【2022综述】人工智能交通预测技术：最新发展与未来机遇【附思维导图】

转载 最新推荐文章于 2026-05-19 09:19:18 发布 4.5k 阅读 AI写同款
收录于
交通大数据

当前文章被收录于：

交通大数据
14 篇文章 54 人学习

主要针对交通场景下与大数据的结合

订阅专栏 查看详情
山科智能信息处理实验室
山科智能信息处理实验室 博客等级 码龄6年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 4.5k累计阅读 4.6k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
808粉丝73篇原创
关注
联邦学习在城市交通流量预测模型跨部门数据协同中的应用 联邦学习为城市交通流量预测的跨部门数据协同提供了可落地的技术路径，其核心价值体现在：1）打破数据孤岛，提升模型泛化能力；2）保障隐私安全，符合法规要求；3）优化资源配置，降低社会成本。未来需重点推进：1）制定统一技术标准（如交通部2025年规划）；2）建设国家级交通联邦学习平台；3）探索联邦学习与数字孪生、车路协同的融合应用。建议开展以下研究：1）开发面向交通场景的联邦学习轻量化框架（预期降低计算资源消耗30%）；2）构建动态数据质量评估体系（包含数据完整性、时效性等12项指标）； 阅读详情
AI摘要

该综述探讨了交通预测的最新进展，强调了外部数据、联邦学习和迁移学习的重要性。文章涵盖了交通数据类型、分辨率和预处理，以及统计和深度学习预测模型。此外，还提出了未来研究方向，包括自动驾驶、区块链和异常事件检测。交通预测中的数据挑战，如数据不公开和多样性，也是关注点之一。

标题：《Traffic prediction using artificial intelligence: Review of recent advances and emerging opportunities》

作者：Maryam Shaygan, Collin Meese, Wanxin Li, Xiaoliang (George) Zhao, Mark Nejad

期刊：Transportation Research Part C: Emerging Technologies,Volume 145,2022,103921

下文展示Markdown格式对该综述的提炼，作者主要强调了在交通领域 [ 外部数据、联邦学习、迁移学习 ]的重要性，思维导图见文章最后的链接，欢迎讨论！

目录

1. 引言（P1）

列举了现有基于ITS的城市交通管理项目

交通拥堵问题

研究集中在长短期预测问题

必须研究新兴技术

多元时间序列在交通上的独特性

2. 交通预测现有综述及其侧重点（P3）

3. 交通数据（P5）

数据类型

数据分辨率

数据预处理方法

4. 交通预测方法和模型（P15）

统计方法

传统的机器学习

用于多元交通预测的深度学习

5. 常见交通预测评价指标及相关应用（P31）

多元交通流量和速度预测

行程时间预测

出行需求预测

6. 未解决的研究问题和未来的研究方向（P37）

互联和自动驾驶汽车(CAVs)交通预测

用于交通预测的联邦学习方法

区块链交通预测

异常交通事件检测和缓解

混合交通运输网络中的交通预测

交通预测中的数据挑战

1. 引言（P1）

列举了现有基于ITS的城市交通管理项目

交通拥堵问题

  • 经常性

    • 道路容量不足

  • 非经常性（约50%）

    • 事故、故障车辆、恶劣天气、工作区和特殊事件等

研究集中在长短期预测问题

  • 长期和短期的划分存在两种方法

    • 设置阈值区分
    • 短期与模型输出的预测步长有关

必须研究新兴技术

  • 自动驾驶汽车（AV）

  • 物联网（IoT）

  • 新型机器学习技术

    • 联邦学习（Federated Learning）

  • 安全无线连接和信息共享方案

    • 区块链（Blockchain）

多元时间序列在交通上的独特性

  • 非平稳关系
  • 具有强局部性考虑的全局空间相关性
  • 多个时间尺度（例如最近、日周期、季节）上的高时间变化性
  • 周期性、非周期性
  • 外部因素影响（如事故、天气、事件）

2. 交通预测现有综述及其侧重点（P3）

建议查看原文

2020前 不做展开

Boukerche和Wang (2020a)

  • 经典方法和一些早期深度学习方法

Tedjopurnomo等人(2020)

  • 循环神经网络、卷积神经网络和前馈神经网络

Ye等人(2020)

  • 基于图的深度学习架构

Xie等人(2020)

  • 时空数据，传统的机器学习和深度学习模型

Gobezie和Fufa(2020)

  • 不同方法、开发工具和基准性能评估指标

Wang等人(2020a)

