势,选择关键帧建模和地理空间。图7显示了胶囊TCN网络提出的体系结构。它由四个主要部分组成,模型时间,趋势,地理空间和外部影响。

如图7的方法,首先,介绍了公式(1)和(2)是用于转换的流入和流出,整个城市在每个时间间隔为2声道矩阵。间隔2声道流矩阵每一段时间都是发送到第一个两部分,分别和相同的网络结构提出了胶囊TCN网络用于建模。这种结构也捕捉到了附近之间的空间相关性,遥远的地区。他们提供相同的神经网络结构的外部因素。四个部分的输出是完全融合的卷积网络。最后,结果是映射到区间[1]的乙状结肠函数,产生更快的收敛性比标准的逻辑函数在反向传播学习过程。整个神经网络结构包含两个重要的方法:胶囊网络(40)(CapsulesNet)和时间卷积网络(41)(TCN)。

3.2.1之上。在胶囊CapsulesNet TCN网络

Sabour等人发表了一篇论文在谷歌大脑题为“胶囊”之间的动态路由(40]。我们使用的想法我们的胶囊TCN网络设计时参考。图8显示了胶囊的架构网络(CapsulesNet)。CapsulesNet,像普通神经网络,由许多层。胶囊最低一层一层被称为初级胶囊:每个胶囊单位在接收一个地区一个矩阵作为输入,并检测到一个特定对象的存在和姿势,和更高的层可以检测更大、更复杂的对象。

胶囊是一组神经元的输入和输出向量代表一个特定的实体类型的实例化参数(特定对象的概率,概念性的实体,等出现和某些属性)。同级胶囊使用变换矩阵来预测的实例化参数更高级的胶囊。当多个预测是一致的(本文使用动态路由进行预测一致),高级胶囊变得活跃。胶囊中的神经元的激活代表的特定实体的各种属性出现在矩阵。这些属性可以包含许多不同的参数,如姿势(位置、大小和方向)、变形、速度、反射率,颜色,纹理,等等。

输入输出向量的长度代表一个实体出现的概率,因此它的价值必须在0和1之间。实现这个压缩并完成胶囊激活水平,Sabour等人使用非线性函数称为“被压扁。“这非线性函数确保短向量的长度可以缩短到几乎为零,和长向量的长度压缩接近但不超过140]。这是这个非线性函数的表达式(40]: 在哪里是输出向量胶囊吗 ,哪一个矢量的加权和输出所有胶囊胶囊在前一层吗在当前层仅仅是胶囊的输入向量 。非线性函数可以分成两部分40),即 第一部分是扩展的输入向量 ,第二部分是单位向量的输入向量 。这种非线性函数不仅保留了输入向量的方向也压缩输入向量的长度区间[0,1)。当是零,可以取0,什么时候是无穷,方法1无限。这个非线性函数可以被视为一种压缩和再分配向量的长度,所以它也可以被视为一种“激活”后的输出向量输入向量。

然后,正如上面提到的,输入向量的胶囊相当于标量的经典的神经网络,和这个向量的计算相当于两层之间的传播方式和连接的胶囊。输入向量的计算分为两个阶段,即线性组合和路由。这个过程可以由以下公式来表达(40]: 在哪里的一个线性组合吗 ,可视为一般具有不同优势的上一层神经元的输出神经元在下一层40]。只是胶囊有一组神经元(每个节点生成一个向量)与一般的神经网络相比,哪个意味着的输出向量th胶囊在前一层乘以相应的权向量(表示一个向量)。由此产生的预测向量也可以理解为连接的强度吗th胶囊在后者层如果上一层胶囊。

后决定、路由需要用于第二阶段的分配计算在输出节点。这个过程包括迭代更新使用动态路由。我们可以得到下一层的胶囊通过路由,然后把到“挤压”非线性函数得到下一层的输出。整个胶囊层和它们之间传播的过程已经完成。

