CN110060471A - 一种车辆od流预测模型构建方法及车辆od流预测方法 - Google Patents

Abstract

本发明公开了一种车辆OD流预测模型构建方法及车辆OD流预测方法。本发明的方法采用网格和路段嵌套的多粒度空间划分方法，用于表示区域和道路节点级别的车辆OD数据，同时提取OD间的出行次数和出行时间，采用CNN和LSTM混合的深度预测模型LSTM_traf_deepCNN，并联合OD出行时间对OD流进行预测。与传统的OD流预测方法相比，本发明的方法充分考虑了行程时间与OD流的隐关系，联合OD间的行程时间和出行次数对深度网络进行训练，所得模型具有更准确的预测能力。本发明属于交通运输信息工程技术领域，可用于城市规模出租车OD流的预测。

Description

一种车辆OD流预测模型构建方法及车辆OD流预测方法

技术领域

本发明涉及车辆交通流预测技术，具体涉及一种车辆OD流预测模型构建方法及车辆OD流预测方法。

背景技术

车辆OD流预测的目的在于获知未来一段时间内某一出发地和目的地之间的出行需求，其时间域聚合数值可以反映车辆乘客出行流和到达流的时空分布情况。尤其是针对出租车来讲，准确预测出租车OD流，有助于进行出租车的运营调度，平衡不同城市区域间的供需差别，将供过于求区域的出租车调往供小于求的区域。

对于城市车辆，其轨迹数据记录有载客状态、GPS轨迹和时间，通过对载客状态变化的分析，结合GPS位置信息可以获得乘客的上下车点和上下车时间，特别适合于OD流随时间变化的动态OD预测问题。目前基于车辆轨迹的OD流预测研究，通常基于交通分析小区的方法，在空间上将城区划分为若干网格，将每个网格看作一个区域，统计一个区域到另一个区域的出行次数。这种方法的局限在于没有充分利用出租车轨迹可精确定位的特点，在空间上仍属于粗粒度的统计分析方法。

发明内容

针对现有技术的缺陷或不足，本发明提供了一种车辆OD流预测模型构建方法。

本发明所提供的车辆OD流预测模型构建方法包括：

(1)对目标区域一定时间范围内的车辆轨迹数据进行清洗和校正，得到预处理数据；

(2)将目标区域的城市路网划分成多个网格，并对每个网格设置坐标ID，其中任一网格的坐标ID表示为(i,j,k)，(i,j)为任一网格坐标，k为城市路网内的任一路段ID；

(3)提取预处理数据的多个时隙的出行次数矩阵和出行时间矩阵，得到出行次数矩阵集合和出行时间矩阵集合；其中任一时隙的出行次数矩阵中的任一元素为n_{(i,j,k)(i′,j′,k′)}，n_{(i,j,k)(i′,j′,k′)}为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的出行次数，出行次数矩阵的任一行向量为当前时隙内所有坐标ID中同一路段ID到其它坐标ID的出行次数；其中i≠i′，j≠j′，k≠k′或者，i＝i′，j＝j′，k＝k′；

任一时隙的出行时间矩阵中的任一元素为t_{(i,j,k)(i′,j′,k′)}，t_{(i,j,k)(i′,j′,k′)}为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的出行时间；出行时间矩阵中的任一行向量为当前时隙内所有坐标ID中同一路段ID到其它坐标ID的出行时间；

(4)采用出行次数矩阵集合和出行时间矩阵集合对CNN和LSTM混合深度网络进行训练，得到预测模型；

所述CNN和LSTM混合深度网络由两个通道构成，每个通道由依次设置的两层ConvLSTM、一层BatchNormalzition、一层Conv2DTraf、一层Depthwise_Conv2D和一层SeparableConv2D构成；其中一个通道输入出行次数矩阵集合，另一个通道输入出行时间矩阵集合。

优选的，本发明中任意两个坐标ID间的出行时间t_{(i,j,k)(i′,j′,k′)}为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的多次出行时间的平均值。

优选的，本发明的方法还包括：

在进行数据训练前对出行次数矩阵集合和出行时间矩阵集合分别进行旋转、裁剪和压缩处理，所述旋转是使得两条对角线附近非零元素分别处于水平和垂直位置；所述裁剪是删去矩阵中远离矩阵对角线的大部分零值元素缩小矩阵维度。

