CN111653088A - 一种车辆出行量预测模型构建方法及预测方法和系统 - Google Patents
一种车辆出行量预测模型构建方法及预测方法和系统 Download PDFInfo
- Publication number
- CN111653088A CN111653088A CN202010317209.6A CN202010317209A CN111653088A CN 111653088 A CN111653088 A CN 111653088A CN 202010317209 A CN202010317209 A CN 202010317209A CN 111653088 A CN111653088 A CN 111653088A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vehicle
- arrival
- time slot
- road
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 114
- 239000013598 vector Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车辆出行量预测模型构建方法及预测方法和系统。所公开的模型构建方法是基于GCN和LSTM设计了深度神经网络Multi‑task GCN‑LSTM用于车辆出行量预测,网络包含三个模块,分别用于提取空间相关性、提取时间相关性和特征融合。所公开的预测方法和系统是基于本发明所构建的模型进行车辆出行量预测。本发明在构建模型时考虑了路段局部关系和路段全局关系,并将车辆到达量预测作为相关任务,使用了多任务学习方法,以避免网络过拟合,并且有效降低了车辆出行量预测误差。
Description
技术领域
本发明涉及车辆交通流预测技术,具体涉及一种车辆出行量预测模型构建方法及车辆OD流预测方法与系统。
背景技术
交通预测任务是智能交通系统中一项至关重要的任务。交通预测任务的目标是根据已知的历史时段交通数据序列(如交通流量、车辆速度等)和现实路网数据来预测路网中未来某时段的对应交通状态。在交通预测任务中,实现准确、高效的车辆出行量预测尤其重要,也是最具挑战性的任务之一。实现准确、高效的车辆出行量预测有助于出行者选择合理的出行路线,城市管理部门进行科学的城市规划和公共车辆资源调度,缓解交通拥堵问题,减少公共资源的浪费。
目前的车辆出行量预测方法通常在空间上将城区划分为若干网格,对网格区域内的出行量进行预测。这种方法在空间上的预测粒度较粗,无法实现路段级别的出行量预测。
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出行量预测模型构建方法。
为此,本发明提供的一种车辆出行量预测模型构建方法包括:
(1)提取目标区域路网内各路段间的邻接关系,生成路段关系邻接矩阵,该路段关系邻接矩阵任一元素为为路段i和路段j的邻接关系,如果路段i和路段j直接相连,则否则为0;所述路段关系邻接矩阵大小为M×M,任一列表示当前列所表示的路段与其它各路段间的邻接关系,任一行表示当前行所表示的路段与其它各路段间的邻接关系,路段i和路段j均为目标区域路网内的任意路段,M为目标区域内路段总数量;
(2)对目标区域合理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;所述合理时间范围至少包括N个时隙,N为大于等于10的自然数;
(3)构建预处理数据的第n时隙至第n+K时隙内的车辆出行量矩阵和车辆到达量矩阵,
所述车辆出行量矩阵中的任一元素为x(n+k,j),x(n+k,j)为第n+k时隙内路段j上产生的车辆出行量,所述车辆出行量矩阵大小为(K+1)行*M列,任一列向量为当前列所表示路段的出行量序列,任一行为当前行所表示时隙的出行量序列;
所述车辆到达量矩阵中的任一元素为y(n+k,j),y(n+k,j)为第n+k时隙内路段j上产生的车辆到达量,所述车辆到达量矩阵大小为(K+1)行*M列,任一列向量为当前列所表示路段的到达量序列,任一行为当前行所表示时隙的到达量序列;
提取预处理数据中第n+K+1时隙内的车辆出行量向量和车辆到达量向量,
所述车辆出行量向量中的任一元素为x(n+K+1,j),x(n+K+1,j)为第时隙n+K+1内路段j上产生的车辆出行量;
所述车辆到达量向量中的任一元素为y(n+K+,j),y(n+K+1,j)为第时隙n+K+1内路段j上产生的车辆到达量;
n=1,2,…,N-K-1,且n初始为1;
k=1,2,3,…,K;K为大于等于7的自然数;
(4)计算第n时隙至第n+K时隙内任意两个路段出行量序列间的相似度和到达量序列间的相似度,得到出行量相似度权重矩阵和到达量相似度权重矩阵,其中:
所述出行量相似度权重矩阵中的任一元素为为路段i和路段j的出行量序列间的相似度;所述出行量相似度权重矩阵大小为M×M,任一行表示该行所表示的路段与自己及其它各路段间的出行量相似度,任一列表示该列所表示的路段与自己及其它各路段间的出行量相似度;
所述到达量相似度权重矩阵中的任一元素为为路段i和路段j的到达量序列间的相似度;所述出行量相似度权重矩阵大小为M×M,任一行表示该行所表示的路段与自己及其它各路段间的出行量相似度,任一列表示该列所表示的路段与自己及其它各路段间的出行量相似度;
上述所有矩阵的列向量相互对应,同一序列位的列向量对应同一路段;
(5)构建出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图;
所述出行量局部关系图的特征矩阵为步骤(3)中构建的车辆出行量矩阵、邻接矩阵为步骤(1)中构建的基于物理路网的路段关系邻接矩阵;
所述出行量全局关系图的特征矩阵为步骤(3)构建的车辆出行量矩阵、邻接矩阵为步骤(4)构建的出行量相似度权重矩阵;
所述到达量局部关系图的特征矩阵为步骤(3)中构建的车辆到达量矩阵、邻接矩阵为步骤(1)中构建的基于物理路网的路段关系邻接矩阵;
所述出行量全局关系图的特征矩阵为步骤(3)中构建的车辆到达量矩阵,邻接矩阵为步骤(4)构建的所述到达量相似度权重矩阵。
(6)以步骤(5)构建的出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图为输入,以第n+K+1时隙内的车辆出行量向量和车辆到达量向量为标签,对预测模型进行训练或更新,所处预测模型初始为MTGL神经网络;
(7)n=n+1,执行步骤(3)-(6);
(8)循环执行步骤(7),直至n=N-K-1,得到预测模型。
可选的,步骤(4)中采用皮尔逊相关系数、斯皮尔曼相关系数或余弦相似度计算第n时隙至第n+K时隙内任意两个路段出行量序列间的相似度和到达量序列间的相似度。
另一方面,本发明还提供一种车辆出行量预测方法。所提供的车辆出行量预测方法包括:
步骤一,构建第N-K时隙至第N时隙内的车辆出行量矩阵和车辆到达量矩阵;
步骤二,计算第N-K时隙至第N时隙内各路段出行量序列间的相似度和到达量序列间的相似度,得到出行量相似度权重矩阵和到达量相似度权重矩阵;
步骤三,构建出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图;
所述出行量局部关系图的特征矩阵为步骤一中构建的车辆出行量矩阵、邻接矩阵为上述步骤(1)中构建的基于物理路网的路段关系邻接矩阵;
所述出行量全局关系图的特征矩阵为步骤一构建的车辆出行量矩阵、邻接矩阵为步骤二构建的出行量相似度权重矩阵;
所述到达量局部关系图的特征矩阵为步骤一中构建的车辆到达量矩阵、邻接矩阵为权利要求1步骤(1)中构建的基于物理路网的路段关系邻接矩阵;
所述出行量全局关系图的特征矩阵为步骤一中构建的车辆到达量矩阵,邻接矩阵为步骤二构建的所述到达量相似度权重矩阵;
步骤四,将步骤四构建的出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图输入到上述方法构建的预测模型中,输出待预测时间段第N+1时隙内的出行量向量和到达量向量。
可选的,所述合理时间段为至少1周。
可选的,所述时隙的单位为分钟或小时。
同时,本发明还提供一种车辆出行量预测系统。为此,本发明所提所述系统包括:数据采集与预处理模块、模型更新模块和结果预测模块;
所述数据采集与预处理模块用于执行上述步骤(1)-(5),所得结果传输给所述模型更新模块;还用于执行上述的步骤一至三,所得结果传输给所述结果预测模块;
所述模型更新模块用于执行上述步骤(6)、(7)、(8),输出预测模型;
所述结果预测模块用于上述步骤四,输出预测结果。
与现有技术相比,本发明的效果是:
1、本发明同时考虑到路段局部关系和路段全局关系,构建了出行量局部关系图和出行量全局关系图,基于GCN和LSTM设计了一种新的车辆出行量预测网络模型Multi-taskGCN-LSTM(MTGL),预测的空间粒度可以精确到路段。
2、本发明的方法考虑了车辆出行量与到达量的相关性,将车辆到达量预测作为相关任务,采用多任务学习策略,辅助提升出行量预测的准确度,具有预测结果更准确的优点。本发明的方法尤其适用于城市路段出租车、网约车等出行量预测,在智能交通系统中有重要应用价值。通过选择合理时间范围内的数据及时隙长度确保预测的时间粒度精细。
附图说明
图1为本发明中所述混合深度网络模型的框架结构图;
图2为实施例2中时隙长度对预测性能的影响对比实验结果图。
