一种利用时空分布特性的交通流预测方法及装置制造方法及图纸

本发明专利技术涉及交通监控领域，具体涉及一种利用时空分布特性的交通流预测方法及装置。该交通流预测方法及装置将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据，并将多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布，对交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。该交通流预测方法及装置结合了空间和时间的分布特性，在预测结果方面避免了大幅偏差，增加了预测结果的可信程度，充分利用空间‑时间交通信息，通过城市历史交通流信息，以及实时的区域交通流信息，预测未来某一时段的城市的交通状况，可以更好地满足智能交通系统提供交通信息服务、进行交通控制和诱导的需求。

【技术实现步骤摘要】
一种利用时空分布特性的交通流预测方法及装置
本专利技术涉及交通监控领域，具体而言，涉及一种利用时空分布特性的交通流预测方法及装置。
技术介绍
面对日趋严峻的交通压力，世界各国采取了各种对策，但城市交通问题一直没有得到很好的解决。虽然现在国内很多城市已经开始推行智能化的服务，但是当前大多数初步架设的交通平台仅是对历史交通信息的发布和再现，而对出行者和管理者来说，有必要掌握交通状态的变化趋势，变被动为主动。所以，采用科学有效的方法对路网的交通状态信息预先做出可靠的预测和判别对智能化交通系统具有重要的意义。深度学习作为机器学习的新兴学科，一经提出便受到了广泛的关注，像Google、微软、百度等企业，都在研究与利用深度学习。它被成功地应用到了分类任务、自然语言处理、降维、图像识别等等方面。深度学习通过利用多层体系架构来有效地、非监督地提取出底层数据的潜在特征，进而提供给高层进行分类与回归。交通流本身就是一个复杂的过程，深度学习架构能够帮助我们无先验知识却能有效地学习与抓住其中内在的复杂特征，进而有效地进行交通流预测。交通流量预测，本质上是一个基于时间序列的预测问题，目前较为常见的技术分析方法本文档来自技高网...

【技术保护点】
1.一种利用时空分布特性的交通流预测方法，其特征在于，包括：步骤A：将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据；步骤B：将所述多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布；步骤C：对所述交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。

【技术特征摘要】
1.一种利用时空分布特性的交通流预测方法，其特征在于，包括：步骤A：将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据；步骤B：将所述多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布；步骤C：对所述交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。2.根据权利要求1所述的交通流预测方法，其特征在于，所述方法还包括：步骤D：对所述正态分布模型预测结果进行混沌性检测。3.根据权利要求1所述的交通流预测方法，其特征在于，所述步骤A包括：将选定区域按照经纬度划分成N×N网格，赋予每个网格两个属性:流入和流出，并以流入和流出属性作为图片的两个像素，将选定区域一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据，其中每帧图片由流入和流出像素组成。4.根据权利要求3所述的交通流预测方法，其特征在于，其中流入和流出的定义为：其中Tr:g1→g2→…→g|Tr|是Ρ中的一条轨迹，Ρ是选定区域，gk是地理坐标，gk∈(i,j)表示点gk在网格(i,j)里，表示点gk不在网格(i,j)里，网格(i,j)∈N×N网格。5.根据权利要求1所述的交通流预测方法，其特征在于，所述步骤B包括：将所述多帧图片数据输入至至少一组激活函数ReLU和卷积神经网络中的卷积层，获得所述多帧图片数据的残差量，并与所述多帧图片数据进行逻辑运算获得一段时间内完整的交通流量分布。6.根据权利要求1所述的交通流预测方法，其特征在于，所述步骤C包括：将所述完整的交通流量分布中横轴坐标时间t划分成多个等距的时...

【专利技术属性】
技术研发人员：周翊民，周阳，吕琴，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44