耦合系数更新和动态路由确定迭代的过程。胶囊之间的耦合系数的总和和所有胶囊在接下来的级别是1。此外,是由“路由softmax”,然后呢在将softmax函数被初始化为0。将softmax的计算(40] 的位置和类型取决于两个胶囊但不依赖于当前输入矩阵。当前输出之间的一致性每一个胶囊在随后的层次结构可以测量。先前的预测向量胶囊迭代更新的耦合系数测量的一致性。本文只是衡量这种一致性的内积

这部分还包括使用路由更新耦合系数(40]。路由过程是更新的过程。它计算的产物 ,和更新通过添加原始然后使用softmax ( , )更新 。当输出是新的,可以更新吗更新迭代,所以参数直接通过计算输入和输出的一致性没有反向传播。

对于所有胶囊和胶囊 ,初始化等于零。路由算法很容易收敛;基本上,它可以有一个良好的效果在3迭代。通过一致的路由更新。它不需要更新根据损失函数,但其他参数和卷积在整个网络需要更新根据损失函数。一般来说,这些参数可以直接更新使用标准的反向传播损失函数。这个损失函数的表达式是40] 在哪里分类类别,是指示函数的分类(是1,不存在为0),上边界,下边界。此外,模量是距离向量。

3.2.2。在胶囊TCN TCN网络

TCN比基线递归结构更好的性能在一个广泛的序列建模任务。因为这些任务包括各种基准,常常被用于评价复发性网络设计,它表明卷积架构最近成功的应用,如序列处理并不局限于这些领域(41]。

TCN是基于两个原则:网络产生长度相同的输出作为输入,并且不能泄漏来自未来的过去。完成第一点,TCN使用一维卷积网络体系结构,其中每个隐层是相同的长度作为输入层,和补零长度(内核大小是1)添加到防止后续层前面的层。为了实现第二点,TCN使用因果卷积,在时间的输出只是改变了早些时候与元素从当前时间和层从上一层。它可以通过仔细观察,发现TCN = 1 d FCN因果卷积。

TCN卷积的主要区别和普通1 d卷积是扩张的隆起的使用。水平越高,卷积窗越大,卷积和更多的“洞”窗口。更正式,1 d序列输入 和一个过滤器 ,扩张卷积操作在元素的序列被定义为 在哪里膨胀系数,过滤器的大小, 代表过去的方向(28]。因此,扩张相当于引入固定步骤之间每两个相邻过滤器水龙头。

原始时间序列卷积就能够运行在一个时间点的大小线性时序网络的深度。它使一个挑战将因果提到卷积的时间序列,较长的历史是至关重要的。获得一个指数大的接受域,一个好的解决方案的一部分是扩张卷积。见公式(9),是扩张的因素。当 ,扩张卷积是常规的卷积。为了图一个广泛的输入,一个更大的扩张可以应用在顶层的输出。这可以确保有一个更广泛的规模扩大的接受域卷积内有效的历史,同时也延长了有效使用深度网络的历史。

每两个卷积层和身份映射等封装成一个剩余模块(从ResNet剩余模块是不同的)。剩余模块包含RelU功能,完全使用卷积层而不是完全连接层在过去几层,如图9(一个)。

一般来说,使用扩展卷积时,我们将会增加随着网络的深度的增加呈指数级增长。当膨胀系数是1,如图9 (b),扩大卷积退化成因果卷积的接受域2。当膨胀系数是2,卷积的内核扩展卷积变成4。最终的输出包含所有输入信息。通过控制扩展因数,卷积核的大小增加实现增加接受域的目的。

在大规模神经网络有两个缺点:(1)它太耗费时间;(2)它是容易过度拟合。辍学层可以防止过度拟合的网络。辍学是一个过程,在深度学习培训网络。首先,神经网络的一部分单位暂时从网络有一定概率下降,相当于找到更具流线型网络从最初的网络。

