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主要分为两类：1)基于经验的结合统计学方法的预测；2)以交通过程理论和交通供求关系为基础的预测；传统时间序列分析方法主要是通过将时间序列数据分解，分解过程中往往需要平稳性、可逆性、正态分布等假设前提，对于不平稳序列还需要通过差分等手段将非平稳时间序列转换为平稳时间序列，从而实现预测。而机器学习方法，如人工神经网络、卡尔曼滤波模型等主要是通过海量数据的训练从而实现拟合数据特征，实现预测的目的。目前采用较多的经验预测方案是利用神经网络方法。神经网络方法大多采用反向传播(BackPropagation,BP)，这种基于经验风险最小化的BP网络存在易于陷入局部最优解的缺点。
技术实现思路
本专利技术实施例提供了一种利用时空分布特性的交通流预测方法及装置，以至少避免现有交通流预测结果大幅偏差、增加预测结果的可信程度。根据本专利技术的一实施例，提供了一种利用时空分布特性的交通流预测方法，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。进一步地，方法还包括：步骤D：对正态分布模型预测结果进行混沌性检测。进一步地，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。进一步地，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。进一步地，步骤B包括：将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，获得多帧图片数据的残差量，并与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。进一步地，步骤C包括：将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间片{Δti|i＝1,2,3,...,n}，xi表示在时间片Δti上的交通数量，每一个时间片的交通数量xi有：在两个相邻时间片Δti，Δti+1之间，交通流量的变化Δxi＝xi+1-xi服从正态分布，且：其中con代表了xi+1与xi的协方差算子；采用最大似然法对中待定的分布参数进行求解，并输出正态分布模型预测结果。进一步地，步骤D包括：首先利用互信息法和伪邻域法确定交通流量分布中序列的时间延迟和嵌入维数，然后对交通流量分布中停车位数据进行相空间重构，最后通过小数据量法求得最大Lyapunov指数，由最大Lyapunov指数对正态分布模型预测结果进行判断。进一步地，其中：V(t)＝Lyapunov[E(t0),E(t1),...,E(t)]，Lyapunov为最大Lyapunov指数算子、输入为从t0到t时刻所预测的E泊位数量，根据所得出的结果进行判断：根据本专利技术的另一实施例，提供了一种利用时空分布特性的交通流预测装置，包括：数据转换单元，用于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；输入计算单元，用于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；模型预测单元，用于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。进一步地，交通流预测装置还包括：混沌检测单元，用于对正态分布模型预测结果进行混沌性检测。本专利技术实施例中的利用时空分布特性的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。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术交通流预测方法的流程图；图2为本专利技术交通流预测方法的具体流程图；图3为本专利技术交通流预测方法中卷积神经网络的示意图；图4为本专利技术交通流预测方法中残差网络的示意图；图5为本专利技术交通流预测方法中城市某区域内连续几天的车辆流入示意图；图6为本专利技术交通流预测装置的连接框图；图7为本专利技术交通流预测方法的具体连接框图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。实施例1根据本专利技术的实施例，参见图1，提供了一种利用时空分布特性的交通流预测方法，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。本专利技术实施例中的利用时空分布特性的交通流预测方法，充分利用空间-时间交通信息，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