  • 各种时空数据挖掘任务中的深度学习方法

Kumar和Saha(2020)

  • 自动驾驶应用背景下的交通预测

Lee等人(2021)

  • 输入数据表示方法、深度神经网络（DNN）

Yin等人(2021)

  • 深度学习方法、公开数据集

Shi等人(2019,2021)

  • 混合深度学习方法

Yuan和Li(2021)

  • 时空交通数据

Manibardo等人(2021)

  • 深度学习未必最佳

Laña等人(2021)

  • 数据驱动的模型

Jiang和Luo (2022a)

  • 公开数据集列表

3. 交通数据（P5）

数据类型

  • 时空序列数据

    • 固定位置传感器数据

      • 来源

        • 电感环探测器（Inductive-loop detector）、摄像机、雷达和光探测和测距(LIDAR)

      • 特点

        • 空间覆盖范围有限
        • 与深度神经网络模型的可用性和兼容性

      • 例子

        • PEMS、MATR-LA、LOOP

    • 轨迹数据

      • 来源

        • 自动车辆识别（AVI）系统、蜂窝浮动车数据(CFCD，Cellular Floating Car Data)、GPS或全球导航卫星系统探测数据（GNSS，Global Navigation Satellite System）等移动传感器

      • 特点（以移动vs 固定传感器为例）

        • 移动传感器可靠性更高
        • 移动传感器不会产生与固定传感器相关的一般维护成本(例如，天气损坏，部件故障，事故，破坏)，提供了成本效益
        • 移动传感器采样率相关的测量或插值误差会导致不确定性，需要对GPS轨迹数据进行预处理

      • 例子

        • INRIX、HERE、TomTom、NAVTEQ、TrafficCast、
        • Taxi Data（T-Drive、TaxiBJ、SZ-taxi、NYC taxi和TaxiCD）
        • Bus Data（NYC Bus、CHI BUS）
        • Bike Data(CHI- bike、DCBike、NYC- bike)
        • Subway Data(SHMetro、HZMetro)

    • 网络基础设施数据

      • 来源

        • 政府机构（如FHWA），开放街道地图（OSM）等应用程序中提取

      • 特点

        • 可以将轨迹数据序列映射到道路基础设施上的实际位置，从而提高交通预测能力

      • 例子

        • GIS数据

    • 行程记录数据

      • 来源

        • 出租车、叫车服务、电动踏板车、自行车、公交车和导航系统
        • 地铁和公交车中的AFC（自动售检票）系统自动收集

      • 特点

        • 行程记录数据可以阐明驾驶员的特征，可能提高预测准确度和提供个性化预测。

  • 外部数据

    • 交通事件数据

      • 事故、体育赛事和可能影响交通流量并导致拥堵的活动

    • 工作区数据

      • 道路施工

    • 气象数据

      • 如温度和湿度、风速和强度、眩光、降水（如雨、雪、冰雹）和恶劣天气（如风暴、龙卷风）
      • 对自动驾驶尤为重要

    • 社交媒体数据

      • 利用社交媒体数据更好地了解人们、他们的决策和城市交通系统之间的关系

    • 疾病传播数据

      • 配药点（POD）位置的选择、与交通的结合以及对交通影响

    • 城市系统数据

      • 利用用电数据对高峰时段公路拥堵的开始进行可靠预测

数据分辨率

  • 时间分辨率

    • 数据分辨率与预测范围和步长密切相关

      • 例如，1个时间步长5min，要预测未来1h的流量，与1个时间步长15min，预测1h的流量相比。前者为高分辨率，后者为低分辨率。

    • 时间范围和预测精度之间存在权衡

      • 经过训练在短步长的小时间范围内预测流量的模型可能会为细粒度预测产生更好的精度，但性能会随着时间范围或步长的增加而下降。

    • 高分辨率数据的准确预测仍具有挑战

      • 因为这类数据通常表现出强烈的波动

  • 空间分辨率

    • 固定位置传感器一般1-3公里，移动传感器一般100米

      • 由于后者的高分辨率，可以更好地说明交通的动态性；包含了关于道路连接的整个路段的信息，可以更好地说明空间相关性；可以在没有部署传感器的网络区域中提供交通信息。

数据预处理方法

  • 地图匹配

    • 将数据中的纬度/经度坐标分配给地理道路网络上的位置
    • 尽管地图匹配有助于澄清和解决交通预测数据的不确定性，但不准确的测量和采集数据的低采样率带来了质量问题，给地图匹配方法带来了挑战

