一种车流量密度预测方法及系统技术方案

本发明专利技术公开了一种车流量密度预测方法及系统，其包括如下步骤：S1、确定某地点为原点O，构建若干个节点的数据因子P(x,y,z,g(x,y,z))；S2、将某地点S距离原点O的经度信息以及纬度信息投影至XYZ三维时空坐标系中，以根据所述XYZ三维时空坐标系获取车流量密度信息；S3、根据关联系数α获取任一地点(x

【技术实现步骤摘要】
一种车流量密度预测方法及系统


[0001]本专利技术涉及公共交通
，特别涉及一种车流量密度预测方法及系统。

技术介绍

[0002]现有技术中，已有通过神经网络，如LSTM、YOLO对车流量进行预测的技术方案，如中国专利申请202110455685.9
‑
基于YOLO神经网络的车流量统计方法、装置及设备，201910118288.5
‑
一种基于集成LSTM神经网络的车流量预测方法等。
[0003]但上述基于神经网络的车流量预测方法实现过程复杂且计算量大，通常需要使用大量的历史数据和时间来训练网络模型参数，而且模型往往只能预测同一地区的车流量，对预测不同地区的车流量泛化能力较差，且该模型只考虑车流量的时序特征，而忽略了空间特征。

技术实现思路

[0004]鉴于上述现有技术的不足之处，本专利技术的目的在于提供一种车流量密度预测方法及系统，其无需复杂模型即可实现对某地点未来某一段时间内车流量密度的精确预测，同时大幅减少计算量。
[0005]一方面，本申请提供了一种车流量密度预测方法，其包括如下步骤：
[0006]S1、确定某地点为原点O，构建若干个节点的数据因子P(x,y,z,g(x,y,z))，其中x、y分别为某地点S距离原点O的经度信息以及纬度信息，z为起始时刻，g(x,y,z)为以z时刻为起始时刻、预定时间段内该地点S的车流量密度；
[0007]S2、将某地点S距离原点O的经度信息以及纬度信息投影至XYZ三维时空坐标系中，以根据所述XYZ三维时空坐标系获取车流量密度信息；
[0008]S3、根据关联系数α获取任一地点(x
i
,y
j
)以z
k
为起始时刻、在未来N分钟内的车流量密度g(x
i
,y
j
,z
k
)
[0009]另一方面，还提供了一种用于实现上述车流量密度预测方法的车流量密度预测系统，其包括：
[0010]因子构建单元，其用于构建若干个节点的数据因子P(x,y,z,g(x,y,z))；
[0011]坐标投影单元，其用于将某地点S距离原点O的经度信息以及纬度信息投影至XYZ三维时空坐标系中；
[0012]车流量获取单元，其用于获取任一地点(x
i
,y
j
)以z
k
为起始时刻、在未来N分钟内的车流量密度g(x
i
,y
j
,z
k
)。
[0013]本申请至少具有如下技术效果或优点：
[0014]本专利技术为一种基于时空大数据的车流量密度预测方法，其首先充分考虑时序、空间特征，以建立三维时空坐标系，并从中快速获取某地点的经纬度信息，然后利用地点及其关联地点的位置、时间和车流量密度信息实现对该地点未来某一段时间内车流量密度的精确预测，其无需复杂的模型即可快速求解出任一地点在未来预定时间段内的车流量密度，
使其不再局限于预测某一区域内的车流量密度，同时大幅减少计算量。
附图说明
[0015]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1为本专利技术实施例提供的车流量密度预测方法的步骤流程示意图；
[0017]图2为本专利技术实施例提供的XYZ三维时空坐标系示意图；
[0018]图3为本专利技术实施例提供的车流量密度预测系统的结构示意图。
具体实施方式
[0019]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0020]实施例1：
[0021]如图1所示，本实施例提供了一种车流量密度预测方法，其包括如下步骤：
[0022]S1、确定某地点为原点O，构建若干个节点的数据因子P(x,y,z,g(x,y,z))，其中x、y分别为某地点S距离原点O的经度信息以及纬度信息，z为起始时刻，g(x,y,z)为以z时刻为起始时刻、预定时间段内该地点S的车流量密度；
[0023]例如，如图2所示，对于A、B两个地点而言，分别构建三个节点的数据因子：P
A
(x1,y1,z1,g(x1,y1,z1))、P
A
’
