基于时空注意力机制的路口通行时间预测方法技术

本发明专利技术提供一种基于时空注意力机制的路口通行时间预测方法，以精准的预测交通车辆通行时间为出发点，提出了针对出租车的通行时间预测模型，模型利用深度学习技术充分挖掘交通轨迹数据之间深层次的时空特征，并对时空依赖特性引入时空注意力机制进行预测，充分考虑了时间等因素的影响，有效地解决汽车在不同时间运行时的航迹起点和航迹的不确定性，通过对起始点位置的分类，对时间预测模型进行了优化，使得预测的时间和实际的行车时间准确率超过80%，使得交通组织更加合理、层次分明。层次分明。层次分明。

【技术实现步骤摘要】
基于时空注意力机制的路口通行时间预测方法


[0001]本专利技术涉及一种基于时空注意力机制的路口通行时间预测方法。

技术介绍

[0002]交通车辆保有量的急剧增加给城市交通运行带来了巨大的压力。出租车、公交车等公共交通工具的精准通过路口时间预测，不但能够利于人们对行程进行合理规划，节约时间，而且能缓解交通拥堵现象，避免人力、能源等浪费，进而给城市的规划建设提供重要参考。
[0003]目前，对交通工具的时间预测主要采用了基于历史资料的预测模型，交通车辆路口通行时间预测研究已经成为智能交通领域的热点问题之一，然而，传统的研究方法无法充分提取各轨迹路径之间的时空特性，并且忽略了周围环境、天气状况、日期（上下班高峰期）等其他外部属性的影响，因而未达到精准的时间预测效果。
[0004]现有技术中对预测路口通行时间的预测大体可分为三类，分别为基于路段的路口通行时间预测方法，基于子路径的路口通行时间预测方法和基于深度学习的路口通行时间预测方法。
[0005]基于浮动车俩数据的路段通行时间预测方法存在着明显的缺点，它没有考虑到道路与道路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空注意力机制的路口通行时间预测方法,其特征在于：具体包括以下步骤：步骤S1，采集每辆车辆的所有原始GPS轨迹数据集，每条所述原始GPS轨迹数据集包括车辆行驶的路径、所述路径上的多个GPS采样点；步骤S2，对所有车辆的原始GPS轨迹数据集进行清洗，删除部分GPS轨迹数据，形成新GPS轨迹数据集，从新GPS轨迹数据集中匹配车辆的一条路径Q，所述路径Q是一系列连续的GPS采样点的集合，Q=｛q1，q2，
…
，q
i
，
…
，q
n
｝，其中q
i
表示第i个GPS采样点，q
n
表示第n个GPS采样点，每个元素q
i
包括经度q
i
.lon、纬度q
i
.lat、时间戳q
i
.ts、开始时间、车牌号、日期、是否载客、通行距离dis(q1q
n
)，通行距离dis(q1q
n
)即为q1到q
n
的距离；步骤S3，建立通行时间预测模型T
t+δ
(Q)=f{T
t
(Q)}，其中，T
t
(Q)已知，表示路径Q在t时刻的通行时间，T
t+δ
(Q)表示路径Q在t时刻后未来δ时刻的通行时间，利用给定的历史路径训练所述通行时间预测模型，通过学习行驶轨迹间的时空依赖关系，来学习模型参数，在所述通行时间预测模型内，设定外部因素机制，采用嵌入方法将外部因素值形成的分类变量l∈[L]转化为嵌入空间R
M
×1，形成嵌入向量，将所述嵌入向量与所述通行距离dis(q1q
n
)进行连接，形成外部因素机制的输出ext；步骤S4，在所述通行时间预测模型内，采用非线性函数，结合长短期记忆神经网络，将非线性函数的输出向量作为长短期记忆神经网络的输入，输出特征图spa，将所述特征图spa和所述输出ext一同输入时间卷积网络，输出为时空特征序列，即时空特征；步骤S5，在所述通行时间预测模型内，采用时间卷积网络的两个全连接网络层将时空特征序列映射为时间序列，得到子路径预测的通行时间；建立注意力机制，将时空特征序列作为输入，输入至注意力机制中，根据不同路径对于整体路径的重要程度设置不同的权重，获得向量r
att
，将向量r
att
输入全连接层网络得出整个路段的通行时间h
en
，完成所述通行时间预测模型的建立；步骤S6，对所述通行时间预测模型进行训练优化，采用两个损失函数分别定义子路径预测的通行时间的相关损失函数的平均值L1和整个路段的通行时间的相关损失函数L
e
，定义损失函数loss为L1与L
e
的加权和，通过所述损失函数loss的值评估模型性能。2.根据权利要求1所述的基于时空注意力机制的路口通行时间预测方法，其特征在于：步骤S2中，所述新GPS轨迹数据集的GPS轨迹数据的长度为2千米
‑
20千米，所述新GPS轨迹数据集的GPS轨迹数据时间长度小于等于3000秒。3.根据权利要求1所述的基于时空注意力机制的路口通行时间预测方法，其特征在于：步骤S4具体为：步骤S41，在所述通行时间预测模型内，使用一个非线性函数将路径位置信息映射到向量ploc中，向量ploc中的每个元素为ploc
i
，具体公式为：ploc
i
=tanh(W
ploc
<q
i
.lat,q
i
.lon>)，其中，<>表示路径的连接操作，W
ploc
表示向量ploc的学习参数矩阵，tanh为激活函数，q
i
.lat,q
i
.lon分别表示采样点q
i
的经度和纬度；步骤S42，通过LSTM模型中的卷积层提取路径Q的空间信息特征，通过LSTM模型中的池化层对所述空间信息特征进行压缩，提取主要特征，并通过LSTM模型中的长短期记忆网络层输出conv
i2
，具体公式为：，，其中conv
i1
...

【专利技术属性】
技术研发人员：刘新成，沈勤，奚秩华，宣帆，周国冬，
申请(专利权)人：江苏博宇鑫信息科技股份有限公司，
类型：发明
国别省市：