[發(fā)明專利]一種基于關(guān)鍵路段的城市路網(wǎng)交通狀態(tài)預(yù)測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811043484.2
• 申請(qǐng)日: 2018-09-07
• 公開（公告）號(hào): CN109285346B
• 公開（公告）日: 2020-05-05
• 發(fā)明（設(shè)計(jì)）人: 王云鵬;楊剛;于海洋;任毅龍;季楠;張路
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;H04L12/24;G06Q50/30;G06Q10/04;G06N3/04
• 代理公司: 北京和信華成知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11390
• 代理人: 胡劍輝

本專利公開了一種種基于關(guān)鍵路段的城市路網(wǎng)交通狀態(tài)預(yù)測方法，其特征在于，所述方法包括：步驟一：數(shù)據(jù)預(yù)處理；步驟二：建立路網(wǎng)空間權(quán)重矩陣；步驟三：建立時(shí)間相關(guān)性矩陣；步驟四：利用時(shí)空相關(guān)性矩陣識(shí)別關(guān)鍵路段。步驟五：建立深度卷積神經(jīng)網(wǎng)絡(luò)，預(yù)測未來路網(wǎng)狀態(tài)，并對(duì)預(yù)測模型進(jìn)行評(píng)價(jià)；本發(fā)明從大范圍路網(wǎng)層面對(duì)城市交通流狀態(tài)進(jìn)行預(yù)測，有利于從宏觀上對(duì)交通流進(jìn)行誘導(dǎo)充分挖掘交通流的時(shí)空相關(guān)特性，通過識(shí)別路網(wǎng)中的關(guān)鍵路段，相比于將所有路段的歷史狀態(tài)作為輸入數(shù)據(jù)，能夠大大減少模型的訓(xùn)練時(shí)間，提高預(yù)測效率；采用卷積神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型，預(yù)測結(jié)果也更加準(zhǔn)確。

技術(shù)領(lǐng)域

本發(fā)明涉及交通領(lǐng)域。具體而言是一種利用時(shí)空相關(guān)性算法從城市路網(wǎng)中識(shí)別關(guān)鍵路段，從而對(duì)路網(wǎng)整體交通流狀態(tài)進(jìn)行預(yù)測的方法。

背景技術(shù)

我國城市化進(jìn)程的加快和機(jī)動(dòng)車保有量的持續(xù)增長，使得城市交通網(wǎng)絡(luò)擁堵問題日益嚴(yán)重，成為阻礙城市健康快速發(fā)展的重要因素之一。對(duì)城市路網(wǎng)短時(shí)交通流進(jìn)行實(shí)時(shí)預(yù)測，為出行者提供實(shí)時(shí)可靠的路線，提高出行效率，并對(duì)交通行為進(jìn)行誘導(dǎo)。同時(shí)，為管理部門的交通信息服務(wù)、交通誘導(dǎo)、交通管制以及交通擁堵問題的緩解提供強(qiáng)有力的技術(shù)支持。

隨著智能交通技術(shù)(Intelligent Traffic System，ITS)的快速發(fā)展和普及，從收費(fèi)站、卡口、視頻檢測器、手機(jī)等終端采集的海量交通數(shù)據(jù)，催生交通系統(tǒng)智慧化變革，為未來智慧交通的發(fā)展提供數(shù)據(jù)基礎(chǔ)。此外，隨著人工智能算法的興起和在交通預(yù)測領(lǐng)域的成功應(yīng)用，基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)模型，也為洞察、理解、預(yù)測復(fù)雜的交通系統(tǒng)提供了算法支撐。結(jié)合大數(shù)據(jù)和人工智能技術(shù)，應(yīng)用于交通態(tài)勢實(shí)時(shí)感知與預(yù)測、交通云計(jì)算等新場景，為路網(wǎng)態(tài)勢預(yù)測與分析，提供了新的手段。

