一种城市交通流量预测系统及方法技术方案

本发明专利技术公开了一种城市交通流量预测系统及方法，该预测系统通过使用三个模型对不同时间维度进行建模，解决了传统时间序列模型要求交通流量呈现季节性的问题。同时本发明专利技术在ResNet模型基础上，优化了残差单元，如添加BN层，借鉴MobileNetV2的块单元设计思想优化其提取特征的方式，能够提高预测模型的精度。最后以RMSE作为模型的评估标准，以中国某城市公布的数据为例，该预测系统对比ARIMA、SARIMA、VAR、RNN、LSTM和GRU效果表现更优，从而能够很好地提取城市交通流量实际的时间，空间的特征，解决现有模型存在的时空数据处理方法不佳以及自身存在缺陷的问题。

A Urban Traffic Flow Prediction System and Method

【技术实现步骤摘要】
一种城市交通流量预测系统及方法
本专利技术涉及交通管理
，特别是涉及一种城市交通流量预测系统及方法。
技术介绍
近年来随着科技、经济的发展，城市人口密度越来越大，拥有汽车的人数也在逐年增长，但人们对交通运输需求的提高却无法得到及时的满足。也就是说，交通发展的速度赶不上交通拥堵增加的程度。人们对于交通体验的要求也越来越高，不论出行的拥堵程度，还是交通的安全性都是交通体验的重要指标，在无法立即提高交通硬件设施的前提下，合理的出行策略和智能化的交通管理将会有望提高交通的质量。近年来，由于计算机性能的不断提升，深度学习已经成功运用到了很多应用中，并且被证明是最前沿的人工智能技术。将这些技术运用到时空数据对一系列的时空应用非常重要，将有望对包括城市交通，城市安全，城市规划等方面带来突破性的进展，从而给城市带来一个通畅安全的交通出行环境。预测交通流量问题可以看成是一个时空预测问题。交通流量预测初期可分为近期和远期预测。近期预测可运用数理统计方法，对以往调查的交通流量进行数据处理，根据其发展规律和趋势，推算而得预测结果。远期预测可运用交通预测模型，对未来城市居民的出行活动作全面的分析研究，根据土地使用情况和道路交通网络规划，通过人流量的分布、交通方式的划分等步骤来预测交通预测。传统和近期的预测方法的不足如下：(1)传统的时间序列预测模型常用的模型有历史平均模型、滑动自回归平均模型(ARIMA)、季节性差分自回归滑动平均模型(SARIMA)、风险价值模型(VAR)、人工神经网络模型(ANN)等。历史平均模型无法对动态事件(如交通事故)做出响应；ARIMA在分析之前需要区别对待，不适合有缺失值的时间序列；SARIMA的不足之处在于它非常耗时；VAR会忽略预测值和残差之间的关系；ANN的线性建模能力欠佳。(2)近期的深度神经网络模型近期的深度神经网络模型在时间、空间上的应用取得了较多的成果和良好的发展，然而，卷积神经网络(CNN)和循环神经网络(RNN)都只能捕捉空间或者时间单一的依赖性。即使近期的长短期记忆网络(LSTM)可同时学习时间和空间依赖性，但其无法建模很深的网络和很长的依赖关系。现有技术存在不足的原因是：交通数据是时空数据，较为复杂，能够影响的因素较多，且实际的交通情况存在着较大的不可控性。再者预测模型自身存在缺陷，解决问题的方向单一，和复杂的交通数据存在矛盾，因此现有的模型只是在尽可能地减小误差，而无法良好地提取到实际交通的特征规律。由于具体地区人群的主观因素和出行的行为特征。同时，城市的交通流量的空间特征规律十分复杂，且通常呈非线性，其对应的时间序列特征通常也因为很多复杂的因素是非线性且不可控的，传统和现有的模型通常存在精度不够，因此，有必要对交通时空数据的复杂性，非线性采用新的方法去结合交通的实际含义，寻求其特征规律进行分析和研究。
技术实现思路