本发明还提供了一种出租车OD流预测方法。所提供的方法包括：

采集目标区域待预测时间段前合理时间段内的车辆轨迹数据

采用权利要求1中步骤一到步骤三的方法对车辆轨迹数据处理得到多个时隙的出行次数矩阵和出行时间矩阵；将多个时隙的出行次数矩阵和出行时间矩阵输入到权利要求1构建的模型中，输出待预测时间段内的出行次数矩阵和出行时间矩阵。

与现有技术相比，本发明的效果是：

1、本发明采用CNN和LSTM相组合的方法，并针对细粒度OD流预测中稀疏性问题的挑战，引入稀疏特征学习和稀疏矩阵剪切技术，设计出一种新的OD流预测网络模型DTCL(Deep-Traf-CNN-LSTM)。

2、本发明的方法充分考虑了行程时间与OD流的隐关系，联合行程时间对深度网络进行训练，具有预测结果更准确的优点。本发明的方法适用于城市细粒度动态OD流预测，在智能交通系统中有重要应用价值。用一周的数据进行训练，利用多次预测可实现共四个小时的OD信息的预测。以周为单位，训练所用数据时间范围越大，可预测的时间范围越大，预测准确率越高。

附图说明

图1为本发明中OD流预测建模的流程图；

图2为原始出行时间矩阵与出行次数矩阵的示意图；

图3为原始稀疏OD矩阵的非零局部图和稀疏OD矩阵的旋转剪切图；

图4为本发明中所述混合深度网络模型的框架结构图；

图5为实施例4中工作日OD流预测性能对比实验结果。

具体实施方式

本发明方法中的车辆轨迹数据的采集及数据内容对于本领域技术人员来讲是公知的，所采集的数据内容至少包括车牌号、GPS采样时间、GPS地理位置、载客状态等。本发明所采集的车辆轨迹数据是针对目标区域例如一个城市、一个地区的车辆轨迹数据，并且是其一定施加范围内的数据，该时间范围满足预测方法的数据量要求即可，例如一周、半个月、一个月等。

本发明所述对车辆轨迹数据进行清洗和校正，其中数据清洗目的是去除无效数据、格式错误和异常数据、在某个时间段内GPS地理位置没有变化以及不在目标区域内的数据，得到合格数据；校正的目的对数据进行地图匹配，对其中的GPS数据的误差进行校正；数据清洗和校正的方法手段对于本领域技术人员来讲是公知的。

本发明的对目标区域的城市路网进行划分可根据目标区域的形状进行划分，各网格的坐标可根据划分的次序设定。例如目标区域为一定规则形状时，可采用纵向、横向划，这种划分方式下，每个网格的坐标可根据所划分的多个网格的次序、所位列或/行及路段ID来确定。本发明的路段ID^k可以取自然数，也可以设置为相应便于数据处理的索引号等。

本发明OD信息的采集是在划分后的路网上进行，若一辆车的上车点位于坐标ID(i,j,k)上，下车点位于坐标ID(i',j',k')上，则认为发生了一次(i,j,k)到(i',j',k')的出行事件，该次出行时间即为下车点所记录的时刻与上车点所记录的时刻的差值，也就是该次出行耗费的时间。具体可通过上客事件和下客事件检测算法，可提取到上车点与下车点，得到一次出行的OD。

对每一个路段ID按照合适的时隙统计行程OD次数，提取得到OD间的出行次数。将其矩阵化，即可得到原始的出行次数矩阵。根据提取到的出行OD，用乘客的下车时间减去上车时间，即可得到OD间的出行时间。将其矩阵化，即可得到原始的出行时间矩阵。具体的，出行次数的矩阵化规则为任一行向量为当前时隙内某一网格内同一路段到自身或其它网格中某一路段的出行次数，出行时间的矩阵化规则为任一行向量为当前时隙内某一网格内同一路段到自身或其它网格中某一条路段的多次出行的平均出行时间。如图2所示。

在对数据进行矩阵化过程中，时隙大小可根据待预测的时间范围灵活确定，例如：一次预测的时间范围是一个时隙，若时隙取15分钟，送入一周的数据进行训练，一次预测可预测未来一个时隙(15min)的OD信息。使用当前预测时隙(15min)和历史时隙的OD信息(所用OD信息时间范围为一周的连续时间)可进行后续一个时隙(15min)的OD信息预测。时隙取的越小，预测的准确率就越高；时隙增大，预测准确率降低。实施例4中对这一点进行了验证说明。

