• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多層復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測模型

    2024-11-21 00:00:00溫志勇翁小雄謝幫權(quán)
    現(xiàn)代電子技術(shù) 2024年22期

    摘" 要: 針對未安裝車流量檢測設(shè)備的高速公路路段進(jìn)行短時交通量準(zhǔn)確預(yù)測,是一個亟待解決的問題。為此,提出一種基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)路段短時交通量預(yù)測模型。該模型以入口節(jié)點交通量為輸入,輸出路段動態(tài)預(yù)測交通量。模型由復(fù)雜網(wǎng)絡(luò)、交通小區(qū)劃分、循環(huán)神經(jīng)網(wǎng)絡(luò)三個模塊組成。復(fù)雜網(wǎng)絡(luò)由多層網(wǎng)絡(luò)組成,是交通小區(qū)劃分的基礎(chǔ);交通小區(qū)劃分模塊根據(jù)節(jié)點特征值,采用聚類方法將節(jié)點形成小區(qū),使同小區(qū)內(nèi)節(jié)點具有類似特征。最后,以交通小區(qū)為依據(jù),將節(jié)點交通量合并為小區(qū)交通量,采用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行路段動態(tài)交通量的預(yù)測。通過模型示例并與其他模型預(yù)測結(jié)果進(jìn)行對比分析,驗證所提模型的準(zhǔn)確性和可靠性。結(jié)果表明,該模型能夠準(zhǔn)確地預(yù)測不同時長的交通量,MAPE為9.275%,相比于其他方法,預(yù)測精度更高且性能穩(wěn)定,具有重要的應(yīng)用價值。

    關(guān)鍵詞: 交通量預(yù)測; 高速公路路段; 多層復(fù)雜網(wǎng)絡(luò); 循環(huán)神經(jīng)網(wǎng)絡(luò); 交通小區(qū)劃分; 預(yù)測精度

    中圖分類號: TN911.73?34; TP391.9" " " " " " " " " "文獻(xiàn)標(biāo)識碼: A" " " " " " " " 文章編號: 1004?373X(2024)22?0173?06

    Recurrent neural network traffic volume prediction model based on

    multi?layer complex network

    Abstract: Accurate short?term traffic volume prediction for highway segments without installed traffic flow detection equipment is a pressing issue. On this basis, a recurrent neural network short?term traffic volume prediction model based on complex network is proposed. In this model, the traffic volume of the entry node is taken as input, and the traffic volume of the output section as dynamic prediction. The model is composed of three modules: complex network, traffic area division and recurrent neural network. The complex network is composed of multi?layer network, which is the basis of traffic district division. According to the characteristic value of the nodes, the traffic plot division module can use clustering method to form the nodes into a plot, so that the nodes in the same plot have similar characteristics. Based on the traffic area, the nodal traffic volume is combined into the traffic area volume, and the cyclic neural network is used to predict the dynamic traffic volume of the road section. The accuracy and reliability of the proposed model are verified by the model example and comparison with other model prediction results. The results show that the model can accurately predict the traffic volume of different time lengths, and the average MAPE is 9.275%. In comparison with other methods, the prediction accuracy is higher and the performance is stable, which has important application value.

    Keywords: traffic volume forecast; highway sections; multilayer complex network; recurrent neural network; traffic district division; prediction accuracy

    0" 引" 言

    交通量短時預(yù)測在交通管理、路線選擇、事故預(yù)防和應(yīng)急救援中起著重要作用。在交通管理優(yōu)化方面,通過短時預(yù)測,交通管理者可以更好地了解交通流量的變化趨勢,采取相應(yīng)的措施來優(yōu)化交通管理;在用戶路線選擇方面,導(dǎo)航系統(tǒng)可以為駕駛員提供更準(zhǔn)確的路線規(guī)劃和交通狀況信息,這使得駕駛員能夠選擇避開擁堵路段,選擇合適的路線到達(dá)目的地,從而節(jié)省時間和燃料成本;在交通事故預(yù)防方面,通過短時預(yù)測系統(tǒng)可以識別出交通事故易發(fā)區(qū)域和時段,提前采取措施減少事故發(fā)生的可能性;在應(yīng)急響應(yīng)和救援方面,短時預(yù)測系統(tǒng)可以幫助交通管理部門和救援機(jī)構(gòu)迅速做出響應(yīng)。綜上所述,交通量短時預(yù)測可以提高交通系統(tǒng)的效率、安全性和可持續(xù)性,為人們提供更便捷、更安全的出行體驗。

    交通量短時預(yù)測的方法總體上可以歸納為模型驅(qū)動和數(shù)據(jù)驅(qū)動兩類。模型驅(qū)動方法有時間序列模型和濾波類模型,時間序列模型如ARIMA[1?2]及其變體[3],濾波類模型如卡爾曼濾波[4?5]、粒子濾波[6]等,以及時間序列和濾波方法相結(jié)合的混合模型[7?8]。在通常情況下,參數(shù)類模型具有兩方面不足:一是很強(qiáng)的條件假設(shè),并且需要對路段交通觀測量進(jìn)行實時統(tǒng)計;二是對每個觀測位置進(jìn)行單獨預(yù)測,缺乏空間相關(guān)性考慮。

    數(shù)據(jù)驅(qū)動類方法可以分為傳統(tǒng)機(jī)器學(xué)習(xí)類方法和深度學(xué)習(xí)類方法。傳統(tǒng)機(jī)器學(xué)習(xí)類方法如分類回歸樹[9]、K近鄰和SVM[10]等被應(yīng)用于道路交通預(yù)測,此外,部分研究還采用了貝葉斯方法[11]、KNN[12]、RNN、LSTM[13?14]等;深度學(xué)習(xí)類方法如CNN[15]、Transformer[16]等。在通常情況下,數(shù)據(jù)驅(qū)動模型需要在具備交通大數(shù)據(jù)的前提下使用,數(shù)據(jù)缺乏空間相關(guān)性的考慮。顯然,現(xiàn)有預(yù)測方法對于未安裝車流量檢測設(shè)備的高速公路路段進(jìn)行短時交通量準(zhǔn)確預(yù)測仍然是一個難題。

