CN108399745A - 一种基于无人机的分时段城市路网状态预测方法 - Google Patents

Abstract

本发明公开了一种基于无人机的分时段城市路网状态预测方法。本发明结合无人机移动性强、检测准确以及深度学习鲁棒性强、预测精度高的优势，利用时空相关性算法，挖掘路网中的关键路段，并预测路网整体交通流的状态。本发明方法应用时空相关性算法分时段识别的路网中的关键路段，结合无人机机动性强的优势，在不同时段对不同的关键路段进行监控，并依此搭建深度学习网络，对整体路网状态进行预测。

Description

一种基于无人机的分时段城市路网状态预测方法

技术领域

本发明涉及交通领域，具体是一种基于无人机的分时段城市路网状态预测方法。

背景技术

随着城市化进程的加快和汽车保有量的爆发式增长，城市的发展面临着以交通拥堵为代表的交通难题。对道路交通拥堵状态进行预测和分析，能够帮助交通管理部门全面把握交通运行状态特征，合理引导社会公众的出行，提高出行效率，缓解交通拥堵提供强有力的技术支持。

为了解决城市道路承载能力不足及供需分配不均导致的一些问题，人民提出了一种新的概念——智能交通系统(Intelligent Transportations System，ITS)。ITS 是利用先进的信息技术、数据通信传输技术、电子传感技术、控制技术及计算机技术等有效的集成运用与整个交通运输管理系统。ITS能够记录大量的人、车出行信息及路况信息，为交通流的短时预测提供海量数据。目前常用的交通信息采集的主要技术有环形线圈检测器、磁力检测器、微波检测器、视频检测器、基于 GPS定位、基于RFID定位等。其中，无人机参与城市交通管理，能够克服传统的定点摄像头监控的视角狭隘、图像模糊、存在监控漏洞和死角等缺陷，不仅可以从宏观上确保城市交通发展规划贯彻，而且可以从微观上进行实况监控、交通流的调控，应对突发交通事件，实施紧急救援。

传统的短时交通流预测方法，如时间序列法、Kalaman滤波法、K最近邻、支持向量机(SVM)预测方法等，对于复杂、多变、非线性的交通流来说，都存在各自的缺陷，预测精度尚待提高。深度学习是一种模拟人脑的多层感知结构来认识数据模式的学习算法，近年来作为数据挖掘的一个新兴领域，在处理图像、文本、语言的非结构化数据方面体现出了极为卓越的性能。深度学习具有很强的自我学习能力，在交通预测方面也取得了一定的研究成果，多位学者运用深度学习的方法对交通流速度、流量等都进行了精确的预测。但是深度学习对于数据量要求较大，且模型的训练时间较长，不适合在线预测。

众所周知，交通流具有明显的时空相关特性，部分道路对邻近路段或区域路网的影响较大。从路网中识别这些关键路段，并利用关键路段的交通流参数对路网整体的交通流状态进行预测，就能克服深度学习模型训练时间较长的不足。

发明内容

本发明的目的是提供一种基于无人机的分时段城市路网状态预测方法，对交通流的时空状态分时段进行挖掘，识别路网中的关键路段，从而对路网整体的状态进行预测。

为了达到上述目的，本发明所采用的技术方案为：

一种基于无人机的分时段城市路网状态预测方法，其特征在于：包括以下步骤：

(1)、交通流历史状态数据预处理：

对原始数据进行清洗以删除错误数据，并利用线性插值法对丢失数据进行填补；在获得完整、可靠的原始数据之后，计算每个路段在每个时间段的交通流量，具体来说就是该时间段内通过该路段的车辆的数目，记为Q_(i,t)，即为i路段在 t时刻的交通流量；计算得到路段平均交通流量之后，将其匹配到每条道路上，为下一步进行时空相关性特征的挖掘做基础；

