基于动态时空关联学习的交通流量预测与停车场选址方法技术

本发明专利技术属于交通技术领域，涉及一种基于动态时空关联学习的交通流量预测与停车场选址方法，通过引入动态时空关联模块对历史时刻的网格道路交通流量进行时空特征的捕获，并采用时空关联的注意力机制提取对应的流量特征，然后通过特征向量层面的恢复与重构实现交通流量的未来一段时间的连续预测，针对城市内历史时刻与未来时刻的交通流量信息，设计停车场选址方案，适于大规模的流量预测，大大减少了资源的消耗以及减低了对硬件的要求。源的消耗以及减低了对硬件的要求。源的消耗以及减低了对硬件的要求。

【技术实现步骤摘要】
基于动态时空关联学习的交通流量预测与停车场选址方法


[0001]本专利技术属于交通
，特别涉及一种基于动态时空关联学习的交通流量预测与停车场选址方法。

技术介绍

[0002]停车场的选址是指确定一个适合的地点来建设停车场，以便提供方便的停车服务，并满足人们日益增长的车辆数量和停车需求。停车场选址时需要综合考虑多种因素，如地理位置、周围环境、交通流量、停车需求量、土地价格、法律法规等因素，选择合适的停车场能够为市民和商家提供方便的停车服务，缓解停车难问题，提高城市交通效率，促进城市的经济发展。
[0003]在影响停车场选址的各种因素中，交通流量是停车场选址至关重要的一个因素，这是因为交通流量的大小决定停车场的位置、入口出口数量和对应位置，如果交通流量大，则停车场需要更大的规模来满足车辆的停放需求，并且需要设置更多的入口出口，同时还需要将入口出口位置选择在交通流量较大的位置。但是现有技术中，通过历史时刻的交通流量获得未来时刻的交通流量的准确率偏低，难以依靠未来一段时间的交通流量对停车场进行合适的选址。
专利
技术实现思路

[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态时空关联学习的交通流量预测与停车场选址方法，其特征在于，具体包括以下步骤：S1、将全部的历史时刻的流量图按照时间维度上的临近性、周期性以及趋势性原则进行挑选，将挑选出来的流量图整合为新数据集；S2、将步骤S1中全部的历史时刻的流量图进行分块操作得到流量块，并将分好的全部流量块通过线性层映射到高维的空间进行空间和位置的编码，然后通过多层的包含动态时空关联模块的Transformer层，得到流量图的时空流量特征；S3、将步骤S2得到的已知的时空流量特征与未知的多个时间段的特征进行排序重构后送入包含空间注意力模块的Transformer层，得到未来时刻流量图特征；S4、将步骤S3得到的未来时刻流量图特征通过映射恢复为未来一段时间内的城市交通流量图；S5、将动态时空关联损失函数与均方根误差加权和作为总的损失函数，采用训练集进行整个网络训练；S6、根据已获得的未来一段时间的流量，综合历史时刻的城市交通流量信息，设计网格区域评分策略，依据评分选择合适的停车场地址。2.根据权利要求1所述基于动态时空关联学习的交通流量预测与停车场选址方法，其特征在于，步骤S1的具体过程为：定义预测目标为一系列时刻的完整的流量图{}，其中k表示未来时刻的预测片段数量，t表示当前预测的时刻，为t时刻的流量图，临近性表示为时间上接近t的时间，对应的流量图{}，其中c表示为临近时刻片段的数量；周期性表示为t时刻的历史周期片段，对应的流量图{}，其中z表示一周的时间片段数量，e表示周期性的片段数量；趋势性表示为t时刻的遥远时刻的历史片段，一般为月间隔，对应的流量图为{}，其中m为一个月的时间片段数量，d表示为趋势性的片段数量；再将所有挑选出的时间片段在时间维度上按先后顺序排列组合成新数据集{，}。3.根据权利要求2所述基于动态时空关联学习的交通流量预测与停车场选址方法，其特征在于，步骤S2的具体过程为：将步骤S1中t时刻的流量图进行分块，将每个流量图划分为2D块，其中H、W、C分别对应流量图的高度、宽度和通道数，P对应块的尺寸，为块的数量，同样对全部数据集中流量图进行分块操作得{，}，用表示该集合；将划分好的全部流量块通过线性层映射到高维的空间得到初始向量其中...

【专利技术属性】
技术研发人员：刘寒松，王国强，王永，刘瑞，董玉超，
申请(专利权)人：松立控股集团股份有限公司，
类型：发明
国别省市：