一种针对多源异构数据的城市交通行程时间预测方法技术

本发明专利技术通过网络安全领域的方法，实现了一种针对多源异构数据的城市交通行程时间预测方法。分为三个实施步骤：步骤一：收集交通出行数据和外部属性信息，完成数据预处理和标注，构建适用于深度学习任务的训练集、验证集和测试集；步骤二：构建基于多视角卷积和注意力机制的深度神经网络模型，并在构建的数据集上进行训练得到深度神经网络模型；步骤三：输入待预测的行程轨迹，采用训练得到的深度神经网络模型进行推理，得到行程时间预测结果。本发明专利技术提供的方法能够提供一种能够综合考虑城市路网信息、GPS轨迹信息、天气信息、驾驶者信息等多源异构数据的交通行程时间预测的方法，相对当前现有方法而言能够实现更准确和稳定的交通行程时间预测，从而为智能交通运输系统的建设提供支撑。设提供支撑。设提供支撑。

【技术实现步骤摘要】
一种针对多源异构数据的城市交通行程时间预测方法


[0001]本专利技术涉及智能交通系统领域以及多源信息处理
，具体涉及一种针对GPS轨迹数据、城市路网数据、气象信息等多源异构数据的，基于多视角卷积和注意力机制的深度神经网络模型的城市道路行程时间预测方法。

技术介绍

[0002]随着社会经济快速发展，人们出行需求和机动车保有量呈现快速增长趋势，对新型城市智能交通运输系统(Intelligent Transportation System，ITS)的建设提出了迫切需求。准确高效的城市交通行程时间预测技术能有效反映实时交通状况、缓解或避免交通拥堵、支撑动态交通管理服务，是智能交通运输系统的关键环节，对于交通治理和城市交通智能化具有重大意义。同时，随着各种移动设备和GPS传感器的普及应用，产生并收集了海量交通数据(如车辆轨迹信息、出行信息、在线叫车数据等)。这些海量数据包含了关于城市出行的重要信息，为建立更好的智能交通运输系统、减轻交通拥堵、提高人们日常通勤效率提供了可能。因此，一种能够针对多源异构数据的准确、高效的城市道路行程时间预测方法的研究本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：分为三个实施步骤：步骤一：收集交通出行数据和外部属性信息，完成数据预处理和标注，构建适用于深度学习任务的训练集、验证集和测试集；步骤二：构建基于多视角卷积和注意力机制的深度神经网络模型，并在构建的数据集上进行训练得到深度神经网络模型；步骤三：输入待预测的行程轨迹，采用训练得到的深度神经网络模型进行推理，得到行程时间预测结果。2.如权利要求1所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述交通出行数据包括GPS轨迹、出行时间、出行日期、特定司机车辆编号、路径长度、路径真实行程时间。3.如权利要求2所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述外部属性信息包括城市路网结构、天气信息。4.如权利要求3所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述构建训练集、验证集和测试集的方法为：根据交通出行轨迹的共同特征，设置筛选条件，对明显的异常轨迹进行剔除；然后，通过Leuven.MapMatching地图匹配工具，将GPS轨迹的每个点投影到相应的路段上，得到路段轨迹序列；之后按照2:1:1的比例，将数据分为训练数据集、验证数据集和测试数据集。5.如权利要求4所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述筛选条件为：行驶距离大于100km或小于0.5km、平均速度大于100km/h或小于5km/h、行驶时间大于7200秒或小于60秒。6.如权利要求5所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：构建所述基于多视角卷积和注意力机制的深度神经网络模型的具体方法为：由交通信息融合组件、多视角卷积注意力机制组件和多任务学习组件三个组件构成模型架构。7.如权利要求6所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述交通信息融合组件交通信息融合组件包括两个模块：路段向量映射模块和路径编码模块，所述路段向量映射模块使用skip
‑
gram方法来实现路段向量的映射，对于一条路段序列{r
i
},i＝1...N，N为该序列的路段个数，设置长度为3的滑动窗口，得到对于一条路段序列中每一个路段r
i
的上下游路段点对，将每个上下游路段点对中的中心路段记为r
c
，上游路段记为r
u
，下游路段记为r
d
，则构造得到的上下游路段点对分别为(r
c
,r
u
)和(r
c
,r
d
)，然后，根据概率P(r
i
)采样构造伪邻接点对：其中，freq(r
i
)为路段r
i
在所有路段序列中的出现频率，然后，构建从路段编号到路段向量的向量映射神经网络h＝f(r)＝σ(Wx+b)，其中，b为待训练的偏置向量，W是待训练的映射矩阵，σ是sigmoid激活函数；记分别针对每个中心路段r
c
、上游路段r
u
和下游路段r
d
的神经网络参数为W
c
,b
c
、W
u
,b
u
和W
d
,b
d
，分别得到的路段向量
为h
c
、h
u
和h
d
，定义上游关系打分函数为下游关系打分函数为定义向量映射神经网络的训练目标为尽量使得真实上下游路段的映射向量的内积尽量接近1，且伪上下游路段的映射向量的内积尽量接近0，即：其中，up/down(r
i
)分别代表路段r
i
的真实上游路段点和下游路段点，Neg(r
i
)代表路段r
i
的伪邻接路段点，通过训练，得到分别针对中心路段、上游路段和下游路段的神经网络参数W
c
,b
c
、W
u
,b
u
和W
d
,b
d
，从而分别得到路段向量映射神经网络f
c
、f
u
和f
d
；所述路径编码模块对于轨迹上的每一个GPS轨迹点p
i
，通过预处理时的路网地图匹配，已经得到了其对应的路段编号p
i
.r
i
，则通过路段向量映射模块，可以得到该GPS轨迹点对应的路段向量，即：p
i
.ev
c
＝f
c
(p
i
.r
i
)p
i
.ev
u
＝f
u
(p
i
.r
i
)p
i
.ev
d
＝f
d
(p
i
.r
i
)然后，如下所示计算轨迹特征向量traj
i
：其中，p
i
代表轨迹上的第i个轨迹点，p
i
.lon代表轨迹点的经度，p
i
.lat代表轨迹点的纬度，p
i
.ev
c
,p
i
.ev
u
,p
i
.ev
d
分别代表中心路段、上游路段和下游路段的路段映射向量，p
i
.dis代表轨迹点对应路段的...

【专利技术属性】
技术研发人员：刘丰恺，李牧，冯逸骏，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：