(2)、利用时空相关性算法识别、提取路网中关键路段：

时空相关性算法包括对交通流空间相关性和时间相关性两个维度的挖掘，过程如下：

(2.1)、空间相关性挖掘

根据复杂网络理论，利用路段之间的拓扑关系，建立路段间的k阶邻接矩阵，并据此建立路网空间权重矩阵；两个路段的邻接关系可以定义为两个路段是否直接相连；如边x和y直接相连时，定义两边关系为一阶相邻；边x和y之间相隔一条直接相连的路段时，定义两边关系为二阶相邻，以此类推；邻接关系的数值表示可以描述为：

式(1)中：ω_x,y表示第x个和第y个路段之间的相邻关系，x和y的取值范围均为[1,l]，即在l条路段之间进行迭代；

采用有向图的方式抽象得到路网的拓扑关系，在整个路网中，为了综合考虑 k阶相邻路段，建立空间对象的1至k阶邻接矩阵，并对其进行加和，得到整个路网的空间权重矩阵，即：

式(2)中：W表示路网的空间权重矩阵，θ⁽ⁱ⁾表示i阶空间矩阵，i的取值范围为[1,k]；

(2.2)、时间相关性挖掘：

分时段利用Pearson相关性函数度量路网中路段之间流量的时间相关性，获得路网不同交通流状态下的时间相关性矩阵，如式3所示：

式(3)中：γ_x,y表示路段x和y的流量的时间相关性系数，其中 X＝[x₁,x₂,…,x_z]是采样周期为p，x路段一天中高峰或平峰时的流量向量， Y＝[y₁,y₂,…,y_z]是路段中y路段一天中高峰或平峰时的流量向量，X、Y的元素个数z与采样周期有关，分别是向量内元素的算数平均值；且在实际路网中，γ_x,y的取值范围为[-1,1]，负值表示x路段和y路段呈现负相关的趋势，且越接近-1表示相关性体现地越显著；

为了计算方便，需要对γ_x,y的值取绝对值，即γ_x,y的值越接近0，表明两路段的相关性不显著；越接近1，表示两路段的相关性越显著；

利用Pearson相关性函数度量两路段的交通流状态在一天内中高峰或平峰时的时间相关性，并建立时间相关性矩阵T来表示路网的时间相关性：

矩阵T_高即代表了高峰时段的交通流时间相关性矩阵，T_平即平峰时段的时间相关性矩阵，矩阵中的元素表示两路段之间流量的时间相关性；

不考虑路段的自相关性，即矩阵T的对角元素γ_1,1、γ_2,2、γ_l,l都为零，由于在历史数据中，每一天的交通流状态呈现的特征都有差别，因此在计算中，针对每一天的平均流量，建立时间相关性矩阵和即d天高峰及平峰时的历史状态分别对应d个不同的时间相关性矩阵；

(2.3)、关键路段识别：

将空间权重矩阵和某一天的时间相关性矩阵进行点乘，得到路网的在该天时空相关性矩阵：

式中：表示第a天r时段的时空状态矩阵，r代表高峰或平峰时段，W 表示路网的空间权重矩阵，表示第a天的时间相关性矩阵，a的取值范围为 [1,d]，则为一个l×l的矩阵，矩阵中每个元素的取值范围为[0,1]，越接近1 表示时空相关性越显著；

得到第a天高峰及平峰时段的路网时空相关性矩阵之后，统计各路段的时空相关性指标即每一列的数值在0到1之间，以0.1为步长的频数，以x路段为例， x路段的时空相关性指标，即x路段所对应列的相关性参数，共l个，其中x路段的自相关系数已被设为0，统计l个参数在[0,0.1]、(0.1,0.2]、…、(0.9,1.0]各区间的频数，为综合考量所有历史状态下路段之间的时空相关性的影响，在统计完路段在各天的频数分布之后，将其进行加和，可以得到在历史状态下某路段在各个区间的频数之和，记为f₁、f₂、…、f₁₀，分别代表某路段在[0,0.1]、 (0.1,0.2]、…、(0.9,1.0]各区间的频数，关键路段的评价标准是各区间频数的加权和，即：

式中：表示路段a的在r时段的关键度，f₁₀、f₉、f₈、f₇分别代表路段 a在(0.9,1.0]、(0.8,0.9]、(0.7,0.8]、(0.6,0.7]区间内的频数和；