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。涉及目标区域(如某一城市)路网关系的数据构成及获取也是公知的,数据内容至少包括路段号、GPS地理位置。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、一年等。
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。
本发明出行量信息的采集是在路段上进行的,若一辆车的上车点位于路段i上,则在路段i上发生了一次出行事件,同样地,若一辆车的下车点位于路段i上,则在路段i上发生了一次到达事件,具体可通过上客事件和下客事件检测算法,提取到上车点与下车点,记录到一次出行事件或到达事件,该路段某时隙内的出行量为出行事件发生的总次数,到达量为到达事件发生的总次数。
对每一个路段i按照合适的时隙统计出行量,提取得到每个时隙的出行量。将其矩阵化,即可得到原始的出行量矩阵。具体的,出行量的矩阵化规则为任一行向量为当前时隙内各路段的车辆出行量。到达量的统计及矩阵化规则与出行量一致。
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5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(5min)的出行量信息。使用当前预测时隙(5min)和历史时隙的出行量信息(所用出行量信息时间范围为两个小时的连续时间)可进行后续一个时隙(5min)的出行量信息预测。相对来讲,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,合理准确度的时隙大小均在本发明的范围内,例如,数分钟、数小时等。
具体示例中,若所用数据的总时隙数为N,单次训练所用训练样本的时隙个数为K+1,则从第1个时隙开始,每次使用K+1个时隙的数据作为训练样本,下一时隙的出行量向量和到达量向量作为标签。例如,使用第1个时隙到第K个时隙的数据作为训练样本,第K+1个时隙的出行量向量和到达量向量作为标签;使用第2个时隙到第K+1个时隙的数据作为训练样本,第K+2个时隙的出行量向量和到达量向量作为标签;以此类推,直至使用了全部训练数据,完成模型训练。
具体实施方案中,可采用皮尔逊相关系数、斯皮尔曼相关系数或余弦相似度等常见的时间序列相似度计算方法计算第N-K时隙至第N-1时隙内任意两个路段出行量序列间的相似度和到达量序列间的相似度。具体示例如下公式(1):
其中,σ2和ε用来控制邻接矩阵的分布和稀疏度。当σ2的值固定时,ε越大矩阵越稀疏;当ε的值固定时,σ2越小,矩阵越稀疏。此处我们取ε为0.5,σ2为1000,避免矩阵过于稀疏。L(i,j)为路段i和路段j的出行量序列间的距离(或路段i和路段j的到达量序列间的距离),此距离使用DTW算法计算得到,其中ε和σ2取经验值,具体示例,取0.5,σ2一般从10、100、1000中选取。
本发明采用的深度神经网络Multi-task GCN-LSTM(MTGL神经网络)结构图如图1所示:网络主要包括三部分:空间特征(局部空间特征和全局空间特征)提取模块、时间特征提取模块和特征融合模块。空间特征提取模块使用两层GCN+GLU实现,通过处理路段局部关系图,可以有效提取邻近路段间的出行量关系和到达量关系,即局部空间特征;通过处理路段全局关系图,可以有效提取远距离路段间的出行量关系和到达量关系,即全局空间特征。时间特征提取模块使用LSTM网络实现,LSTM网络可以有效获取长期时间依赖。特征融合模块使用二维卷积实现,将基于路段局部关系图得到的预测结果和基于路段全局关系图得到的预测结果进行融合,得到最终的路段车辆出行量预测结果。
从功能原理上讲,本发明采用的MTGL神经网络由四个通道构成,每个通道由依次设置的两层GCN+GLU、多层LSTM、和一层Conv2D构成;其中各通道分别输入出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图。Conv2D层之前各通道输出依次为:只考虑局部关系得到的待预测时隙的出行量矩阵、只考虑全局关系得到的待预测时隙的出行量矩阵、只考虑局部关系得到的待预测时隙的到达量矩阵和只考虑全局关系得到的待预测时隙的到达量矩阵。Conv2D层对上一层输出的两种出行量矩阵和两种到达量矩阵进行融合,得到最终预测结果。
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:
本实施例数据来源于西安市真实车辆轨迹数据,包含车辆个数超过10000辆,涵盖西安市三环内全部区域,总路段数超过20000条。每辆车辆均配备了GPS数据采集设备,每30秒进行一次数据采集,采集字段包括车辆信息、采集时间、经纬度、是否载客等。
