CN108831153A - 一种利用时空分布特性的交通流预测方法及装置 - Google Patents

Abstract

本发明涉及交通监控领域，具体涉及一种利用时空分布特性的交通流预测方法及装置。该交通流预测方法及装置将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据，并将多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布，对交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。该交通流预测方法及装置结合了空间和时间的分布特性，在预测结果方面避免了大幅偏差，增加了预测结果的可信程度，充分利用空间‑时间交通信息，通过城市历史交通流信息，以及实时的区域交通流信息，预测未来某一时段的城市的交通状况，可以更好地满足智能交通系统提供交通信息服务、进行交通控制和诱导的需求。

Description

一种利用时空分布特性的交通流预测方法及装置

技术领域

本发明涉及交通监控领域，具体而言，涉及一种利用时空分布特性的交通流预测方法及装置。

背景技术

面对日趋严峻的交通压力，世界各国采取了各种对策，但城市交通问题一直没有得到很好的解决。虽然现在国内很多城市已经开始推行智能化的服务，但是当前大多数初步架设的交通平台仅是对历史交通信息的发布和再现，而对出行者和管理者来说，有必要掌握交通状态的变化趋势，变被动为主动。所以，采用科学有效的方法对路网的交通状态信息预先做出可靠的预测和判别对智能化交通系统具有重要的意义。

深度学习作为机器学习的新兴学科，一经提出便受到了广泛的关注，像Google、微软、百度等企业，都在研究与利用深度学习。它被成功地应用到了分类任务、自然语言处理、降维、图像识别等等方面。深度学习通过利用多层体系架构来有效地、非监督地提取出底层数据的潜在特征，进而提供给高层进行分类与回归。交通流本身就是一个复杂的过程，深度学习架构能够帮助我们无先验知识却能有效地学习与抓住其中内在的复杂特征，进而有效地进行交通流预测。

交通流量预测，本质上是一个基于时间序列的预测问题，目前较为常见的技术分析方法主要分为两类：

1)基于经验的结合统计学方法的预测；

2)以交通过程理论和交通供求关系为基础的预测；

传统时间序列分析方法主要是通过将时间序列数据分解，分解过程中往往需要平稳性、可逆性、正态分布等假设前提，对于不平稳序列还需要通过差分等手段将非平稳时间序列转换为平稳时间序列，从而实现预测。而机器学习方法，如人工神经网络、卡尔曼滤波模型等主要是通过海量数据的训练从而实现拟合数据特征，实现预测的目的。目前采用较多的经验预测方案是利用神经网络方法。神经网络方法大多采用反向传播(BackPropagation,BP)，这种基于经验风险最小化的BP网络存在易于陷入局部最优解的缺点。

发明内容

本发明实施例提供了一种利用时空分布特性的交通流预测方法及装置，以至少避免现有交通流预测结果大幅偏差、增加预测结果的可信程度。

根据本发明的一实施例，提供了一种利用时空分布特性的交通流预测方法，包括：

步骤A：将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据；

步骤B：将多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布；

步骤C：对交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。

进一步地，方法还包括：

步骤D：对正态分布模型预测结果进行混沌性检测。

进一步地，步骤A包括：

将选定区域按照经纬度划分成N×N网格，赋予每个网格两个属性:流入和流出，并以流入和流出属性作为图片的两个像素，将选定区域一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据，其中每帧图片由流入和流出像素组成。

进一步地，其中流入和流出的定义为：

其中Tr:g₁→g₂→…→g_|Tr|是Ρ中的一条轨迹，Ρ是选定区域，g_k是地理坐标，g_k∈(i,j)表示点g_k在网格(i,j)里，表示点g_k不在网格(i,j)里，网格(i,j)∈N×N网格。

进一步地，步骤B包括：

将多帧图片数据输入至至少一组激活函数ReLU和卷积神经网络中的卷积层，获得多帧图片数据的残差量，并与多帧图片数据进行逻辑运算获得一段时间内完整的交通流量分布。

进一步地，步骤C包括：

将完整的交通流量分布中横轴坐标时间t划分成多个等距的时间片{Δt_i|i＝1,2,3,...,n}，x_i表示在时间片Δt_i上的交通数量，每一个时间片的交通数量x_i有：在两个相邻时间片Δt_i，Δt_i+1之间，交通流量的变化Δx_i＝x_i+1-x_i服从正态分布，且：其中con代表了x_i+1与x_i的协方差算子；

采用最大似然法对中待定的分布参数进行求解，并输出正态分布模型预测结果。

进一步地，步骤D包括：

首先利用互信息法和伪邻域法确定交通流量分布中序列的时间延迟和嵌入维数，然后对交通流量分布中停车位数据进行相空间重构，最后通过小数据量法求得最大Lyapunov指数，由最大Lyapunov指数对正态分布模型预测结果进行判断。

