[發明專利]一種基于歷史路況的短時路況預測方法、系統及設備

有效

• 申請號: 202110352681.8
• 申請日: 2021-03-31
• 公開（公告）號: CN113160563B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 趙璽;田文斌
• 申請（專利權）人: 西安交通大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04;G06Q10/06;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 王艾華

1.一種基于歷史路況的短時路況預測方法，其特征在于，具體如下：

對時間域內的數據進行下采樣來構造同質數據；

構造靶點的微觀時空的時間近鄰數據，對所述時間近鄰數據進行標準化操作、維度統一和縮放，得到路況信息的微觀語義特征；所述靶點為當前預測路段；

基于多次神經網絡定義一個淺層語義捕捉器，將所述微觀語義特征載入淺層的多層神經網絡中，捕捉靶點的微觀語義；

基于所述同質數據構造宏觀歷史數據，經過均值下采樣后，對路況狀態進行標簽映射，得到宏觀歷史周期特征；

將所述宏觀歷史周期特征和靶點的微觀語義融合得到載入特征；

將所得載入特征輸入梯度提升決策樹算法中，對載入特征進行隨機抽樣，按照k折交叉驗證來進行多輪訓練，得到推理模型；

對將要預測的路況，獲取其載入特征后，將所述載入特征輸入所述推理模型用于推理，得到關于未來路段短時路況語義的預測結果；對時間域內的數據進行下采樣來構造同質數據具體為：按照宏觀時空尺度，在歷史的過去第一設定時間段中捕獲相同路況在鄰近時間區間的路況信息，另一方面，在過去第二設定時間段中的每個工作日，捕捉其鄰近數據，第一時間段為7天，第二設定時間段為一個月，將所述鄰近數據預處理后裁剪為時空分布數據，將文本格式數據處理為數值型數據，而后將數據存儲，作為特征構建的母版數據；在構建的母版數據中獲取每個數據的宏觀周期數據，將宏觀周期數據按照均值下采樣的方法，進行下采樣，而后獲得該數據的同質數據；路況信息包括路段的法定信息、路段的物理信息；車流信息表示具體的時空車流信息量，數據結構為S＝[day,link,id,I]，S表示車流路況信息，day為靶點的日期，link為靶點的路段號，id為靶點在一天中的時間片，2Minute為一個時間片，I為靶點的時空鄰域的車流信息，具體包括靶點當時路況及時空鄰居節點的車流信息，具體的，I＝[eta,v,label,cars]，獲取每個link的上游uppart和下游downpart的link段，組成每個link的拓撲結構，表示為：

L＝{l_i,L_up,L_down},L_up＝{l_up1,l_up2...,l_upn},L_down＝{l_down1,l_down2...,l_downm}

l_i表示第i個靶點路段，L_up表示l_i的上游路段，L_up＝{l_up1,l_up2...,l_upn}，上游路段由具體的路段l_upj組成，下游路段同理；

對靶點的路況信息info(day,id,I)，獲取其過去一個月中相同工作日鄰近時間區間的路況信息，具體為：

{info(day',id',I)},day'＝[-7day,-14day,-21day,-28day],id'＝[id±r],r＝{1,2,3}

通過上式獲取每個靶點在過去四個工作日的時間近鄰路況信息，將所述時間近鄰路況信息按照工作日分組，對于分組后的每組路況信息，對所述時間近鄰路況信息進行均值下采樣，將離散數據變為連續數據：

基于所述同質數據構造宏觀歷史數據，經過均值下采樣后，對路況狀態進行標簽映射，得到宏觀歷史周期特征時，定義兩個不同尺度的時間周期，來提取車輛信息的宏觀歷史周期特征：

第一時間周期為一個月內相同工作日的四天；第二時間周期為一周內的七天；

對第一時間周期進行特征抽取，獲取靶點過去一月內每個相同工作日的路況信息，然后對數據進行下采樣，獲取基于第一時間周期的歷史時間特征，將所述歷史時間特征加入特征組，對第二時間周期進行特征抽取，首先獲取靶點過去一周每天鄰近時間域內的路況信息：

對數據進行下采樣，獲取基于第二時間周期的歷史時間特征，將所述歷史時間特征加入特征組中，得到：

F＝[Link,cid,fid,I'_-1week,...I'_-1week,I'_-1day...I'_-6day]。