  • 数据清理

    • 缺失数据

      • 硬件故障、软件错误和人为错误造成

      • 分为两类

        • 短期缺失值（1s-5mins）

          • 使用时间平滑度来推断缺失的值

        • 长期缺失值（hours - days）

          • 通常使用数据集的平均值或模式来替代长期缺失的值，一般误差较大

    • 数据异常值

      • 人为错误、罕见异常、标签错误、校准不良、设备故障和其他数据收集问题

        • 识别出异常值

          • 了解异常值数据的原因及其存在原因，将错误数据与异常交通状况区分开

            • 删除异常值
            • 修复异常值
            • 分开分析，异常值可能会有帮助

    • 数据不平衡

      • 小型数据集很好识别。但大型数据集仍是挑战

  • 数据存储和聚合

    • 分布式系统

      • 区块链网络

    • 联邦学习

  • 数据压缩

    • 在线算法

      • 基于简化的方法
      • 基于道路的方法

    • 离线算法

      • 基于窗口的方法
      • 基于移动属性的方法

4. 交通预测方法和模型（P15）

统计方法

  • 非学习方法

    • 不需要训练数据，只根据历史数据或相似数据进行预测
    • KNN，历史平均（HA）和传统的向量自回归（VAR）模型

  • 参数方法

    • 需要根据观测数据拟合出一些参数，然后用来预测未来的数据
    • 非线性回归、平均算法、平滑、贝叶斯网络（BN）和卡尔曼滤波（KF）、自回归综合移动平均（ARIMA）

  • 特点

    • 缺乏考虑时空关系的复杂性，不能考虑固有的空间相关性

      • ST-ARIMA
      • VARMA

    • 建模使用了带有强假设的显式参数化函数，不适合模拟真实的交通应用场景

      • ST KNN

    • 无法处理复杂（高维）和动态时间序列数据

      • 经典方法和基于DL的方法相结合的混合方法

传统的机器学习

  • 基于特征的方法

    • 使用人工设计的交通特征来训练一些实际交通预测问题的回归模型；容易实现
    • 性能有限；复杂；人工设计带来一些问题

  • 高斯过程模型

    • 使用各种核函数建模交通数据内部特征；预测结果可信可靠；同时捕获时空相关性
    • 面对大量数据较弱；比前者有更高的计算存储需求

  • 状态空间模型

    • 假设观测结果是从马尔可夫隐态导出的；能自然地表示系统的不确定性，以及更好地捕获时空数据的潜在结构
    • 很难推广非线性关系；它们并不总是建模复杂和动态交通数据的最佳选择，尤其是长期预测

用于多元交通预测的深度学习

  • 基础DNN模型

    • 多层感知机（MLP，multi-Layer perceptrons或 vanilla neural networks ）

      • 一种前馈神经网络模型，通常用于解决分类和回归问题
      • 反映局部依赖；简单解释性强
      • 大型MLP网络上进行训练容易梯度爆炸；容易产生噪声；落伍了

    • 自编码器（AE，Autoencoder ）

      • 一种无监督学习模型，由三部分组成: 编码器(将输入特征转换为抽象)、解码块(尝试重建输入特征)，使用一些非线性隐层来减少输入特征，适合用于数据插补、数据压缩和特征提取

      • 堆叠AE（SAE）

        • 从交通数据中分层提取最重要的特征

      • 提取更有用、高水平特征；处理大数据和未标记的数据

      • 需要大量高维输入数据进行训练，必须经过预训练阶段，这可能会导致梯度消失；可解释性不好；很难去寻找编码层数量

  • 受限波尔兹曼机（RBM，Restricted Boltzmann Machines）

    • 一种用于学习概率分布的生成模型。与传统的神经网络模型相比加入了基于原始多层神经网络特征学习部分。利用贪婪学习过程初始化模型参数，然后利用标签对整个模型进行微调

    • 投影步骤是从信号到特征，再到值。网络可以自由选择数据特性

    • 很难映射交通系统中元素之间的复杂关系；高计算代价

    • 变体

      • 深度信念网络（DBN）

        • 由多个受限玻尔兹曼机组成

      • 深玻尔兹曼机（DBM）

        • 不受限制的，包含更多的隐藏层和节点之间的无方向连接

  • 卷积神经网络（CNN）

    • 由一系列的卷积和池层(减少特征维度,方便找到有用的模式),后跟一个完全连接层(用于分类)

    • 擅长捕获局部空间依赖性；能够提取相关特征

    • 增加额外的参数，这可能会导致过度拟合和增加训练时间；传统的卷积运算是针对欧几里得空间中的数据设计的，会破坏关键空间关系

  • 时间卷积网络(TCN)

