CN108831153A - 一种利用时空分布特性的交通流预测方法及装置 - Google Patents
一种利用时空分布特性的交通流预测方法及装置 Download PDFInfo
- Publication number
- CN108831153A CN108831153A CN201810904448.4A CN201810904448A CN108831153A CN 108831153 A CN108831153 A CN 108831153A CN 201810904448 A CN201810904448 A CN 201810904448A CN 108831153 A CN108831153 A CN 108831153A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- time
- magnitude
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 76
- 238000013277 forecasting method Methods 0.000 title claims abstract description 23
- 230000002123 temporal effect Effects 0.000 title claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 34
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Entrepreneurship & Innovation (AREA)
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
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，gk是地理坐标，gk∈(i,j)表示点gk在网格(i,j)里，表示点gk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{Δti|i＝1,2,3,...,n}，xi表示在时间片Δti上的交通数量，每一个时间片的交通数量xi有：在两个相邻时间片Δti，Δti+1之间，交通流量的变化Δxi＝xi+1-xi服从正态分布，且：其中con代表了xi+1与xi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，gk是地理坐标，gk∈(i,j)表示点gk在网格(i,j)里，表示点gk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，gk是地理坐标。gk∈(i,j)表示点gk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∈R2×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{Δti|i＝1,2,3,...,n}，xi表示在时间片Δti上的交通数量，每一个时间片的交通数量xi有：在两个相邻时间片Δti，Δti+1之间，交通流量的变化Δxi＝xi+1-xi服从正态分布，且：其中con代表了xi+1与xi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{Δti|i＝1,2,3,...,n}。然后在每个时间片上进行数据观察。
令xi表示在时间片Δti上的交通数量，显然，xi是一个随机变量，我们给出的已知的历史数据在Δti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xi有：
我们此时可以采用最大似然法(MLE)对待定的分布参数μi,进行求解。显然随Δti的不同，每个xi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Δti，Δti+1之间，交通流量的变化Δxi＝xi+1-xi的分布情况。由于xi+1与xi被视为了两个独立同正态分布的变量，因此Δxi也服从正态分布，且：其中con代表了xi+1与xi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，gk是地理坐标，gk∈(i,j)表示点gk在网格(i,j)里，表示点gk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{Δti|i＝1,2,3,...,n}，xi表示在时间片Δti上的交通数量，每一个时间片的交通数量xi有：在两个相邻时间片Δti，Δti+1之间，交通流量的变化Δxi＝xi+1-xi服从正态分布，且：其中con代表了xi+1与xi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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810904448.4A CN108831153A (zh) | 2018-08-09 | 2018-08-09 | 一种利用时空分布特性的交通流预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810904448.4A CN108831153A (zh) | 2018-08-09 | 2018-08-09 | 一种利用时空分布特性的交通流预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108831153A true CN108831153A (zh) | 2018-11-16 |
Family
ID=64153183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810904448.4A Pending CN108831153A (zh) | 2018-08-09 | 2018-08-09 | 一种利用时空分布特性的交通流预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108831153A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109461311A (zh) * | 2018-12-19 | 2019-03-12 | 哈尔滨工业大学（深圳） | 一种面向智能交通和智能驾驶的路网交通流时空预测方法 |
| CN109816983A (zh) * | 2019-02-26 | 2019-05-28 | 昆明理工大学 | 一种基于深度残差网络的短时交通流量预测方法 |
| CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
| CN109978040A (zh) * | 2019-03-19 | 2019-07-05 | 西南交通大学 | 一种交通运力分布预测方法 |
| CN110147904A (zh) * | 2019-04-23 | 2019-08-20 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
| CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
| CN110807942A (zh) * | 2019-09-24 | 2020-02-18 | 联创汽车电子有限公司 | 智能驾驶汽车航迹更新方法及其更新系统 |
| CN111210088A (zh) * | 2020-01-16 | 2020-05-29 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
| CN111260927A (zh) * | 2020-05-07 | 2020-06-09 | 北京航空航天大学 | 一种公路路网流量预测方法 |
| CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
| CN111710154A (zh) * | 2020-05-15 | 2020-09-25 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
| CN112118535A (zh) * | 2020-08-12 | 2020-12-22 | 深圳技术大学 | 车辆漫游区域预测方法及系统 |
| CN112329830A (zh) * | 2020-10-27 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
| CN113222206A (zh) * | 2021-01-29 | 2021-08-06 | 太原理工大学 | 一种基于ResLS-C深度学习组合的交通状态预测方法 |
| CN113380028A (zh) * | 2021-06-01 | 2021-09-10 | 公安部交通管理科学研究所 | 一种智慧出行交通数据融合方法及装置 |
| US20210374622A1 (en) * | 2020-05-29 | 2021-12-02 | Toyota Jidosha Kabushiki Kaisha | Server device, program, and operation method of server device |
| CN114708730A (zh) * | 2022-04-01 | 2022-07-05 | 广州大学 | 桥面车流时空分布重构随机车流虚实混合模拟方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
| CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
-
2018
- 2018-08-09 CN CN201810904448.4A patent/CN108831153A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
