In order to improve traffic indicator prediction and route planning, a forecasting system (10) is proposed. The forecasting system (10) comprises a sensor means or database means that obtains for each link (L1, L2, …) and/or node (N1, N2, …) of the road network (100) traffic data and external factor data. The system (10) has a feature convolution aggregator (12) means that is configured to generate aggregated data from the traffic data and the external factor data. The aggregated data are fed to a first machine learning model (14) that includes at least one graph attention network (16) layer that is configured to determine spatial dependency output data (18) that is indicative of the spatial dependency of the aggregated data based on the aggregated data. The output of the first machine learning model (14) is fed to a second machine learning model (20) that includes an encoder-decoder style informer layer (22) that is trained to determine traffic indicator data for each link (L1, L2, …) and/or node (N1, N2, …) based on the spatial dependency output data (18), wherein the informer layer (22) includes at least one encoder (24) and at least one decoder (26), wherein the encoder (24) determines a concatenated feature map (30) based on the spatial dependency output data (18), wherein the concatenated feature map (30) is fed into each decoder (26). A fully connected output layer generates the traffic indicator timeseries for each link (L1, L2, …) and/or node (N1, N2, …) from the traffic indicator data.

    Afin d'améliorer la prédiction d'indicateurs de trafic et la planification d'itinéraires, l'invention propose un système de prévision (10). Le système de prévision (10) comprend un moyen capteur ou un moyen formant base de données qui obtient pour chaque lien (L1, L2, ...) et/ou chaque nœud (N1, N2, ...) du réseau routier (100) des données de trafic et des données de facteurs externes. Le système (10) possède un moyen agrégateur de convolutions de caractéristiques (12) qui est configuré pour générer des données agrégées à partir des données de trafic et des données de facteurs externes. Les données agrégées sont introduites dans un premier modèle d'apprentissage automatique (14) qui comprend au moins une couche de réseau d'attention de graphes (16) qui est configurée pour déterminer des données de sortie de dépendance spatiale (18) qui indiquent la dépendance spatiale des données agrégées sur la base des données agrégées. La sortie du premier modèle d'apprentissage automatique (14) est introduite dans un second modèle d'apprentissage automatique (20) qui comprend une couche d'informateur de style encodeur-décodeur (22) qui est entraînée pour déterminer des données d'indicateurs de trafic pour chaque lien (L1, L2, ...) et/ou chaque nœud (N1, N2, ...) sur la base des données de sortie de dépendance spatiale (18), la couche d'informateur (22) comprenant au moins un encodeur (24) et au moins un décodeur (26), l'encodeur (24) déterminant une carte de caractéristiques concaténées (30) sur la base des données de sortie de dépendance spatiale (18), la carte de caractéristiques concaténées (30) étant introduite dans chaque décodeur (26). Une couche de sortie entièrement connectée génère la série chronologique d'indicateurs de trafic pour chaque lien (L1, L2, ...) et/ou chaque nœud (N1, N2, ...) à partir des données d'indicateurs de trafic.


    Zugriff

    Download


    Exportieren, teilen und zitieren



    Titel :

    A COMPUTER-IMPLEMENTED METHOD FOR FORECASTING TRAFFIC INDICATORS IN A ROAD NETWORK


    Weitere Titelangaben:

    PROCÉDÉ MIS EN ŒUVRE PAR ORDINATEUR POUR PRÉVOIR DES INDICATEURS DE TRAFIC DANS UN RÉSEAU ROUTIER


    Beteiligte:
    RONG PROF SU (Autor:in) / LUO RUIKANG (Autor:in) / SONG YAOFENG (Autor:in) / HUANG DR LIPING (Autor:in)

    Erscheinungsdatum :

    04.04.2024


    Medientyp :

    Patent


    Format :

    Elektronische Ressource


    Sprache :

    Englisch


    Klassifikation :

    IPC:    G06N COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS , Rechnersysteme, basierend auf spezifischen Rechenmodellen / G01C Messen von Entfernungen, Höhen, Neigungen oder Richtungen , MEASURING DISTANCES, LEVELS OR BEARINGS / G08G Anlagen zur Steuerung, Regelung oder Überwachung des Verkehrs , TRAFFIC CONTROL SYSTEMS



    Road Traffic Indicators and Their Prediction

    Danech-Pajouh, M. / IEEE | British Library Conference Proceedings | 2001


    Road traffic indicators and their prediction

    Danech-Pajouh, M. | IEEE | 2001


    Some approaches to road traffic forecasting

    Danech-Pajouh,M. / INRETS/DARTS,FR | Kraftfahrwesen | 1995


    Some Approaches to Road Traffic Forecasting

    Danech-Pajouh, M. | British Library Conference Proceedings | 1995


    COMPUTER-IMPLEMENTED METHOD AND SYSTEM FOR CLASSIFYING TRAFFIC SITUATION

    ANDRE ROSSI / LUKA KARAMAN / PHILIPP ATORF et al. | Europäisches Patentamt | 2024

    Freier Zugriff