    本文提出一種基于復(fù)雜網(wǎng)絡(luò)的路段短時交通量預(yù)測模型。采用復(fù)雜網(wǎng)絡(luò)原理進(jìn)行數(shù)據(jù)處理,結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò),實現(xiàn)了路段動態(tài)交通量的準(zhǔn)確預(yù)測。該模型特點在于:以預(yù)測路段為研究對象,基于復(fù)雜網(wǎng)絡(luò)進(jìn)行交通小區(qū)劃分,將節(jié)點交通量數(shù)據(jù)轉(zhuǎn)換為小區(qū)交通量;同時預(yù)測過程中無需對路段交通量進(jìn)行檢測,可實現(xiàn)對未安裝車流量檢測設(shè)備的高速公路路段進(jìn)行短時交通量準(zhǔn)確預(yù)測。

    1" 基于復(fù)雜網(wǎng)絡(luò)的路段短時交通量預(yù)測原理

    交通復(fù)雜網(wǎng)絡(luò)理論是研究交通系統(tǒng)中網(wǎng)絡(luò)結(jié)構(gòu)和行為的理論[17],將交通系統(tǒng)視為一個復(fù)雜網(wǎng)絡(luò),其中交通節(jié)點和道路被表示為網(wǎng)絡(luò)中的節(jié)點和邊,通過這些節(jié)點和邊進(jìn)行交通流動。復(fù)雜網(wǎng)絡(luò)能夠表征道路結(jié)構(gòu)、拓?fù)涮卣?、網(wǎng)絡(luò)行為等,用于理解和優(yōu)化交通系統(tǒng)的結(jié)構(gòu)和行為。

    路段短時交通量預(yù)測是基于一段時間內(nèi)觀測到的歷史交通狀態(tài)時空數(shù)據(jù)序列,采用預(yù)測模型預(yù)測未來若干時段內(nèi)的道路交通狀態(tài)時空數(shù)據(jù)序列。本文針對單個路段建立路段短時交通量預(yù)測模型,根據(jù)入口節(jié)點交通量進(jìn)行路段的動態(tài)交通量預(yù)測。預(yù)測模型用以下數(shù)學(xué)形式表達(dá):

    [F:Xhistory→Siprediction]" " " " " "(1)

    式中:[F]為預(yù)測模型;[Xhistory]和[Sprediction]分別表示節(jié)點交通量數(shù)據(jù)序列和路段交通量預(yù)測數(shù)據(jù)序列;i為預(yù)測路段。

    高速公路的路段交通量與入口節(jié)點交通量在時間和空間上具有相關(guān)性。具體地,在時間維度上,路段的交通狀態(tài)與入口節(jié)點的歷史交通量是相關(guān)的,即存在時間相關(guān)性;在空間維度上,路段的交通狀態(tài)與不同入口節(jié)點的相關(guān)性存在差異,即存在空間相關(guān)性。時間相關(guān)性和空間相關(guān)性并不是相互獨立的兩個維度,而是存在相互影響的時空相關(guān)性,從而導(dǎo)致交通預(yù)測情況復(fù)雜。

    基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測模型具有處理時空相關(guān)性的能力。時空相關(guān)性具有非線性、動態(tài)性、異質(zhì)性等特性。非線性是指交通流在路網(wǎng)中的傳播是非線性的,也導(dǎo)致交通狀態(tài)的非線性相關(guān)性,基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測模型本質(zhì)上是一個非線性函數(shù),非常適合這種非線性數(shù)據(jù)處理;動態(tài)性是指時間相關(guān)性和空間相關(guān)性都隨時間呈現(xiàn)動態(tài)變化,復(fù)雜網(wǎng)絡(luò)采用動態(tài)建模,形成動態(tài)邊權(quán),滿足了動態(tài)性;異質(zhì)性是指在空間上,不同單元的特性具有差異性,從而進(jìn)行交通小區(qū)劃分。綜合上述情況,本文提出的模型充分考慮了交通量預(yù)測的時空相關(guān)性,能夠保證預(yù)測性能。

    2" 路段短時交通量預(yù)測模型

    本節(jié)針對高速公路路段交通量預(yù)測問題構(gòu)建了基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)動態(tài)交通量預(yù)測模型,以節(jié)點交通量為輸入,以路段預(yù)測交通量為輸出。模型由復(fù)雜網(wǎng)絡(luò)、交通小區(qū)劃分、循環(huán)神經(jīng)網(wǎng)絡(luò)三個模塊組成。針對道路結(jié)構(gòu)、通行成本、交通出行起始地和通行時間等交通路網(wǎng)屬性建立復(fù)雜網(wǎng)絡(luò),形成結(jié)構(gòu)網(wǎng)、權(quán)重網(wǎng)、OD(Origin?Destination)網(wǎng)、通行時間網(wǎng)等。交通小區(qū)劃分是以路段所處位置為中心,依據(jù)路徑選擇及到達(dá)路段的時間兩個屬性對節(jié)點進(jìn)行權(quán)重K?means聚類,形成交通小區(qū),從而使得同一交通小區(qū)內(nèi)的節(jié)點交通量進(jìn)入路網(wǎng)后,在選擇該路段的概率和到達(dá)路段時間具有相近的特性。循環(huán)神經(jīng)網(wǎng)絡(luò)根據(jù)小區(qū)交通量來預(yù)測路段動態(tài)交通量。

    模型的結(jié)構(gòu)及相關(guān)關(guān)系如圖1所示。

    2.1" 多層復(fù)雜網(wǎng)絡(luò)

