摘要
随着智能交通系统的快速发展,准确的交通流预测技术已经成为缓解城市交通拥堵的重要手段,也是城市交通科学合理运行管理的必要条件。近年来,随着物联网的快速发展,许多固定位置的传感器已被安装在物理世界中,以持续协作地监控城市路网的交通状态,为交通流预测相关的研究提供了重要的数据源。然而,在现实世界中,由于采集技术和隐私等问题的存在,传感器采集的交通时序数据存在普遍的缺失现象,并极大地限制了交通时序数据的建模能力,制约了交通流预测模型的性能。因此,论文围绕“缺失交通数据补全”“顾及缺失值的交通数据预测”,基于时空视图学习方法,主要完成了以下4个研究内容。
| 投稿的翻译标题 | Missing imputation and short-term prediction of urban traffic flow based on spatiotemporal view learning |
|---|---|
| 源语言 | 中文 |
| 页(从-至) | 2037-2037 |
| 页数 | 1 |
| 期刊 | Cehui Xuebao/Acta Geodaetica et Cartographica Sinica |
| 卷 | 53 |
| 期 | 10 |
| 出版状态 | 已出版 - 1 10月 2024 |
基金资助
国家重点研发计划(2022YFB3904102);国家博士后创新人才支持计划(BX20230360);中国博士后面上项目(2023M743454);国家自然科学基金(42401524)。
关键词
- 采集技术
- 城市交通
- 时序数据
- 数据缺失
- 短期预测
- 交通流预测
- 数据预测
- 城市路网
收录
- CSCD
学术指纹
探究 '时空视图学习支持的城市交通数据缺失补全与短期预测' 的科研主题。它们共同构成独一无二的学术指纹。引用此
- APA
- Author
- BIBTEX
- Harvard
- Standard
- RIS
- Vancouver