[發明專利]一種基于深度時空卷積循環網絡的路網狀態預測方法

有效

• 申請號: 201710361129.9
• 申請日: 2017-05-22
• 公開（公告）號: CN107180530B
• 公開（公告）日: 2019-09-06
• 發明（設計）人: 于海洋;吳志海;楊剛;馬曉磊;楊帥
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/04
• 代理公司: 北京和信華成知識產權代理事務所(普通合伙) 11390
• 代理人: 胡劍輝

本專利公開了一種基于深度時空卷積循環網絡的路網狀態預測方法，所述方法包括：步驟一：建立樣本集，并劃分訓練集和測試集；步驟二，路網狀態預測模型建模；所述路網狀態預測模型包括卷積神經網絡和遞歸神經網絡兩個部分，所述卷積神經網絡用于提取路網空間特征，所述遞歸神經網絡用于提取路網演變的時序規律；步驟三，未來某一時間段路網狀態預測本專利通過深度卷積神經網絡提取路網中各個路段之間的聯系。本專利通過遞歸神經網絡用于提取路網演變的時序規律；充分考慮路網時空信息的條件下可以獲得更精確的路網交通狀態的預測。

技術領域

本發明涉及公共交通信息處理技術領域，具體地說是一種一種基于深度時空卷積循環網絡的路網狀態預測方法。

背景技術

經濟的快速發展大大提高了人們對交通的需求，交通擁堵問題日益突出。智能交通系統被認為是緩解交通擁堵的重要途徑，從網絡層面對交通擁堵進行預測對智能交通系統有著重要的意義。

在道路交通的研究中，通常包括路段和路網的分別，路段通常是指某一段道路路，而路網是指在某一個預定區域中，多條公路相互交錯形成的網狀交通系統。

現有技術對于道路的擁堵預測中，大部分是從路段層面進行擁堵預測，預測模型主要采用了ARIMR，Kalman濾波，BP神經網絡等方法。這些方法雖然對于路段層面的交通擁堵預測有著較高的精度，但是功能過于單一，難以把握路網的擁堵情況，其采用的方法相對比較簡單如果放大到路網的層面，對于預測會產生較大的偏差。

近年來，現有技術中逐漸將深度學習用于交通擁堵，例如采用遞歸神經網絡挖掘某一主干道狀態演變的時序規律，從而做出精確預測。但是現有技術中的預測方法往往難以考慮不同路段之間的空間關系以及支路信息對主干道的影響；因此其預測范圍僅限于主干道，也存在較大的局限性。

發明內容

本發明為解決以上現有技術的不足而提出的，本發明要解決的技術問題是提供一種基于深度學習的路網狀態預測方法，具體是利用卷積神經網絡提取路網中各個路段擁堵情況在空間上的特征采用遞歸神經網絡在挖掘路網狀態在時序上的演變規律從而實現從網絡層面對路網狀態進行預測。

為了解決上述問題，本發明提供的技術方案包括：

一種基于深度學習的路網狀態預測方法，其特征在于，所述方法包括如下步驟：

步驟一：建立樣本集，并劃分訓練集和測試集

選取目標路網，將路網劃分為k個路段，并對各個路段進行編號，記為(1,2,3,…,k)，將一天24小時分成各個時間長度一樣的時間段；首先，計算各個路段在每個時間段的平均速度,平均速度的計算方法是：在某一時間段內，在某一路段通過的所有車輛平均速度的均值，如式(1)所示，其中n代表在該時間段在該路段通過的車輛數目，a代表路網中的第a個路段，a∈(1,2,···,k)，j是時間段編號，S代表該路段的長度，Δt代表時間段的長度，代表車輛i在Δt的平均速度；

若某一路段在Δt內沒有車輛通過，在用上一個時間段的平均速度替代當前時間段的平均速度，即v_a,j＝v_a,j-1；

其次，將各個路段的平均速度投影到路網中，建立路網中各個路段與該路段的平均速度的對應關系；