一种基于时空关系抽取的区域交通状况集成预测方法技术

本发明专利技术公开了一种基于时空关系抽取的区域交通状况集成预测方法。该方法包括：针对目标区域，构建道路的路网拓扑图和停车场的停车场拓扑图，对于路网拓扑图，道路作为图节点，节点之间的连接规则遵循道路的自然连接规则，每条路上的平均车速信息作为节点的特征，对于停车场拓扑图，停车场作为节点，采用最短路径作为节点的连接规则，停车场车位占用数量作为节点特征；基于路网拓扑图和停车场拓扑图，利用构建的多任务模型获得各条道路的平均车速预测结果以及各个停车场车位占用的预测结果，其中所述多任务模型架构包括时空抽取网络、异构图神经网络和时间序列模型。本发明专利技术能够实现交通流与停车状况的集成预测，提升了预测精度。提升了预测精度。提升了预测精度。

【技术实现步骤摘要】
一种基于时空关系抽取的区域交通状况集成预测方法


[0001]本专利技术涉及交通预测
，更具体地，涉及一种基于时空关系抽取的区域交通状况集成预测方法。

技术介绍

[0002]目前，智能交通系统在城市生活中发挥了重要作用，提高了出行效率。交通流预测是智能交通的重要组成部分，可以帮助交通管理人员提前了解交通信息变化，从而制定相应的控制策略。此外，对于出行者来说，可以根据预测结果制定合理的出行计划。行驶和停车都属于车辆的状态，因此，交通预测应该包括道路交通预测和停车状况预测。道路交通和停车饱和度都对整体交通有影响，它们共同决定了一个区域的交通状况。当前几乎所有的交通预测都将道路交通流预测和停车情况预测分开考虑。然而，道路交通流和停车情况密切相关，尤其是在一些热门的兴趣点附近，如医院、景区、大型商场等。一方面，巨大的交通流量给停车场带来了压力。例如，在节假日期间，一些景点的停车场全部饱和。另一方面，有限的停车位导致车辆在道路上低速巡航。据调查，寻找停车场或停车位造成的无效交通流量占城市道路交通流量的15％。此外，研究表明，30％的城市交通拥堵是由于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空关系抽取的区域交通状况集成预测方法，包括以下步骤：针对目标区域，构建道路的路网拓扑图和停车场的停车场拓扑图，其中，对于路网拓扑图，将道路作为图节点，节点之间的连接规则遵循道路的自然连接规则，每条路上的平均车速信息作为节点的特征，对于停车场拓扑图中，将停车场作为节点，采用最短路径法作为节点的连接规则，将停车场车位占用数量作为节点特征；基于所述路网拓扑图和所述停车场拓扑图，利用构建的多任务模型架构获得路网中各条道路的平均车速预测结果以及停车场网络中各个停车场车位占用的预测结果，其中所述多任务模型架构包括时空抽取网络、异构图神经网络和时间序列模型。2.根据权利要求1所述的方法，其特征在于，所述时空抽取网络用于根据多个历史时刻的平均车速信息和停车场的车位占用数据提取道路节点和停车场节点的时空关系，得到所有节点的时空关系拓扑图；对于每个时刻，采用两个图卷积神经网络分别提取道路节点的空间特征和停车场节点的特征，进而通过异构图神经网络融合道路节点的空间特征矩阵和停车场节点的特征矩阵，获得对应时刻的融合特征；基于各时刻的融合特征，采用所述时间序列模型提取时间特征并输出后续时刻路网中各条道路的平均车速预测结果以及停车场网络中各个停车场车位占用的预测结果。3.根据权利要求2所述的方法，其特征在于，将所述路网拓扑图标记为G
r
＝(V
r
,E
r
)，将道路视为图节点，如果两条道路相交，则连接两个节点，V
r
＝{v1,v2,
…
,v
N
}表示所有节点的集合，N为节点数量，E
r
表示所有边的集合，各个节点之间的连接关系采用邻接矩阵A
r
表示，A
r
∈R
N
×
N
，将每条路上的平均车速信息作为节点的特征，每个节点的特征记为x
r
＝[x1,x2,
…
,x
t
,
…
,x
T
]，T是历史时间序列的长度，x
t
表示t时刻的节点特征，表示t时刻的所有节点特征，将所述停车场网络拓扑图标记为G
p
＝(V
p
,E
p
)，将停车场视为节点，如果两个停车场节点之间的最短道路距离小于设定阈值，则连接两个节点，V
p
＝{v1,v2,
…
,v
M
}，M为停车场数量，邻接矩阵A
p
∈R
M
×
M
，将停车场车位占用数量...

【专利技术属性】
技术研发人员：于家傲，彭磊，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：