本专利技术主要解决的技术问题是提供一种城市交通流量预测系统及方法，能够很好地提取城市交通流量实际的时间，空间的特征，解决现有模型存在的时空数据处理方法不佳以及自身存在缺陷的问题。为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种城市交通流量预测系统，包括：数据收集模块，用于根据手机GPS信号和/或车辆GPS信号收集当前日期之前预定时间段内城市交通的轨迹点，统计每个网格区域每个单位时段的输入流和输出流，并将输入流和输出流整合为一个张量，其中，输入流为单位时段开始时不在网格区域内但结束时在网格区域内的所有轨迹点之和，输出流为单位时段开始时在网格区域内但结束时不在网格区域内的所有轨迹点之和，城市区域被划分为多个网格区域，若干个单位时段为一天；数据预处理模块，用于将输入流和输出流的特征尺度缩放到预测模型要求的范围，并选择一个日期作为目标日期，筛选目标日期的前3个单位时段的张量作为近期输入数据、前一天的张量作为周期输入数据、前一周的张量作为趋势输入数据，将目标日期的张量作为测试数据；模型训练模块，用于通过近期模型对近期输入数据进行提取特征得到近期输出流向量，通过周期模型对周期输入数据进行提取特征得到周期输出流向量，通过趋势模型对趋势输入数据进行提取特征得到趋势输出流向量，将近期输出流向量、周期输出流向量和趋势输出流向量进行集成得到目标日期的仿真流量图，将目标日期的仿真流量图的特征尺度缩放到预测模型要求的范围，利用目标日期的仿真流量图与测试数据的误差反向调节所述预测模型，其中，所述近期模型、周期模型、趋势模型均采用相同的深度残差神经网络架构；模型评估模块，用于利用均方根误差测试评估所述预测模型；交通预测模块，用于利用所述预测模型输出未来预定时间的预测流量图，将预测流量图缩放到原值，并使用热力图对所述预测流量图做可视化表示。优选的，所述数据预处理模块还用于查找缺失轨迹点的待补全单位时段，并判断待补全单位时段之前预定天数的相同时间的单位时段是否存在轨迹点，在存在轨迹点时，根据所述连续预定天数的相同时间的单位时段的输入流通过SES函数对待补全单位时段的输入流进行填充，根据所述连续预定天数的相同时间的单位时段的输出流通过SES函数对待补全单位时段的输出流进行填充，以及在不存在轨迹点时，将待补全单位时段所在天的全部轨迹点删除。优选的，所述SES函数表示如下：Ft+1＝αxt+(1-α)Ft其中，t为本期时间，α为指数平滑系数，xt为第t期的实际观察值，Ft为第t期的预测值，Ft+1为第t+1期的预测值。优选的，所述输入流表示为：所述输出流表示为：其中，Tt是单位时段开始和结束时连线的轨迹，i表示网格区域的长，j表示网格区域的宽，P表示时间区间tth的轨迹集合，gk-1表示单位时段开始时的轨迹点，gk表示单位时段结束时的轨迹点，K表示轨迹点的编号；所述张量表示为：X∈R2×I×J。优选的，所述数据预处理模块采用的特征缩放算法如下：x＝x*2-1其中，xmax表示所有数据中的最大值，xmin表示所有数据中的最小值；与特征缩放算法对应的原值还原算法如下：x＝x*(xmax-xmin)+xmin。优选的，所述深度残差神经网络架构依次包括3*3卷积层、12个残差单元、3*3卷积层、BN层、relu激活函数、3*3卷积层、残差的merge、激活函数和卷积层。优选的，所述预测模型采用动态滑动时间窗口进行训练。优选的，所述均方根误差表示为：其中，n表示测试数据的数量，其中xi和分别表示测试数据的真值和对应的仿真值。为解决上述技术问题，本专利技术采用的另一个技术方案是：提供一种城市交通流量预测方法，包括：S1：根据手机GPS信号和/或车辆GPS信号收集当前日期之前预定时间段内城市交通的轨迹点，统计每个网格区域每个单位时段的输入流和输出流，并将输入流和输出流整合为一个张量，其中，输入流为单位时段开始时不在网格区域内但结束时在网格区域内的所有轨迹点之和，输出流为单位时段开始时在网格区域内但结束时不在网格区域内的所有轨迹点之和，城市区域被划分为多个网格区域，若干个单位时段为一天；S2：将输入流和输出流的特征尺度缩放到预测模型要求的范围，并选择一个日期作为目标日期，筛选目标日期的前3个单位时段的张量作为近期输入数据、前一天的张量作为周期输入数据、前一周的张量作为趋势输入数据，将目标日期的张量作为测本文档来自技高网...

