[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

本發明實施例公開了一種速度預測的方法、裝置和計算機可讀存儲介質，依據預設時間段內的軌跡數據，計算出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，特征矩陣中包括有每個路段各自對應的特征向量；將每個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，對時間序列進行處理，得到目標路網對應的目標速度矩陣。由于特征向量是在考慮了路網拓撲結構情況下得到的向量，有效避免了錯誤的空間動態演化特征對其精度的影響。使得根據該特征向量預測出的目標速度向量更加準確，有效提升了速度預測的精度。

技術領域

本發明涉及城市交通技術領域，特別是涉及一種速度預測的方法、裝置和計算機可讀存儲介質。

背景技術

隨著社會經濟的發展，私人小汽車的擁有量逐年遞增，某些大城市的道路改擴建速度已無法滿足機動車的增長的要求，由此導致的城市交通擁堵、交通事故等問題已成為困擾城市發展和居民出行的重要問題。為此，智能交通系統(Intelligent TransportSystems，ITS)作為一種有效解決手段已經成為研究的熱點。而交通系統是一個有人參與的、時變的、巨大且復雜的系統，時刻變化著的城市道路交通速度狀態怎樣能夠精準的預測，這是ITS的核心問題之一。

ITS的各種子系統，比如及時調整交通管理控制方案，控制交通擁堵；為出行者發布出行信息，提供最優路徑選擇方案；進行準確的到達時間估計，從而推薦用戶合理的出發時間等，都需要準確的城市交通速度預測作為基礎。

在近些年交通速度預測被學術界和工業界廣泛研究，相關方法主要分為傳統預測方法和深度學習方法。在傳統預測方法上，時間序列分析是最典型的模擬時間序列模式的方法。其中差分自回歸移動平均模型通過對過去交通速度的線性組合來預測單個路段上的交通速度。同時為了描述周期性趨勢如早晚高峰等，季節性差分自回歸移動平均模型被提出。除此之外，一些傳統的機器學習方法如線性回歸和支持向量回歸也被用來進行單個路段的時間序列模式學習。

近些年隨著深度學習的不斷發展，越來越多的研究者開始使用深度學習技術進行交通速度預測。其中，長短期記憶網絡(Long Short-Term Memory，LSTM)善于捕捉較長序列的時間依賴，從而被用于單路段的交通速度預測。

但是以上方法都主要對單個路段進行預測，而忽略了周圍路段的影響，未考慮城市交通速度預測在空間上的演化關系。對此，善于捕捉空間關系的卷積神經網絡(Convolutional Neural Network，CNN)被用于城市交通速度預測。

在空間演化的過程中，由于城市的交通路網是一個拓撲結構，因此在空間上的演化會受路網的拓撲結構的影響，也就是說一個路段會直接影響周圍的鄰接路段。而傳統的CNN只能對矩陣中的臨近單元進行學習，但是城市級別的時空速度矩陣并不能保證臨近路段在相鄰行中，上述使用CNN對城市進行交通速度預測的方法沒有考慮這一點，因此會學到一些錯誤的空間動態演化特征而影響其預測精度。

可見，如何提升速度預測的精度，是本領域技術人員亟待解決的問題。

發明內容

本發明實施例的目的是提供一種速度預測的方法、裝置和計算機可讀存儲介質，可以提升速度預測的精度。

為解決上述技術問題，本發明實施例提供一種速度預測的方法，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；