进一步地，其中：

V(t)＝Lyapunov[E(t₀),E(t₁),...,E(t)]，Lyapunov为最大Lyapunov指数算子、输入为从t₀到t时刻所预测的E泊位数量，根据所得出的结果进行判断：

根据本发明的另一实施例，提供了一种利用时空分布特性的交通流预测装置，包括：

数据转换单元，用于将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据；

输入计算单元，用于将多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布；

模型预测单元，用于对交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。

进一步地，交通流预测装置还包括：

混沌检测单元，用于对正态分布模型预测结果进行混沌性检测。

本发明实施例中的利用时空分布特性的交通流预测方法及装置，结合了空间和时间的分布特性，在预测结果方面避免了大幅偏差，增加了预测结果的可信程度。充分利用空间-时间交通信息，通过城市历史交通流信息，以及实时的区域交通流信息，预测未来某一时段的城市的交通状况，可以更好地满足智能交通系统提供交通信息服务、进行交通控制和诱导的需求。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明交通流预测方法的流程图；

图2为本发明交通流预测方法的具体流程图；

图3为本发明交通流预测方法中卷积神经网络的示意图；

图4为本发明交通流预测方法中残差网络的示意图；

图5为本发明交通流预测方法中城市某区域内连续几天的车辆流入示意图；

图6为本发明交通流预测装置的连接框图；

图7为本发明交通流预测方法的具体连接框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明的实施例，参见图1，提供了一种利用时空分布特性的交通流预测方法，包括：

步骤A：将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据；

步骤B：将多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布；

步骤C：对交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。

本发明实施例中的利用时空分布特性的交通流预测方法，充分利用空间-时间交通信息，在预测结果方面避免了大幅偏差，增加了预测结果的可信程度，通过城市历史交通流信息，以及实时的区域交通流信息，预测未来某一时段的城市的交通状况，可以更好地满足智能交通系统提供交通信息服务、进行交通控制和诱导的需求。

作为优选的技术方案中，参见图2，方法还包括：

步骤D：对正态分布模型预测结果进行混沌性检测。同时，将最大李雅普诺夫指数计算从产生预测数据转移到了对预测数据的检验环节，这一过程大幅降低了中长期预测的计算开销。

本发明主要包括几个部分，GPS轨迹数据转换，搭建卷积神经网络，模型预测，混沌性检测。其中GPS轨迹数据转换是将车辆的GPS轨迹转换成类似图片的数据，并将其作为卷积神经网络的输入，最后模型计算出预测结果。可选的步骤是混沌性检测，避免过拟合现象。

交通流本质上反映的是一种社会活动，受到人们的工作和生活的影响很大。车主在长期的开车过程中，通过实践累积的驾驶经验，以及天气、突发事件等等，都会一定程度上对特定时间内的交通流量产生影响。这表明交通流本身具有一定的规律可言，可以深入分析这种规律，从而提高预测水平，降低预测成本。据此，本发明在基于历史交通流数据，以及天气因素、节假日因素等外部因素，应用卷积神经网络(Convolutional NeuralNetwork,CNN)和残差单元(Residual Units)，以此实现一种利用空间-时间特性的交通流预测。

作为优选的技术方案中，步骤A包括：

将选定区域按照经纬度划分成N×N网格，赋予每个网格两个属性:流入和流出，并以流入和流出属性作为图片的两个像素，将选定区域一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据，其中每帧图片由流入和流出像素组成。

其中流入和流出的定义为：

其中Tr:g₁→g₂→…→g_|Tr|是Ρ中的一条轨迹，Ρ是选定区域，g_k是地理坐标，g_k∈(i,j)表示点g_k在网格(i,j)里，表示点g_k不在网格(i,j)里，网格(i,j)∈N×N网格。

具体地，基于GPS轨迹的数据变换为：

将城市所选区域按照经纬度划分成32x32的网格，赋予每个网格两个属性，流入和流出。类比于图片，一张图片中的每个像素点都具有R、G、B三个属性，制作出来的数据集每个区域包含两个属性，可以看成一个图片中的像素点。本发明研究对象为出租车，从出租车原始的GPS轨迹数据中提取出有效字段。按30分钟一个时间段，统计出每个网格的流入和流出。

从数据分析的角度看，交通流是一个随时间而不断变化的数据，实际上这是一个时间序列数据。在赋予网格属性之后，可以将GPS轨迹数据转换为类视频数据。每个时间间隔产生的交通流量组成了视频帧。

