一种基于历史路况的短时路况预测方法、系统及设备技术方案

本发明专利技术公开一种基于历史路况的短时路况预测方法、系统及设备，方法为：首先，在宏观上对时间域内的数据进行下采样来构造同质数据；其次，在微观上设计一个包含路网点时空关系和热点语义的路况特征，通过浅层全连接网络来捕捉靶点在微观时空上的语义特征，通过多层神经网络构造时序特征，将时空数据和语义特征融合接入GBDT集成学习模型，通过交叉验证方法，对靶点周围的邻近数据进行下采样，通过构造时空数据，捕捉靶点在微观时空上的语义特征，本发明专利技术的算法不需要车流的位置信息，只需要车流的状态信息，使用路段的静态信息来表征车流在路网中的移动，利用DNN来构造隐变量，结果表明本发明专利技术提出的方法同时保障了较高的精度和较低的算力需求。

【技术实现步骤摘要】
一种基于历史路况的短时路况预测方法、系统及设备
本专利技术属于交通路况预测
，具体涉及一种基于历史路况的短时路况预测方法、系统及设备。
技术介绍
路况预测的研究已经进行了数十年，短时路况预测则在很多重要领域表现出极高的使用价值和商业价值，如路线规划、出租车调度、救护车到达时间预测等，但是短时路况预测的难度相对较大，具体表现为两个原因：1.短时路况预测本身数据波动较大，车流频谱不稳定；2.短时路况预测中异常路况、靶点的热点语义信息对路况的影响将会更大，而靶点热点语义往往是随机波动的，很难以固定的滤波方式或者特征构造来泛化。短时路况预测的方法基于三个途径来实现，分别是基于物理规则的方法，基于概率图统计的方法，以及基于数据驱动的方法，。基于物理规则的方法是基于车流的位移物理规则，通过计算其信息量，从物理运动的角度来计算未来短时间内的路况信息量，显然的，这种方法完全基于规则，对异常数据和大量数据的拟合度交叉，唯一的参数只有车流的运动信息，其应用价值较低；基于概率图统计的方法在过去的十多年中被广发的应用，分别的，基于马尔可夫链的推理方法、基于贝叶斯本文档来自技高网...

【技术保护点】
1.一种基于历史路况的短时路况预测方法，其特征在于，具体如下：/n对时间域内的数据进行下采样来构造同质数据；/n构造靶点的微观时空的时间近邻数据，对所述时间近邻数据进行标准化操作、维度统一和缩放，得到路况信息的微观语义特征；/n基于多次神经网络定义一个浅层语义捕捉器，将所述微观语义特征载入浅层的多层神经网络中，捕捉靶点的微观语义；/n基于所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，得到宏观历史周期特征；/n将所述宏观历史周期特征和靶点的微观语义融合得到载入特征；/n将所得载入特征输入梯度提升决策树算法中，对载入特征进行随机抽样，按照k折交叉验证来进行多轮训练，得到推...

【技术特征摘要】
1.一种基于历史路况的短时路况预测方法，其特征在于，具体如下：
对时间域内的数据进行下采样来构造同质数据；
构造靶点的微观时空的时间近邻数据，对所述时间近邻数据进行标准化操作、维度统一和缩放，得到路况信息的微观语义特征；
基于多次神经网络定义一个浅层语义捕捉器，将所述微观语义特征载入浅层的多层神经网络中，捕捉靶点的微观语义；
基于所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，得到宏观历史周期特征；
将所述宏观历史周期特征和靶点的微观语义融合得到载入特征；
将所得载入特征输入梯度提升决策树算法中，对载入特征进行随机抽样，按照k折交叉验证来进行多轮训练，得到推理模型；
对将要预测的路况，获取其载入特征后，将所述载入特征输入所述推理模型用于推理，得到关于未来路段短时路况语义的预测结果。


2.如权利要求1所述的基于历史路况的短时路况预测方法，其特征在于，对时间域内的数据进行下采样来构造同质数据具体为：按照宏观时空尺度，在历史的过去第一设定时间段中捕获相同路况在邻近时间区间的路况信息，另一方面，在过去第二设定时间段中的每个工作日，捕捉其邻近数据，第一时间段为7天，第二设定时间段为一个，将所述邻近数据预处理后裁剪为时空分布数据，将文本格式数据处理为数值型数据，而后将数据存储，作为特征构建的母版数据；在构建的母版数据中获取每个数据的宏观周期数据，将宏观周期数据按照均值下采样的方法，进行下采样，而后获得该数据的同质数据。


3.如权利要求1所述的基于历史路况的短时路况预测方法，其特征在于，基于多次神经网络定义一个浅层语义捕捉器，将所述微观语义特征载入浅层的多层神经网络中，捕捉靶点的微观语义过程为：构造多层的线性网络，对于每个选中的靶点，对所述靶点邻近时间和空间上的路况信息I进行抽取，得到以靶点路况为label，以时空邻域数据为数据集，将所述数据集按照8：2拆分为训练集和验证集，调用DNN来训练，训练后对历史的路况进行分类，将历史路况拟合为良好、拥堵、非常拥堵的三个类别。


4.如权利要求3所述的基于历史路况的短时路况预测方法，其特征在于，所述多次神经网络由多个浅层线性网络构成隐变量提取维度，在每个浅层网络后叠加激活层，在激活层后叠加批标准化层，输出层为一个线性层；将包含一个浅层线性网络的集合作为一个网络模块，设计三个模块作为特征提取器。


5.如权利要求1所述的基于历史路况的短时路况预测方法，其特征在于，路况信息包括路段的法定信息、路段的物理信息；车流信息表示具体的时空车流信息量，数据结构为S＝[day,link,id,I]，S表示车流路况信息，day为靶点的日期，link为靶点的路段号，id为靶点在一天中的时间片，2Minute为一个时间片，I为车流的信息量，具体的，车流量信息I＝[eta,v,label,cars]，获取每个link的上游uppart和下游downpart的link段，组成每个link的拓扑结构，表示为：
L＝{li,Lup,Ldown},Lup＝{lup1,lup2...,lupn},Ldown＝{ldown1,ldown2...,ldownm}
li表示第i个靶点路段，Lup表示li的上游路段，Lup＝{lup1,lup2...,lupn}，上游路段由具体的路段lupj组成，下游路段同理；
对对靶点的路况信息info(day,id,I)，获取其过去一个月中相同工作日邻近时间区间的路况信息，具体为：
{info(day',id',I)},day'＝[-7day,-14day,-21day,-28day],id'＝[id...

【专利技术属性】
技术研发人员：赵玺，田文斌，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61