本实施例中使用2016年10月17日到2016年10月23日的车辆轨迹数据,共7天。其中6天的数据作为训练集,1天的数据作为测试集。
本实施例中,对每个路段按每5分钟一个时隙统计车辆出行量和到达量,生成出行量矩阵和到达量矩阵,并构建出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图,进行网络训练。本实施例中,学习率的初始值设为0.0001,K=7,从第1时隙开始,每次使用8个时隙作为训练样本,第1-8时隙和第9时隙训练,第2-9时隙和第10时隙训练,直到使用完一周数据,完成训练,得到预测模型。
本实施例中,模型中的所有参数为:迭代次数设为500次,衰减参数为0.9,批量大小设置为32,使用提前终止策略,防止网络过拟合。采用均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标对模型性能进行分析。
同时,将HA(历史平均)、ARIMA(差分整合移动平均自回归模型)、MLP(多层感知机)、SVR(支持向量回归)、LSTM(长短期记忆网络)、GCN(图卷积神经网络)与本发明提出的Multi-task GCN-LSTM(MTGL)模型进行性能对比。
输入形状:(24,851),输出形状:(1,851),迭代次数:500,训练样本:6天,测试样本:1天,误差结果为预测每个时隙误差的平均值。
本实施例中,出行量预测对比实验结果如表1所示:
表1
方法 | RMSE | MAE |
HA | 1.0126 | 0.6924 |
ARIMA | 1.2746 | 1.1289 |
MLP | 1.1837 | 0.7228 |
SVR | 1.0088 | 0.6916 |
LSTM | 1.0048 | 0.6831 |
GCN | 0.9879 | 0.6769 |
MTGL(本发明) | 0.9535 | 0.6481 |
实施例2:
为了进一步验证算法的稳定性,在实施例1方案基础上,本实施例分别取时隙大小为5min、15min、30min构建数据集,利用本发明中的方法对分别进行预测,计算预测误差。不同时隙长度对预测性能影响的对比实验结果如表2所示,可视化图为图2:
表2
时隙长度 | RMSE | MAE |
5min | 0.9535 | 0.6481 |
15min | 1.1113 | 0.7737 |
30min | 1.773 | 1.1855 |
结果分析
从实施例1可以看出,本发明的模型在预测车辆出行量预测上有较好的性能,RMSE和MAE分别为0.9535和0.6481,预测误差低于其它对比模型,预测性能优于现有的预测模型。
对比例:
结合表3所示,本实施例的方案与实施例方法不同的是:
Single-Task GCN(Global)方法只使用路段出行量序列间相似关系构图,即只考虑了路段全局关系,且不使用多任务学习策略同时预测到达量;网络结构为两层GCN,所得RMSE和MAE分别为0.9879和0.6869;
Single-Task GCN+GLU(Global)方法中加入GLU单元;
Multi-Task GCN+GLU(Global)方法则考虑到出行量与到达量间的关联,使用多任务学习来提升预测准确度,可以看到使用到达量预测作为辅助任务可以有效降低出行量预测的预测误差,提高出行量预测的准确度;
Multi-Task GCN+GLU+LSTM(Global)方法则加入时间特征提取模块,预测误差下降幅度与前述方法相比有所增大,说明了充分提取时间特征对预测的重要性;
Multi-Task GCN+GLU+LSTM(Local)方法则只使用原始路网中路段间的连接关系构图进行出行量预测。
本发明所述预测网络MTGL神经网络则考虑到了上述所有因素,得到了最小的预测误差。
表3
方法 | RMSE | MAE |
Single-Task GCN(Global) | 0.9879 | 0.6869 |
Single-Task GCN+GLU(Global) | 0.9842 | 0.6836 |
Multi-Task GCN+GLU(Global) | 0.9774 | 0.6781 |
Multi-Task GCN+GLU+LSTM(Global) | 0.9556 | 0.6688 |
Multi-Task GCN+GLU+LSTM(Local) | 0.9544 | 0.6643 |
MTGL(本发明) | 0.9535 | 0.6481 |
Claims (6)
1.一种车辆出行量预测模型构建方法,其特征在于,方法包括:
(1)提取目标区域路网内各路段间的邻接关系,生成路段关系邻接矩阵,该路段关系邻接矩阵任一元素为 为路段i和路段j的邻接关系,如果路段i和路段j直接相连,则否则为0;所述路段关系邻接矩阵大小为M×M,任一列表示当前列所表示的路段与其它各路段间的邻接关系,任一行表示当前行所表示的路段与其它各路段间的邻接关系,路段i和路段j均为目标区域路网内的任意路段,M为目标区域内路段总数量;
(2)对目标区域合理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;所述合理时间范围至少包括N个时隙,N为大于等于10的自然数;
(3)构建预处理数据的第n时隙至第n+K时隙内的车辆出行量矩阵和车辆到达量矩阵,
所述车辆出行量矩阵中的任一元素为x(n+k,j),x(n+k,j)为第n+k时隙内路段j上产生的车辆出行量,所述车辆出行量矩阵大小为(K+1)行*M列,任一列向量为当前列所表示路段的出行量序列,任一行为当前行所表示时隙的出行量序列;
所述车辆到达量矩阵中的任一元素为y(n+k,j),y(n+k,j)为第n+k时隙内路段j上产生的车辆到达量,所述车辆到达量矩阵大小为(K+1)行*M列,任一列向量为当前列所表示路段的到达量序列,任一行为当前行所表示时隙的到达量序列;
提取预处理数据中第n+K+1时隙内的车辆出行量向量和车辆到达量向量,
所述车辆出行量向量中的任一元素为x(n+K+1,j),x(n+K+1,j)为第时隙n+K+1内路段j上产生的车辆出行量;
所述车辆到达量向量中的任一元素为y(n+K+,j),y(n+K+1,j)为第时隙n+K+1内路段j上产生的车辆到达量;
n=1,2,…,N-K-1,且n初始为1;
k=1,2,3,…,K;K为大于等于7的自然数;
(4)计算第n时隙至第n+K时隙内任意两个路段出行量序列间的相似度和到达量序列间的相似度,得到出行量相似度权重矩阵和到达量相似度权重矩阵,其中:
所述出行量相似度权重矩阵中的任一元素为 为路段i和路段j的出行量序列间的相似度;所述出行量相似度权重矩阵大小为M×M,任一行表示该行所表示的路段与自己及其它各路段间的出行量相似度,任一列表示该列所表示的路段与自己及其它各路段间的出行量相似度;
所述到达量相似度权重矩阵中的任一元素为 为路段i和路段j的到达量序列间的相似度;所述出行量相似度权重矩阵大小为M×M,任一行表示该行所表示的路段与自己及其它各路段间的出行量相似度,任一列表示该列所表示的路段与自己及其它各路段间的出行量相似度;
上述所有矩阵的列向量相互对应,同一序列位的列向量对应同一路段;
(5)构建出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图;
所述出行量局部关系图的特征矩阵为步骤(3)中构建的车辆出行量矩阵、邻接矩阵为步骤(1)中构建的基于物理路网的路段关系邻接矩阵;
所述出行量全局关系图的特征矩阵为步骤(3)构建的车辆出行量矩阵、邻接矩阵为步骤(4)构建的出行量相似度权重矩阵;
所述到达量局部关系图的特征矩阵为步骤(3)中构建的车辆到达量矩阵、邻接矩阵为步骤(1)中构建的基于物理路网的路段关系邻接矩阵;
所述出行量全局关系图的特征矩阵为步骤(3)中构建的车辆到达量矩阵,邻接矩阵为步骤(4)构建的所述到达量相似度权重矩阵。
(6)以步骤(5)构建的出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图为输入,以第n+K+1时隙内的车辆出行量向量和车辆到达量向量为标签,对预测模型进行训练或更新,所处预测模型初始为MTGL神经网络;
(7)n=n+1,执行步骤(3)-(6);
(8)循环执行步骤(7),直至n=N-K-1,得到预测模型。
2.如权利要求1所述的车辆出行量预测模型构建方法,其特征在于,步骤(4)中采用皮尔逊相关系数、斯皮尔曼相关系数或余弦相似度计算第n时隙至第n+K时隙内任意两个路段出行量序列间的相似度和到达量序列间的相似度。
3.一种车辆出行量预测方法,其特征在于:
步骤一,构建第N-K时隙至第N时隙内的车辆出行量矩阵和车辆到达量矩阵;
步骤二,计算第N-K时隙至第N时隙内各路段出行量序列间的相似度和到达量序列间的相似度,得到出行量相似度权重矩阵和到达量相似度权重矩阵;
步骤三,构建出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图;
所述出行量局部关系图的特征矩阵为步骤一中构建的车辆出行量矩阵、邻接矩阵为权利要求1步骤(1)中构建的基于物理路网的路段关系邻接矩阵;
所述出行量全局关系图的特征矩阵为步骤一构建的车辆出行量矩阵、邻接矩阵为步骤二构建的出行量相似度权重矩阵;
所述到达量局部关系图的特征矩阵为步骤一中构建的车辆到达量矩阵、邻接矩阵为权利要求1步骤(1)中构建的基于物理路网的路段关系邻接矩阵;