通过关键度可以对高峰及平峰时段所有路段的关键度进行排序，并按照路段总数的百分比，提取排序在前的路段作为相应时间区段的关键路段，提取关键路段的平均流量作为预测模型的输入值；

(3)、基于关键路段，构建路网状态预测模型：

构建深度卷积神经网络，并基于历史数据对预测模型进行训练，并对预测模型进行评价；由于关键路段的识别分为高峰时段和平峰时段，因此需要建立不同的预测模型对不同的时段进行预测；

首先，从历史数据中提取高峰时段或平峰时段关键路段的流量数据，并将其转化为时空状态矩阵，作为预测模型的输入；具体来说，将所有路段的流量以横坐标为路段编号、纵坐标为时间的形式整理成矩阵，之后，采用神经卷积网络建立高峰或平峰时段预测模型，步骤如下：

(3.1)、确定输入输出变量，输入变量是路网中的关键路段的时空状态矩阵，输入层神经元个数与关键路段的数目相同；输出变量是未来路网的整体状态矩阵，包含路网中所有路段的流量，输出层神经元个数与路网所有路段数目相同；

(3.2)、构建end to end的深层卷积神经网络模型，设置卷积神经网络的结构参数，在训练集的输入下，对输入层-卷积层-池化层-输出层结构的卷积神经网络进行训练，并用损失函数来衡量输出层的输出值与真实值的差异，利用BPTT 算法最小化损失函数获得最优的模型参数；

(3.3)、对未来一段时间路网整体状态进行预测，从测试集中提取关键路段平均流量，转化为时空状态矩阵，输入第二步已经训练好的预测模型中，获得输出向量，即为下一个时间段路网整体的交通流状态；

最后，建立以均方根误差MSE和均方根误差RMAE为标准的预测模型评价指标体系，对模型的预测精度进行评价，MSE和RMSE的计算方法如式(8)和 (9)：

式中：u代表时段数目，l为路段数，n_p代表是时段数目，n_p＝l×u；

(4)、利用无人机提取关键路段交通流，分时段对路网状态进行预测：

通过无人机拍摄的交通视频从中提取交通流参数，采用深度学习算法，具体来说基于Faster R-CNN算法，对低空航拍图像中的车辆进行检测；

Faster R-CNN的架构包括两个模块：区域建议网络RPN与Fast R-CNN检测算子，区域建议网络是一个全连接网络，用于高效地提取不同尺度、不同宽高比的建议区域，建议区域作为输入传入下一步的Faster R-CNN检测算子；Faster R-CNN的第二个模块是Fast R-CNN检测算子，用于精炼第一环节提取的建议区域；因为RPN与Fast R-CNN检测算子共享相同的卷积层的权值，因而可以实现两个模块的联合训练，其训练步骤分为以下几步：

(4.1)、使用在ImageNet上预训练的模型将RPN网络参数进行初始化，基于此对RPN网络进行微调；

(4.2)、使用(4.1)中RPN网络提取建议区域训练Fast R-CNN检测算子，也用ImageNet上预训练的模型对该网络参数进行初始化；

(4.3)使用(4.2)的Fast R-CNN检测算子将RPN重新初始化，确定卷基层参数，然后微调RPN网络；

(4.4)、确定(4.2)Fast R-CNN卷基层的参数，使用(4.3)中的建议区域微调FastR-CNN；

基于统一的Faster R-CNN网络，由RPN产生的建议区域输入Fast R-CNN 检测算子完成物体检测分类与边框回归；根据Faster R-CNN的检测结果，从中提取交通流量数据，将数据根据高峰或平峰时段输入步骤四中相应的已经训练好的路网状态预测模型，对未来路网整体交通流状态进行预测。

本发明结合无人机移动性强、检测准确以及深度学习鲁棒性强、预测精度高的优势，利用时空相关性算法，挖掘路网中的关键路段，并预测路网整体交通流的状态。首先，利用无人机对区域路网的交通状态进行监测，提取交通流参数；然后，利用时空相关性算法，分时段识别路网中的关键路段；最后，搭建深度学习网络，将关键路段的流量转换成时空状态矩阵作为输入，对预测模型进行训练，从而预测未来整体路网的交通流状态，并对模型进行评价。该方法应用时空相关性算法分时段识别的路网中的关键路段，结合无人机机动性强的优势，在不同时段对不同的关键路段进行监控，并依此搭建深度学习网络，对整体路网状态进行预测。