在本发明中，流入和流出的定义为：

其中Tr:g₁→g₂→…→g_|Tr|是Ρ中的一条轨迹，g_k是地理坐标。g_k∈(i,j)表示点g_k在网格(i,j)里，反之同理。

对于一个动态系统，由I×J表示的空间区域，在每个网格的每个时间段都有两种类型的流量，所以可以将任意时间的观测表示成张量X∈R^2×I×J。

作为优选的技术方案中，步骤B包括：

将多帧图片数据输入至至少一组激活函数ReLU和卷积神经网络中的卷积层，获得多帧图片数据的残差量，并与多帧图片数据进行逻辑运算获得一段时间内完整的交通流量分布。

具体地，参见图3，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。

一般来说，增加神经网络的宽度和深度能够提升网络的性能，特征的“等级”随增加网络深度而变高，也就是，极其深的深度使网络结构拥有极其强大的表达能力。但是过深的网络会导致梯度消失现象。卷积神经网络采用的是基于反向传播法计算梯度优化的神经网络，由于反向传播求隐藏层梯度时利用了链式法则，梯度值会进行一系列的链乘，导致浅层隐藏层的梯度会出现剧烈的衰减，这是梯度消失的主要原因。另一方面，训练深度网络会带来退化问题。当网络层数达到一定的数目以后，网络的性能就会饱和，再增加网络的层数，网络的性能就会开始退化。残差网络可以很好的解决这些问题。

其中，图4中ReLU表示采用ReLU作为激活函数，Conv代表卷积层。

作为优选的技术方案中，步骤C包括：

将完整的交通流量分布中横轴坐标时间t划分成多个等距的时间片{Δt_i|i＝1,2,3,...,n}，x_i表示在时间片Δt_i上的交通数量，每一个时间片的交通数量x_i有：在两个相邻时间片Δt_i，Δt_i+1之间，交通流量的变化Δx_i＝x_i+1-x_i服从正态分布，且：其中con代表了x_i+1与x_i的协方差算子；

采用最大似然法对中待定的分布参数进行求解，并输出正态分布模型预测结果。

图5是一个城市区域在一段时间内的交通流量情况，图中每一条曲线都是完整的一天记录。横轴是时间，纵轴是交通数量。如果单纯从时间轴看这些数据，会感觉有一定规律，但难以量化分析。本发明中，将横轴坐标，时间t划分成多个等距的时间片{Δt_i|i＝1,2,3,...,n}。然后在每个时间片上进行数据观察。

令x_i表示在时间片Δt_i上的交通数量，显然，x_i是一个随机变量，我们给出的已知的历史数据在Δt_i上的取值是该随机变量的样本数据。因此，接下来本发明要得到这一随机变量的分布。一个交通区域的交通流量取决于车辆的到达和驶离，车辆的到达一般被认为是服从泊松分布的，因此时间片内的交通流量，从长期看实际上就是泊松分布的极限，也就是正态分布。因此我们可以认为每一个时间片的交通数量x_i有：

我们此时可以采用最大似然法(MLE)对待定的分布参数μ_i,进行求解。显然随Δt_i的不同，每个x_i的分布参数是不相同的，因此在时间轴上，交通流量的变化情况是一个非平稳的高斯过程。

再考虑两个相邻时间片Δt_i，Δt_i+1之间，交通流量的变化Δx_i＝x_i+1-x_i的分布情况。由于x_i+1与x_i被视为了两个独立同正态分布的变量，因此Δx_i也服从正态分布，且：其中con代表了x_i+1与x_i的协方差算子。

作为优选的技术方案中，步骤D包括：

首先利用互信息法和伪邻域法确定交通流量分布中序列的时间延迟和嵌入维数，然后对交通流量分布中停车位数据进行相空间重构，最后通过小数据量法求得最大Lyapunov指数，由最大Lyapunov指数对正态分布模型预测结果进行判断。

其中：

V(t)＝Lyapunov[E(t₀),E(t₁),...,E(t)]，Lyapunov为最大Lyapunov指数算子、输入为从t₀到t时刻所预测的E泊位数量，根据所得出的结果进行判断：

为避免预测的数据出现过拟合，本发明增加了一个可选步骤，即混沌性检测。混沌性检测方法采用最大李雅普诺夫(Lyapunov)指数法。最大Lyapunov指数作为识别混沌特性的主要依据之一：当最大Lyapunov指数小于零时，系统具有稳定的不动点；当最大Lyapunov指数等于零时，对应着分岔点或者系统的周期解；当最大Lyapunov指数大于零时，系统具有混沌特性。

计算最大Lyapunov指数，首先利用互信息法和伪邻域法确定序列的时间延迟和嵌入维数，然后对停车位数据进行相空间重构，最后通过小数据量法求得最大Lyapunov指数。