如图4所示，本发明中所用的CNN和LSTM混合深度网络中每层的作用是：

分别利用ConvLSTM的时空分析能力，提取OD流和出行时间的时空特征；在两个通道中分别利用BatchNormaliztion层对ConvLSTM层的输出进行归一化处理，将其转变为均值为零，方差为1的变量；转置卷积层Conv2Dtraf作用是对归一化后的输出结果进行反卷积，得到与输入矩阵大小相同的矩阵；Conv2Dtraf层输出结果被送入可分离卷积层SeparableConv2D，在深度方向上完成可分离卷积，首先沿深度方向进行卷积(对每个输入通道分别卷积)，然后逐点进行卷积。

两个通道中各层的操作相同，但作用不同。送入OD间出行次数矩阵的通道作用是提取OD流与出行次数的关系，送入OD间出行时间矩阵的通道作用是提取OD流与出行时间的关系。

考虑到便于快速存取数据，减小数据存取的耗时，加快网络训练速度。优选方案中，在数据训练前可以对出行次数矩阵和出行时间矩阵进行压缩处理。压缩处理方法对于本领域技术人员来讲是公知的，例如可采用压缩稀疏矩阵的存储方式，如csr_matrix(Compressed Sparse Row matrix)或csc_matric(Compressed Sparse Column marix)。csr_matrix和csc_matric均为SciPy工具包中sparse模块内的稀疏矩阵存储方法。Scipy是一个用于数学、科学、工程领域的常用软件包，可以处理插值、积分、优化、图像处理、稀疏矩阵存储等问题。

更优选的，在进行数据压缩前，可对出行次数矩阵和出行时间矩阵进行旋转和裁剪处理，旋转和裁剪的目的是缩小矩阵维度，便于训练，降低存储压力，加快网络训练速度。由于观察到出行时间矩阵和出行次数矩阵是较稀疏的矩阵，非零元素只位于对角线附近，故将矩阵进行旋转，使得主、副对角线附近非零元素分别处于水平和垂直位置；裁剪则是删去矩阵中远离对角线(具体包括主、副对角线)的大多数零值元素，缩小矩阵维度。

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

实施例1：

该实施例的OD流预测模型构建方法包括：

Step1、数据处理：

(1)获取目标区域出租车轨迹数据，出租车轨迹数据包括出租车表示标号、车牌号、GPS采样时间、GPS地理位置、载客状态；

(2)对出租车轨迹数据进行清洗，去除无效数据、格式错误和异常、在某个时间段内GPS地理位置没有变化、不在目标区域内的数据，得到合格数据；

Step2、采用基于隐马尔科夫的地图匹配算法对合格数据进行地图匹配；匹配目的是对GPS数据的误差进行校正；

Step3、从合格数据的GPS数据中根据载客状态数据提取OD流信息(包括OD间的出行次数和OD间的出行时间)，所述GPS数据包括GPS采样时间和GPS地理位置；并通过网格划分将O点、D点定位到路网，实现OD流的细粒度表示；

3.1对区域路段分配ID

依照网格化划分方法对城市路网进行网格划分，在水平和垂直方向进行等间隔的分隔，设在水平方向将城市区域划分为J(32)份，在垂直方向将其划分为I(32)份，共可获得I×J(1024)个矩形网格，每个网格位置可用Grid(i,j)表示；

3.2通过上客事件和下客事件检测算法，从合格数据的GPS数据中根据载客状态数据可以提取出出租车乘客的上车点和下车点，得到一次出行的OD；

根据分配到不同网格中的路段ID(路段ID已知，从地图数据中直接获得)，对每一个路段ID按照合适的时隙(15min)统计行程OD次数，提取得到OD间的出行次数；

对网格坐标ID(i,j,k)内的路段，进行出行次数与出行时间统计后，得到矩阵元素值n_{(i,j,k)(i′,j′,k′)}和t_{(i,j,k)(i′,j′,k′)}，分别表示坐标ID(i,j,k)到坐标ID(i',j',k')的出行次数和坐标ID(i,j,k)到坐标ID(i',j',k')的出行时间。

矩阵化OD数据(包括OD出行时间和OD出行次数)，生成某日的多个OD间的出行时间矩阵集合和出行次数矩阵集合(一天共96个)。

通过步骤3.1将路段分配到网格中，路段ID的信息已经隐含在网格内，所得到的三元组(i,j,k)中，其中(i,j)表示网格的位置坐标，k表示网格Grid(i,j)内某一路段的ID。