3.3。超限分辨矩阵基于氮化镓的流入和流出

与传统的时间序列预测,城市交通流量预测的结果是一个矩阵,而不是一个简单的值。当一个高分辨率的预测结果是必要的,例如,城市被分成 。通过胶囊两种神经网络模型的网络和时间卷积网络一分钟时间内获得最终的预测水平 结果,它不能通过硬件条件在这个阶段。因此,通过减少输入数据的分辨率(矩阵维度),它可以实现一个指数省时的效果。使用GAN-based超限分辨重建模型是合理重建高分辨率的预测结果。虽然预测结果的准确性是牺牲,它可以获得一个分钟级高分辨率可用的硬件条件下的预测结果。在城市交通指挥和公共安全保证的场景,它更快地获得的结果至关重要,可以为决策者提供更好的支持做出及时有效的判断。

因为是巨大的数据量和计算很复杂,只有车辆现场预测的实验场景的城市 网格计算。然而,在实际生活应用,分为实验场景的城市 网格不不足。将城市划分为更细粒度的网格无疑是解决这一问题。然而,交通流在下一次间隔时间无法预测更多的数据来计算。

城市交通流的超限分辨重建过程中 实验场景,得到 交通流量预测结果。当我们想要变得更好 好结果,输入数据需要处理增加了4倍,和整体计算量也成倍增加。我们直接预测 根据预测的结果 结果基于生成对抗网络(甘)。交通的总体结构和工作流超限分辨重建GAN图所示10。

图10显示的结构超限分辨基于氮化镓的重建进程。的 实验场景城市汽车交通作为一个低分辨率矩阵序列卷积后层形成一组矩阵排列。这组矩阵输出 高分辨率矩阵经过氮化镓。

输入一个卷积的过程层的低分辨率矩阵是根据输入的低分辨率矩阵的一个框架,然后卷积矩阵。卷积的训练过程层网络参数的优化过程。空间变换可以表示为

矩阵代表了高分辨率矩阵得到改变 ,和转换(42]。的损失函数卷积层网络,我们利用正则化方法来表达它。最优参数估计过程可以表示为(42] 其中,代表的参数优化估计,正则化参数,拉普拉斯算子。不同的参数右侧的公式(11),并使分化的结果等于0。使用最快的梯度下降方法迭代解方程,直到误差小于预设阈值。输出参数是估计的最优参数。

重建的重量表示网络指的是定义一个重量为每个输入低分辨率矩阵,然后进行重量表示输入低分辨率矩阵获得高频细节信息的框架。我们之前添加一个卷积层生成敌对的重建网络完成的重量表示卷积后的低分辨率矩阵层。体重表示的数学表达式可以表示为(42] 在哪里 对应的重量值矩阵块低分辨率矩阵序列。一般来说,同样的重量矩阵块的定义。代表的数量输入低分辨率矩阵, 对应的序号矩阵块,和 。

4所示。数值评估和讨论

4.1。实验数据和预处理

数据集实验验证部分,城市出租车(出租车GPS)的实验场景,和数据如表所示1。

本文使用储备方法:(1)数据集分成两个不相交的部分,一个是训练集,另一个是测试集;(2)保持数据分布大致一致,类似于分层抽样;(3)在本文中,一年的数据量作为训练集,和4个月的数据量作为验证集。训练集的数据量应占75%。

我们主要使用出租车交通历史数据预测指租赁车辆交通数据的预测在未来的时刻。实验选择城市出租车GPS跟踪实验场景的数据从6月10日,2018年6月10日,2019年,作为训练集,剩下的数据作为测试集。为了方便的显示和计算结果,我们选择从8点到10点进行分析。

网格分成 网格,如图6(一)。出租车的GPS轨迹然后映射到网格区域,和一个网格区域地图,如图6 (b)。网格代表地区,线段连接这两个地区(本文连接乘出租车)。区域映射实际上结合了道路网和出租车轨迹数据。

在Keras,可学的参数初始化默认参数的均匀分布。的卷积CapsulesNet1圣tcn使用32过滤器的大小 ,和CapsulesNet2使用2的卷积过滤器的大小 。每个胶囊TCN网络单元由4 TCN 2 CapsulesNets。表2详情,有五个额外的hyperparameters胶囊TCN网络。

在我们的超限分辨重建实验 网格地图也是一个输入低帧图像,和一个 网格地图是通过计算GAN-based流量预测网络。分辨率重建的放大实验 。最初的学习速率设置为10⁴,每10000次迭代学习速率下降了5%。为了平衡网络的收敛性和训练时间,最大迭代次数超限分辨重建被设置为106。

