[發明專利]一種融合多尺度時空統計信息的短時交通需求預測方法

有效

• 申請號: 202110007677.8
• 申請日: 2021-01-05
• 公開（公告）號: CN112613630B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 劉鍇;陳志舉;王江波;盧湖川
• 申請（專利權）人: 大連理工大學
• 主分類號: G06Q10/02
• 分類號: G06Q10/02;G06Q10/04;G06Q10/06;G06Q50/30;G06F16/9537;G06F17/16;G06N3/04;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 隋秀文;溫福雪

1.一種融合多尺度時空統計信息的短時交通需求預測方法，其特征在于，步驟如下：

(1)多尺度下六邊形網格劃分，計算不同尺度下各分區時空需求量

采用不同空間尺度的六邊形網格L_s＝{l_s1，l_s2，...，l_si，…l_sn}對城市進行分區，在邊長100-300m范圍內選擇六邊形分區作為基準分區，然后通過邊長乘以2倍、4倍、8倍的方式拓展六邊形分區的空間尺度模式；采用不同時間尺度T_r＝{T_r1，T_r2，...，T_rt，...T_rm}對一天的時間進行分段，在5-15min范圍內選擇時間段作為基準時間尺度，然后分別通過乘以2倍、4倍、8倍的方式拓展時間尺度模式；根據經緯度信息將需求響應出行歷史訂單數據映射到不同時空尺度的網格中，則有表示在空間尺度s、時間尺度r的情況下，分區l_si的第T_rt時間段的交通需求；

以最小尺度的六邊形分區作為基準分區，獲取基準分區所對應的各級別高尺度分區編號，則對應的多尺度時空需求在篩選基準分區對應高級別尺度的分區時，存在兩種情況：若基準分區被高級別尺度分區完全覆蓋時，則覆蓋分區即為基準分區相應尺度下對應分區；若基準分區被兩個高級別尺度分區均分時，則兩分區各以50％的概率作為基準分區相應尺度下對應分區；

每一個目標分區的交通需求在空間上受其鄰近的區域影響大，同時選取目標分區及環繞其周圍的第1層6個鄰近分區、以及第2層的12個鄰近分區的交通需求來共同捕獲目標分區的空間特征，目標分區與其2層鄰近分區的空間分布關系，則的局部鄰域需求可表示為向量其中

將目標分區的局部鄰域需求映射到矩陣的5行9列之中，局部鄰域中各需求在矩陣中的分布為：

對矩陣中各局部鄰域分區需求進行歸一化：其中為原始交通需求，和分別代表相應時空尺度下的需求量最小值和最大值，為歸一化后的值；

用同樣的手段獲取基準分區對應的其他各空間尺度歸一化局部領域矩陣，并將各尺度的矩陣疊加為5行9列S層的三維張量，記為則表示為基準分區i、基準時間段t、時間尺度r對應的多空間尺度的局部領域需求特征；以時間尺度r對應的歷史h個時間段的多空間尺度需求作為輸入，預測時間尺度r下一個時間段各空間尺度下的需求構建相應的輸入和輸出樣本，并按比例劃分時間尺度r下的訓練集和測試集；按同樣的方式分別構建其他各時間尺度下的訓練集和測試集，用于測試相應時間尺度下的預測結果；

(2)設計交通需求預測模型

采用卷積長短期記憶模型進行時空序列預測，將目標分區的歷史多空間尺度交通需求作為卷積長短期記憶模型的輸入，輸出即為交通預測模型包括4個ConvLSTM層，分別具有8，16，32，32個隱藏態，在邊緣區域使用補零的操作，卷積核大小為3×3，最后通過4層全連接層，最后輸出各空間尺度下的交通需求預測結果；

構建空間尺度自適應誤差損失選擇函數L為均方根誤差RMSE和平均絕對百分比誤差MAPE的組合：其中表示真實需求，表示預測值，對每次預測得到的各空間尺度下的需求值，篩選出誤差小的一組用作模型整體損失函數計算，等價于，在每次迭代的過程中，模型自適應地朝著目標位置的最優尺度方向來更新參數；

(3)根據歷史數據訓練模型，并進行實時需求預測

利用步驟(1)中的各時間尺度下的訓練集對步驟(2)中的預測模型進行訓練，選取均方根誤差RMSE和平均絕對百分比誤差MAPE作為模型預測精度指標；對于每個基準分區，首先通過各時間尺度下的測試集的預測結果評估各時間尺度的綜合預測精度；其次選擇最優時間尺度下的測試集，評估相應各空間尺度下的預測結果，選擇最優空間尺度；獲取各基準分區最優的時空尺度，建立最優多時空尺度的交通需求預測模型，將實時需求數據歸一化后輸入到最優的交通需求預測模型，得到預測結果，再進行反歸一化，得到最終預測結果，實現城市各區域最優多時空尺度的實時需求預測。