    多層復(fù)雜網(wǎng)絡(luò)由多個單層復(fù)雜網(wǎng)絡(luò)組成,從而使得各元素間存在多種屬性連接關(guān)系。多層復(fù)雜網(wǎng)絡(luò)能夠反映路網(wǎng)的多屬性特征,彌補(bǔ)單層網(wǎng)絡(luò)的片面性[18?19]。本文針對道路結(jié)構(gòu)、通行成本、交通出行和通行時間等屬性形成相應(yīng)的結(jié)構(gòu)網(wǎng)、權(quán)重網(wǎng)、OD網(wǎng)、通行時間網(wǎng)共四層復(fù)雜網(wǎng)絡(luò),提供了路網(wǎng)的多個特征。多層復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    2.1.1" 結(jié)構(gòu)網(wǎng)

    高速公路由出入口、互通立交、路段等組成,本文將其抽象成節(jié)點和邊等元素構(gòu)成結(jié)構(gòu)網(wǎng)。具體來說,結(jié)構(gòu)網(wǎng)[G=V,E]由節(jié)點、邊等組成,以出入口和互通立交為節(jié)點,[V={v1,v2,…,vn}]是網(wǎng)絡(luò)中[n]個節(jié)點的集合;以有向路段為邊,[eij=(vi,vj)]代表節(jié)點[vi]到節(jié)點[vj]的路段,[m]個有向邊組成路段集[E]。

    2.1.2" 權(quán)重網(wǎng)

    權(quán)重網(wǎng)采用廣義費用函數(shù)來表征路段的通行成本。針對高速公路,權(quán)重由通行費用、車輛運營費用和時間價值費用等組成,公式如下:

    式中:[weij]為邊的權(quán)重;[Kηij]為車型[η]在路段[eij]的高速公路通行費用;[δη]是車型[η]的單位距離運營費用,包括油耗、輪胎磨損以及汽車修理等費用;[Lij]是邊[eij]的里程;[φη]是出行者的時間價值;[Tij]是車輛在邊[eij]自由流狀態(tài)下的行駛時間;[vij]是路段交通量;[Cij]是路段通行能力;[α]、[β]為期望行程時間的參數(shù)。

    2.1.3" OD網(wǎng)

    OD網(wǎng)是車輛在路網(wǎng)中起始地、目的地、出發(fā)時間、到達(dá)時間等屬性的表達(dá),所有車輛的出行信息組成了OD網(wǎng)。車輛的一次出行信息包含車牌號、車型、起始點、目的地、出發(fā)時間、到達(dá)時間等信息。

    2.1.4" 通行時間網(wǎng)

    通行時間網(wǎng)是車輛在該路段的平均通行時間,其值由道路的設(shè)計等級和交通服務(wù)水平所決定。通行時間公式如下:

    式中[Teij]為路段的通行時間。

    2.2" 基于復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測

    2.2.1" 交通小區(qū)劃分

    由于以入口節(jié)點而形成的觀測交通量數(shù)據(jù)在統(tǒng)計周期內(nèi)具有稀疏的特性,本文為有效處理數(shù)據(jù),同時降低數(shù)據(jù)處理的難度,以交通小區(qū)為單元進(jìn)行觀測交通量的數(shù)據(jù)合并。交通小區(qū)劃分遵守以下原則:以預(yù)測路段為中心,交通小區(qū)離路段越近,其節(jié)點規(guī)模越小,反之則規(guī)模越大;考慮并行路段分流作用,將并行路段分流特性作為節(jié)點屬性;考慮分析入口節(jié)點交通量對路段的影響時效,將到達(dá)預(yù)測路段及并行路段的時間作為節(jié)點屬性。其節(jié)點特征值表達(dá)如下:

    式中:[d(i)]是節(jié)點[i] 到達(dá)預(yù)測路段及并行路段的通行時間;[p(i)]是節(jié)點[i] 在出行路徑選擇中選擇預(yù)測路段及并行路段的概率;[m]為包含預(yù)測路段在內(nèi)的并行路段中心點的數(shù)量;[n]為包含預(yù)測路段在內(nèi)的并行路段的數(shù)量。

    根據(jù)節(jié)點[d(i)]和[p(i)]的特征值,采用權(quán)重K?means聚類方法進(jìn)行交通小區(qū)劃分,獲得的交通小區(qū)內(nèi)的節(jié)點在路徑選擇、到達(dá)時間方面具有相似性。交通小區(qū)劃分的數(shù)學(xué)表達(dá)如下所示:

    式中:[d(Xi,Vk)]是節(jié)點[i]與簇[k]質(zhì)心的歐氏距離;[Xi]為節(jié)點特征值;[Vk]為簇質(zhì)心的特征值;[Ck]是簇[k]內(nèi)節(jié)點的集合;[N]是集合元素數(shù)量;[K]是簇的數(shù)量;[d1]和[d2]分別代表到達(dá)時間和路徑選擇的歐氏距離;[λ]為聚類屬性系數(shù)。

    2.2.2" 循環(huán)神經(jīng)網(wǎng)絡(luò)

    本文采用循環(huán)神經(jīng)網(wǎng)絡(luò)來有序地接收小區(qū)交通量輸入,形成一個綜合的序列特征向量,從而預(yù)測路段交通量。整個循環(huán)神經(jīng)網(wǎng)絡(luò)由多個循環(huán)單元構(gòu)成,網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

    [{ht-1,xt}]代表第[t]步輸入,[ht]代表輸出,其數(shù)學(xué)關(guān)系如下式所示:

    [ht=f(Whht-1+Wxxt+b)]" " " " " (6)

    式中:f(·)代表非線性激活函數(shù);[Wh]、[Wx]、[b]是神經(jīng)網(wǎng)絡(luò)參數(shù)。

    3" 模型示例及驗證

    文章以南沙大橋路段為預(yù)測對象,其在路網(wǎng)地圖中所處位置如圖4所示。

    南沙大橋是一條橫跨珠江兩岸的橋梁,其并行路段為上下游的珠江口跨江通道。本文數(shù)據(jù)集為高速公路收費數(shù)據(jù),包含訓(xùn)練集和測試集兩部分。訓(xùn)練集為2021年7月5日—11日的數(shù)據(jù),測試集為2021年8月12日的數(shù)據(jù),其數(shù)據(jù)組成為入口節(jié)點交通量和路段交通量。以預(yù)測對象為中心,針對高速公路網(wǎng)分別建立結(jié)構(gòu)網(wǎng)、權(quán)重網(wǎng)、OD網(wǎng)、通行時間網(wǎng),形成復(fù)雜網(wǎng)絡(luò),其預(yù)測路段及并行路段在復(fù)雜網(wǎng)絡(luò)中的位置如圖5所示。