生成出行时间矩阵与出行次数矩阵具体形式如图2所示。

Step4、通过对数据训练得到预测模型

采用经Step3处理后的某个时间段内的多个OD间的出行次数矩阵和OD间的出行时间矩阵数据对CNN和LSTM混合深度网络进行训练，得到预测模型；

所述CNN和LSTM混合深度网络由两个通道(channel)构成，每个通道包含两层ConvLSTM、一层BatchNormalzition、一层Conv2DTraf、一层Depthwise_Conv2D和一层SeparableConv2D构成，其中：一个通道送入OD间的出行次数矩阵，另一个通道送入OD间的出行时间矩阵。

实施例2：

该实施例与实施例1不同的是，在进行数据训练前对数据进行如下操作：

如图3所示，旋转、裁剪的方法是通过观察所得矩阵的分布而得到的压缩方法，特针对该问题中的出行时间矩阵和出行次数矩阵，分块压缩处理为现有技术，即压缩稀疏矩阵的存储方式，csr_matrix(Compressed Sparse Row matrix)或csc_matric(CompressedSparse Column marix)均可。csr_matrix和csc_matric均为SciPy工具包中sparse模块内的稀疏矩阵存储方法。Scipy是一个用于数学、科学、工程领域的常用软件包，可以处理插值、积分、优化、图像处理、稀疏矩阵存储等问题。目的是便于快速存取数据，减小数据存取的耗时，加快网络训练速度。

实施例3：

该实施例的联合行程时间的城市规模细粒度出租车OD流预测方法包括：

步骤1，提取一种交通分析小区和路网嵌套的OD流细粒度表示方法，通过将城市区域划分为交通小区，同时将出租车出发地和目的地定位到交通小区中的道路中，实现OD流的精细表示；

1.1依照网格化划分方法对城市路网进行网格划分，在水平和垂直方向进行等间隔的分隔，设在水平方向将城市区域划分为J(32)份，在垂直方向将其划分为I(32)份，共可获得I×J(1024)个矩形网格，每个网格位置可用Grid(i,j)表示；

1.2对划分得到的1024个矩形网格进行扫描，扫描采用先行后列的方式进行，对扫描到的每一个网格按照表1所示操作提取网格内的所有路段并编号，对每个路段生成三元组(i,j,k)，其中(i,j)表示网格的位置坐标，k表示网格Grid(i,j)内某一路段的标识号，将生成的三元组按路段编号k从小到大依次记入三元组集合R＝{(i,j,k)|1≤i≤32,1≤j≤32,i,j,k∈Z⁺}，Z⁺为正整数；

表1

1.3通过上客事件和下客事件检测算法，从合格数据的GPS数据中根据载客状态数据可以提取出出租车乘客的上车点和下车点，得到一次出行的OD。按表1所示方法提取每个网格内的路段ID，对每一个路段ID按每15分钟一个时隙统计行程OD出行次数和OD出行时间，生成OD间的出行次数矩阵集合和出行时间矩阵集合，对每一天生成96个出行次数矩阵和96个出行时间矩阵，从而构成相应的集合；

步骤2，结合短时预测特点，给出一种OD稀疏矩阵的旋转剪切方法，有效降低矩阵维度；

2.1原始OD矩阵的非零局部如图3(a)所示。以OD矩阵左上角点为中心，将OD矩阵逆时针旋转45度，旋转后各个元素的行列坐标计算方法如下：

式中，(row,col)为旋转前OD矩阵中元素的行列坐标，(row′,col′)是旋转后得到的新的行列坐标，(m,n)为一平移矢量，用于将旋转后的OD矩阵平移到第一象限，Z为整数。矩阵旋转后产生的空缺使用0填充；

2.2对时隙矩阵进行裁剪，保留原对角线附近的OD数据块，依据OD矩阵内非零数据的分布情况，保留原对角线上下各625行的数据，要求将绝大多数的非零值包括在内，得到原始OD矩阵的旋转剪切矩阵，如图3(b)所示；

2.3对经2.2所述处理后的矩阵进行分块压缩存储，将矩阵分为大小相当的块，每个分块的大小约在10kB到1MB之间。使用HDF5过滤通道在数据存储和读取的过程中使用无损压缩方法对分块数据进行压缩，压缩级别设为0到9之间。在块数据存储的同时，为每个块数据分别建立B-树索引，以便快速存取数据块。此处，HDF(Hierarchical Data Format)是一种设计用于存储和组织大量数据的文件格式，支持多种商业及非商业的软件平台，包括MATLAB、Java、Python、R、Julia和Spark等，HDF5则为HDF的一个版本；

