用于旅行时间预测的深度学习网络模型及其建立方法技术

本发明专利技术提供了一种基于网络融合考虑交通状态时空关系的旅行时间预测方法。本发明专利技术通过对浮动车数据精细化处理，进而得到高精度数据。具体的，本发明专利技术对浮动车数据精细化处理过程，巧妙的利用了目前主要应用于人工智能领域的卷积神经网络和循环神经网络，并将所述网络进行融合，充分考虑了交通状态的时空关系，深度挖掘交通状态演变规律，最终实现了精确预测旅行时间。与以往各类旅行时间预测模型相比，本发明专利技术提供的方法将交通状态的时空关系融合起来，充分挖掘历史数据特征，克服了其他方法无法应对交通流高度时变特性和非线性变化特征的难题，不需要先验知识和参数识别，具有较强的容错性和鲁棒性，精度高，稳定性好。

Depth learning network model for travel time prediction and method for establishing the same

The invention provides a travel time prediction method based on network integration considering the spatio-temporal relation of traffic status. The invention realizes fine data processing by fine processing of the floating vehicle data. Specifically, the invention of the floating car data of fine processing, clever use of the currently used in the field of artificial intelligence convolutional neural network and recurrent neural network, and the network integration, give full consideration to the relationship between time and space of traffic state, the depth of excavation evolution of traffic state, achieve accurate prediction of travel time. Compared with the previous various travel time prediction model, the method of the invention will spatio-temporal traffic state integration, fully excavate the historical data characteristics, cope with the problem of other methods cannot cope with high traffic flow characteristics of time-varying and non-linear characteristic, does not require a priori knowledge and parameter identification, has strong fault tolerance and robustness high precision and good stability.

【技术实现步骤摘要】
用于旅行时间预测的深度学习网络模型及其建立方法
本专利技术属于智能交通信息处理
，具体涉及一种旅行时间预测模型及其建立方法。
技术介绍
旅行时间作为交通状态的重要评价指标之一，已成为先进的出行服务信息系统和先进的道路交通管理系统的关键组成部分，实时准确的旅行时间信息发布对于精细化的交通管理、改善出行服务具有重要的理论研究价值与现实意义。现有的研究中已经有一些预测旅行时间模型的建立方法，概括起来主要包括参数方法和非参数方法两类，参数方法包括宏观交通流模型、时间序列法、卡尔曼滤波法等，该类方法建模简单，精度高，但受随机干扰因素影响大，不确定性强；非参数方法包括神经元网络法、支持向量机、K最近邻方法等，该类方法不需要先验知识和参数识别，具有较强的容错性和鲁棒性，但对历史数据量有一定要求。总结来说，现有研究主要存在以下两点不足：现有方法多是基于固定检测器数据，覆盖面积小，数据缺失大，准备不充分；预测模型受随机因素影响大，无法应对交通流高度时变特性和非线性变化特征的难题，鲁棒性和精确性差。目前，深度学习在人工智能领域得到了广泛应用，其中卷积神经网络和循环神经网路分别在计算机视觉和自然语言本文档来自技高网...

【技术保护点】
一种旅行时间预测方法，其特征在于，所述方法包括：将卷积神经网络输出的交通状态的空间特征，和/或循环神经网络输出的旅行时间的时序分布规律，作为输入，融合后输出，即得预测的旅行时间。

【技术特征摘要】
1.一种旅行时间预测方法，其特征在于，所述方法包括：将卷积神经网络输出的交通状态的空间特征，和/或循环神经网络输出的旅行时间的时序分布规律，作为输入，融合后输出，即得预测的旅行时间。2.根据权利要求1所述的方法，其特征在于：所述交通状态包括整个目标路径的交通状态；所述旅行时间包括真实旅行时间；再具体的，所述真实旅行时间包括整个测试时间内的真实旅行时间，和/或整个测试时间内，任意时刻的真实旅行时间；所述交通状态为待预测时刻前的交通状态；所述整个测试时间为待预测时刻前的时间；所述交通状态包括交通速度值；所述交通状态的空间特征包括所述交通速度值在所述目标路径的不同路段的分布演变；所述旅行时间的时序分布规律包括所述整个测试时间内，不同出发时刻的真实旅行时间的分布演变；所述融合包括通过融合网络进行融合。3.根据权利要求1和/或2所述的方法，其特征在于：所述卷积神经网络还包括输入，所述输入包括，以整个测试时间整个目标路径的时空速度矩阵为输入；所述循环神经网络还包括输入，所述输入包括，以通过整个目标路径的真实旅行时间序列作为输入。4.一种旅行时间预测方法，其特征在于，所述方法包括：以整个测试时间整个目标路径的时空速度矩阵为输入，经卷积神经网络处理后，输出；和/或，将通过整个目标路径的真实旅行时间序列作为输入，经循环神经网络处理后，输出；将上述卷积神经网络的输出和循环神经网络的输出，同时作为输入，经融合网络处理后，输出。5.根据权利要求4所述的方法，其特征在于，所述方法包括：所述整个测试时间整个目标路径的时空速度矩阵包括，将所述整个目标路径的长度计为纵坐标轴，将所述整个测试时间的长度计为横坐标轴，将所述横、纵坐标轴围成的矩形面积部分划分成若干固定大小的方格；其中，每个方格的纵坐标代表该方格包含的目标路径的长度值，每个方格的纵坐标方向的长度计为固定路段的长度值；每个方格的横坐标代表该方格包含的测试时间值，每个方格的横坐标方向的长度计为固定时间间隔的时间长度；采集所述每个方格内的浮动车的真实速度数据，在保证方格内浮动车样本量的情况下，计算每个方格内的浮动车的平均速度作为每个方格内的速度值，所得所有方格内的所述速度值的集合即为整个测试时间整个目标路径的时空速度矩阵；所述横、纵坐标所代表的意义可以互换；和/或，所述通过整个目标路径的真实旅行时间序列包括，以给定测试时刻为横坐标，以原点纵坐标为纵坐标，在所述时空速度矩阵中定位通过的第一个方格，将所述第一个方格内的所述固定路段的长度值除以所述速度值，所得计算结果为通过所述第一方格的真实旅行时间；以所述第一方格的真实旅行时间为横坐标，以与所述第一个方格的纵坐标连续的下一个所述固定路段的纵坐标为纵坐标，定位通过的第二个方格，以所述第二个方格的所述速度值来计算得出所述第二个方格的真实旅行时间；以同样的方法，依次定位出通过的所有方格，并计算得出包含了整个目标路径的所述定位出通过的所有方格的真实旅行时间，将所述所有方格的真实旅行时间相加，其和为该给定测试时刻，通过整个目标路径的真实旅行时间；以相同的方法，可计算得到待预测...

【专利技术属性】
技术研发人员：王云鹏，张志豪，余贵珍，任毅龙，陈鹏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11