    3.1" 交通流量預(yù)測

    以高速公路出入口為節(jié)點進(jìn)行交通小區(qū)劃分,將589個節(jié)點劃分為29個交通小區(qū),相鄰小區(qū)用不同顏色代表,如圖6所示。由圖6可以看到,交通小區(qū)離預(yù)測路段越近,規(guī)模越小。再根據(jù)交通小區(qū)劃分結(jié)果將入口交通量合并成小區(qū)交通量。

    假設(shè)同一交通小區(qū)前往其他交通小區(qū)的比例相對穩(wěn)定,在不結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)的情況下,在復(fù)雜網(wǎng)絡(luò)中根據(jù)最短路徑選擇的原則和到達(dá)時間估計可以獲得路段的動態(tài)交通量。僅復(fù)雜網(wǎng)絡(luò)下路段交通量預(yù)測值與實際值對比如圖7所示,交通流量統(tǒng)計周期為15 min,橫坐標(biāo)為時間,即一天內(nèi)共96個預(yù)測點;縱坐標(biāo)為歸一化后的路段交通量,車型采用標(biāo)準(zhǔn)車型等效單位(Passenger Car Unit, PCU),黑色實線為實際交通量,虛線為預(yù)測交通量??梢钥闯觯瑑H在復(fù)雜網(wǎng)絡(luò)下,隨著預(yù)測時長的增加,預(yù)測結(jié)果誤差逐漸變大。

    為了彌補(bǔ)上述僅依靠復(fù)雜網(wǎng)絡(luò)進(jìn)行路段交通量預(yù)測誤差大的問題,采用訓(xùn)練集的小區(qū)交通量和路段交通量對循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)訓(xùn)練調(diào)整,分別建立預(yù)測時長為15 min、30 min、45 min、60 min的循環(huán)神經(jīng)網(wǎng)絡(luò),并采用驗證集進(jìn)行該路段的交通量預(yù)測,其預(yù)測結(jié)果如圖8所示。由圖可知,隨著預(yù)測時間增加,車流量誤差逐漸減小。

    3.2" 模型評估及討論

    為了更好地對本文模型的預(yù)測結(jié)果進(jìn)行評價,采用ARIMA和循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)兩種對比方法對路段交通量序列進(jìn)行預(yù)測,其輸入為歷史路段交通量,輸出為預(yù)測路段交通量。采用平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)和均方根誤差(Root Mean Square Error, RMSE)兩個指標(biāo)進(jìn)行分析。不同方法在不同預(yù)測時長下的預(yù)測結(jié)果如表1所示。

    從表1的MAPE可以看出,相比于其他方法,本文模型在所有預(yù)測時長下都能達(dá)到最好,說明該模型在不同預(yù)測時長下均能保持良好的預(yù)測性能。本文模型的預(yù)測精度均有較高提升,特別是在45 min預(yù)測時長下,本文方法的MAPE值比基于序列的ARMIA和RNN預(yù)測結(jié)果均降低了約24.6%。從RMSE對比可以看出,針對不同預(yù)測時長,本文模型相比其他方法能夠保持較為穩(wěn)定的預(yù)測。對比實驗驗證了本文方法的有效性和可靠性。

    4" 結(jié)" 語

    本文提出一種基本復(fù)雜網(wǎng)絡(luò)的循環(huán)神經(jīng)網(wǎng)絡(luò)交通量預(yù)測模型,以入口節(jié)點交通量為模型輸入,以路段預(yù)測交通量為模型輸出,實現(xiàn)了未安裝車流量檢測設(shè)備的高速公路路段的動態(tài)交通量預(yù)測。該模型基于復(fù)雜網(wǎng)絡(luò)提取入口節(jié)點的特征并聚類形成交通小區(qū),采用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行交通量預(yù)測。模型優(yōu)勢在于充分考慮了交通的時空相關(guān)性,從而提升了模型預(yù)測的準(zhǔn)確度。

    為了驗證該模型的有效性,選取南沙大橋路段為預(yù)測對象進(jìn)行動態(tài)交通量預(yù)測。模型評估結(jié)果顯示,本文模型能夠準(zhǔn)確地預(yù)測不同時長(15 min、30 min、45 min、60 min)的交通量,MAPE為9.275%,相比其他方法,本文模型預(yù)測精度更高且具有穩(wěn)定的性能。下一步研究將考慮更多數(shù)據(jù)特征,進(jìn)一步探索現(xiàn)有知識與機(jī)器學(xué)習(xí)的融合預(yù)測能力。

    參考文獻(xiàn)

    [1] SHAHRIARI S, GHASRI M, SISSON S A, et al. Ensemble of ARIMA: combining parametric and bootstrapping technique for traffic flow prediction [J]. Transportmetrica a: transport science, 2020, 16(3): 1552?1573.

    [2] GE M, ZHANG J F, WANG H Y,et al. ARIMA?FSVR hybrid method for high?speed railway passenger traffic forecasting [J]. Mathematical problems in engineering, 2021, 2021: 1?5.

    [3] YU J Z, LI Q. Intrusion detection technology for wireless sensor networks based on autoregressive moving average [J]. Advances in multimedia, 2022, 2022: 1.1?1.7.

    [4] ZHANG H, YANG G, YU H, et al. Kalman filter?based CNN?BILSTM?ATT model for traffic flow prediction [J]. Computers, materials amp; continua, 2023, 76(1): 1047?1063.

    [5] CHANG S Y, WU H C, KAO Y C. Tensor extended kalman filter and its application to traffic prediction [J]. IEEE transactions on intelligent transportation systems, 2023, 24(12): 13813?13829.