所述出行量全局关系图的特征矩阵为步骤一中构建的车辆到达量矩阵,邻接矩阵为步骤二构建的所述到达量相似度权重矩阵;
步骤四,将步骤四构建的出行量局部关系图、出行量全局关系图、到达量局部关系图和到达量全局关系图输入到权利要求1构建的模型中,输出待预测时间段第N+1时隙内的出行量向量和到达量向量。
4.如权利要求2所述的车辆出行量预测方法,其特征在于,所述合理时间段为至少1周。
5.如权利要求2所述的车辆出行量预测方法,其特征在于,所述时隙的单位为分钟或小时。
6.一种车辆出行量预测系统,其特征在于:所述系统包括:数据采集与预处理模块、模型更新模块和结果预测模块;
所述数据采集与预处理模块用于执行权利要求1所述步骤(1)-(5),所得结果传输给所述模型更新模块;所述数据采集与预处理模块还用于执行权利要求3所述的步骤一至三,所得结果传输给所述结果预测模块;
所述模型更新模块用于执行权利要求1所述步骤(6)、(7)、(8),输出预测模型;
所述结果预测模块用于执行权利要求3所述步骤四,输出预测结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317209.6A CN111653088B (zh) | 2020-04-21 | 2020-04-21 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
US17/433,242 US11995982B2 (en) | 2020-04-21 | 2020-12-10 | Method for constructing prediction model of auto trips quantity and prediction method and system |
PCT/CN2020/135078 WO2021212866A1 (zh) | 2020-04-21 | 2020-12-10 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317209.6A CN111653088B (zh) | 2020-04-21 | 2020-04-21 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111653088A true CN111653088A (zh) | 2020-09-11 |
CN111653088B CN111653088B (zh) | 2022-02-01 |
Family
ID=72349186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010317209.6A Active CN111653088B (zh) | 2020-04-21 | 2020-04-21 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11995982B2 (zh) |
CN (1) | CN111653088B (zh) |
WO (1) | WO2021212866A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382081A (zh) * | 2020-09-30 | 2021-02-19 | 浙江高速信息工程技术有限公司 | 一种基于多任务的交通流量预测方法 |
CN112562339A (zh) * | 2020-12-09 | 2021-03-26 | 福州大学 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
CN112785077A (zh) * | 2021-02-01 | 2021-05-11 | 南京航空航天大学 | 基于时空数据的出行需求预测方法及系统 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113222229A (zh) * | 2021-04-28 | 2021-08-06 | 南京航空航天大学 | 一种基于机器学习的非合作无人机轨迹预测方法 |
CN113380025A (zh) * | 2021-05-28 | 2021-09-10 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN113470352A (zh) * | 2021-06-17 | 2021-10-01 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测系统及方法 |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114205250A (zh) * | 2021-12-09 | 2022-03-18 | 西安电子科技大学 | 基于时空网络stn的虚拟网络链路流量预测方法 |
