[發明專利]一種交通狀態預測模型構建方法及交通狀態預測方法

有效

• 申請號: 202210170462.2
• 申請日: 2022-02-23
• 公開（公告）號: CN114596702B
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 楊麗麗;孟繁宇;曾益萍;袁狄平;王倩倩
• 申請（專利權）人: 南方科技大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 梁立耀

1.一種交通狀態預測模型構建方法，其特征在于，包括：

獲取第一數據、第二數據和第三數據，所述第一數據包括待預測路段的歷史交通狀態數據，所述第二數據包括所述待預測路段的上下游交叉口的歷史交通狀態數據，所述第三數據包括所述第一數據的特征及所述第二數據的特征，所述特征包含空間特征和/或時間特征；

將所述第一數據、所述第二數據及所述第三數據進行融合，得到訓練樣本數據；

基于所述訓練樣本數據構建交通狀態預測模型，并篩選出相關聯特征，所述相關聯特征為重要度大于預設重要度的特征；

基于所述相關聯特征建立最終交通狀態預測模型。

2.如權利要求1所述的方法，其特征在于，基于所述訓練樣本數據構建交通狀態預測模型，并篩選出相關聯特征，具體包括：

按照預設劃分比例將所述訓練樣本數據劃分成第一測試集及第一驗證集；

將所述第一驗證集對應的特征設為決策屬性，所述第一測試集對應的特征設為條件屬性，基于預設損失函數，建立并訓練所述交通狀態預測模型；

在訓練過程中，計算所述特征的重要度；

若所述重要度大于所述預設重要度，則選為相關聯特征。

3.如權利要求2所述的方法，其特征在于，計算所述特征的重要度，具體包括：

獲取每次分割時所述特征對所述交通狀態預測模型提升的分數；

計算所述分數的平方加權。

4.如權利要求1所述的方法，其特征在于，基于所述相關聯特征建立最終交通狀態預測模型，具體包括：

使用所述相關聯特征建立初始交通狀態預測模型；

按照預設劃分比例將所述訓練樣本數據劃分成第二測試集及第二驗證集；

基于所述第二測試集、所述第二驗證集及所述初始交通狀態預測模型，訓練得到最終交通狀態預測模型。

5.如權利要求2所述的方法，其特征在于，所述預設損失函數為平方損失函數；

所述交通狀態預測模型的目標函數如下：

其中，y_t為第t步的所述待預測路段對應的實際交通狀態值，為第t-1步的通過所述交通狀態預測模型得到的預測值，f_t(x_t)為變換函數，x_t為屬性，Ω(f_i)為第i棵樹的正則化運算，γ為控制節點分裂的閾值，λ為L2正則化權重，ω為葉子的得分，M為葉子的個數。

6.如權利要求1所述的方法，其特征在于，將所述第一數據、所述第二數據及所述第三數據進行融合，得到訓練樣本數據，包括：

對所述第一數據和所述第二數據進行補全，得到補全后的第一數據和第二數據；

將補全后的第一數據和第二數據，與所述第三數據進行融合，得到訓練樣本數據。

7.如權利要求6所述的方法，其特征在于，對所述第一數據和第二數據進行補全，具體包括：

根據所述特征的屬性對應分為連續變量或離散變量；

根據每個特征的缺失數據總量及所述屬性，將所述特征對應進行排序；

若為連續變量，則用相鄰時間段或所有時間段的中位數初始化缺失數據的值；

和/或，若為離散變量，則用相鄰時間段或所有時間段的眾數初始化缺失數據的值。

8.如權利要求7所述的方法，其特征在于，若為連續變量，則用相鄰時間段或所有時間段的中位數初始化缺失數據的值，具體包括：

每次用中位數初始化每個所述連續變量的所述缺失數據的值后，分別得到第一新數據集；

計算每個所述第一新數據集與對應第一舊數據集之間的差值，并求和，得到第一和值；

若所述第一和值小于預設差值，則停止補全；

和/或，若為離散變量，則用相鄰時間段或所有時間段的眾數初始化缺失數據的值，具體包括：

每次用眾數初始化每個所述離散變量的所述缺失數據的值后，分別得到第二新數據集；

計算每個所述第二新數據集與對應第二舊數據集之間的差值，并求和，得到第二和值；

若所述第二和值小于預設差值，則停止補全。