    [6] 王濤,謝思紅,黎文皓,等.基于FFOS?ELM和PF的短時交通流自適應(yīng)預(yù)測模型[J].重慶交通大學(xué)學(xué)報(自然科學(xué)版),2021,40(6):21?27.

    [7] 陳昆,曲大義,賈彥峰,等.基于ARIMA?SVM模型的短時交通流量預(yù)測研究[J].青島理工大學(xué)學(xué)報,2022,43(5):104?109.

    [8] 楊高飛,徐睿,秦鳴,等.基于ARMA和卡爾曼濾波的短時交通預(yù)測[J].鄭州大學(xué)學(xué)報(工學(xué)版),2017,38(2):36?40.

    [9] YAN Z Y, Lü S. Short?term forecast model of taxi demand based on time and space heterogeneity [J]. Journal of intelligent amp; fuzzy systems, 2021, 41(2): 4175?4186.

    [10] 劉釗,杜威,閆冬梅,等.基于K近鄰算法和支持向量回歸組合的短時交通流預(yù)測[J].公路交通科技,2017,34(5):122?128.

    [11] XIA J, WANG S, WANG X, et al. Multi?view Bayesian spatio?temporal graph neural networks for reliable traffic flow prediction [J]. International journal of machine learning and cybernetics, 2024, 15: 65?78.

    [12] 羅向龍,李丹陽,楊彧,等.基于KNN?LSTM的短時交通流預(yù)測[J].北京工業(yè)大學(xué)學(xué)報,2018,44(12):1521?1527.

    [13] 張萌.基于LSTM神經(jīng)網(wǎng)絡(luò)的短期交通量預(yù)測研究[D].石家莊:石家莊鐵道大學(xué),2022.

    [14] 翁小雄,郝翊.基于LSTM引入客車占比特征的短時交通流預(yù)測[J].重慶交通大學(xué)學(xué)報(自然科學(xué)版),2020,39(11):20?25.

    [15] 楊瑞,馮慧芳.基于注意力機(jī)制的CNN?BiGRU的短時交通流預(yù)測[J].軟件工程與應(yīng)用,2021,10(6):823?832.

    [16] 周楚昊,林培群.基于多通道Transformer的交通量預(yù)測方法 [J].計算機(jī)應(yīng)用研究,2023,40(2):435?439.

    [17] COSTA L D F, OLIVEIRA O N, TRAVIESO G, et al. Analyzing and modeling real?world phenomena with complex networks: a survey of applications [J]. Advances in physics, 2011, 60(3): 329?412.

    [18] KIVELA M, ARENAS A, BARTHELEMY M, et al. Multilayer networks [J]. SSRN electronic journal, 2014, 2(3): 203?271.

    [19] 翁小雄,謝志鵬.基于多層復(fù)雜網(wǎng)絡(luò)的高速公路節(jié)點重要性研究[J].廣西師范大學(xué)學(xué)報(自然科學(xué)版),2021,39(5):78?88.

