基于多路段时空相关的城市交通路段速度预测方法及系统技术方案

本公开公开了基于多路段时空相关的城市交通路段速度预测方法及系统，包括：获取待预测路段所对应的最佳特征子集中所有路段的最近p个历史时间点的速度；p为正整数；将获取的所述最近p个历史时间点的速度，输入到预训练的GRU神经网络中，输出待预测路段的第p+1个时间点的预测速度。该预测模型从交通参数、路段连通性、道路等级等方面定量且动态地考虑了路网内所有路段之间的时空相关性，并且可以从路网中选择有助于待预测路段速度预测的路段子集。该预测模型可以实现城市交通路段的速度精准预测。

Prediction method and system of urban traffic section speed based on multi section spatiotemporal correlation

【技术实现步骤摘要】
基于多路段时空相关的城市交通路段速度预测方法及系统
本公开涉及城市交通路段速度预测
，特别是涉及基于多路段时空相关的城市交通路段速度预测方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。交通拥堵是现代城市常见问题，预先准确的交通信息对提高出行者出行效率、缓解交通拥堵具有积极作用。速度是反映道路状态的核心指标，城市交通数据呈指数型增长为挖掘交通现象内在机制，实现交通参数预测提供了有力的数据支持。在交通流参数及状态预测领域，主流预测方法有两种，一是统计分析方法为基础的预测方法，另外则为人工神经网络算法。其中人工神经网络因其良好的非线性预测能力而被广泛用于交通预测，随着深度学习的发展，具有浅层结构的人工神经网络预测精度较低且计算能力较差，一些研究采用深度学习算法进行交通预测获得了优异效果。交通数据蕴含丰富的时空关系，现有的考虑路段空间相关的预测方法根据空间范围可以分为不考虑空间相关、考虑上下游路段相关、一定范围路网空间相关3种情形。许多预测研究不考虑或仅考虑上下游路段与待预测路本文档来自技高网...

【技术保护点】
1.基于多路段时空相关的城市交通路段速度预测方法，其特征是，包括：/n获取待预测路段所对应的最佳特征子集中所有路段的最近p个历史时间点的速度；p为正整数；/n将获取的所述最近p个历史时间点的速度，输入到预训练的GRU神经网络中，输出待预测路段的第p+1个时间点的预测速度。/n

【技术特征摘要】
1.基于多路段时空相关的城市交通路段速度预测方法，其特征是，包括：
获取待预测路段所对应的最佳特征子集中所有路段的最近p个历史时间点的速度；p为正整数；
将获取的所述最近p个历史时间点的速度，输入到预训练的GRU神经网络中，输出待预测路段的第p+1个时间点的预测速度。


2.如权利要求1所述的方法，其特征是，最佳特征子集的获取步骤，包括：
S11：获取待预测路段所对应的最相关的k个路段的所有特征子集；k为正整数；
S12：从所述所有特征子集中，筛选出最佳特征子集：
将某个特征子集对应的历史速度输入到GRU神经网络中，迭代设定次数后，得到当前特征子集对应的预测速度与实测速度的误差值；
采用同样的方式，获取所有特征子集对应的预测速度与实测速度的误差值；
最后选择误差最小的特征子集作为最佳特征子集。


3.如权利要求2所述的方法，其特征是，所述S11中，获取待预测路段所对应的最相关路段的所有特征子集；具体步骤包括：
S111：获取与待预测路段对应的最相关的k个路段；
S112：利用完全搜索策略，对待预测路段和最相关的k个路段进行排列组合，得到待预测路段所对应的最相关路段的所有特征子集；
每个特征子集，包括待预测路段与至少一个非待预测路段对应的历史时间段的速度矩阵。


4.如权利要求3所述的方法，其特征是，所述S111中，获取与待预测路段对应的最相关的k个路段；具体步骤包括：
S1111：获取城市路网，所述城市路网包括若干个路段，所述路段为单行道，所述路段的端点为交叉口；对每一个路段设定唯一编码；
S1112：计算每一个路段的特征；所述路段的特征，包括：连通度、路段的长度、路段的限速差、路段车道数差和设定时间段内两两路段之间的速度最大信息系数；
S1113：根据各个路段的特征的特征值，构建特征矩阵；所述特征矩阵的行名为特征名称，列名为路段编码；
S1114：计算待预测路段特征的特征值与其余所有路段特征的特征...

【专利技术属性】
技术研发人员：刘力源，朱琳，郭铭涛，邹难，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37