| CN108010378A (zh) * | 2017-12-20 | 2018-05-08 | 中国科学院深圳先进技术研究院 | 停车场泊位占用率预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JUNBO ZHANG等: "Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction", 《THIRTY-FIRST AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
| JUNBO ZHANG等: "Predicting citywide crowd flows using deep spatio-temporal residual networks", 《ARTIFICIAL INTELLIGENCE》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109461311A (zh) * | 2018-12-19 | 2019-03-12 | 哈尔滨工业大学（深圳） | 一种面向智能交通和智能驾驶的路网交通流时空预测方法 |
| CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
| CN109816983A (zh) * | 2019-02-26 | 2019-05-28 | 昆明理工大学 | 一种基于深度残差网络的短时交通流量预测方法 |
| CN109978040A (zh) * | 2019-03-19 | 2019-07-05 | 西南交通大学 | 一种交通运力分布预测方法 |
| CN110147904A (zh) * | 2019-04-23 | 2019-08-20 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
| CN110147904B (zh) * | 2019-04-23 | 2021-06-18 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
| CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
| CN110807942A (zh) * | 2019-09-24 | 2020-02-18 | 联创汽车电子有限公司 | 智能驾驶汽车航迹更新方法及其更新系统 |
| CN110807942B (zh) * | 2019-09-24 | 2021-11-02 | 上海汽车工业(集团)总公司 | 智能驾驶汽车航迹更新方法及其更新系统 |
| CN111210088A (zh) * | 2020-01-16 | 2020-05-29 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
| CN111210088B (zh) * | 2020-01-16 | 2023-06-02 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
| CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
| CN111325976B (zh) * | 2020-02-24 | 2021-02-02 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
| CN111260927A (zh) * | 2020-05-07 | 2020-06-09 | 北京航空航天大学 | 一种公路路网流量预测方法 |
| CN111710154A (zh) * | 2020-05-15 | 2020-09-25 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
| US20210374622A1 (en) * | 2020-05-29 | 2021-12-02 | Toyota Jidosha Kabushiki Kaisha | Server device, program, and operation method of server device |
| CN112118535A (zh) * | 2020-08-12 | 2020-12-22 | 深圳技术大学 | 车辆漫游区域预测方法及系统 |
| CN112329830A (zh) * | 2020-10-27 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
| CN112329830B (zh) * | 2020-10-27 | 2023-01-31 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
| CN113222206A (zh) * | 2021-01-29 | 2021-08-06 | 太原理工大学 | 一种基于ResLS-C深度学习组合的交通状态预测方法 |
| CN113222206B (zh) * | 2021-01-29 | 2022-05-13 | 太原理工大学 | 一种基于ResLS-C深度学习组合的交通状态预测方法 |
| CN113380028A (zh) * | 2021-06-01 | 2021-09-10 | 公安部交通管理科学研究所 | 一种智慧出行交通数据融合方法及装置 |
| CN114708730A (zh) * | 2022-04-01 | 2022-07-05 | 广州大学 | 桥面车流时空分布重构随机车流虚实混合模拟方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108831153A (zh) | 一种利用时空分布特性的交通流预测方法及装置 | |
| CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及系统 | |
| Zhang et al. | Classifying transportation mode and speed from trajectory data via deep multi-scale learning | |
| Zhao et al. | Deep temporal convolutional networks for short-term traffic flow forecasting | |
| Chen et al. | Learning deep representation from big and heterogeneous data for traffic accident inference | |
| CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
| Chen et al. | Predicting station level demand in a bike‐sharing system using recurrent neural networks | |
| Li et al. | Prediction of urban human mobility using large-scale taxi traces and its applications | |
| Zhang et al. | Vessel trajectory prediction in maritime transportation: Current approaches and beyond | |
| CN107977734B (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
| Jain et al. | Design of fuzzy logic based energy management and traffic predictive model for cyber physical systems | |
| CN109872535A (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
| Duan et al. | FDSA-STG: Fully dynamic self-attention spatio-temporal graph networks for intelligent traffic flow prediction | |
| CN107038858A (zh) | 通勤私家车动态拼车推荐方法 | |
| CN112270355A (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
| CN112487954A (zh) | 一种面向平面交叉口的行人过街行为预测方法 | |
| Jiang et al. | CrowdPatrol: A mobile crowdsensing framework for traffic violation hotspot patrolling | |
| CN112084240B (zh) | 一种群租房智能识别、联动治理方法及系统 | |
| CN112801340A (zh) | 一种基于多层级城市信息单元画像的人群密度预测方法 | |
| CN112529284A (zh) | 基于神经网络的私家车停留时间预测方法、设备及介质 | |
| Al-Najada et al. | Real-time incident clearance time prediction using traffic data from internet of mobility sensors | |
| CN117610734A (zh) | 基于深度学习的用户行为预测方法、系统和电子设备 | |
| CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
| Hu et al. | Self-supervised pre-training for robust and generic spatial-temporal representations | |
| da Costa Albuquerque et al. | A proactive application to monitor truck fleets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |
|
| RJ01 | Rejection of invention patent application after publication |