基于私家车数据的城市功能区转移流量预测方法及装置制造方法及图纸

本发明专利技术公开了一种城市功能区转移流量预测方法及装置，其方法为：首先，采集城市中私家车的GPS和OBD数据，从中提取私家车的停留点数据，根据经纬度信息为所有停留点数据匹配POI语义标签；然后，根据停留点数据统计每个时间片段内位于各功能区的转移流量，并构建功能区域之间的流量转移矩阵，进而构建训练样本和预测样本；最后，使用训练样本对预设的转移流量预测模型进行训练，训练后即可用于对预测样本在目标时间段的车辆转移流量进行预测。本发明专利技术的预测模型捕获了训练样本的时间相关性和时空相关性，预测功能区之间的转移流量，且预测准确率高。

【技术实现步骤摘要】
基于私家车数据的城市功能区转移流量预测方法及装置
本专利技术主要涉及城市计算和智能交通领域，尤其涉及基于私家车数据的城市功能区转移流量预测方法及装置。
技术介绍
为高效满足日常需求，越来越多的人通过开私家车在不同类别的功能区之间移动，从而在各功能区之间产生转移流量。准确的预测功能区之间的转移流量，对于兴趣点POI推荐、城市规划和交通管制等应用具有重要的指导意义。近些年来，如何挖掘城市功能区并分析和预测功能区之间的转移流量，已逐渐受到国内外学者的重视，成为城市计算领域的一大研究热点。现有技术通过挖掘轨迹数据发现城市功能区，而在此基础之上继续研究功能区之间的移动性的工作比较少。而在这些现有技术中，采用的都是一些比较传统的聚类方法(k-均值、基于密度的噪声应用空间聚类DBSCAN)。这些传统的方法都需要繁琐的数据处理和复杂的参数选择过程，并且没有考虑到空间中地理的关联性以及丢失了轨迹数据中比较重要的时间维度的信息。因此，如何利用轨迹中完整的空间和时间信息挖掘城市功能区且预测功能区之间的转移流量是十分必要的。
技术实现思路
本文档来自技高网...

【技术保护点】
1.基于私家车数据的城市功能区转移流量预测方法，其特征在于，包括以下步骤：/n步骤1，采集城市中私家车在预设历史时间段内的GPS和OBD数据，从中提取私家车的停留点数据，所述停留点数据至少包括经纬度信息和时间戳；另外还采集该城市的POI数据，所述POI数据中包括经纬度信息和POI语义标签；/n步骤2，利用POI数据并根据经纬度信息为所有停留点数据匹配POI语义标签，并为匹配POI语义标签后的停留点数据进行聚类，根据聚类簇得到N个功能区；/n步骤3，将预设历史时间段划分为num

【技术特征摘要】
1.基于私家车数据的城市功能区转移流量预测方法，其特征在于，包括以下步骤：
步骤1，采集城市中私家车在预设历史时间段内的GPS和OBD数据，从中提取私家车的停留点数据，所述停留点数据至少包括经纬度信息和时间戳；另外还采集该城市的POI数据，所述POI数据中包括经纬度信息和POI语义标签；
步骤2，利用POI数据并根据经纬度信息为所有停留点数据匹配POI语义标签，并为匹配POI语义标签后的停留点数据进行聚类，根据聚类簇得到N个功能区；
步骤3，将预设历史时间段划分为num1个时间片段，每个时间片段的时间长度为L；根据停留点数据统计每个时间片段内位于各功能区的转移流量，所述转移流量是指车辆持续的转移行为的数量；
针对每个时间片段，均以N个功能区分别作为行和列构建N×N的转移流量矩阵，且转移流量矩阵中的每一项代表功能区的转移流量；将得到的num1个转移流量矩阵，时序化为序列长度为num1的转移流量图像时间序列；
步骤4，使用转移流量图像时间序列对预设的转移流量预测模型进行训练；
步骤5，按照与预设历史时间段内的转移流量图像时间序列相同的获取方法，获取当前预设时间段内的转移流量图像时间序列，使用步骤4中训练得到的转移流量预测模型对目标时间段的转移流量进行预测。


2.根据权利要求1所述的方法，其特征在于，步骤2中所述的利用POI数据并根据经纬度信息为所有停留点数据匹配POI语义标签，采用概率生成模型实现，具体过程为：
将每个私家车用户的停留点向量化为F＝{s1,s2,...,sj,...}，其中si是以距离阈值r为半径范围内中的POI的数量与城市中POI总数的比率；设F符合高斯混合分布，则为F匹配POI语义标签的过程为：






其中，Fj为第j个停留点的特征向量；
m是一个计数器，表示从第一个停留点开始，N为停留点的总个数，
p表示概率密度：



c为POI的语义标签；
uc为语义标签c的均值；
Σc为语义标签c的协方差矩阵
γ(Fj,c)为输出的匹配结果，表示F中不同的停留点及其对应的语义标签；
N(F|u,Σ)为高斯混合分布的概率密度函数；
采用最大期望EM算法计算融合过程的参数最大似然估计，选择最大似然估计中最大的POI作为停留点的语义标签，EM算法的具体过程如下：









式中，πc为计算得到的最大似然估计。


3.根据权利要求1所述的方法，其特征在于，步骤2中所述的利用POI数据并根据经纬度信息为所有停留点数据匹配POI语义标签，具体为：选择与停留点距离最近的POI类型，作为该停留点的语义标签。


4.根据权利要求1所述的方法，其特征在于，采用基于密度的空间聚类算法对停留点数据进行聚类。


5.根据权利要求1所述的方法，其特征在于，根据聚类簇得到N个功能区具体为：设聚类得到N'个簇，计算每个簇的POI分布，然后将POI分布相同且距离小于预设距离阈值的簇合并为一个功能区，最终得到N个功能区。


6.根据权利要求1所述的方法，其特征在于，所述预设的转移流量预测模型包括时间特征提取器和空间特征提取器；转移流量图像时间序列输入至时间特征提取器，由时间特征提取器从转移流量图像时间序列中提取时间特征，并将提取的时间特征输入至空间特征提取器，由空间特征提取器提取时空特征，输出包括时空特征的特征图，即为转移流量预测模型输出的转移流量图像。


7.根据权利要求5所述的方法，其特征在于，所述时间特征提取器采用时间注意力网络，所述时间注意力网络的计算公...

【专利技术属性】
技术研发人员：肖竹，刘晨曦，王东，刘代波，蒋洪波，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43