    • 因果性(Causality)

      • 每一层输出都只查看最近的历史样本

    • 膨胀(Dilation)

      • 每个过滤器只检查历史样本的子集

    • 递归神经网络（RNN）

  • 由许多连续的循环层组成，这些层按顺序建模，以便将序列与其他序列映射

  • 时序数据上有很好的性能，捕捉短期（例如，每日周期性）和长期（例如，季节性）趋势的强大能力

  • 无法考虑空间依赖关系；存在梯度爆炸、消失问题

  • 变体

    • LSTM

      • 有称为门(忘记门，输入门和输出门)的内部机制，以了解哪些数据在序列中是重要的，保持或丢弃
      • 长序列记忆单元性能更佳；擅长序列数据
      • 训练时间更久；模型更复杂；计算代价更高

    • GRU

      • 只有两个门（更新门与重置门）
      • 比LSTM更快；擅长序列数据
      • 在准确性方面效率比LSTM较低

  • 图卷积神经网络（GCN）

    • 一种基于谱的卷积 GNN，通过引入图形信号处理的滤波器来定义
    • 开发交通网络的图结构；擅长捕获空间依赖性
    • 需要人工定义的拓扑图

  • 小波神经网络（WNN，wavelet neural network）

    • 包含一个隐藏层，利用非线性小波基函数作为激活函数
    • 小波的时频局部化；自学习；容错性
    • 可以偏向局部极小值或局部极大值；容易陷入局部极值，收敛速度慢，预测精度低

  • 注意力机制（Attention-based）

    • 包括编码器网络(将输入向量映射到更高层次的表示)、注意力模型(根据解码器的当前状态总结编码器的输出)、解码器网络(根据先前预测的顺序对下一个目标的输出分布建模)
    • 更能有效地考虑长程和成对依赖关系；注意力权重提供更好的解释性；在NLP里很牛
    • 训练时间久；参数多

  • 基于深度学习的方法的局限性

    • 计算复杂性和效率

      • 强调模型准确性的进步在很大程度上依赖于计算能力的同时进步，改进DL方法的计算需求正在迅速超过硬件或效率的进步

      • 现有方法

        • 利用优化来搜索超参数集来提高神经网络的效率
        • 模型修剪策略，试图压缩已经训练好的网络

    • 最佳模型选择

      • 满足捕捉

        • 空间依赖性
        • 时间相关性
        • 时空相关性

      • 最佳模型参数

    • 缺乏可解释性

      • 可解释性是理解为什么特定方法比其他方法表现更好或更差的关键

      • 限制方法适用性

        • 假设算术和认知不确定性遵循多元高斯分布，这可能不适用于误差分布为多模态的高度非线性系统
        • 假设测量不确定度在测量之间的时间上是不相关的

    • 可移植性差

      • 应用在训练一个模型时获得的知识来加快新模型的训练时间
      • 关于交通预测问题的迁移学习方法的文献很少

  • 深度学习评估方法

    • MSE、MAPE和RMSE是文献中最常用的方法

      • 负相关

    • 在决定训练集大小和所需的特征数量时，考虑过度拟合和拟合不足的问题也是至关重要的

5. 常见交通预测评价指标及相关应用（P31）

多元交通流量和速度预测

  • 区域流量预测

    • 现有大多聚焦微观层面（低分辨率），目前区域流量预测成为焦点，一方面存在更高层次特征和关系，另一方面减少计算开销

  • 网络流量预测

    • 通过交通网络内每个道路和交叉口的交通流

  • 速度预测

    • 路段级别的速度信息可能会实时揭示有问题的拥堵
    • 网络范围的速度预测少
    • 现有方法推广到其他网络时性能较差

行程时间预测

  • 路径-行驶时间方法

    • 侧重于预测预定义路径或路段的行驶时间

    • 将特定路线作为输入（从GPS轨迹数据导出），并输出估计的行进时间

    • 两种主要方法

      • 个体，将整个路径分割成更小的块，并估计每个部分的旅行时间并将其相加
      • 集体，其中考虑整个路径，并生成单个总体旅行时间估计

    • 问题

      • 出租车收集的轨迹数据难推广到一般司机
      • 探测器数据密度阻碍推断

  • OD行驶时间估计

    • OD行驶时间试图利用车辆轨迹数据来预测总行驶时间，而不需要给定车辆经过的确切路径
    • 减少计算时间同时消除推断误差
    • 考虑外部因素及其影响是否可以进一步提高这种方法的性能？