附图说明

图1为本发明流程图。

具体实施方式

下面结合实际数据对本发明做具体的介绍。需要说明的是，采用的数据是某公司提供的北京市某一区域的浮动车数据，包含路段数目278个，数据的采样频率为2分钟，包含6、7、8三个月共92天的数据。

如图1所示。本发明的实现路线包括以下几步：

步骤一：交通流历史状态数据预处理。

由于交通流量的时空数据挖掘需要完整的数据，而从地磁线圈、路侧检测设备、浮动车等提取的交通流数据，由于施工损坏、线路故障、处理错误、通讯阻滞等问题，使得采集的交通数据存在缺失或者错误。为了得到完整准确的数据，首先需要对原始数据进行清洗，主要是删除错误数据，并利用线性插值法对丢失数据进行填补。

在获得完整、可靠的原始数据之后，计算每个路段在每个时间段的交通流量，具体来说就是该时间段内通过该路段的车辆的数目，记为Q_i，t，即为i路段在t时刻的交通流量。计算得到路段平均交通流量之后，将其匹配到每条道路上，为下一步进行时空相关性特征的挖掘做基础。

步骤二：利用时空相关性算法识别、提取路网中关键路段。

城市路网交通流在时间和空间上呈现出很强的相关性，利用时空相关性算法对其进行挖掘，能够把握路网中的关键信息，也能够利用关键信息预测全局状态，从而减少预测模型的输入，在保证预测精度的前提下提高预测效率。

时空相关性算法主要包括对交通流空间相关性和时间相关性两个维度的挖掘，包括以下步骤：

(1)空间相关性挖掘

根据复杂网络理论，利用路段之间的拓扑关系，建立路段间的5阶邻接矩阵，并据此建立路网空间权重矩阵。两个路段的邻接关系可以定义为两个路段是否直接相连。如边x和y直接相连时，定义两边关系为一阶相邻；边x和y之间相隔一条直接相连的路段时，定义两边关系为二阶相邻，以此类推。邻接关系的数值表示可以描述为：

式中：ω_x,y表示第x个和第y个路段之间的相邻关系，x和y的取值范围均为[1,278]，即在278条路段之间进行迭代。

在整个路网中，为了综合考虑5阶相邻路段，需要建立空间对象的1至5 阶有向邻接矩阵，并对其进行加和，得到整个路网的空间权重矩阵，即：

式中：W表示路网的空间权重矩阵，θ⁽ⁱ⁾表示i阶空间矩阵，i的取值范围为 [1,5]。

(2)时间相关性挖掘

建立时间相关性矩阵。由于交通流在一天的高峰及平峰时段呈现出不同的交通流演化趋势。因此在进行时间相关性挖掘时，应当充分考虑交通流的这种特性。基于此，本方法提出分时段利用Pearson相关性函数度量路网中路段之间流量的时间相关性，获得路网不同交通流状态下的时间相关性矩阵，如式12所示。

式中：γ_x,y表示路段x和y的流量的时间相关性系数。考虑到交通流的波动状态，将其分为高峰及平峰时段，分时段识别关键路段。本方法中，划分的时段为早高峰7:00～10:00，晚高峰17:00～20:00，午平峰10:00～17:00，晚平峰20:00～第二日7:00。

以早高峰为例，采用公式12建立早高峰时段的时间相关性矩阵。其中 X＝[x₁,x₂,…,x₉₀]是采样周期为2分钟，x路段一天中高峰或平峰时的流量向量， Y＝[y₁,y₂,…,y₉₀]是路段中y路段一天中高峰或平峰时的流量向量，X、Y的元素个数与采样周期有关，分别是向量内元素的算数平均值。且在实际路网中，γ_x,y的取值范围为[-1,1]，负值表示x路段和y路段呈现负相关的趋势，且越接近-1表示相关性体现地越显著。为了计算方便，需要对γ_x,y的值取绝对值，即γ_x,y的值越接近0，表明两路段的相关性不显著；越接近1，表示两路段的相关性越显著。

