一种基于深度神经网络计算的公交到站时间预测方法技术

本发明专利技术提出一种基于深度神经网络计算的公交到站时间预测方法，属于公共交通信息处理技术领域。具体包括，首先对交通数据进行预处理；其次，提取分段交通信息，得到路段交通特征；再其次，扩大路段交通特征的样本量；再其次，对各类路段历史行驶时间数据使用注意力机制模型做多路段的历史特征提取和信息选取；再其次，将选取的特征向量输入全连接层使用均方误差为损失函数训练注意力机制模型；最后，得到预测公交到站的时间。解决了现有技术中存在的公交车到站时间预测不精准的技术问题，实现了公交站点间到站时间预测更具有实时性以及精确性的技术效果。精确性的技术效果。精确性的技术效果。

【技术实现步骤摘要】
一种基于深度神经网络计算的公交到站时间预测方法


[0001]本申请涉及一种公交到站时间预测方法，尤其涉及一种基于深度神经网络计算的公交到站时间预测方法，属于公共交通信息处理


技术介绍

[0002]公交到站时间预测是智慧交通系统的重要组成部分之一。准确的实时公交到站时间预测可以帮助出行者自行选择并优化出行路线。除此之外，准确的到站时间预测不仅可以帮助公交管理人员在突发事件的影响下调整优化公交排班时间。因此，实时且准确的公交到达时间预测是智慧交通帮助提高城市交通效率的重要方法之一。传统公交到站时间预测是通过获取各线路站点间公交运行时间以及公交车的地理信息以计算公交站点间的历史平均运行时常并用以预测到站时间。目前国内外学者在预测公交到站时间的方法上有大量研究，用到的预测模型有：差分整合移动平均自回归模型(Auto Regressive Integrated Moving Average, ARIMA)，支持向量机(Support Vector Machines, SVM)以及长短期记忆人工神经网络（Long Short
‑
Term Memory， LSTM）。然而基于此类方法的时间序列预测模型难以支撑现阶段智能公交的大数据需求。当前公交出行需求越来越大，出行方式的种类越来越多，以及GPS定位技术和通信技术的快速发展。
[0003]现有技术中常用的预测公交到站时间的技术有利用LSTM神经网络进行公交到站时间的预测，公交到站时间预测一般属于时间序列的预测问题，在假设公交到站时间发展的延续性下，根据历史一段时间内的公交到站时间以及交通环境数据对于未来一段时间内的公交到站时间进行趋势预测。使用时间序列预测方式预测到站时间的方法存在很多缺陷，比如，很难在有限的时间切片窗口条件下难以同时捕捉长周期的趋势，当时间窗口过长时则计算会增加难以训练模型，而且缺乏对实时交通信息的系统性提取。
[0004]因此，在使用时间序列分析的方法对未来到站时进行预测是无法满足现有的公交站台实时显示精确的到站时间的需求的，更加用于未来行程规划中对未来一段时间内的公交行驶时间的预测。

