The invention requests the protection of a short-term traffic flow prediction method for complex urban traffic network, which belongs to the field of intelligent traffic analysis. Firstly, data sources are obtained, including traffic statistics at bay and vehicle trajectory data extraction. Then, in order to extract the local spatial characteristics of road network traffic, a network 2image matrix algorithm is proposed to reconstruct the road network from the vehicle trajectory by mining the intersection relationship. The convolution neural network is used to calculate the local convolution. In order to reduce the computational complexity, the road network image algorithm network2image is adopted: mining the relationship between intersections in the road network from the trajectory data, reconstructing the road network into images, and using convolution local calculation of convolution neural network to extract the local features of the road network, reduce the computational complexity and improve the generalization ability. A small-scale recurrent neural network is introduced into convolution layer, and the long-term correlation of local road network is obtained. The invention effectively improves the accuracy of short-term flow prediction in the actual complex urban road network.
【技术实现步骤摘要】
一种面向复杂城市交通网络的短时交通流量预测方法
本专利技术属于数据挖掘和智能交通领域,涉及路网局部计算模型,尤其是一种面向复杂城市交通网络的短时交通流量数据预测方法。
技术介绍
随着交通信息化的快速发展,交通数据爆炸式地增长。其中单位时间过车量交通流量是描述交通流的一个重要指标,其变化规律反应了交通流基本性质。短时交通流预测作为智能交通领域的一个研究热点,准确的交通流短时预测是交通控制和交通诱导的关键技术之一,迄今为止,有大量的研究文献对短时交通流量预测进行了大量研究。从利用交通流量数据特性可以归纳为:利用时间关联和利用时空关联性两种。在利用时间关联性方面,最初有一些研究利用交通数据的时间关联性通过差分整合移动平均自回归模型(ARIMA)进行短时预测。例如姚亚夫等人在《基于ARIMA的交通流量短时预测》中通过ARIMA模型,将单个卡口交通流量数据看作时间序列,实现了单个卡口流量数据很好的中短期恢复,但是因为没有整个整体路网进行建模,使得实用效果不佳。在最近的研究中,路网的空间关联性得到了越来越多的重视并被引入到交通数据的恢复中。其中有许多研究利用张量分解对路网短时交通流量进行恢复。例如TanHuachun等人在《Short-TermTrafficPredictionBasedonDynamicTensorCompletion》中构建了一个时间、天、周和位置四个维度的张量。但是其针对范围很有限是一条高速路,而不是复杂的城市路网交通。随着交通数据量的增加,张量模型规模呈几何倍数地增加,使得计算量越来越大。本专利技术针对复杂城市交通路网如何有效利用交通流量时空关 ...
【技术保护点】
1.一种面向复杂城市交通网络的短时交通流量预测方法,其特征在于,包括以下步骤:步骤1:通过城市交通路网视频监控获取车辆出行信息,提取车牌、卡口编号和过车时间在内的相关属性、获取原始轨迹数据以及卡口流量数据;步骤2:路网图像化:根据轨迹信息数据挖掘卡口关系,利用自然语言处理中的矢量化技术和数据降维方法获取卡口在二维空间中的向量表达,并通过扩散‑收缩算法这些卡口点放入二维矩阵空间,并离散化二维矩阵空间获取路网的图像化表达形式;步骤3:构建路网短时流量预测模型的步骤和模型训练的步骤:步骤4:城市路网流量短时预测:结合交通流量数据的局部时空关联性,以及局部路网的长时关联性,利用训练完成模型,对城市路网进行短时交通流量预测。
【技术特征摘要】
1.一种面向复杂城市交通网络的短时交通流量预测方法,其特征在于,包括以下步骤:步骤1:通过城市交通路网视频监控获取车辆出行信息,提取车牌、卡口编号和过车时间在内的相关属性、获取原始轨迹数据以及卡口流量数据;步骤2:路网图像化:根据轨迹信息数据挖掘卡口关系,利用自然语言处理中的矢量化技术和数据降维方法获取卡口在二维空间中的向量表达,并通过扩散-收缩算法这些卡口点放入二维矩阵空间,并离散化二维矩阵空间获取路网的图像化表达形式;步骤3:构建路网短时流量预测模型的步骤和模型训练的步骤:步骤4:城市路网流量短时预测:结合交通流量数据的局部时空关联性,以及局部路网的长时关联性,利用训练完成模型,对城市路网进行短时交通流量预测。2.根据权利要求1所述的一种面向复杂城市交通网络的短时交通流量预测方法,其特征在于,所述步骤2获取卡口在二维空间中的向量表达具体包括:根据车辆轨迹和滑动时间窗口,训练获得能体现卡口间关联性的卡口向量,该卡口向量化模型分为两层:第一层是映射层,这也是卡口嵌入的输出,用v(li)表示li卡口的向量;第二层是预测层,根据第一层输出的卡口li的向量预测其附近卡口。3.根据权利要求2所述的一种面向复杂城市交通网络的短时交通流量预测方法,其特征在于,所述数据降维的方法具体包括:为了降低最终预测时类别过多的问题,计算代价函数时负采样计算,训练的目标是将高概率分配给真实的附近卡口,同时低概率分配给对比卡口,通过从噪声分布中只选取k个对比卡口来近似噪声词概率,代价函数如下:Qθ(D=1|ln,lt)表示根据目标卡口lt预测其附近卡口ln的二元逻辑回归概率,表示根据目标卡口lt预测其噪声卡口对立事件概率,利用t-SNE保持数据样本点间关系的降维方法将卡口的高维向量转化为二维向量。4.根据权利要求1-3之一所述的一种面向复杂城市交通网络的短时交通流量预测方法,其特征在于,所述通过扩散-收缩算法这些卡口点放入二维矩阵空间主要有以下三步:首先用一定大小的网格切割该欧式空间,切割完成后会出现一些方格内没有卡口点,一些方格内有一个点,一些方格内有多个点;然后由中心向外扩散将一个有多个点的方格中的点向外扩散;最后,因为上一步扩散会产生一些不必要的空隙,所以需要收缩。5.根据权利要求4所述的一种面向复杂城市交通网络的短时交通流量预测方法,其特征在于,所述切割步骤具体包括:首先通过随机采样计算卡口点...
【专利技术属性】
技术研发人员:帅杰,肖云鹏,朱耀堃,谢小秋,刘宴兵,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。