出行需求预测

  • 区域级需求预测

  • OD需求预测

    • 存在问题是

      • 没有适当考虑数据中的非欧几里得需求结构
      • 只使用无向图和静态图来捕捉成对关系

6. 未解决的研究问题和未来的研究方向（P37）

互联和自动驾驶汽车(CAVs)交通预测

  • 基于AV的系统性能将内在地取决于可用的流量预测能力

  • 异构数据、信息存储传输

  • 隐私保护和去中心化交通预测模型

    • 联邦学习

用于交通预测的联邦学习方法

  • 一种新兴的隐私保护和分布式机器学习方法
  • 数据不平衡、类缺失、特征缺失和值缺失的问题可能会限制基于FL的交通预测模型的实际实现
  • 是否有可能训练一个基于FL的在线交通预测模型

区块链交通预测

  • 固有的不变性和去中心化特性，以为分布式计算（例如，模型训练和推理）、存储和共享数据提供边缘解决方案
  • 区块链技术在流量预测方面尚未完全形成或标准化
  • 存在过度能源消耗、低吞吐量和高资源消耗的担忧

异常交通事件检测和缓解

  • 交通网络中进行异常检测的文献很少
  • 很少有现有的工作特别利用DL模型对异常交通拥堵进行分类
  • 模型训练过程中，异常事件已经被归一化或去除

混合交通运输网络中的交通预测

  • 安排完整行程

    • 包含多种模式（如步行、自行车、地铁、汽车）的起点到终点的旅行
    • 两个基本功能：多模式和时间相关的交通预测和最短路径算法

  • 数据可用性是该领域未来研究的一个障碍，因为一些交通网络对行人设施的空间数据覆盖范围有限

交通预测中的数据挑战

  • 有限的数据访问和合成数据

    • 数据不公开

    • 解决方案：生成人工交通数据

      • GAN
      • 数据插补

  • 基准交通预测

    • 在不同数据集上训练和评估的方法之间的结果没有参考价值
    • 解决方案：提供开源平台来访问不同的统一交通数据集

  • 外部数据限制

    • 首先建立一个具有足够时空覆盖和数据密度的真实交通数据的基准数据集。之后，如果需要，可以将业务数据与补充数据连接起来。

  • 多源数据

    • 融合来自多个来源和不同数据集的信息

    • 特征的重要性

      • 节省资源

  • 数据收集

    • 现有模型是否可以适用于其他交通网络，或者是否可以利用当前模型来加快新模型的训练。

      • 迁移学习方法作为解决大规模交通预测模型适应性问题的一种手段

    • 主要收集区域：区域城市交通网络、高速公路、高速公路和高速公路

      • 对城市主干道预测问题的重视程度较低

思维导图

 蓝奏云： 文件 密码:eq72

标签
#人工智能 #交通大数据 #大数据 #深度学习
原文链接：http://t.csdn.cn/bPyHQ>
联邦学习在智慧城市交通流量预测模型跨部门数据协同中的应用 最后，通过联邦聚合算法（FedAvg）优化模型收敛速度，北京交通研究院实测表明，与传统集中式学习相比，模型训练周期缩短40%以上。在交通流量预测领域，联邦学习可覆盖三大核心场景：首先，多模式交通协同预测（如地铁-公交-共享单车），上海地铁集团2023年应用案例表明，该场景下预测误差降低14.7%。本研究验证了联邦学习在跨部门数据协同中的可行性，未来需重点关注模型可解释性（XAI）与伦理合规性，建议设立国家级智慧交通联邦学习实验室，推动形成技术标准与评估体系，为城市数字化转型提供核心支撑。 阅读详情

相关推荐

2022交通预测综述：最新发展与未来机遇【思维导图】

下文展示Markdown格式对该综述的提炼，思维导图见文章最后的链接，如有帮助，请点赞支持一下！

qq_45093137的博客 933

“互联网 +”智能交通发展战略研究思维导图

一.思维导图 这一次学习了“互联网 +”智能交通发展战略研究综述这篇论文，下面是该篇论文的思维导图。 二.参考文献 [1]高柯夫,孙宏彬,王楠,郭迟.“互联网+”智能交通发展战略研究[J/OL].中国工程科学:1-5[2020-08-22].https://kns-cnki-net.wvpn.huat.edu.cn/kcms/detail/11.4421.G3.20200728.1157.020.html. ...