    插逼视频在线观看| 午夜福利视频1000在线观看| 免费电影在线观看免费观看| 精品人妻视频免费看| 亚洲欧美精品专区久久| 午夜福利高清视频| 中文天堂在线官网| 日韩欧美 国产精品| av播播在线观看一区| 久久精品综合一区二区三区| 中文乱码字字幕精品一区二区三区 | 欧美日韩综合久久久久久| 久久欧美精品欧美久久欧美| 亚洲内射少妇av| 天天躁日日操中文字幕| 级片在线观看| 人人妻人人澡人人爽人人夜夜 | 日本黄色视频三级网站网址| 色吧在线观看| 欧美zozozo另类| 国产淫片久久久久久久久| 国产精品久久久久久久久免| 国产午夜精品论理片| 欧美三级亚洲精品| 亚洲精品乱久久久久久| 亚洲最大成人手机在线| 亚洲丝袜综合中文字幕| 亚洲av中文av极速乱| 精品久久久久久久久av| 非洲黑人性xxxx精品又粗又长| 联通29元200g的流量卡| 日韩人妻高清精品专区| 国产一区二区亚洲精品在线观看| 秋霞在线观看毛片| 亚洲精华国产精华液的使用体验| 中文欧美无线码| 听说在线观看完整版免费高清| 狂野欧美白嫩少妇大欣赏| 久久精品国产99精品国产亚洲性色| 草草在线视频免费看| 免费看光身美女| 国产一级毛片七仙女欲春2| 久久鲁丝午夜福利片| 国产伦理片在线播放av一区| 在线观看66精品国产| 久久久久久久亚洲中文字幕| 欧美一级a爱片免费观看看| 中国美白少妇内射xxxbb| 国产精品乱码一区二三区的特点| 欧美成人精品欧美一级黄| 久久久久久久国产电影| 级片在线观看| 国产色爽女视频免费观看| 99久久成人亚洲精品观看| 欧美极品一区二区三区四区| 中文字幕亚洲精品专区| 成年av动漫网址| 成年免费大片在线观看| 女人被狂操c到高潮| 成人二区视频| 国产精品久久电影中文字幕| 欧美另类亚洲清纯唯美| 亚洲在线观看片| 熟女电影av网| 日韩三级伦理在线观看| 国产黄色视频一区二区在线观看 | 亚洲欧美成人综合另类久久久 | 久久久久免费精品人妻一区二区| 黄片无遮挡物在线观看| 视频中文字幕在线观看| 国产91av在线免费观看| av福利片在线观看| 国产成人91sexporn| 久久午夜福利片| 午夜久久久久精精品| 国产高清不卡午夜福利| 色综合亚洲欧美另类图片| 亚洲欧美日韩卡通动漫| 中文字幕人妻熟人妻熟丝袜美| 欧美日韩综合久久久久久| 看非洲黑人一级黄片| 欧美激情在线99| 久久久久久久国产电影| 国产一级毛片七仙女欲春2| 亚洲av成人av| 国产亚洲一区二区精品| www.av在线官网国产| 看非洲黑人一级黄片| 嫩草影院入口| 午夜精品一区二区三区免费看| 三级国产精品欧美在线观看| 国产精品爽爽va在线观看网站| 亚洲国产色片| 国产精品永久免费网站| 网址你懂的国产日韩在线| 久久精品国产亚洲av涩爱| 麻豆一二三区av精品| 欧美人与善性xxx| 亚洲性久久影院| 欧美不卡视频在线免费观看| av天堂中文字幕网| 91久久精品电影网| 日日啪夜夜撸| 只有这里有精品99| 亚洲精品久久久久久婷婷小说 | 日韩国内少妇激情av| 亚洲国产高清在线一区二区三| 欧美三级亚洲精品| 2021天堂中文幕一二区在线观| 国产精品,欧美在线| 国产精品福利在线免费观看| 国产69精品久久久久777片| 免费观看性生交大片5| 狂野欧美激情性xxxx在线观看| 一夜夜www| 亚洲av一区综合| 一级二级三级毛片免费看| 最近中文字幕高清免费大全6| 能在线免费观看的黄片| 好男人在线观看高清免费视频| 2021少妇久久久久久久久久久| 成人性生交大片免费视频hd| 免费看日本二区| 中文在线观看免费www的网站| 麻豆一二三区av精品| 欧美人与善性xxx| 一区二区三区高清视频在线| 亚洲精品成人久久久久久| 狂野欧美激情性xxxx在线观看| 97超碰精品成人国产| 国产乱人视频| 一二三四中文在线观看免费高清| 欧美极品一区二区三区四区| 人体艺术视频欧美日本| 国产亚洲最大av| 女人被狂操c到高潮| 人人妻人人澡人人爽人人夜夜 | 亚洲伊人久久精品综合 | 伦理电影大哥的女人| 亚洲伊人久久精品综合 | 欧美最新免费一区二区三区| 精品久久久久久久久av| 极品教师在线视频| 日本黄大片高清| a级毛片免费高清观看在线播放| 国产单亲对白刺激| 日本黄色视频三级网站网址| 视频中文字幕在线观看| 黄色欧美视频在线观看| av国产免费在线观看| 两个人视频免费观看高清| 在线播放国产精品三级| 神马国产精品三级电影在线观看| 亚洲精品影视一区二区三区av| 男女那种视频在线观看| 国产亚洲5aaaaa淫片| 女人十人毛片免费观看3o分钟| 99久久成人亚洲精品观看| 91久久精品电影网| 性插视频无遮挡在线免费观看| 一级爰片在线观看| 国产三级在线视频| 最近手机中文字幕大全| 国产午夜精品论理片| 草草在线视频免费看| 久久久国产成人免费| 伦精品一区二区三区| 美女国产视频在线观看| 99热这里只有是精品在线观看| 国产毛片a区久久久久| 国产成人免费观看mmmm| 国产美女午夜福利| 女人久久www免费人成看片 | 国产免费男女视频| 少妇的逼好多水| 99热6这里只有精品| 中文字幕av在线有码专区| 汤姆久久久久久久影院中文字幕 | 国产真实伦视频高清在线观看| 欧美一区二区国产精品久久精品| 观看美女的网站| 深爱激情五月婷婷| 国产淫片久久久久久久久| 人妻少妇偷人精品九色| 久久久久久久国产电影| 啦啦啦韩国在线观看视频| 国产伦一二天堂av在线观看| 成年女人看的毛片在线观看| 自拍偷自拍亚洲精品老妇| 蜜臀久久99精品久久宅男| 搡女人真爽免费视频火全软件| 国产一区二区在线av高清观看| 久久99热这里只频精品6学生 | 熟妇人妻久久中文字幕3abv| 成人国产麻豆网| av国产久精品久网站免费入址| 国产久久久一区二区三区| 日韩视频在线欧美| 男人和女人高潮做爰伦理| 午夜精品国产一区二区电影 | 一个人看的www免费观看视频| 