【技术实现步骤摘要】
一种基于移动轨迹大数据的短时交通流量预测方法及系统
本专利技术涉及交通流量预测领域，尤其涉及一种基于移动轨迹大数据的短时交通流量预测方法及系统。
技术介绍
交通流量预测是智能交通系统(ITSs)和先进交通管理系统(ATMSs)的重要组成部分。获取及时准确的交通流量信息是实现交通控制和制定交通管理的关键，通过预测未来的交通状况，进而设计有效的交通组织策略来缓解交通拥堵,提高城市交通系统的服务水平和效率。传统的集中式挖掘平台下交通流量预测算法在处理移动轨迹(出租车轨迹)大数据时存在计算存储问题且预测精度较低，以及面对现有串行预测算法在交通流量预测中仍存在一定的局限性，极易出现“内存消耗和I/O开销高、性能低和可靠性差”等技术问题。同时，交通流量不仅仅受上游和下游的影响，各路段之间也存在空间相关性。现有的交通流量预测方法并没有考虑各路段之间空间相关性的影响权重，以及难以捕捉交通流量的非线性特征，从而导致交通流量预测精度低的技术问题。
技术实现思路
本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基...
【技术保护点】
1.一种基于移动轨迹大数据的短时交通流量预测方法，其特征在于，包括以下步骤：/nS1:对交通移动轨迹数据进行数据预处理，得到训练数据；/nS2:根据所述训练数据，构建Spark框架下基于正态分布和注意力机制加权的并行NAW-DBLSTM算法；/nS3:基于RDD执行所述并行NAW-DBLSTM算法，并输出预测结果。/n
【技术特征摘要】
1.一种基于移动轨迹大数据的短时交通流量预测方法，其特征在于，包括以下步骤：
S1:对交通移动轨迹数据进行数据预处理，得到训练数据；
S2:根据所述训练数据，构建Spark框架下基于正态分布和注意力机制加权的并行NAW-DBLSTM算法；
S3:基于RDD执行所述并行NAW-DBLSTM算法，并输出预测结果。
2.根据权利要求1所述的一种基于移动轨迹大数据的短时交通流量预测方法，其特征在于，所述S1具体包括：
S101:基于Spark中的RDD弹性分布数据集，提取所述交通移动轨迹数据中目标路段在当前时间间隔t内的车辆移动轨迹；
S102:根据所述车辆移动轨迹，统计各个目标路段在当前时间间隔t内的车辆数量；
S103:将所述各个路段在当前时间间隔t内的车辆数量进行排序并进行平滑处理，得到训练数据。
3.根据权利要求2所述的一种基于移动轨迹大数据的短时交通流量预测方法，其特征在于，S101具体包括：
S1011:读取上传至HDFS文件中的交通移动轨迹数据，并转换为Spark中的一个或多个RDD弹性分布数据集；
S1012:使用flatMap算子将各个结点上的数据转换为key1＝时间和车辆ID，value1＝目标路段编号的键值对<key1,value1>；
S1013:过滤不属于目标路段的交通移动轨迹数据；
S1014:使用sortByKey算子对过滤后的交通移动轨迹数据进行时间和车辆ID排序后，去除当前时间间隔内同一车辆的重复数据，获得目标路段在当前时间间隔t内的车辆移动轨迹。
4.根据权利要求3所述的一种基于移动轨迹大数据的短时交通流量预测方法，其特征在于，S102具体包括：
S1021:将分布在各个结点上的目标路段在当前时间间隔内的车辆移动轨迹使用flatMap算子转换为key2＝时间和区域编号，value2则增加计数1的键值对<key2,value2>；
S1022:使用reduceByKey算子按照时间和区域编号进行统计，得到各个目标路段在当前时间间隔t内的车辆数量。
5.根据权利要求2所述的一种基于移动轨迹大数据的短时交通流量预测方法，其特征在于，所述S103具体包括：
S1031:将分布在各个结点上的数据使用flatMap算子转换为key3＝时间间隔，value3＝各目标路段的车辆总数的键值对<key3,value3>；
S1032:使用sortByKey算子将所述各个路段在当前时间间隔t内的车辆数量进行排序并进行平滑处理，得到所述训练数据。
6.根据权利要求1-5任一项所述的一种基于移动轨迹大数据的短...
【专利技术属性】
技术研发人员：夏大文，杨楠，周号益，李华青，蒋顺英，成蕤君，郑永玲，白宇，高晓楠，王林，
申请(专利权)人：贵州民族大学，
类型：发明
国别省市：贵州;52
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。