短時(shí)交通流預(yù)測一直是國內(nèi)外學(xué)者研究的熱點(diǎn)，現(xiàn)有的方法主要分為參數(shù)模型、非參數(shù)模型、人工智能方法、組合模型等。參數(shù)模型比較簡單，易于構(gòu)造，但對(duì)于復(fù)雜多變的交通流，存在滯后現(xiàn)象，不能應(yīng)對(duì)突發(fā)事件；非參數(shù)模型構(gòu)造簡單，但不適用于交通流的非線性、不確定性特征；人工智能方法能夠自適應(yīng)復(fù)雜、非線性的交通系統(tǒng)，且預(yù)測精度較高，但模型的訓(xùn)練需要大量數(shù)據(jù)，且訓(xùn)練時(shí)間較長；組合模型結(jié)合了多種模型的優(yōu)點(diǎn)，但是構(gòu)造較為復(fù)雜。其中，深度學(xué)習(xí)是一種從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征的方法，自學(xué)習(xí)能力很強(qiáng)，已經(jīng)成功應(yīng)用于圖像、語音識(shí)別等方面，在交通狀態(tài)預(yù)測中也取得了一定的成果。

交通大數(shù)據(jù)的規(guī)模大、種類多、價(jià)值密度低等特征，決定了海量信息中包含了大量的冗余信息。目前利用深度學(xué)習(xí)預(yù)測路網(wǎng)狀態(tài)的研究中，直接應(yīng)用海量數(shù)據(jù)進(jìn)行預(yù)測，會(huì)使模型復(fù)雜但精度提升不顯著。在研究中發(fā)現(xiàn)，交通流在時(shí)間和空間上呈現(xiàn)出很明顯的相關(guān)性，部分道路對(duì)鄰近路段或局域路網(wǎng)的影響較大。本發(fā)明提出利用時(shí)空相關(guān)性算法識(shí)別路網(wǎng)中的關(guān)鍵路段，并利用關(guān)鍵路段的交通參數(shù)對(duì)整體路網(wǎng)狀態(tài)進(jìn)行預(yù)測。該方法充分考慮了交通流的時(shí)空相關(guān)性，能夠在確保精度的前提下，簡化模型輸入，提高預(yù)測效率，很好的克服了現(xiàn)有利用深度學(xué)習(xí)預(yù)測路網(wǎng)狀態(tài)中存在的訓(xùn)練時(shí)間長，對(duì)數(shù)據(jù)量依賴較大的不足。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服目前深度學(xué)習(xí)中存在的訓(xùn)練時(shí)間長、預(yù)測效率低的問題，充分挖掘路網(wǎng)交通的時(shí)空相關(guān)特性，識(shí)別對(duì)鄰近路段和區(qū)域路網(wǎng)狀態(tài)影響較大的關(guān)鍵路段，提出一種利用關(guān)鍵路段時(shí)空特性預(yù)測路網(wǎng)交通狀態(tài)的預(yù)測方法。本發(fā)明利用浮動(dòng)車技術(shù)，首先對(duì)原始數(shù)據(jù)進(jìn)行清洗，得到路網(wǎng)中各路段平均速度和路段之間的拓?fù)潢P(guān)系；然后，利用時(shí)空相關(guān)性算法識(shí)別路網(wǎng)中的關(guān)鍵路段；最后，搭建深度學(xué)習(xí)網(wǎng)絡(luò)，將關(guān)鍵路段的速度轉(zhuǎn)換成時(shí)空狀態(tài)矩陣作為輸入，對(duì)預(yù)測模型進(jìn)行訓(xùn)練，從而預(yù)測未來整體路網(wǎng)的交通流狀態(tài)，并對(duì)模型進(jìn)行評(píng)價(jià)。該方法考慮了路網(wǎng)的時(shí)空相關(guān)性，對(duì)路網(wǎng)的時(shí)空特性進(jìn)行充分挖掘，識(shí)別出路網(wǎng)中的關(guān)鍵路段，并基于此對(duì)整體路網(wǎng)狀態(tài)進(jìn)行預(yù)測，在理論方面具有創(chuàng)新性，且對(duì)實(shí)際具有較強(qiáng)的指導(dǎo)意義。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用如下的技術(shù)方案：

步驟一：數(shù)據(jù)預(yù)處理。對(duì)原始數(shù)據(jù)進(jìn)行清洗，計(jì)算各個(gè)路段的平均速度，將其匹配到路段上，并選擇待研究路網(wǎng)。