男女下面进入的视频免费午夜| 我要搜黄色片| 国产黄色视频一区二区在线观看 | 国产伦精品一区二区三区视频9| 激情 狠狠 欧美| 日韩亚洲欧美综合| 99热这里只有是精品50| 亚洲在线自拍视频| 老女人水多毛片| 欧美一区二区精品小视频在线| 九九热线精品视视频播放| 国产精品嫩草影院av在线观看| 国产亚洲精品久久久com| 国产探花在线观看一区二区| 色网站视频免费| 精品不卡国产一区二区三区| 成人高潮视频无遮挡免费网站| 亚洲欧美日韩卡通动漫| 久久久久久国产a免费观看| 搡老妇女老女人老熟妇| 两个人视频免费观看高清| 国产精华一区二区三区| 特大巨黑吊av在线直播| 欧美日本视频| 3wmmmm亚洲av在线观看| 一级毛片久久久久久久久女| 中文字幕亚洲精品专区| 亚洲色图av天堂| 村上凉子中文字幕在线| 天堂√8在线中文| 日韩精品有码人妻一区| 大话2 男鬼变身卡| 日日啪夜夜撸| 成人漫画全彩无遮挡| 如何舔出高潮| 大香蕉久久网| 在线免费观看的www视频| 卡戴珊不雅视频在线播放| 国产亚洲一区二区精品| av天堂中文字幕网| 久久99热这里只有精品18| 午夜精品在线福利| 久久久久免费精品人妻一区二区| 国产午夜精品久久久久久一区二区三区| 能在线免费看毛片的网站| 中文字幕久久专区| 亚洲精品日韩在线中文字幕| 成人漫画全彩无遮挡| 免费黄网站久久成人精品| 国产免费一级a男人的天堂| 国产 一区精品| 亚洲欧洲日产国产| 婷婷色av中文字幕| 国产伦理片在线播放av一区| 26uuu在线亚洲综合色| 久久6这里有精品| 三级毛片av免费| 国产在线男女| 久久热精品热| 国产视频首页在线观看| 51国产日韩欧美| 午夜亚洲福利在线播放| 国产精品一区二区三区四区久久| 一个人观看的视频www高清免费观看| 久久久a久久爽久久v久久| 村上凉子中文字幕在线| 国产私拍福利视频在线观看| 99在线视频只有这里精品首页| 国产高清三级在线| 国产精品一区二区在线观看99 | 免费黄网站久久成人精品| 黄色配什么色好看| 精品人妻视频免费看| 丰满乱子伦码专区| 亚洲欧美清纯卡通| 国产av一区在线观看免费| 国产黄片美女视频| 少妇人妻一区二区三区视频| 丰满乱子伦码专区| 亚洲人与动物交配视频| 人人妻人人看人人澡| 日韩av不卡免费在线播放| 我要看日韩黄色一级片| 中文字幕亚洲精品专区| 国产白丝娇喘喷水9色精品| 我要看日韩黄色一级片| 国产欧美日韩精品一区二区| 亚洲av男天堂| 国产精品永久免费网站| 久久精品国产自在天天线| 午夜激情欧美在线| 天天躁夜夜躁狠狠久久av| 一级毛片我不卡| 两性午夜刺激爽爽歪歪视频在线观看| 欧美一区二区亚洲| 亚洲人成网站在线观看播放| 色哟哟·www| 精品久久久久久久久久久久久| 国产一区二区三区av在线| 国内精品宾馆在线| 在线天堂最新版资源| 91在线精品国自产拍蜜月| 亚洲丝袜综合中文字幕| 亚洲国产欧洲综合997久久,| 久久人妻av系列| 国产不卡一卡二| 韩国av在线不卡| 大话2 男鬼变身卡| 午夜福利视频1000在线观看| 两性午夜刺激爽爽歪歪视频在线观看| av在线天堂中文字幕| 午夜精品一区二区三区免费看| 国产伦精品一区二区三区视频9| 美女高潮的动态| 国产爱豆传媒在线观看| 在线免费十八禁| 99视频精品全部免费 在线| 18禁在线播放成人免费| 国产成人午夜福利电影在线观看| 99在线人妻在线中文字幕| 国产色爽女视频免费观看| 久久久久精品久久久久真实原创| 欧美成人精品欧美一级黄| 人人妻人人澡欧美一区二区| 欧美xxxx性猛交bbbb| 永久网站在线| 插阴视频在线观看视频| 国产精品1区2区在线观看.| 亚洲欧美日韩卡通动漫| 日韩,欧美,国产一区二区三区 | 一级黄色大片毛片| 美女内射精品一级片tv| 精品酒店卫生间| 观看美女的网站| 日日摸夜夜添夜夜添av毛片| 精品久久国产蜜桃| 秋霞伦理黄片| 亚洲国产欧美人成| 久久这里有精品视频免费| 国产男人的电影天堂91| 亚洲人成网站高清观看| 日韩欧美三级三区| 丝袜喷水一区| 高清日韩中文字幕在线| av在线老鸭窝| 亚洲av免费在线观看| 久久精品国产鲁丝片午夜精品| 3wmmmm亚洲av在线观看| 免费黄网站久久成人精品| 黄片无遮挡物在线观看| 欧美3d第一页| 亚洲欧美日韩无卡精品| 干丝袜人妻中文字幕| 国产午夜福利久久久久久| 亚洲最大成人av| 国产精品爽爽va在线观看网站| 亚洲内射少妇av| 免费黄色在线免费观看| 精品久久久噜噜| 国产毛片a区久久久久| 高清日韩中文字幕在线| 国产人妻一区二区三区在| 高清视频免费观看一区二区 | 亚洲乱码一区二区免费版| 久久韩国三级中文字幕| videos熟女内射| 蜜臀久久99精品久久宅男| 日韩av在线大香蕉| 联通29元200g的流量卡| 亚洲成人中文字幕在线播放| 99久国产av精品国产电影| 久久久久久久久久成人| 亚洲一级一片aⅴ在线观看| 国产亚洲一区二区精品| 精品熟女少妇av免费看| 国产成人福利小说| 精品久久久久久成人av| 久久精品人妻少妇| 两个人视频免费观看高清| 青春草视频在线免费观看| 在线观看av片永久免费下载| 22中文网久久字幕| 美女黄网站色视频| 国产片特级美女逼逼视频| 日韩欧美在线乱码| 九九久久精品国产亚洲av麻豆| 欧美xxxx性猛交bbbb| h日本视频在线播放| 成人特级av手机在线观看| 午夜久久久久精精品| 91av网一区二区| 三级毛片av免费| 网址你懂的国产日韩在线| 麻豆国产97在线/欧美| 精品99又大又爽又粗少妇毛片| 国内精品美女久久久久久| 午夜亚洲福利在线播放| 国产成人a区在线观看| 哪个播放器可以免费观看大片| 日本一二三区视频观看| 伊人久久精品亚洲午夜| 国产91av在线免费观看| 中文天堂在线官网| 日韩高清综合在线| 波多野结衣巨乳人妻| 日韩制服骚丝袜av| 免费黄色在线免费观看| 