Kaikai_Liao的博客 1911

联邦学习在城市交通流量预测与智能信号灯协同控制中的应用实践

联邦学习（Federated Learning）通过分布式机器学习框架，在保护数据隐私的前提下实现模型协同训练，这一特性使其成为城市交通领域的重要解决方案。最后，支持动态自适应机制，可根据不同区域交通特征进行个性化模型优化。值得关注的是，MIT媒体实验室正在研发的"联邦学习+数字孪生"融合架构，已在模拟测试中实现99.2%的实时控制准确率。系统架构包含四个关键模块：数据采集层（部署于路口的物联网设备）、联邦学习框架层（支持PB级参数同步）、协同控制层（实时信号优化算法）和可视化决策层（城市交通指挥平台）。

2501_92436024的博客 1032

机器学习作业-交通流量预测综述

综述，交通预测

一个努力生活的人的博客 1万+

联邦学习在交通流量预测模型中的协同训练

多任务联合训练机制显著提升模型泛化能力。通过引入注意力机制（Attention Mechanism）的时序建模模块（Liu et al., 2023），某城市交通系统在早晚高峰预测中，MAE（平均绝对误差）从2.8降低至1.6，RMSE（均方根误差）改善率达28.6%。同时，差分隐私（Differential Privacy）技术的引入（Abadi et al., 2016），通过添加噪声保障数据安全性，某省会城市交通系统的实践表明，在ε=1.5的隐私预算下，模型性能仅下降8.2%。

2501_92435912的博客 711

基于机器学习的短时交通流预测算法的研究与实现

基于机器学习的短时交通流预测算法的研究与实现 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词： 机器学习，交通流预测，时间序列分析，深度学习，支持向量机，神经网络，回归分析，交通大数据

AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。 1193

Traffic prediction using artificial intelligence: Review of recent advances and emerging... 论文导读

交通预测在缓解交通拥堵方面发挥着至关重要的作用，交通拥堵是全球范围内的一个关键问题，会导致负面后果，例如额外行驶时间的损失和燃料消耗的增加。将新兴技术集成到交通系统中为显着改进交通预测提供了机会，并带来了新的研究问题。为了为理解交通预测中的开放研究挑战奠定基础，本次调查旨在提供交通预测方法的全面概述。具体来说，我们重点关注基于人工智能（AI）的交通预测方法的最新进展和新兴研究机会，因为它们最近在交通预测方面取得了成功和潜力，重点是多元交通时间序列建模。

小灰的博客 1718

shmetro.rar【上海地铁信息表】

所有表格整理自维基百科数据:https://zh.wikipedia.org/wiki/上海地铁 distance.xls为总表【阶段-站名-里程-站间距-换乘路线-所在地-车站形式-开门方向】 Sheet1-Sheet18分别为各线路分表【id-站名-站间距】

跨城车流量预测的探讨

然而，交通数据一般由不同的城市管理机构所掌握，大多数情况不进行对外共享，同时，区域内的交通数据可能被不同的交通服务提供商所掌握，无论从微观还是宏观角度上，提高交通数据安全性是十分有必要的，因此如何保证数据安全的前提下，进行跨城区的模型迁移是十分关键的。为了提高数据隐私性，一种分布式地联邦学习框架可以实现这一效果，具有数据孤岛特性的数据拥有者可以通过模型只负责训练自己的交通数据，然后通过共享模型的参数间接实现交通知识的共享，这一过程由于并没有涉及到原始数据的共享，因此可以更好地保证隐私。

weixin_37606989的博客 1333

S32K144后门密钥实战：如何用JLINK脚本绕过复位陷阱更新加密固件

本文详细介绍了在S32K144微控制器上，如何利用JLINK脚本绕过调试器默认复位陷阱，实现通过后门密钥安全更新加密固件的实战方案。针对汽车电子现场维护中常见的“解锁-复位-锁定”循环问题，文章提供了完整的JLinkScript定制方法、批处理工具及故障排除指南，帮助工程师高效完成固件升级。

weixin_29175469的博客 143

用Multisim和AD2复刻经典：手把手教你搭建μA741三角波-方波发生器（附完整避坑指南）

本文详细介绍了如何使用Multisim和AD2搭建基于μA741运算放大器的三角波-方波发生器，包括电路原理、Multisim仿真流程、AD2硬件搭建及调试技巧。通过对比理论计算、仿真和实测数据，深入分析器件非理想特性的影响，并提供16个典型问题的解决方案，帮助读者掌握波形发生器的设计原理和工程调试经验。

