CN109978040A - 一种交通运力分布预测方法 - Google Patents

Abstract

本发明公开了一种交通运力分布预测方法。本发明包括一种基于ConvLSTM网络的运力分布预测框架。首先它将待预测地区划分成不同的子区域，分别统计各个子区域中的离开车辆数据和到达车辆数据，根据时间维度将其处理成离开车辆历史快照序列数据和到达车辆历史快照序列数据；然后搭建预测网络框架，训练得到每个子网络的最优权重，并保存。最后利用融合层对子网络的初步结果进行融合，得到最终运力分布预测结果。本发明可用于实际场景当中，它能够获取交通轨迹数据中的时空特性，同时该发明中的运力分布预测框架能够扩展到其他时空数据领域，处理类似问题，具有良好的普适性。

Description

一种交通运力分布预测方法

技术领域

本发明属于数据挖掘技术领域。

背景技术

运力分布预测是交通数据挖掘领域的一大热点研究课题。目前运力分布预测的研究课题尚不成熟，且大多数运力分布预测的研究课题，仅仅利用了时空数据中的时间关系或空间关系，不能够准确地刻画出城市运力分布的时空规律。然而交通出行轨迹数据是典型的时空数据，因此，研究如何充分综合地利用出行数据中的时空特性来预测运力分布是十分必要的工作。

近几年，深度学习已然成为炙手可热的数据挖掘技术。Alpha Go在围棋领域取得的重大突破，在Image Net数据集上，深度学习的识别能力已经远远超过人类等事实均体现了深度学习的能力。并且与传统的方法相比，深度学习往往会取得比较优秀的成绩。在深度学习中，卷积神经网络能够提取数据中的空间特征；LSTM神经网络能够提取数据中的时间特征；ConvLSTM神经网络能够同时提取数据中的时空特征。因此，可以利用ConvLSTM神经网络去提取出行轨迹数据中的时空特性，从而提升运力分布预测的准确程度。

通过对现有的专利及相关技术的检索发现，现有的与运力分布预测有关的方法有：

(1)张凌宇.基于城市叫车需求分布密度的出租车运力调度系统，CN103985247A[P].2014.提出了一种基于城市叫车需求分布密度的出租车运力调度系统。该方法设计了挖掘模块，用于计算叫车需求密集区域；同时设计了推送模块，根据前者计算出的叫车密集区域向出租车推送消息，实现运力调度。

(2)高技；马荣叶；张亮.基于交通节点客流预测的运力安排方法，CN107403254A[P].2017.提出了一种基于交通节点客流预测的运力安排方法。该方法首先基于交通节点计算客流分布量，然后根据历史数据预测客流分布量，从而对运力进行安排。

(3)盛强.一种运力调配方法及装置，CN107545319A[P].2018.提出了一种运力调配方法及装置。该方法首先获取在预设时间段内以及在预设位置叫车的N1个乘客信息，然后根据N1个乘客信息利用预测模型预测所述预设位置在所述第二预设时间内所需车辆数量，最后将预测信息发送给预设位置范围内的车载终端，对运力做出合理安排。

可以看出现有的交通运力分布预测方法有其优点，但是也存在着不足，同时城市运力分布预测方法较少。通过对现有文献的查阅发现，目前存在的方法存在着以下不足：(1)大多数方法主要是通过预测交通需求，从而间接预测运力分布，因此实时性较低。(2)使用模型相对原始，执行效率低下，预测准确度不高。(3)大部分方法仅仅考虑到轨迹数据中的时间性质。但是在实际情况中，由于不同城市功能区的特性以及地理位置上的关联性往往会对运力分布产生重要的影响，因此空间性质也是提升预测准确程度的重要因素之一。

因此，为了同时利用出行轨迹数据中的时空特性，进行端到端的预测，本发明采用了基于ConvLSTM神经网络的预测框架，以此最大程度地利用出行轨迹数据中的时空特性；同时，本发明旨在尽可能多地挖掘数据中的有效信息，提取数据的特征，提升时空数据的预测性能，所提出的框架不仅可应用于交通领域，也能延伸到其他时空数据领域中，提高了方法的普适性。因此，本发明提出的基于深度学习的运力分布预测方法具有较高的研究意义与应用价值。鉴于以上陈述的已有方案的不足，本发明旨在提供更简单的、更完善的方案，并使之克服现有技术的以上缺点。