国语自产精品视频在线第100页| 久久精品影院6| av线在线观看网站| 黄片无遮挡物在线观看| 国产美女午夜福利| 欧美区成人在线视频| 欧美一区二区亚洲| 亚洲在线自拍视频| 久久这里只有精品中国| 51国产日韩欧美| 天堂中文最新版在线下载 | 欧美区成人在线视频| 美女cb高潮喷水在线观看| 国产高清不卡午夜福利| 精品一区二区三区视频在线| 亚洲精品日韩在线中文字幕| 国产精品蜜桃在线观看| 精品久久久久久久久亚洲| 亚洲不卡免费看| 婷婷六月久久综合丁香| 国产大屁股一区二区在线视频| 亚洲国产欧美在线一区| 少妇的逼水好多| 欧美性感艳星| 伦理电影大哥的女人| 日韩欧美精品免费久久| 亚洲中文字幕一区二区三区有码在线看| 亚洲最大成人手机在线| 婷婷色麻豆天堂久久 | 日日撸夜夜添| 国产成人精品一,二区| 少妇的逼好多水| 免费av观看视频| 99九九线精品视频在线观看视频| 看十八女毛片水多多多| 免费观看的影片在线观看| 国产女主播在线喷水免费视频网站 | 亚洲欧美清纯卡通| 久久久久久九九精品二区国产| 久久人人爽人人片av| 国产一区二区三区av在线| 亚洲美女搞黄在线观看| 日韩三级伦理在线观看| av专区在线播放| 美女xxoo啪啪120秒动态图| 日韩av不卡免费在线播放| 国内精品宾馆在线| 日韩精品青青久久久久久| 国产视频内射| 亚洲怡红院男人天堂| 十八禁国产超污无遮挡网站| 国产一区二区亚洲精品在线观看| 免费看光身美女| 好男人视频免费观看在线| av.在线天堂| 久99久视频精品免费| 黄片无遮挡物在线观看| 亚洲图色成人| 日韩三级伦理在线观看| 中文资源天堂在线| 99久久无色码亚洲精品果冻| 两个人的视频大全免费| 韩国高清视频一区二区三区| 久久99热这里只有精品18| 国产成人精品一,二区| 中文字幕熟女人妻在线| 99久久九九国产精品国产免费| 日本一二三区视频观看| 久久欧美精品欧美久久欧美| 欧美高清性xxxxhd video| 亚州av有码| 中文字幕av在线有码专区| av在线播放精品| 夫妻性生交免费视频一级片| 国产精品美女特级片免费视频播放器| 精品人妻视频免费看| 天堂影院成人在线观看| АⅤ资源中文在线天堂| 亚洲在久久综合| av国产久精品久网站免费入址| 成人毛片a级毛片在线播放| 成年免费大片在线观看| 少妇被粗大猛烈的视频| 桃色一区二区三区在线观看| 欧美三级亚洲精品| 精品人妻偷拍中文字幕| 一夜夜www| 一个人看视频在线观看www免费| 长腿黑丝高跟| 又爽又黄a免费视频| 国产精品无大码| 在线免费观看不下载黄p国产| 日本黄色视频三级网站网址| 美女内射精品一级片tv| 少妇高潮的动态图| 一区二区三区四区激情视频| 国产精品99久久久久久久久| 最近视频中文字幕2019在线8| a级一级毛片免费在线观看| 长腿黑丝高跟| 久久久精品大字幕| 国产成人精品婷婷| 又黄又爽又刺激的免费视频.| 99久久精品热视频| 免费黄网站久久成人精品| 免费播放大片免费观看视频在线观看 | 一区二区三区乱码不卡18| av福利片在线观看| 嫩草影院入口| 亚洲经典国产精华液单| 亚洲国产最新在线播放| 国产精品一区二区在线观看99 | 一级黄色大片毛片| 亚洲国产色片| 国产一区二区在线观看日韩| 欧美一级a爱片免费观看看| 午夜亚洲福利在线播放| 国内精品一区二区在线观看| 国产成人a∨麻豆精品| av天堂中文字幕网| 欧美xxxx性猛交bbbb| 国产不卡一卡二| 欧美高清性xxxxhd video| 搡女人真爽免费视频火全软件| 99热这里只有是精品50| 青青草视频在线视频观看| 最近中文字幕2019免费版| 午夜激情福利司机影院| 国产精品久久久久久精品电影| 欧美潮喷喷水| 成人午夜高清在线视频| 精品一区二区三区人妻视频| 亚洲欧美精品综合久久99| 最近最新中文字幕免费大全7| 日韩欧美在线乱码| 好男人视频免费观看在线| 日韩精品青青久久久久久| 欧美高清性xxxxhd video| 久久久精品94久久精品| 看十八女毛片水多多多| 午夜激情福利司机影院| 99久久精品热视频| 91精品一卡2卡3卡4卡| 精品久久久久久久末码| 男人舔奶头视频| 九九爱精品视频在线观看| 色综合站精品国产| 黄色日韩在线| 免费在线观看成人毛片| 久久久久久久久大av| 国产精品人妻久久久久久| 亚洲婷婷狠狠爱综合网| 国产亚洲5aaaaa淫片| videos熟女内射| 青青草视频在线视频观看| av.在线天堂| 91精品国产九色| 国产黄a三级三级三级人| 国产黄片美女视频| 午夜激情欧美在线| 日韩大片免费观看网站 | 国产成人福利小说| 伦理电影大哥的女人| 久久精品夜色国产| 99久久中文字幕三级久久日本| 欧美日本视频| 一本一本综合久久| 哪个播放器可以免费观看大片| 欧美潮喷喷水| 欧美成人a在线观看| 亚洲真实伦在线观看| 精品久久久久久久久久久久久| 偷拍熟女少妇极品色| 永久网站在线| 精品久久久久久成人av| a级毛片免费高清观看在线播放| 美女脱内裤让男人舔精品视频| 韩国高清视频一区二区三区| 国产男人的电影天堂91| 大香蕉久久网| 99热全是精品| 亚洲一级一片aⅴ在线观看| 国产高清视频在线观看网站| 成人高潮视频无遮挡免费网站| 最近2019中文字幕mv第一页| av免费在线看不卡| 欧美人与善性xxx| 午夜爱爱视频在线播放| 99久久精品热视频| 特级一级黄色大片| av女优亚洲男人天堂| 久久久成人免费电影| 国产免费男女视频| 国产成人aa在线观看| www.色视频.com| 久久精品国产亚洲av涩爱| 亚洲欧美一区二区三区国产| 最近最新中文字幕免费大全7| 搞女人的毛片| 欧美xxxx性猛交bbbb| 国产精品一及| 两性午夜刺激爽爽歪歪视频在线观看| 国产老妇伦熟女老妇高清| 九九久久精品国产亚洲av麻豆| 中国美白少妇内射xxxbb| 麻豆成人午夜福利视频| 亚洲av男天堂|