4.2。实验环境和评估标准

实验验证的研究主要在GPU上运行服务器,及其详细信息如表所示3。

我们使用均方根误差(RMSE)评价模型(43]。 在哪里是真正的价值和是相应的预测价值;所有可用的数量是正确的价值观。RMSE是用来测量观测值和真实值之间的偏差,更适合在这个实验。

此外,为了测量的质量超限分辨重建算法,需要使用评价指标。重建结果的要求是不同的在不同的应用场景,所以使用的评价标准也不同。评价方法一般分为两类,一种是主观评价和客观评价。在客观评价,两种最常用的评价指标是峰值信噪比(PSNR) [44)和结构相似度(SSIM) [45]。

的具体计算公式PSNR (44描述如下:

均方误差均方误差, 代表了参考矩阵。在这个实验中, 网格表示矩阵。从公式可以知道,当矩阵的PSNR评价比较大,重建结果更好。

SSIM的具体计算公式(45]给出如下: 在哪里是参考矩阵的平均值,表示矩阵的平均值计算,是参考的方差矩阵,然后呢的方差矩阵计算。

4.3。Hyperparameters对实验结果的影响

CapsulesNet的数量影响出租车GPS数据集实验,如图(11日)。网络深度也大大影响了实验结果。如图11 (b)TCN数量的增加;模型的RMSE波动。它表明,网络不是越深越好,因为它不仅捕捉空间依赖关系也远区的依赖性。当网络非常深(如号码是15)时,训练变得非常困难。基于上述比较,CapsulesNet的数量是2,和tcn的数量设置为4。

4.4。实验结果和分析

通过比较与历史平均水平(HA)、自回归移动平均(ARIMA)集成,递归神经网络(RNN),和长期的短期记忆(LSTM)网络,胶囊TCN网络模型的有效性验证市区交通流量预测。

HA预测人的流入和流出历史平均水平的基础上同时流入和流出和面积在过去。例如,预测一个地区的流入从本周四上午10点到10点半,计算平均流入从10点到每个星期四上午10:30在这个地区。

ARIMA模型是一个著名的对于理解和预测未来值时间序列。在传统的线性模型,集成自回归移动平均模型已广泛应用于客流预测。这是自回归(AR)模型的一般公式,积分(I)模型,或滑动平均(MA)模型。

RNN是一个深度学习模型来捕获时间序列依赖性。在形式上,RNNs可以训练序列的长度(46]。

LSTM是一种特殊的RNN可以长期学习的时间依赖关系(47]。

我们比较之间的RMSE胶囊TCN网络和真实价值,然后将它同其他预测模型进行比较来验证胶囊TCN网络的有效性。结果如图所示12。根据比较结果,可以看出,该胶囊TCN网络RMSE小。它比其他模型具有更高的预测精度,表明提出的有效性胶囊TCN网络流量预测任务。

图13显示了出租车交通的时空分布在早上高峰时间凌晨8:30-10:00 9月30日,2018年。从图中的结果13,可以看出该胶囊TCN网络更好的掌握出租车交通的变化的时空特征,使预测提供足够的精度。

超限分辨矩阵的实验结果基于氮化镓的流入和流出也证明。图(14日)基于氮化镓是超限分辨重建的结果,和图吗14 (b)是真正的价值,当输入低分辨率矩阵用于从图吗6 (b)。根据实验,可以看出主观GAN-based超限分辨重建取得了很好的重建结果和接近视觉的真实价值。客观评估如下:PSNR值是33.844和SSIM是0.93。我们还获得超限分辨矩阵的PSNR和SSIM基于氮化镓的流入和流出 和 ,分别。在 现场,PSNR值是28.94和SSIM是0.88。在 现场,PSNR值是22.75和SSIM是0.79。

