How to Identify Patterns of Citywide Dynamic Traffic at a Low Cost? An In-Depth Neural Network Approach with Digital Maps
How to Identify Patterns of Citywide Dynamic Traffic at a Low Cost? An In-Depth Neural Network Approach with Digital Maps
复制标题
如何低成本识别全市动态交通模式？
DOI：
10.1155/2021/6648116
复制
发表时间：
2021-05
期刊：
影响因子：
2.3
通讯作者：
Wang Yong
中科院分区：
文献类型：
--
作者：
Zhang Li;Gong Ke;Xu Maozeng;Li Aixing;Dong Yuanxiang;Wang Yong
城市道路网时空动态交通模式的识别与分析是复杂交通管理与控制的关键环节。然而，城市规模和同步交通数据对这种量化提出了挑战，特别是在高峰时段。传统的研究依赖于道路探测器或多个通信系统的数据，这些系统不仅在访问方面受到限制，而且覆盖范围也受到限制。为了避免这些限制，我们引入实时，交通状况的数字地图作为我们的输入。数字地图保持了城市交通信息的时空性，并具有开放性。它们的像素颜色表示相应路段上的交通状况。我们提出了一种基于堆叠卷积自动编码器的方法来为每个输入提取低维特征向量。我们计算和分析向量之间的距离。统计结果表明，在给定的时间段内，不同的交通模式。结合重庆市的实际数据，比较了该方法与直方图的特征提取性能。实验结果表明，该方法能较好地提取时空特征。对于同一数据集，直方图统计结果中红色像素的数量分布差异不大，而本文方法的统计结果存在差异。我们发现波动最大的早晨是星期五;波动最大的晚上是星期二;最稳定的晚上是星期三。通过我们的方法捕获的距离可以代表不同的交通状况在早晚高峰时段的演变。我们所提出的方法为管理人员提供了帮助，以感测全市交通状况的动态数量。
The identification and analysis of the spatiotemporal dynamic traffic patterns in citywide road networks constitute a crucial process for complex traffic management and control. However, city-scale and synchronal traffic data pose challenges for such kind of quantification, especially during peak hours. Traditional studies rely on data from road-based detectors or multiple communication systems, which are limited in not only access but also coverage. To avoid these limitations, we introduce real-time, traffic condition digital maps as our input. The digital maps keep spatiotemporal urban traffic information in nature and are open to access. Their pixel colors represent traffic conditions on corresponding road segments. We propose a stacked convolutional autoencoder-based method to extract a low-dimension feature vector for each input. We compute and analyze the distances between vectors. The statistical results show different traffic patterns during given periods. With the actual data of Chongqing city, we compare the feature extraction performance between our proposed method and histogram. The result shows our proposed method can extract spatiotemporal features better. For the same data set, there is little difference in the number distribution of red pixels found in the statistics result of the histogram, while differences do exist in the results of our proposed method. We find the most fluctuated morning is on Friday; the most fluctuated evening is on Tuesday; and the most stable evening is on Wednesday. The distance captured by our method can represent the evolution of different traffic conditions during the morning and evening peak hours. Our proposed method provides managers with assistance to sense the dynamics of citywide traffic conditions in quantity.
登录
查看更多内容
一种基于深度学习的新型化学过程故障诊断方法，具有扩展的深度信念网络
影响因子：
7.3
作者：
Wang, Yalin;Pan, Zhuofu;Gui, Weihua
通讯作者：
Gui, Weihua
通过卷积自动编码器进行跨模态特征学习
DOI：
10.1145/3231740
发表时间：
2019
期刊：
ACM Transactions on Multimedia Computing, Communications, and Applications
影响因子：
--
作者：
Liu Xueliang;Wang Meng;Zha Zheng-Jun;Hong Richang
通讯作者：
Hong Richang
将交通作为图像进行学习：用于大规模交通网络速度预测的深度卷积神经网络
DOI：
10.3390/s17040818
发表时间：
2017-04-10
期刊：
Sensors (Basel, Switzerland)
影响因子：
--
作者：
Ma X;Dai Z;He Z;Ma J;Wang Y;Wang Y
通讯作者：
Wang Y
DOI：
10.1016/j.ins.2019.09.054
发表时间：
2020-02
期刊：
Inf. Sci.
影响因子：
--
作者：
Jiahui Liu;Xu Jin;Yuxiang Hong;Fan Liu;QiXiang Chen;Yalou Huang;MingMing Liu;Maoqiang Xie
通讯作者：
Jiahui Liu;Xu Jin;Yuxiang Hong;Fan Liu;QiXiang Chen;Yalou Huang;MingMing Liu;Maoqiang Xie
DOI：
10.1155/2020/6123896
发表时间：
2020-03
期刊：
Complex.
影响因子：
--
作者：
Yingsheng Su;Xin Liu;Xuejun Li
通讯作者：
Yingsheng Su;Xin Liu;Xuejun Li