weixin_28744423的博客 284

基于机器学习的交通流量预测系统的设计与实现

本研究旨在通过集成尖端技术工具，包括机器学习库Scikit-learn、图形数据库Neo4j、Web框架Django及关系型数据库MySQL，开发一个全面的交通流量预测系统，以应对日益严峻的城市交通挑战。系统设计围绕四大核心功能展开：建立一个详尽的道路数据库，利用MySQL存储路网基本信息；运用Scikit-learn实现交通流量预测，基于历史数据训练模型以预测未来流量；构建知识图谱利用Neo4j关联交通、天气、事件等多元信息，深入分析流量影响因素；

java一只鱼的博客 4494

OpenCV13-图像噪声：椒盐噪声和高斯噪声

考虑到椒盐噪声会在图像中的任何一个位置随机产生，因此对于椒盐噪声的生成，需要使用OpenCV中能够产生随机数的函数。OpenCV中也没有专门为图像添加高斯噪声的函数，对早在图像中添加椒盐噪声的过程，可以根据需求利用能够产生随机数的函数来完成在图像中添加高斯噪声的任务。椒盐噪声又称作脉冲噪声，他会随机改变图像中的像素值，其样子就像是在图像上随机地撒上一些盐粒和黑椒粒，因此被称为椒盐噪声。函数能够产生均匀分布或者高斯分布的随机数，可以利用该函数产生符合高斯分布的随机数，之后在图像中加入这些随机数即可。

SHLYYY 5122

数据+人工智能+模型——北京市新一代交通仿真模型框架

精彩瞬间2018年中国城市交通规划年会10月17日下午北京交通发展研究院特聘首席科学家周学松作了题为《数据+人工智能+模型：北京市新一代交通仿真模型框架》的主题报告。在交通大数据涌现、计算...

weixin_55366265的博客 449

从零到一：YOLOv11高帧率模型在RDK X5上的ONNX转换与部署实战

本文详细介绍了将最新的YOLOv11高帧率模型部署到地平线RDK X5开发板的完整实战流程。内容涵盖从PyTorch模型导出ONNX、地平线工具链环境配置与模型量化编译，到编写高效的板端推理代码，并针对高帧率目标进行了后处理优化。通过实战避坑指南，帮助开发者在RDK X5上实现30FPS以上的实时目标检测。

weixin_29089057的博客 139

lammps案例：reaxff势模拟Fe(OH)3高温反应过程

所有的reaxff模拟，如：氧化、腐蚀、热裂解、燃烧等模拟，均可采用此模拟框架，只需要更换data文件、势文件，代码中的control文件可以不写，电荷平衡文件也可以用reaxff替换。该案例主要模拟Fe(OH)3在高温下的反应过程，主要代码来自lammps自带的案例。lammps自带案例没有产物输出，故在此基础上稍加修改，增加了产物输出命令。如果需要系统学习反应势的模拟，可考虑报名培训课程。本文分享一个reaxff反应势的案例。in文件代码已经注释，以供参考。大家好，我是小马老师。

lammps_jiayou的博客 1965

知识图谱的应用---智慧交通

同时，与监控、监测、交通流量分布优化等技术的结合，完善公安、城管、公路等监控体系和信息网络系统，建立以交通诱导、应急指挥、智能出行、出租车和公交车管理等系统为重点的、统一的智能化城市交通综合管理和服务系统建设，实现交通信息的充分共享、公路交通状况的实时监控及动态管理。当前，“智慧交通”更加注重人、车、路和环境的和谐协调的关系处理，使交通发展更加具有可持续的协调发展意识，以更好地改善交通秩序和交通环境、节约能源、降低环境污染，智慧交通中知识图谱应用框架如下图所示。此外，对车辆也可进行同样的识别与检索操作。

weixin_43961909的博客 1624

软件集成：Simulink与STM32联合开发

本文首先通过一个简单的Simulink模型生成代码，然后将代码copy到一个STM32工程中去编译软件。最后将软件下载到STM32F407中，通过串口输出Simulink计算的结果。 阅读本文需要有一定的STM32开发调试经验和Simulink代码生成经验。关于Simulink代码生成可以参考博主的专栏《Simulink代码生成》。 文章目录1 问题引入2 集成方案3 建模与编程过程3.1 Simulink模型搭建3.2 代码生成配置3.3 STM32工程搭建3.4 STM32的main.c文件修改3.4.

u013288925的博客 2万+

人工智能在交通运输行业的应用

1.背景介绍 交通运输行业是现代社会的重要组成部分，它为经济发展提供了基础的物流保障，为人们的生活提供了便捷的交通方式。然而，随着人口增长、城市规模的扩大以及交通拥堵的问题日益严重，交通运输行业面临着巨大的挑战。因此，人工智能技术在交通运输行业的应用变得越来越重要。 人工智能技术可以帮助交通运输行业提高效率、降低成本、提高安全性，并改善环境。在这篇文章中，我们将讨论人工智能在交通运输行业中的应...