【技术保护点】
1.一种城市交通流量预测系统，其特征在于，包括：数据收集模块，用于根据手机GPS信号和/或车辆GPS信号收集当前日期之前预定时间段内城市交通的轨迹点，统计每个网格区域每个单位时段的输入流和输出流，并将输入流和输出流整合为一个张量，其中，输入流为单位时段开始时不在网格区域内但结束时在网格区域内的所有轨迹点之和，输出流为单位时段开始时在网格区域内但结束时不在网格区域内的所有轨迹点之和，城市区域被划分为多个网格区域，若干个单位时段为一天；数据预处理模块，用于将输入流和输出流的特征尺度缩放到预测模型要求的范围，并选择一个日期作为目标日期，筛选目标日期的前3个单位时段的张量作为近期输入数据、前一天的张量作为周期输入数据、前一周的张量作为趋势输入数据，将目标日期的张量作为测试数据；模型训练模块，用于通过近期模型对近期输入数据进行提取特征得到近期输出流向量，通过周期模型对周期输入数据进行提取特征得到周期输出流向量，通过趋势模型对趋势输入数据进行提取特征得到趋势输出流向量，将近期输出流向量、周期输出流向量和趋势输出流向量进行集成得到目标日期的仿真流量图，将目标日期的仿真流量图的特征尺度缩放到预测模型要求的范围，利用目标日期的仿真流量图与测试数据的误差反向调节所述预测模型，其中，所述近期模型、周期模型、趋势模型均采用相同的深度残差神经网络架构；模型评估模块，用于利用均方根误差测试评估所述预测模型；交通预测模块，用于利用所述预测模型输出未来预定时间的预测流量图，将预测流量图缩放到原值，并使用热力图对所述预测流量图做可视化表示。...

【技术特征摘要】
1.一种城市交通流量预测系统，其特征在于，包括：数据收集模块，用于根据手机GPS信号和/或车辆GPS信号收集当前日期之前预定时间段内城市交通的轨迹点，统计每个网格区域每个单位时段的输入流和输出流，并将输入流和输出流整合为一个张量，其中，输入流为单位时段开始时不在网格区域内但结束时在网格区域内的所有轨迹点之和，输出流为单位时段开始时在网格区域内但结束时不在网格区域内的所有轨迹点之和，城市区域被划分为多个网格区域，若干个单位时段为一天；数据预处理模块，用于将输入流和输出流的特征尺度缩放到预测模型要求的范围，并选择一个日期作为目标日期，筛选目标日期的前3个单位时段的张量作为近期输入数据、前一天的张量作为周期输入数据、前一周的张量作为趋势输入数据，将目标日期的张量作为测试数据；模型训练模块，用于通过近期模型对近期输入数据进行提取特征得到近期输出流向量，通过周期模型对周期输入数据进行提取特征得到周期输出流向量，通过趋势模型对趋势输入数据进行提取特征得到趋势输出流向量，将近期输出流向量、周期输出流向量和趋势输出流向量进行集成得到目标日期的仿真流量图，将目标日期的仿真流量图的特征尺度缩放到预测模型要求的范围，利用目标日期的仿真流量图与测试数据的误差反向调节所述预测模型，其中，所述近期模型、周期模型、趋势模型均采用相同的深度残差神经网络架构；模型评估模块，用于利用均方根误差测试评估所述预测模型；交通预测模块，用于利用所述预测模型输出未来预定时间的预测流量图，将预测流量图缩放到原值，并使用热力图对所述预测流量图做可视化表示。2.根据权利要求1所述的城市交通流量预测系统，其特征在于，所述数据预处理模块还用于查找缺失轨迹点的待补全单位时段，并判断待补全单位时段之前预定天数的相同时间的单位时段是否存在轨迹点，在存在轨迹点时，根据所述连续预定天数的相同时间的单位时段的输入流通过SES函数对待补全单位时段的输入流进行填充，根据所述连续预定天数的相同时间的单位时段的输出流通过SES函数对待补全单位时段的输出流进行填充，以及在不存在轨迹点时，将待补全单位时段所在天的全部轨迹点删除。3.根据权利要求2所述的城市交通流量预测系统，其特征在于，所述SES函数表示如下：Ft+1＝αxt+(1-α)Ft其中，t为本期时间，α为指数平滑系数，xt为第t期的实际观察值，Ft为第t期的预测值，Ft+1为第t+1期的预测值。4.根据权利要求3所述的城市交通流量预测系统，其特征在于，所述输入流表示为：所述输出流表示为：其中，Tt是单位时段开始和结束时连线的轨迹，i表示网格区域的长，...

【专利技术属性】
技术研发人员：康雁，杨济睿，柳青，李浩，赵晨彤，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南,53