发明内容

本发明的目的是提供一种交通运力分布预测方法，它能有效地解决获取数据中时空特性的技术问题。

本发明的目的是通过以下技术方案来实现的：一种交通运力分布预测方法，包括以下步骤：

步骤一、处理车辆的GPS轨迹数据：

(1)对预测地区车辆的GPS轨迹数据进行预处理，提取出每辆车起点和终点的GPS轨迹数据并加入时间维度；

(2)将预测地区按道路划分成子区域，根据经过预处理后的所述车辆的起点和终点的GPS轨迹数据的位置信息，分别统计处于历史时刻下的每个子区域的离开车辆和到达车辆；然后，将统计的结果按照子区域位置进行填充，分别形成该子区域的离开车辆历史数据快照和到达车辆历史数据快照；

(3)分别对离开车辆数据和到达车辆数据进行整理，将距离当前t时刻的前m个小时的历史快照数据按照时间先后进行叠加，分别形成在时间维度下的一段数据快照序列{LD_t-1,LD_t-2,…,LD_t-m}；{AD_t-1,AD_t-2,…,AD_t-m}；其中，LD_t-1、AD_t-1分别表示距离当前时间1个小时内的离开车辆数据和到达车辆数据，LD_t-m、AD_t-m分别表示距离当前时间m个小时的离开车辆数据和到达车辆数据，式中，0≤t≤24，表示一天中的取值时刻，m>0且m为整数，表示t时刻之前的历史快照数据取值时间；

步骤二、构建神经网络预测模型：

按照整理后的车辆GPS轨迹数据，设计孪生神经网络预测框架以及构建子网络1和子网络2，子网络1处理离开车辆历史快照数据，子网络2处理到达车辆历史快照数据，子网络间共享权重，其中，子网络中的卷积长短记忆神经网络ConvLSTM负责获取时空数据中的时空性特征；批量化神经网络BatchNormalization负责加速训练，调整数据竞争方向；三维卷积层Conv3D负责最后特征的融合；最后，孪生神经网络预测框架的融合层merge负责融合子网络的输出，得到运力分布预测结果；

步骤三、子网络预测的输出与融合：

(1)首先将上述历史快照数据划分为训练集和预测集，然后将训练集中的离开车辆历史快照数据和到达车辆历史快照数据作为两个输入，分别放入孪生神经网络预测框架中的子网络1和子网络2进行训练，得到优化的非线性权重，进行保存；然后将预测集输入到神经网络预测框架中的子网络1和子网络2，利用优化的非线性权重，分别得到两个子网络的输出，再将其输入到融合层；

(2)将子网络的输出，利用公式：FD_t＝Sub(AD_t,LD_t)进行融合，得到最终的运力分布预测结果；式中：AD_t、LD_t，分别表示到达车辆数据和离开车辆数据对应子网络的输出；FD_t表示融合后的t时刻运力分布的预测结果，Sub表示融合函数。

与现有技术相比，本发明的优点和效果：

(1)该发明提出了一个端到端的交通运力分布预测框架。该框架简单，高效，使用者仅需输入数据，通过框架处理，最后分析输出结果。(2)该发明使用的ConvLSTM网络能够同时获取时空数据中的时空特性，预测误差小，准确程度较高。(3)该发明提出的框架，能够扩展到其他相关的时空数据领域，解决类似问题，具有普适性。

附图说明

图1为本发明中运力分布预测框架示意图，

图2为本发明中预测框架的子网络的结构图

具体实施方式

以下结合附图实施对本发明作进一步详细描述。

本发明提出了一种交通运力分布预测方法，由以下步骤组成：一种交通运力分布预测方法，包括以下步骤：

步骤一、处理车辆的GPS轨迹数据：

(1)对预测地区车辆的GPS轨迹数据进行预处理，提取出每辆车起点和终点的GPS轨迹数据并加入时间维度；

(2)根据经度和纬度，将预测地区按道路依次划分成n×n个子区域，即a_1,1,a_1,2,…,a_1,n；a_2,1,a_2,2,…,a_2,n；…；a_n,1,a_n,2,…,a_n,n，根据经过预处理后的所述车辆的起点和终点的GPS轨迹数据的位置信息，分别统计处于历史时刻下的每个子区域的离开车辆和到达车辆；然后，将统计的结果按照子区域位置进行填充，分别形成该子区域的离开车辆历史数据快照和到达车辆历史数据快照；

(3)分别对离开车辆数据和到达车辆数据进行整理，将距离当前t时刻的前m个小时的历史快照数据按照时间先后进行时间步叠加，分别形成在时间维度下的一段数据快照序列{LD_t-1,LD_t-2,…,LD_t-m}；{AD_t-1,AD_t-2,…,AD_t-m}；其中，LD_t-1、AD_t-1分别表示距离当前时间1个小时内的离开车辆数据和到达车辆数据，LD_t-m、AD_t-m分别表示距离当前时间m个小时的离开车辆数据和到达车辆数据，式中，0≤t≤24，表示一天中的取值时刻，m>0且m为整数，表示t时刻之前的历史快照数据取值时间；