技术实现思路

[0005]在下文中给出了关于本专利技术的简要概述，以便提供关于本专利技术的某些方面的基本理解。应当理解，这个概述并不是关于本专利技术的穷举性概述。它并不是意图确定本专利技术的关键或重要部分，也不是意图限定本专利技术的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
[0006]鉴于此，为解决现有技术中存在的公交车到站时间预测不精准的技术问题，本专利技术提供了一种基于深度神经网络计算的公交到站时间预测方法、装置及存储介质，本专利技术通过建立交通特征信息提取框架，对交通站点间的路段信息进行提取并聚类，针对不同类型的路段分别训练预测模型，实现了公交站点间到站时间预测更具有实时性以及精确性的技术效果。
[0007]一种基于深度神经网络计算的公交到站时间预测方法，包括以下步骤：S1.对交通数据进行预处理；S2.提取分段交通信息，得到路段交通特征；S3.扩大路段交通特征的样本量；S4.对各类路段历史行驶时间数据使用注意力机制模型做多路段的历史特征提取和信息选取；S5.将选取的特征向量输入全连接层使用均方误差为损失函数训练注意力机制模型；S6.得到预测公交到站的时间。
[0008]优选的，步骤S1所述对数据进行预处理的具体方法是：将公交路线分为前后站点间的路段，提取每一路段的交通信息；所述交通信息具体包括离散变量和连续变量。
[0009]优选的，步骤S2所述提取分段交通信息，得到路段交通特征，包括以下步骤：S2.1.建立公交线路的交通特征提取框架；S2.2.提取线路上两个站点间的分段交通信息；S2.3.提取并强化离散特征之间的关系；S2.4.提取并强化连续特征之间的关系；S2.5.将离散特征和连续特征进行融合，得到该路段被提取出的交通特征。
[0010]优选的，步骤S3所述扩大路段交通特征的样本量的具体方法是：根据各路段的交通特征做mean
‑
shift聚类，根据聚类结果分k蔟族，扩大各蔟族的训练样本。
[0011]优选的，步骤S4所述对各类路段历史行驶时间数据使用注意力机制模型做多路段的信息选取的具体方法是：信息选取的方法是，使用注意力机制模型对提取后的特征进行信息选取，具体公式如下：；其中，为该类型路段的历史交通特征数据， 为状态的矩阵，为神经元，函数将其激活为0
‑
1的值，并成为注意力权重矩阵，最终与对应元素逐个相乘成为注意力选取的特征向量，为该神经元的偏置向量。
[0012]优选的，步骤S5所述将选取的特征向量输入全连接层使用均方误差为损失函数训练注意力机制模型的具体方法是：其中，为该路段真实行驶时间值，为该路段预测行驶时间值。
[0013]优选的，步骤S2.3所述提取并强化离散特征之间的关系的具体方法是：其中，是的矩阵，为离散变量个数，为输入并使用独热编码后的离散变量，为该神经元的偏置向量。
[0014]优选的，步骤S2.4提取并强化连续特征之间的关系的具体方法是：其中，是的矩阵，为连续性变量个数，为压缩至维度个数，为输入的连续变量，为该神经元的偏置向量。
[0015]一种计算机装置，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现一种基于深度神经网络计算的公交到站时间预测方法的步骤。
[0016]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种基于深度神经网络计算的公交到站时间预测方法。
[0017]本专利技术的有益效果如下：本专利技术通过建立交通特征信息提取框架，对交通站点间的路段信息进行实时交通状况的提取，增加了预测实时性，并且通过聚类，扩大了交通特征性路段的样本数量，使得预测更加精准，针对不同类型的路段分别训练预测模型，解决了现有技术中存在的公交车到站时间预测不精准的技术问题，实现了公交站点间到站时间预测更具有实时性以及精确性的技术效果。
附图说明
[0018]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本专利技术实施例所述的方法流程示意图；图2为本专利技术实施例所述的聚类模型结构示意图；图3为本专利技术实施例所述的注意力机制模型结构示意图；图4为本专利技术实施例所述RNN神经元历史时间序列特征提取器结构示意图；图5为本专利技术实施例所述RNN神经元历史时间序列特征提取器结构展开示意图。
具体实施方式
[0019]为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0020]实施例一参照图1
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络计算的公交到站时间预测方法，其特征在于，包括以下步骤：S1.对数据进行预处理；S2.提取分段交通信息，得到路段交通特征；S3.扩大路段交通特征的样本量；S4.对各类路段历史行驶时间数据使用注意力机制模型做多路段的历史特征提取和信息选取；S5.将选取的特征向量输入全连接层使用均方误差为损失函数训练注意力机制模型；S6.得到预测公交到站的时间。2.根据权利要求1所述的方法，其特征在于，步骤S1所述对数据进行预处理的具体方法是：将公交路线分为前后站点间的路段，提取每一路段的交通信息；所述交通信息具体包括离散变量和连续变量。3.根据权利要求1或2所述的方法，其特征在于，步骤S2所述提取分段交通信息，得到路段交通特征，包括以下步骤：S2.1.建立公交线路的交通特征提取框架；S2.2.提取线路上两个站点间的分段交通信息；S2.3.提取并强化离散特征之间的关系；S2.4.提取并强化连续特征之间的关系；S2.5.将离散特征和连续特征进行融合，得到该路段被提取出的交通特征。4.根据权利要求3所述的方法，其特征在于，步骤S3所述扩大路段交通特征的样本量的具体方法是：根据各路段的交通特征做mean
‑
shift聚类，根据聚类结果分k蔟族，扩大各蔟族的训练样本。5.根据权利要求4所述的方法，其特征在于，步骤S4所述对各类路段历史行驶时间数据使用注意力机制模型做信息选取的具体方法是：信息选取...

【专利技术属性】
技术研发人员：林涛，陈振武，周勇，李朋，王宇，彭亚红，张枭勇，王晋云，钱宇清，
申请(专利权)人：深圳市城市交通规划设计研究中心股份有限公司，
类型：发明
国别省市：