5。结论

交通预测一直是一个核心问题在交通规划和管理,而且它也是一个主要问题在城市计算。交通量的预测可以帮助城市交通安全的发展,和交通流量将会有更多的订单。我们提出一个方法基于胶囊网络和时间卷积网络预测交通流在城市的地方。这种方法叫做胶囊TCN网络。胶囊TCN网络模型可以学习的空间相关性,时间依赖和外部因素的交通流量预测。我们评估了城市出租车GPS跟踪数据在实验场景和验证,在车辆交通预测模型具有良好的适用性。因为区域交通流量的准确性是不同的在不同的场景中,我们提出一个GAN-based超限分辨重建模型的交通流以提高胶囊TCN网络模型结果的准确性。实验结果表明,GAN-based流量超限分辨重建模型不仅有更好的主观视觉效果也更加突出客观评价指标。

数据可用性

本文中使用的数据集是一个商业公司。如果你需要在这项研究中使用的数据集,您可以发送一个请求使用centaureacyanus@foxmail.com。被授权的公司后,数据将传送到申请人电子邮件附件的形式。

的利益冲突

作者宣称没有利益冲突。

确认

这个项目从辽宁科技基金支持的教育部门(没有。LQ2017008),辽宁省的博士科研启动基金项目(2016011968),和中国博士后科学基金会(2019号m661096)。