步骤二、构建神经网络预测模型：

按照整理后的车辆GPS轨迹数据，设计孪生神经网络预测框架以及构建子网络1和子网络2；子网络1处理离开车辆历史快照数据，子网络2处理到达车辆历史快照数据，子网络间共享权重，其中，子网络中的卷积长短记忆神经网络ConvLSTM负责获取时空数据中的时空性特征；批量化神经网络BatchNormalization负责加速训练，调整数据竞争方向；三维卷积层Conv3D负责最后特征的融合；最后，孪生神经网络预测框架的融合层merge负责融合子网络的输出，得到运力分布预测结果；

步骤三、子网络预测的输出与融合：

(1)首先将上述历史快照数据划分为训练集和预测集，然后将训练集中的离开车辆历史快照数据和到达车辆历史快照数据作为两个输入，分别放入孪生神经网络预测框架中的子网络1和子网络2进行训练，得到优化的非线性权重，进行保存；然后将预测集输入到神经网络预测框架中的子网络1和子网络2，利用优化的非线性权重，分别得到两个子网络的输出，再将其输入到融合层；

(2)将子网络的输出，利用公式：FD_t＝Sub(AD_t,LD_t)进行融合，得到最终的运力分布预测结果；式中：AD_t、LD_t，分别表示到达车辆数据和离开车辆数据对应子网络的输出；FD_t表示融合后的t时刻运力分布的预测结果，Sub表示融合函数。

例如，针对出租车轨迹数据。首先把预测区域划分成若干个子区域，分别统计每个子区域离开车辆数据和到达车辆数据的快照序列；然后搭建对应的子网络预测框架，并将对应的数据快照序列输入到对应的子网络预测框架中训练；最后对测试数据进行预测，利用融合网络层得到最终结果。

对本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。

Claims (1)

1.一种交通运力分布预测方法，包括以下步骤：

步骤一、处理车辆的GPS轨迹数据：

(1)对预测地区车辆的GPS轨迹数据进行预处理，提取出每辆车起点和终点的GPS轨迹数据并加入时间维度；

(2)将预测地区按道路划分成子区域，根据经过预处理后的所述车辆的起点和终点的GPS轨迹数据的位置信息，分别统计处于历史时刻下的每个子区域的离开车辆和到达车辆；然后，将统计的结果按照子区域位置进行填充，分别形成该子区域的离开车辆历史数据快照和到达车辆历史数据快照；

(3)分别对离开车辆数据和到达车辆数据进行整理，将距离当前t时刻的前m个小时的历史快照数据按照时间先后进行叠加，分别形成在时间维度下的一段数据快照序列{LD_t-1,LD_t-2,…,LD_t-m}；{AD_t-1,AD_t-2,…,AD_t-m}；其中，LD_t-1、AD_t-1分别表示距离当前时间1个小时内的离开车辆数据和到达车辆数据，LD_t-m、AD_t-m分别表示距离当前时间m个小时的离开车辆数据和到达车辆数据，式中，0≤t≤24，表示一天中的取值时刻，m>0且m为整数，表示t时刻之前的历史快照数据取值时间；

步骤二、构建神经网络预测模型：

按照整理后的车辆GPS轨迹数据，设计孪生神经网络预测框架以及构建子网络1和子网络2；子网络1处理离开车辆历史快照数据，子网络2处理到达车辆历史快照数据，子网络间共享权重，其中，子网络中的卷积长短记忆神经网络负责获取时空数据中的时空性特征；批量化神经网络负责加速训练，调整数据竞争方向；三维卷积层负责最后特征的融合；最后，孪生神经网络预测框架的融合层负责融合子网络的输出，得到运力分布预测结果；

步骤三、子网络预测的输出与融合：

(1)首先将上述历史快照数据划分为训练集和预测集，然后将训练集中的离开车辆历史快照数据和到达车辆历史快照数据作为两个输入，分别放入孪生神经网络预测框架中的子网络1和子网络2进行训练，得到优化的非线性权重，进行保存；然后将预测集输入到神经网络预测框架中的子网络1和子网络2，利用优化的非线性权重，分别得到两个子网络的输出，再将其输入到融合层；

(2)将子网络的输出，利用公式：FD_t＝Sub(AD_t,LD_t)进行融合，得到最终的运力分布预测结果；式中：AD_t、LD_t，分别表示到达车辆数据和离开车辆数据对应子网络的输出；FD_t表示融合后的t时刻运力分布的预测结果，Sub表示融合函数。