利用Pearson相关性函数度量两路段的交通流状态在一天内中早高峰时段的时间相关性，并建立时间相关性矩阵T来表示路网的时间相关性。

矩阵T_早高即代表了早高峰时段的交通流时间相关性矩阵矩阵中的元素表示两路段之间流量的时间相关性。为下一步计算方便，不考虑路段的自相关性，即矩阵T_早高的对角元素γ_1,1、γ_2,2、γ_278,278都为零。由于在历史数据中，每一天的交通流状态呈现的特征都有差别，因此在计算中，针对每一天的平均流量，建立时间相关性矩阵即d天早高峰时段的历史状态分别对应d个不同的时间相关性矩阵。其他时段的计算方法与以上方法相同

(3)关键路段识别

将空间权重矩阵和某一天的时间相关性矩阵进行点乘，得到路网的在该天时空相关性矩阵，以高峰时段为例即：

式中：表示第a天早高峰时段的时空状态矩阵，W表示路网的空间权重矩阵，表示第a天的早高峰时段时间相关性矩阵，a的取值范围为[1,92]。则为一个278×278的矩阵，矩阵中每个元素的取值范围为[0,1]，越接近1 表示时空相关性越显著。

得到第a天早高峰时段的路网时空相关性矩阵之后，统计各路段的时空相关性指标(即每一列的数值)在0到1之间，以0.1为步长的频数。以x路段为例， x路段的时空相关性指标，即x路段所对应列的相关性参数，共278个(其中x 路段的自相关系数已被设为0)。统计278个参数在[0,0.1]、(0.1,0.2]、…、(0.9,1.0] 各区间的频数。为综合考量所有历史状态下路段之间的时空相关性的影响，在统计完路段在各天的频数分布之后，将其进行加和，可以得到在历史状态下某路段在各个区间的频数之和，记为f₁、f₂、…、f₁₀，分别代表某路段在[0,0.1]、 (0.1,0.2]、…、(0.9,1.0]各区间的频数。关键路段的评价标准是各区间频数的加权和，以早高峰时段为例，即：

式中：表示路段a的早高峰时段的关键度，f₁₀、f₉、f₈、f₇分别代表路段a在(0.9,1.0]、(0.8,0.9]、(0.7,0.8]、(0.6,0.7]区间内的频数和。同理，其他时段的路段的关键度也可由上述方法求出。

通过关键度可以对四个时段所有路段的关键度分别进行排序，并按照路段总数的百分比，分时段提取排序在前的路段作为相应时间区段的关键路段，提取关键路段的平均流量作为预测模型的输入值。

步骤三：基于关键路段，构建路网状态预测模型。

构建深度卷积神经网络(Convolutional Neural Network，CNN)，并基于历史数据对预测模型进行训练，并对预测模型进行评价。由于关键路段的识别分为早高峰、晚高峰、早平峰和晚平峰时段，因此需要建立不同的预测模型对不同的时段进行预测。下面以早高峰时段为例建立预测模型。

首先，从历史数据中提取早高峰时段关键路段的流量数据，并将其转化为时空状态矩阵，作为预测模型的输入。具体来说，将所有路段的流量以横坐标为路段编号、纵坐标为时间的形式整理成矩阵。之后，采用神经卷积网络建模，步骤如下：

(1)确定输入输出变量。输入变量是路网中的早高峰时段关键路段的时空状态矩阵，输入层神经元个数与关键路段的数目相同；输出变量是未来路网的整体状态矩阵，包含路网中所有路段的流量，输出层神经元个数与路网所有路段数目相同。

(2)构建“end to end”的深层卷积神经网络模型，设置卷积神经网络的结构参数。在训练集的输入下，对“输入层-卷积层-池化层-输出层”结构的卷积神经网络进行训练，并用损失函数来衡量输出层的输出值与真实值的差异，利用BPTT 算法最小化损失函数获得最优的模型参数。