(x1,y1,z2,g(x1,y1,z2))、P
B
(x2,y2,z1,g(x2,y2,z1))，其中，x1、y1分别代表地点A距离原点O的经度为x1、纬度为y1，g(x1,y1,z1)、g(x1,y1,z2)代表地点A分别以z1、z2为起始时刻、预定时间段内的车流量密度；类似的，x2、y2代表地点B距离原点O的经度为x2、纬度为y2，g(x2,y2,z1)代表地点B以z1为起始时刻、预定时间段内的车流量密度；
[0024]S2、将某地点S距离原点O的经度信息以及纬度信息投影至XYZ三维时空坐标系中，以根据所述XYZ三维时空坐标系获取车流量密度信息；
[0025]该XYZ三维时空坐标系中，坐标原点为所述原点O，X轴为经度信息、Y轴为纬度信息、Z轴为时间；
[0026]由此，用平行于XOY方向的平面对三维时空坐标系进行截取，即可得到不同地点在同一起始时刻、同一时间段内的车流量密度，用平行于YOZ方向的平面对三维时空坐标系进行截取，即可得到同一地点在不同起始时刻、同一时间段内的车流量密度；
[0027]S3、通过公式(1)获取任一地点(x
i
,y
j
)以z
k
为起始时刻、在未来N分钟内的车流量密度g(x
i
,y
j
,z
k
)：
[0028]g(x
i
,y
j
,z
k
)＝Σ(g(x
i
,y
j
,z
k
‑
N)*α((x
i
,y
j
,z
k
‑
N),(x
m
,y
n
,z
k
‑
N)))(1)
[0029]其中，x
i
、y
j
分别为任一地点距离原点O的经度、纬度；α为关联系数；x
m
、y
n
分别为关联地点S
’
的经度、纬度，所述关联地点S
’
为以该任一地点(x
i
,y
j
)为圆心、半径r范围内的某一地点，半径r为2
‑
5km；
[0030]具体的，本实施例中，通过公式(2)获取关联系数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车流量密度预测方法，其特征在于，包括如下步骤：S1、确定某地点为原点O，构建若干个节点的数据因子P(x,y,z,g(x,y,z))，其中x、y分别为某地点S距离原点O的经度信息以及纬度信息，z为起始时刻，g(x,y,z)为以z时刻为起始时刻、预定时间段内该地点S的车流量密度；S2、将某地点S距离原点O的经度信息以及纬度信息投影至XYZ三维时空坐标系中，以根据所述XYZ三维时空坐标系获取车流量密度信息；S3、根据关联系数α获取任一地点(x
i
,y
j
)以z
k
为起始时刻、在未来N分钟内的车流量密度g(x
i
,y
j
,z
k
)。2.如权利要求1所述的车流量密度预测方法，其特征在于，步骤S3中，通过公式(1)获取任一地点(x
i
,y
j
)以z
k
为起始时刻、在未来N分钟内的车流量密度g(x
i
,y
j
,z
k
)：g(x
i
,y
j
,z
k
)＝Σ(g(x
i
,y
j
,z
k
‑
N)*α((x
i
,y
j
,z
k
‑
N),(x
m
,y
n
,z
k
‑
N))) (1)其中，x
i
、y
j
分别为任一地点距离原点O的经度、纬度；α为关联系数；x
m
、y
n
分别为关联地点S
’
的经度、纬度，所述关联地点S
’
为以该任一地点(x
i
,y
j
)为圆心、半径r范围内的某一地点。3.如权利要求2所述的车流量密度预测方法，其特征在于，通过公式(2)获取关联系数α：4.如权利要求2所述的车流量密度预测方法，其特征在于，步骤S3中，半径r为2
‑
5km。5.如权利要求2所述的车流量密度预测方法，其特征在于，通过公式(3)获取关联系数α：其中，β为经验关联系数。6.如权利要求5所述的车流量密度预测方法，其特征在于，所述经验关联系数β的获取方式包括如下步骤：获取多个地点的车流量密度，建立如下车流量密度矩阵M，其中z
n
为起始时刻：对车流量密度矩阵M进行初等行变化，以得到如下车流量密度变化量矩阵M
’
，其中，g
’
(x
i
,y
j
,z
k
)＝g(x
i
,y
j
,z
k+1
)
‑
g(x
i
,y
j
,z
k
)，且k＝1,2,...,n
‑
1：其中，g
’
(x
i
,y
j
,z
n
‑1)代表距离原点...

【专利技术属性】
技术研发人员：张振，马传香，梁俊，王业率，姜慧，涂和平，贾铭，李力，
申请(专利权)人：湖北大学，
类型：发明
国别省市：