【技术实现步骤摘要】
一种基于GIS地图信息的交通拥堵指数预测方法及装置
本专利技术涉及交通拥堵预测
，尤其涉及一种基于GIS地图信息的交通拥堵指数预测方法及装置。
技术介绍
随着城市经济的发展，城市车辆保有量急剧增加，随之而来的道路交通拥堵成为了城市管理的一大难题。为了量化道路交通拥堵情况，学者提出了一种利用路面浮动车数据对道路拥堵进行等级判定的指标，并将其命名为交通拥堵指数，取值范围为0-10，值越大表示拥堵越严重。通过对道路交通拥堵指数准确实时的预测，交管部门可以进行交通流量分配，提前疏导拥堵，提高路网的通行能力。现有的交通拥堵指数预测方法有几个缺陷：其一，传统的交通拥堵指数预测采用时间序列预测的方法，基于历史的交通情况预测未来一段时间的交通拥堵指数。这种方法往往只能学习出少数某几个路段的时变规律，而忽略了复杂的交通道路的拓扑结构，从而无法建模相邻路段/区域的影响。同时传统模型表达能力有限，无法建模天气、节假日、POI信息等对交通的影响；随着深度学习技术的成熟，也有学者提出时空神经网络模型，能同时建模道路流量的空间关联...
【技术保护点】
1.一种基于GIS地图信息的交通拥堵指数预测方法，其特征在于，所述方法包括以下步骤：/n获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列，每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层，且一帧GIS地图结构化矢量图对应一个环境矢量序列；/n将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中，分别提取所述GIS地图结构化矢量图序列的时空特征，所述环境矢量序列的映射特征，并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果。/n
【技术特征摘要】 【专利技术属性】
1.一种基于GIS地图信息的交通拥堵指数预测方法，其特征在于，所述方法包括以下步骤：
获取待预测区域的GIS地图结构化矢量图序列以及环境矢量序列，每帧GIS地图结构化矢量图包括第一预设数量的静态图层与第二预设数量的动态图层，且一帧GIS地图结构化矢量图对应一个环境矢量序列；
将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中，分别提取所述GIS地图结构化矢量图序列的时空特征，所述环境矢量序列的映射特征，并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果。
2.如权利要求1所述的基于GIS地图信息的交通拥堵指数预测方法，其特征在于，所述动态图层包括交通动态数据，所述获取待预测区域的GIS地图结构化矢量图序列的步骤包括：
获取所述待预测区域在历史时间点的GIS地图的静态图层和交通动态数据，所述静态图层包括路网图、建筑图以及兴趣点图中的一项或多项，所述交通动态数据包括与所述历史时间点对应的交通拥堵指数、车辆轨迹数据；
在所述历史时间点上，将所述交通拥堵指数映射到所述路网图中，得到交通拥堵指数图；
将所述车辆轨迹数据映射到二维网络中，计算每个网络中的车辆平均速度以及车辆数量，得到车流速度图与车辆数量图；
将所述路网图、建筑图、兴趣点图、交通拥堵指数图、车流速度图与车辆数量图作为通道进行拼接，得到所述历史时间点对应的GIS地图结构化矢量图；
将连续历史时间点对应的GIS地图结构化矢量图按所述连续历史时间点的时序进行拼接，得到所述待预测区域的GIS地图结构化矢量图序列。
3.如权利要求2所述的基于GIS地图信息的交通拥堵指数预测方法，其特征在于，所述获取待预测区域的环境矢量序列的步骤包括：
获取所述待预测区域在所述历史时间点的天气数据和日期数据；
将所述天气数据和日期数据按预设的编码规则编码为环境矢量；
对所述连续历史时间点对应的环境矢量按所述连续历史时间点的时序进行拼接，得到所述待预测区域的环境矢量序列。
4.如权利要求1至3中任一项所述的基于GIS地图信息的交通拥堵指数预测方法，其特征在于，所述预设的卷积神经网络包括三维卷积网络、特征映射网络、融合网络以及全连接层网络；
所述将所述GIS地图结构化矢量图序列以及环境矢量序列输入到预设的卷积神经网络中，分别提取所述GIS地图结构化矢量图序列的时空特征，所述环境矢量序列的映射特征，并根据所述时空特征与所述映射特征输出所述待预测区域在预设时间内的交通拥堵指数结果的步骤，包括：
通过所述三维卷积网络对所述GIS地图结构化矢量图序列进行三维卷积计算，得到所述GIS地图结构化矢量图序列的时空特征；
通过所述特征映射网络对所述环境矢量序列进行映射计算，输出得到所述环境矢量序列的映射特征；
通过所述融合网络将所述时空特征与所述映射特征进行融合计算，输出得到融合特征；
技术研发人员：邢玲，余意，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：广东;44
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。