(3)对未来一段时间路网整体状态进行预测。从测试集中提取早高峰关键路段平均流量，转化为时空状态矩阵，输入第二步已经训练好的预测模型中，获得输出向量，即为下一个时间间隔路网整体的交通流状态。

最后，建立以均方根误差(Mean Square Error，MSE)和均方根误差(Root MeanSquare Error，RMAE)为标准的预测模型评价指标体系，对模型的预测精度进行评价。MAE和RMSE的计算方法如式(16)和(17)。

式中：u代表时段数目25020，l为路段数278，n_p代表是时段数目， n_p＝l×u＝6955560。

同理，按照上述步骤，将模型训练过程的输入数据更改为午平峰、晚高峰、晚平峰的关键路段的流量的时空状态矩阵，即可训练获得相应时段的预测模型。

步骤四：利用无人机提取关键路段交通流，分时段对路网状态进行预测。

由于无人机具有非常优越的机动性能，能够通过飞行实时改变监测区域，从而能在有限设备的条件下，获取更大范围内的交通流信息，因而，对于分时段的关键路段信息的提取，具有很大的优势。具体来说，在早高峰时段，即每天的 7:00～10:00的时段，无人机飞行到该时段关键路段，对交通流量进行监测并实时上传监测视频，在后台提取交通流数据；在紧接着的早平峰时段，即10:00～17:00，无人机切换监控区域，提取该时段对应的关键路段的交通流参数，依次往复循环。

本方法所述的无人机系统是以多轴飞行器为载体，搭载飞行控制器、摄像机、摄像增稳平台、数字图像传输模块、GPS模块以及数据通讯电台组成的系统，控制该系统与道路平行，飞行在道路正上方100-170米的高空拍摄交通视频。

通过无人机拍摄的交通视频，可以从中提取交通流参数。传统的基于无人机低空航拍图像的车辆检测算法如背景差法、帧差法和光流法等，对航拍图像中复杂的场景较敏感而且无法监测移动缓慢或停止的车辆。本方法采用深度学习算法，具体来说基于FasterR-CNN算法，对低空航拍图像中的车辆进行检测。

Faster R-CNN的架构包括两个模块：区域建议网络(RPN，Region ProposalNetwork)与Fast R-CNN检测算子。区域建议网络是一个全连接网络，用于高效地提取不同尺度、不同宽高比的建议区域，建议区域作为输入传入下一步的Faster R-CNN检测算子。Faster R-CNN的第二个模块是Fast R-CNN检测算子，用于精炼第一环节提取的建议区域。因为RPN与Fast R-CNN检测算子共享相同的卷积层的权值，因而可以实现两个模块的联合训练。其训练步骤分为以下几步：

(1)使用在ImageNet(目前世界上图像识别最大的数据库)上预训练的模型将RPN网络参数进行初始化，基于此对RPN网络进行微调；

(2)使用(1)中RPN网络提取建议区域训练Fast R-CNN检测算子，也用 ImageNet上预训练的模型对该网络参数进行初始化；

(3)使用(2)的Fast R-CNN检测算子将RPN重新初始化，确定卷基层参数，然后微调RPN网络；

(4)确定(2)Fast R-CNN卷基层的参数，使用(3)中的建议区域微调Fast R-CNN。

基于统一的Faster R-CNN网络，由RPN产生的建议区域输入Fast R-CNN 检测算子完成物体检测分类(物体或背景)与边框回归。根据Faster R-CNN的检测结果，从中提取交通流量数据，将数据根据高峰或平峰时段输入步骤四中相应的已经训练好的路网状态预测模型，对未来路网整体交通流状态进行预测。

Claims (1)

1.一种基于无人机的分时段城市路网状态预测方法，其特征在于：包括以下步骤：

(1)、交通流历史状态数据预处理：

对原始数据进行清洗以删除错误数据，并利用线性插值法对丢失数据进行填补；在获得完整、可靠的原始数据之后，计算每个路段在每个时间段的交通流量，具体来说就是该时间段内通过该路段的车辆的数目，记为Q_(i,t)，即为i路段在t时刻的交通流量；计算得到路段平均交通流量之后，将其匹配到每条道路上，为下一步进行时空相关性特征的挖掘做基础；