引用

1. j·j·j·w . Wang Chen Wang Chen和z锣”Geography-aware电感矩阵完成个性化的兴趣点建议在智能城市,“IEEE物联网,7卷,不。5,4361 - 4370年,2020页。视图:出版商的网站|谷歌学术搜索
2. j·j·j·w . Wang Chen Wang Chen j . Liu和z锣,“互信协作过滤推荐个性化的利益,”IEEE工业信息,p . 2019。视图:出版商的网站|谷歌学术搜索
3. j·刘,t·李·谢Du, f .腾和杨x,“城市大数据融合基于深度学习:概述,“信息融合53卷,第133 - 123页,2020年。视图:出版商的网站|谷歌学术搜索
4. 梁y z盘,w . Wang y, y, j·张,“城市交通预测使用深元学习,从时空数据”知识发现(KDD)的25日19:诉讼ACM SIGKDD国际会议上知识发现和数据挖掘安克雷奇,页1720 - 1730年,正义与发展党,美国,2019年7月。视图:出版商的网站|谷歌学术搜索
5. 黄r .江,x的歌,d . et al .,“预测全市群众DeepUrbanEvent:系统动力学在大事件,”知识发现(KDD)的25日19:诉讼ACM SIGKDD国际会议上知识发现和数据挖掘安克雷奇,页2114 - 2122年,正义与发展党,美国,2019年7月。视图:出版商的网站|谷歌学术搜索
6. 李t, p .谢,j·刘,Du, x,和j·张,“城市流预测从时空数据使用机器学习:一项调查,“信息融合卷,59岁,1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
7. r·李,赵z、x周et al .,“智能5 g:当蜂窝网络满足人工智能,”IEEE无线通信,24卷,不。5,175 - 183年,2017页。视图:出版商的网站|谷歌学术搜索
8. j . Perez-Romero o . Sallent、r . Ferrus和r . Agusti“基于人工智能的5 g网络容量规划和操作”2015年国际研讨会上无线通信系统(ISWCS),页246 - 250年,布鲁塞尔,比利时,2015年8月。视图:出版商的网站|谷歌学术搜索
9. 周y Bi, c, h . p .杨x沈,和h .赵”SDN-enabled智能城市大数据传输的时间限制,”IEEE通讯杂志,55卷,不。12日,44-50,2017页。视图:出版商的网站|谷歌学术搜索
10. d .邹s .李x, h·欧阳,李和z”解决结合热力和电力经济调度问题的一种改进的遗传算法和一种新的约束处理策略,”应用能源卷,237年,第670 - 646页,2019年。视图:出版商的网站|谷歌学术搜索
11. x沈,d .邹n段,张问:“一个有效的健身类微分进化算法和约束处理技术对动态经济排放分派,”能源,第186卷,第115801页,2019年。视图:出版商的网站|谷歌学术搜索
12. m .姚明,m . Sohul诉Marojevic, j·h·里德,“人工智能定义5 g无线接入网络,”IEEE通讯杂志卷,57号3、14到20,2019页。视图:出版商的网站|谷歌学术搜索
13. c .林y Bi, h .赵z . Liu s .贾和j·朱,“DTE-SDN:动态交通工程引擎对延迟敏感转移,”IEEE物联网,5卷,不。6,5240 - 5253年,2018页。视图:出版商的网站|谷歌学术搜索
14. 傅y, s . Wang c . x, x,和s·麦克劳林,“人工智能管理网络流量5 g的无线网络,”IEEE网络,32卷,不。6日,58 - 64、2018页。视图:出版商的网站|谷歌学术搜索
15. d .邹s .李x, h·欧阳,李和z”解决基于内存的动态经济调度的全球微分进化和约束处理的修复技术,”能源卷,147年,页59 - 80,2018。视图:出版商的网站|谷歌学术搜索
16. m . s .艾哈迈德·a·r·库克,高速公路交通时间序列数据的分析利用Box-Jenkins技术(722号)、交通运输研究委员会,1979年。
17. m·莱文和y . d .曹”预测高速公路入住率和卷(缩短),“交通研究记录,没有。773年,47-49,1980页。视图:谷歌学术搜索
18. m·m·哈米德·h·r·Al-Masaeid z . m . b .说,“短期交通量预测在城市干道,”交通运输工程,卷121,不。3、249 - 254年,1995页。视图:出版商的网站|谷歌学术搜索
19. m·范德Voort m·多尔蒂,华生,”Kohonen地图结合ARIMA时间序列模型来预测交通流,”交通研究部分C:新兴技术,4卷,不。5,307 - 318年,1996页。视图:出版商的网站|谷歌学术搜索
20. 李和d . b . Fambro”应用程序集成自回归移动平均模型的子集短期高速公路交通量预测,“交通研究记录,卷1678,不。1,第188 - 179页,1999。视图:出版商的网站|谷歌学术搜索
21. b·m·威廉姆斯,“多元交通流预测:ARIMAX建模、评价”交通研究记录,卷1776,不。1,第200 - 194页,2001。视图:出版商的网站|谷歌学术搜索
22. y Kamarianakis和p . Prastacos预测交通流条件在城市网络:比较多元和单变量方法,”交通研究记录,卷1857,不。1,第84 - 74页,2003。视图:出版商的网站|谷歌学术搜索
23. b·m·威廉姆斯和洛杉矶Hoel”,作为一个季节性ARIMA建模和预测交通流过程:理论基础和实证结果,“交通运输工程学报,卷129,不。6,664 - 672年,2003页。视图:出版商的网站|谷歌学术搜索
24. b . Ghosh、b·巴苏和m . O’mahony“多元短期交通流预测使用时间序列分析,“IEEE智能交通系统,10卷,不。2、246 - 254年,2009页。视图:出版商的网站|谷歌学术搜索