步骤3，利用CNN的空间域分析能力和LSTM的时间域分析能力，设计一种CNN和LSTM的混合深度网络，挖掘OD流的时空特征；

3.1网络模型由两个通道(channel)构成，每个通道包含两层ConvLSTM、一层BatchNormalzition、一层Conv2DTraf、一层Depthwise_Conv2D和一层SeparableConv2D构成，网络模型图如图4所示。向一个通道送入OD间的出行次数矩阵，另一个通道送入OD间的出行时间矩阵；

步骤4，利用行程时间与OD流间的隐关系，联合行程时间对深度网络进行训练，基于所得深度网络进行OD流的预测。将待预测时间段前至少1周的GPS轨迹和载客状态等数据按权利要求1所述方法进行预处理、划分时隙、按时隙从预处理数据中提取出行次数矩阵和出行时间矩阵，得到出行次数矩阵集合和出行时间矩阵集合，将第0～(t-1)个时隙内出行次数矩阵和出行时间矩阵输入预测的模型中，输出第t个时隙的出行次数矩阵和出行时间矩阵，得到预测结果，t为大于等于2的自然数。

实施例4：

本实施例数据来源于西安市10000多辆出租车的真实轨迹数据，轨迹提取范围限定在西安市三环以内，覆盖了西安市的主要城市区域，其中分布有各种城市功能区。西安市三环内的路网包含约24027条路段和12800多个道路节点。每台出租车配备GPS采集设备，间隔30秒采集一次GPS数据，每天的运营时间平均超过18个小时，本实施例使用的数据集来自2016年9月1日到2016年11月30间采集到的GPS数据，数据总数超过22亿条。

依照步骤1.1所述方法，将城区三环内的区域划分为1024(32×32)个相同大小的网格，每个网格包含的区域面积约为700m×1300m，OD流预测所涵盖的城市区域面积约为930平方公里。这里，网格尺寸的选择综合考虑了OD流矩阵的大小和稀疏性，避免过大和过于稀疏。按步骤1.2提取每个网格内的路段ID，对每一个路段ID按每15分钟一个时隙统计行程OD次数，生成OD间的出行时间矩阵和出行次数矩阵，对每一天生成96个出行时间矩阵和96个出行次数矩阵。

根据步骤1从网络中提取路段，从所有网格内提取的路段ID数共21600个，因此，可以设置21600×21600大小的初始OD矩阵。对于单个时隙，若矩阵中的每个元素使用双字节表示，则需要约0.87GB的存储空间，这样，96个时隙就需要约84GB的存储容量。为了降低存储压力，减少运算中对内存的需求，依照步骤2所述方法，对矩阵进行压缩表示。

依照步骤4所述方法，进行网络训练。本实施例中，学习率的初始值设为0.005。

本实施例中，模型中的所有参数为经验值，前三层ConvLSTM的滤波器长度取为3，最后一层CNN卷积层的滤波器长度取为2，每层有2个滤波器，目的是为了让LSTM捕获短时特征。迭代次数设为240次，衰减参数为0.9，批量大小设置为6。采用均方根误差(RMSE)作为评价指标对模型性能进行分析。

本实施例中，将LSTM、SeparableConv2D、Conv2DTranspose、LSTM_CNN深度网络预测模型与本发明提出的LSTM_Traf_DeepCNN模型进行性能对比，为表述方便分别将其简写为LSTM、SC2D、C2DT、LCNN和LTDC。

输入形状：(13000，21590)，输出形状：(13000，21590)，迭代次数：8，训练样本：90％(9天)，测试样本：10％(1天)

本实施例中，工作日OD流预测对比实验结果如表2所示：

表2

本实施例中，为了进一步验证算法的稳定性，将实际采样(采样频率为30s)得到轨迹数据进行聚合，分别构建采样间隔为15min、30min、60min的低频数据集。接着利用本发明中的方法对低频数据集分别预测，计算预测的准确率，分析高频采样轨迹数据与低频采样数据间的预测差异。工作日和休息日OD流预测对比实验结果如表3所示：