(2)、利用时空相关性算法识别、提取路网中关键路段：

时空相关性算法包括对交通流空间相关性和时间相关性两个维度的挖掘，过程如下：

(2.1)、空间相关性挖掘

根据复杂网络理论，利用路段之间的拓扑关系，建立路段间的k阶邻接矩阵，并据此建立路网空间权重矩阵；两个路段的邻接关系可以定义为两个路段是否直接相连；如边x和y直接相连时，定义两边关系为一阶相邻；边x和y之间相隔一条直接相连的路段时，定义两边关系为二阶相邻，以此类推；邻接关系的数值表示可以描述为：

式(1)中：ω_x,y表示第x个和第y个路段之间的相邻关系，x和y的取值范围均为[1,l]，即在l条路段之间进行迭代；

采用有向图的方式抽象得到路网的拓扑关系，在整个路网中，为了综合考虑k阶相邻路段，建立空间对象的1至k阶邻接矩阵，并对其进行加和，得到整个路网的空间权重矩阵，即：

式(2)中：W表示路网的空间权重矩阵，θ⁽ⁱ⁾表示i阶空间矩阵，i的取值范围为[1,k]；

(2.2)、时间相关性挖掘：

分时段利用Pearson相关性函数度量路网中路段之间流量的时间相关性，获得路网不同交通流状态下的时间相关性矩阵，如式3所示：

式(3)中：γ_x,y表示路段x和y的流量的时间相关性系数，其中X＝[x₁,x₂,…,x_z]是采样周期为p，x路段一天中高峰或平峰时的流量向量，Y＝[y₁,y₂,…,y_z]是路段中y路段一天中高峰或平峰时的流量向量，X、Y的元素个数z与采样周期有关，分别是向量内元素的算数平均值；且在实际路网中，γ_x,y的取值范围为[-1,1]，负值表示x路段和y路段呈现负相关的趋势，且越接近-1表示相关性体现地越显著；

为了计算方便，需要对γ_x,y的值取绝对值，即γ_x,y的值越接近0，表明两路段的相关性不显著；越接近1，表示两路段的相关性越显著；

利用Pearson相关性函数度量两路段的交通流状态在一天内中高峰或平峰时的时间相关性，并建立时间相关性矩阵T来表示路网的时间相关性：

矩阵T_高即代表了高峰时段的交通流时间相关性矩阵，T_平即平峰时段的时间相关性矩阵，矩阵中的元素表示两路段之间流量的时间相关性；

不考虑路段的自相关性，即矩阵T的对角元素γ_1,1、γ_2,2、γ_l,l都为零，由于在历史数据中，每一天的交通流状态呈现的特征都有差别，因此在计算中，针对每一天的平均流量，建立时间相关性矩阵和即d天高峰及平峰时的历史状态分别对应d个不同的时间相关性矩阵；

(2.3)、关键路段识别：

将空间权重矩阵和某一天的时间相关性矩阵进行点乘，得到路网的在该天时空相关性矩阵：

式中：表示第a天r时段的时空状态矩阵，r代表高峰或平峰时段，W表示路网的空间权重矩阵，表示第a天的时间相关性矩阵，a的取值范围为[1,d]，则为一个l×l的矩阵，矩阵中每个元素的取值范围为[0,1]，越接近1表示时空相关性越显著；

得到第a天高峰及平峰时段的路网时空相关性矩阵之后，统计各路段的时空相关性指标即每一列的数值在0到1之间，以0.1为步长的频数，以x路段为例，x路段的时空相关性指标，即x路段所对应列的相关性参数，共l个，其中x路段的自相关系数已被设为0，统计l个参数在[0,0.1]、(0.1,0.2]、…、(0.9,1.0]各区间的频数，为综合考量所有历史状态下路段之间的时空相关性的影响，在统计完路段在各天的频数分布之后，将其进行加和，可以得到在历史状态下某路段在各个区间的频数之和，记为f₁、f₂、…、f₁₀，分别代表某路段在[0,0.1]、(0.1,0.2]、…、(0.9,1.0]各区间的频数，关键路段的评价标准是各区间频数的加权和，即：