25. g·a·戴维斯和n . l . Nihan“非参数回归和短期高速公路交通预测,”交通运输工程学报,卷117,不。2、178 - 188年,1991页。视图:出版商的网站|谷歌学术搜索
26. b . h . Chang y . Lee Yoon和门敏,“动态短期交通流预测:面向系统的方法基于过去的经验,“专业智能运输系统》第六卷,没有。3、292 - 305年,2012页。视图:出版商的网站|谷歌学术搜索
27. n . e . El Faouzi“非参数使用内核估计交通流预测,”运输和交通理论:13学报》国际研讨会上运输和交通理论1996年7月,里昂,法国,。视图:谷歌学术搜索
28. h . h, h . x Liu, r . r .他和b跑,“使用局部线性回归模型对短期流量预测,“交通研究记录,卷1836,不。1,第150 - 143页,2003。视图:出版商的网站|谷歌学术搜索
29. y s .宋y . j . Byon m . m . Castro-Neto和s . m . Easa”监督weighting-online学习算法对短期交通流预测,“IEEE智能交通系统,14卷,不。4、1700 - 1707年,2013页。视图:出版商的网站|谷歌学术搜索
30. 刘贤美陈,t·s·狄龙,j·辛格(manmohan Singh)和大肠,“神经元网络模型对短期交通流预测使用混合指数平滑法和Levenberg-Marquardt算法,”IEEE智能交通系统,13卷,不。2、644 - 654年,2012页。视图:出版商的网站|谷歌学术搜索
31. k·库马尔,m . Parida和v . k . Katiyar“短期交通流预测非城市公路使用人工神经网络,”Procedia-Social和行为科学卷,104年,第764 - 755页,2013年。视图:出版商的网站|谷歌学术搜索
32. w·郑d·h·李,问:施,“短期高速公路交通流预测:贝叶斯神经网络相结合的方法,”交通运输工程学报,卷132,不。2、114 - 121年,2006页。视图:出版商的网站|谷歌学术搜索
33. M.-C。褐色,s . c . Wong,人类。徐,Z.-R。关,张平,”一个聚合方法短期交通流预测,“IEEE智能交通系统,10卷,不。1、60 - 69、2009页。视图:出版商的网站|谷歌学术搜索
34. s . A . Zargari s . z . Siabil A . h . Alavi和A . h . Gandomi”基于计算智能方法对短期交通流预测,“专家系统卷,29号2、124 - 142年,2012页。视图:出版商的网站|谷歌学术搜索
35. m . Cetin和g . Comert短期交通流预测与体制转换模型,”交通研究记录,卷1965,不。1,23-31,2006页。视图:出版商的网站|谷歌学术搜索
36. x y智胜,s . Chunfu志华,y,“短期交通流预测道路网络的基于主成分分析和支持向量机,”吉林大学学报,38卷,不。1、52、2008页。视图:谷歌学术搜索
37. l . Cunjun r·杨,z . Jiashu“基于小波分析的交通流预测方法。”计算机应用,23卷,不。12日7 - 8,2003页。视图:谷歌学术搜索
38. 燕,c . Senfa, z . Zhenguo“灰色系统理论应用于交通流预测在detector-free路口,“东南大学学报:自然科学版,32卷,不。2、256 - 258年,2002页。视图:谷歌学术搜索
39. x, y刘晓波、j . Shouxu和l .市志“短期交通流预测基于BP神经网络和模糊推理系统,”智能计算机和应用程序,5卷,不。2,43-46,2015页。视图:谷歌学术搜索
40. 美国Sabour: Frosst, g·e·辛顿“胶囊之间动态路由,”先进的神经信息处理系统,页3856 - 3866,柯伦Associates Inc ., 2017。视图:谷歌学术搜索
41. 美国巴姨,j . z科特勒和诉Koltun,“实证评价通用卷积序列建模和复发性网络,”2018年,http://arxiv.org/abs/1803.01271。视图:谷歌学术搜索
42. 美国丽安、h·周和y太阳,“FG-SRGAN: feature-guided超分辨率生成对抗网络未配对图像超分辨率”先进的神经网络- ISNN 2019。ISNN 2019。课堂讲稿在计算机科学中,第11554卷陆h, h . Tang和z . Wang, Eds。施普林格,可汗,2019年。视图:出版商的网站|谷歌学术搜索
43. t·柴和r . r . Draxler均方根误差(RMSE)或平均绝对误差(MAE) ?参数对避免RMSE文学。”立模型开发,7卷,不。3、1247 - 1250年,2014页。视图:出版商的网站|谷歌学术搜索
44. 和d . a .霍瑞Ziou”,图像质量指标:PSNR和SSIM”2010年20国际会议模式识别,页2366 - 2369,伊斯坦布尔,土耳其,2010年8月。视图:出版商的网站|谷歌学术搜索
45. s . s . Channappayya a·c·Bovik和r·w·希思Jr .)“界限SSIM指标量化的图像,”IEEE图像处理,17卷,不。9日,第1639 - 1624页,2008年。视图:出版商的网站|谷歌学术搜索
46. 格拉汉姆·古德费勒,y Bengio, a .考维尔深度学习。本书为麻省理工学院出版社做准备,2016,http://www.deeplearningbook.org。
47. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020达州李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。