表3

结果分析

本实施例中，工作日OD流预测对比实验结果如图5所示，结果表明：第一，单独从空间性的比较中，C2DT模型的MSE和MAE均最小，验证了C2DT能有效处理稀疏数据。但对时空数据进行模型训练，可以看到LCNN可以同时捕获时间特征和空间特征，它的MSE和MAE要比单独捕获时间性能的LSTM、单独捕获空间性能的CNN、SC2D和C2DT都要小很多。但本发明针对的OD矩阵，是覆盖城市范围的很稀疏的矩阵，因此本发明在LCNN的基础上增加了C2DT，所述的LTDC模型比LCNN模型的MSE和MAE均小，证明了本发明的模型在预测稀疏的时空数据，有较好的性能，MSE和MAE分别达到了0.441029和0.015985。本发明所提出的混合模型LSTM_traf_deepCNN模型预测性能较现有的预测模型优越。

本实施例中，通过对工作日和休息日OD预测的对比实验可以发现，本发明提出的模型对工作日OD流预测性能要优于对休息日OD流的预测性能。这与人们的出行规律有密切联系，因为居民在工作日的出行模式相对固定，对出租车的需求起伏小，例如人们从居住的地方乘车上班，按时上下班。但在周末两天的RMSE比较高，是因为在周末休息日，人们的出行需求更加多样，出行规律性不强，体现在对出租车需求变化较大。本发明中所述方法在15min低频采样间隔下对OD流的预测预测性能要优于对30min低频采样和60min低频采样数据的预测，这反映了邻近时刻OD流的相关性要强于较远时刻对当前时刻OD流的影响。

Claims (5)

1.一种出租车OD流预测模型构建方法，其特征在于，方法包括：

(1)对目标区域一定时间范围内的车辆轨迹数据进行清洗和校正，得到预处理数据；

(2)将目标区域的城市路网划分成多个网格，并对每个网格设置坐标ID，其中任一网格的坐标ID表示为(i,j,k)，(i,j)为任一网格坐标，k为城市路网内的任一路段ID；

(3)提取预处理数据的多个时隙的出行次数矩阵和出行时间矩阵，得到出行次数矩阵集合和出行时间矩阵集合；其中任一时隙的出行次数矩阵中的任一元素为n_{(i,j,k)(i′,j′,k′)}，n_{(i,j,k)(i′,j′,k′)}为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的出行次数，出行次数矩阵的任一行向量为当前时隙内所有坐标ID中同一路段ID到其它坐标ID的出行次数；其中i≠i′，j≠j′，k≠k′或者，i＝i′，j＝j′，k＝k′；

任一时隙的出行时间矩阵中的任一元素为t_{(i,j,k)(i′,j′,k′)}，t_{(i,j,k)(i′,j′,k′)}为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的出行时间；出行时间矩阵中的任一行向量为当前时隙内所有坐标ID中同一路段ID到其它坐标ID的出行时间；

(4)采用出行次数矩阵集合和出行时间矩阵集合对CNN和LSTM混合深度网络进行训练，得到预测模型；

所述CNN和LSTM混合深度网络由两个通道构成，每个通道由依次设置的两层ConvLSTM、一层BatchNormalzition、一层Conv2DTraf、一层Depthwise_Conv2D和一层SeparableConv2D构成；其中一个通道输入出行次数矩阵集合，另一个通道输入出行时间矩阵集合。

2.如权利要求1所述的车辆OD流预测模型构建方法，其特征在于，任意两个坐标ID间的出行时间t_{(i,j,k)(i′,j′,k′)}为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的多次出行时间的平均值。

3.如权利要求1所述的车辆OD流预测模型构建方法，其特征在于，方法还包括：

在进行数据训练前对出行次数矩阵集合和出行时间矩阵集合分别进行旋转、裁剪和压缩处理，所述旋转是使得矩阵两条对角线附近非零元素分别处于水平和垂直位置；所述裁剪是删去矩阵中远离矩阵对角线的零值元素缩小矩阵维度。

4.一种出租车OD流预测方法，其特征在于，所述方法包括：

采集目标区域待预测时间段前合理时间段内的车辆轨迹数据；

采用权利要求1中步骤一到步骤三的方法对车辆轨迹数据处理得到多个时隙的出行次数矩阵和出行时间矩阵；

将多个时隙的出行次数矩阵和出行时间矩阵输入到权利要求1构建的模型中，输出待预测时间段内的出行次数矩阵和出行时间矩阵。

5.如权利要求4所述的出租车OD流预测方法，其特征在于，所述合理时间段为至少1周。