式中：表示路段a的在r时段的关键度，f₁₀、f₉、f₈、f₇分别代表路段a在(0.9,1.0]、(0.8,0.9]、(0.7,0.8]、(0.6,0.7]区间内的频数和；

通过关键度可以对高峰及平峰时段所有路段的关键度进行排序，并按照路段总数的百分比，提取排序在前的路段作为相应时间区段的关键路段，提取关键路段的平均流量作为预测模型的输入值；

(3)、基于关键路段，构建路网状态预测模型：

构建深度卷积神经网络，并基于历史数据对预测模型进行训练，并对预测模型进行评价；由于关键路段的识别分为高峰时段和平峰时段，因此需要建立不同的预测模型对不同的时段进行预测；

首先，从历史数据中提取高峰时段或平峰时段关键路段的流量数据，并将其转化为时空状态矩阵，作为预测模型的输入；具体来说，将所有路段的流量以横坐标为路段编号、纵坐标为时间的形式整理成矩阵，之后，采用神经卷积网络建立高峰或平峰时段预测模型，步骤如下：

(3.1)、确定输入输出变量，输入变量是路网中的关键路段的时空状态矩阵，输入层神经元个数与关键路段的数目相同；输出变量是未来路网的整体状态矩阵，包含路网中所有路段的流量，输出层神经元个数与路网所有路段数目相同；

(3.2)、构建end to end的深层卷积神经网络模型，设置卷积神经网络的结构参数，在训练集的输入下，对输入层-卷积层-池化层-输出层结构的卷积神经网络进行训练，并用损失函数来衡量输出层的输出值与真实值的差异，利用BPTT算法最小化损失函数获得最优的模型参数；

(3.3)、对未来一段时间路网整体状态进行预测，从测试集中提取关键路段平均流量，转化为时空状态矩阵，输入第二步已经训练好的预测模型中，获得输出向量，即为下一个时间段路网整体的交通流状态；

最后，建立以均方根误差MSE和均方根误差RMAE为标准的预测模型评价指标体系，对模型的预测精度进行评价，MSE和RMSE的计算方法如式(8)和(9)：

式中：u代表时段数目，l为路段数，n_p代表是时段数目，n_p＝l×u；

(4)、利用无人机提取关键路段交通流，分时段对路网状态进行预测：

通过无人机拍摄的交通视频从中提取交通流参数，采用深度学习算法，具体来说基于Faster R-CNN算法，对低空航拍图像中的车辆进行检测；

Faster R-CNN的架构包括两个模块：区域建议网络RPN与Fast R-CNN检测算子，区域建议网络是一个全连接网络，用于高效地提取不同尺度、不同宽高比的建议区域，建议区域作为输入传入下一步的Faster R-CNN检测算子；Faster R-CNN的第二个模块是Fast R-CNN检测算子，用于精炼第一环节提取的建议区域；因为RPN与Fast R-CNN检测算子共享相同的卷积层的权值，因而可以实现两个模块的联合训练，其训练步骤分为以下几步：

(4.1)、使用在ImageNet上预训练的模型将RPN网络参数进行初始化，基于此对RPN网络进行微调；

(4.2)、使用(4.1)中RPN网络提取建议区域训练Fast R-CNN检测算子，也用ImageNet上预训练的模型对该网络参数进行初始化；

(4.3)使用(4.2)的Fast R-CNN检测算子将RPN重新初始化，确定卷基层参数，然后微调RPN网络；

(4.4)、确定(4.2)Fast R-CNN卷基层的参数，使用(4.3)中的建议区域微调Fast R-CNN；

基于统一的Faster R-CNN网络，由RPN产生的建议区域输入Fast R-CNN检测算子完成物体检测分类与边框回归；根据Faster R-CNN的检测结果，从中提取交通流量数据，将数据根据高峰或平峰时段输入步骤四中相应的已经训练好的路网状态预测模型，对未来路网整体交通流状态进行预测。