[發明專利]一種速度預測的方法、裝置和計算機可讀存儲介質

有效

• 申請號: 201810690697.8
• 申請日: 2018-06-28
• 公開（公告）號: CN108648457B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 許佳捷;呂中劍;趙朋朋;周曉方
• 申請（專利權）人: 蘇州大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

1.一種速度預測的方法，其特征在于，包括：

依據預設時間段內的軌跡數據，計算出目標路網中各路段相對應的初始速度；所有所述路段對應的初始速度構成所述目標路網的初始速度向量；

利用預先訓練好的基于路網的卷積神經網絡，對所述目標路網對應的初始速度向量和鄰接路段矩陣進行卷積處理，得到相應的特征矩陣；其中，所述特征矩陣中包括有每個所述路段各自對應的特征向量；

將目標路段的特征向量轉化成時間序列，并利用預先訓練好的長短期記憶網絡，對所述時間序列進行處理，得到所述目標路段對應的目標速度向量；其中，所述目標路段為所述目標路網中包括的所有路段中的任意一個路段，所有所述目標路段對應的目標速度向量構成所述目標路網的目標速度矩陣；

利用查找卷積層來將路網的拓撲結構嵌入到卷積操作中，將引入查找卷積層的卷積神經網絡稱作基于路網的卷積神經網絡；所述鄰接路段矩陣記錄所有路段的鄰接路段；

基于路網的卷積神經網絡包括有多個查找卷積層，每個查找卷積層連接一個批量規范化層；經過多個查找卷積層和批量規范化層的處理后，得到目標路網對應的特征矩陣。

2.根據權利要求1所述的方法，其特征在于，所述基于路網的卷積神經網絡和所述長短期記憶網絡的訓練過程包括：

依據訓練集軌跡數據，計算出所述目標路網中各路段相對應的歷史速度；所有所述路段對應的歷史速度構成所述目標路網的歷史速度向量；

利用基于路網的卷積神經網絡，對所述目標路網對應的歷史速度向量和鄰接路段矩陣進行卷積處理，得到相應的歷史特征矩陣；其中，所述歷史特征矩陣中包括有每個所述路段各自對應的歷史特征向量；

將目標路段的所述歷史特征向量轉化成歷史時間序列，并利用長短期記憶網絡，對所述歷史時間序列進行處理，得到所述目標路段對應的預測速度向量；所有所述目標路段對應的預測速度向量構成所述目標路網的預測速度矩陣；

根據所述預測速度矩陣和所述目標路網相對應的實際速度矩陣，調整所述基于路網的卷積神經網絡和所述長短期記憶網絡的各模型參數的取值，直至各所述模型參數滿足預設要求。

3.根據權利要求1所述的方法，其特征在于，所述依據預設時間段內的軌跡數據，計算出目標路網中各路段相對應的初始速度包括：

利用如下公式，計算目標路段r在周期時間t內對應的初始速度

式中，T表示所述軌跡數據中在周期時間t內通過所述目標路段r的所有軌跡集合；traj表示所述軌跡集合T中的一條軌跡；f(traj,t,r)用于表示通過所述目標路段r的軌跡traj在周期時間t內的速度值；r.length表示目標路段r的總長度；表示軌跡traj在周期時間t內進入所述目標路段r的開始時間；表示軌跡traj在周期時間t內離開所述目標路段r的離開時間。

4.根據權利要求1-3任意一項所述的方法，其特征在于，還包括：

利用卷積神經網絡的全連接層，從歷史軌跡數據中提取所述目標路段對應的參考矩陣；

對所述目標速度矩陣和所述參考矩陣進行融合處理，將得到的融合結果作為所述目標路網最新的目標速度矩陣。

5.根據權利要求4所述的方法，其特征在于，還包括：

獲取與所述目標速度矩陣相對應的實際速度矩陣；

根據融合處理后得到的所述目標速度矩陣和所述實際速度矩陣，調整網絡模型中各模型參數的取值。