AI天才研究院 1945

智能车复工日记【3】：图像处理——基本扫线和基本特征提取和十字补线

目录前言基本扫线（除了进入环岛状态或者坡道或者十字路口的普通扫线）基本数据和初步特征进一步特征提取1、计算并且显示前n行左右线各丢失数目（不break和break的都有）2、计算左右线方差（以右线为例）【a】计算右线曲率（选三个点：r_start、中点、break点）【b】如果右线曲率在一定的范围，就进行右线拟合,从空白行开始计算斜率,否则则从0行开始计算 前言 图像大小185*70，通过扫线获取.........

hanhan的博客 3万+

ubuntu20.04屏幕亮度无法调节（亮度条调节无效）的简单靠谱解决方案及踩坑历程

0 前言   网上关于ubuntu系统亮度无法调节的问题的解决方法有很多，但是绝大部分并没有什么用（这也是我自己的亲身体会），或者并不靠谱。在遍尝各路方法过后，我终于解决了这一棘手的问题（毕竟最大亮度真的非常刺眼，无法长时间直视），在此记录一下踩坑历程以及最后的解决方案。 1 Naive方法   由于使用需要，最近在电脑原有的win10基础上安装了ubuntu双系统。我安装的是当前新版的ubuntu20.04.2.0，靠谱的安装教程可以参考这里。   之前师兄说双ssd安装双系统会有系统启动引导的问题出现，

zeeq的博客 4万+

人工智能与道路交通：如何提高交通安全和效率

1.背景介绍 随着人口增长和经济发展，交通拥堵和交通事故成为了城市道路交通的主要问题。根据世界卫生组织(WHO)数据，交通事故每年导致约500万人死亡，并造成了大量伤亡和经济损失。同时，交通拥堵对环境也产生了严重影响。因此，提高交通安全和效率成为了当今城市道路交通的迫切需求。 人工智能(AI)技术在过去的几年里取得了显著的进展，尤其是在深度学习、计算机视觉、自然语言处理等领域。这些技术可以应用...

AI天才研究院 1984

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

大数据毕业设计Python+Spark地铁客流数据分析与预测系统

本系统基于大数据设计并实现成都地铁客流量分析系统，使用网络爬虫爬取并收集成都地铁客流量数据，运用机器学习和时间序列分析等方法，对客流量数据进行预处理和特征选择，构建客流量预测模型，利用历史数据对模型进行训练和优化，实现客流量预测模型的部署和应用，通过系统界面展示预测结果。3．实验研究法：通过对地铁数据收集，从公共数据源获取地铁客流数据以及其他可能影响客流量的数据，然后进行数据清洗、整理数据，利用Python和Spark对数据进行深入分析，探索各因素与地铁客流量之间的关系。

QQ346127357的博客 1376

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

基于时空动态图关系学习的地铁客流预测

导读论文题目《Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction》。该论文于2023年发表于《IEEE Transactions on Knowledge and Data Engineering》，文章开发了一个时空动态图关系学习模型（STDGRL）来预测城市地铁站的流量。摘要城市地铁流量...

zuiyishihefang的博客 2991

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

交通预测论文翻译：Deep Learning on Traffic Prediction: Methods,Analysis and Future Directions

原文链接：[2004.08555v3] Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions (arxiv.org) 1 abstract 交通预测在智能交通系统中起着至关重要的作用。准确的交通预测可以辅助路线规划，指导车辆调度，缓解交通拥堵。由于路网中不同区域间复杂而又动态变化的时空依赖性，这一问题具有挑战性。近年来，人们对这一领域进行了大量的研究，特别是深度学习方法，极大地提高了交通...

qq_40206371的博客 8541

基于Paddle的智慧交通预测系统

基于Paddle的智慧交通预测系统，项目分为三部分交通流量预测、车牌识别及车辆检测等，流程包括数据预处理、模型训练、导出、测试，后续更新更PP-Human、PP-Vehic交通实战。

m0_63642362的博客 1976
上一篇： 从知识图谱和自然语言生成的角度认识可解释推荐
下一篇： 领域自适应(Domain Adaptation)方法综述
点赞 5
评论 0
书签 书签 19
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值