本发明中，我们检验方法如下：V(t)＝Lyapunov[E(t₀),E(t₁),...,E(t)]；

其中，Lyapunov为最大Lyapunov指数算子，输入为从t₀到t时刻所预测的泊位数量。根据所得出的结果进行判断：

实施例2

根据本发明的另一实施例，参见图6，提供了一种利用时空分布特性的交通流预测装置，包括：

数据转换单元201，用于将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据；

输入计算单元202，用于将多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布；

模型预测单元203，用于对交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。

本发明实施例中的利用时空分布特性的交通流预测装置，充分利用空间-时间交通信息，在预测结果方面避免了大幅偏差，增加了预测结果的可信程度，通过城市历史交通流信息，以及实时的区域交通流信息，预测未来某一时段的城市的交通状况，可以更好地满足智能交通系统提供交通信息服务、进行交通控制和诱导的需求。

作为优选的技术方案中，参见图7，交通流预测装置还包括：

混沌检测单元204，用于对正态分布模型预测结果进行混沌性检测。

和当前已知最好的中长期预测相比，本发明结合了空间和时间的分布特性，在预测结果方面避免了大幅偏差，增加了预测结果的可信程度。同时，将最大李雅普诺夫指数计算从产生预测数据转移到了对预测数据的检验环节，这一过程大幅降低了中长期预测的计算开销。本发明的技术特点至少在于：

1.GPS轨迹数据转换，将车辆的GPS轨迹数据转化为城市的区域的类图片数据。

2.应用卷积神经网络和残差单元，来处理生成的类图片数据。

3.混沌性检测，用来避免过拟合现象。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种利用时空分布特性的交通流预测方法，其特征在于，包括：

步骤A：将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据；

步骤B：将所述多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布；

步骤C：对所述交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。

2.根据权利要求1所述的交通流预测方法，其特征在于，所述方法还包括：

步骤D：对所述正态分布模型预测结果进行混沌性检测。

3.根据权利要求1所述的交通流预测方法，其特征在于，所述步骤A包括：

将选定区域按照经纬度划分成N×N网格，赋予每个网格两个属性:流入和流出，并以流入和流出属性作为图片的两个像素，将选定区域一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据，其中每帧图片由流入和流出像素组成。

4.根据权利要求3所述的交通流预测方法，其特征在于，其中流入和流出的定义为：

其中Tr:g₁→g₂→…→g_|Tr|是Ρ中的一条轨迹，Ρ是选定区域，g_k是地理坐标，g_k∈(i,j)表示点g_k在网格(i,j)里，表示点g_k不在网格(i,j)里，网格(i,j)∈N×N网格。

5.根据权利要求1所述的交通流预测方法，其特征在于，所述步骤B包括：

将所述多帧图片数据输入至至少一组激活函数ReLU和卷积神经网络中的卷积层，获得所述多帧图片数据的残差量，并与所述多帧图片数据进行逻辑运算获得一段时间内完整的交通流量分布。

6.根据权利要求1所述的交通流预测方法，其特征在于，所述步骤C包括：

将所述完整的交通流量分布中横轴坐标时间t划分成多个等距的时间片{Δt_i|i＝1,2,3,...,n}，x_i表示在时间片Δt_i上的交通数量，每一个时间片的交通数量x_i有：在两个相邻时间片Δt_i，Δt_i+1之间，交通流量的变化Δx_i＝x_i+1-x_i服从正态分布，且：其中con代表了x_i+1与x_i的协方差算子；

采用最大似然法对中待定的分布参数进行求解，并输出正态分布模型预测结果。

7.根据权利要求2所述的交通流预测方法，其特征在于，所述步骤D包括：

首先利用互信息法和伪邻域法确定所述交通流量分布中序列的时间延迟和嵌入维数，然后对交通流量分布中停车位数据进行相空间重构，最后通过小数据量法求得最大Lyapunov指数，由所述最大Lyapunov指数对所述正态分布模型预测结果进行判断。

8.根据权利要求7所述的交通流预测方法，其特征在于，其中：

V(t)＝Lyapunov[E(t₀),E(t₁),...,E(t)]，Lyapunov为最大Lyapunov指数算子、输入为从t₀到t时刻所预测的E泊位数量，根据所得出的结果进行判断：

9.一种利用时空分布特性的交通流预测装置，其特征在于，包括：

数据转换单元，用于将一段时间内车辆的GPS轨迹以预设时间为间隔转换为多帧图片数据；

输入计算单元，用于将所述多帧图片数据输入至卷积神经网络并结合残差网络获得一段时间内完整的交通流量分布；

模型预测单元，用于对所述交通流量分布进行正态分布模型预测，并输出正态分布模型预测结果。

10.根据权利要求9所述的交通流预测装置，其特征在于，所述交通流预测装置还包括：

混沌检测单元，用于对所述正态分布模型预测结果进行混沌性检测。