CN114299728B (zh) * | 2021-12-29 | 2023-04-21 | 杭州电子科技大学 | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 |
US20230294728A1 (en) * | 2022-03-18 | 2023-09-21 | Gm Cruise Holdings Llc | Road segment spatial embedding |
CN114999154B (zh) * | 2022-05-26 | 2024-02-02 | 浙江工业大学 | 一种基于图卷积网络的道路服务水平预测方法 |
CN115017990B (zh) * | 2022-06-01 | 2023-01-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种交通流量预测方法、装置、设备及存储介质 |
CN115099542B (zh) * | 2022-08-26 | 2023-02-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 跨城通勤出行生成和分布预测方法、电子设备及存储介质 |
CN116362139B (zh) * | 2023-04-14 | 2024-01-30 | 应急管理部沈阳消防研究所 | 基于层次化长短时记忆网络的多参量火灾检测方法 |
CN116994427A (zh) * | 2023-07-04 | 2023-11-03 | 重庆邮电大学 | 一种基于大数据的道路路况预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244158A1 (en) * | 2007-01-24 | 2014-08-28 | Tomtom Global Assets B.V. | Method and apparatus for providing navigational guidance using the states of traffic signal |
US20150088406A1 (en) * | 2013-09-26 | 2015-03-26 | International Business Machines Corporation | Method and system for optimizing road traffic control in the presence of incidents |
CN105139656A (zh) * | 2015-09-28 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 一种道路状态预测方法及装置 |
CN107230349A (zh) * | 2017-05-23 | 2017-10-03 | 长安大学 | 一种在线式实时短时间交通流预测方法 |
CN107636693A (zh) * | 2015-03-20 | 2018-01-26 | 弗劳恩霍夫应用研究促进协会 | 针对人工神经网络的相关性分数指派 |
US20180046901A1 (en) * | 2016-08-12 | 2018-02-15 | Beijing Deephi Intelligence Technology Co., Ltd. | Hardware accelerator for compressed gru on fpga |
CN109299305A (zh) * | 2018-10-30 | 2019-02-01 | 湖北工业大学 | 一种基于多特征融合的空间图像检索系统及检索方法 |
CN110060471A (zh) * | 2019-04-01 | 2019-07-26 | 长安大学 | 一种车辆od流预测模型构建方法及车辆od流预测方法 |
CN110599767A (zh) * | 2019-09-04 | 2019-12-20 | 广东工业大学 | 一种基于网约车出行需求的长短期预测方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4038970B2 (ja) * | 2000-08-01 | 2008-01-30 | 住友電気工業株式会社 | リンク発生交通量算出方法及びod交通量の推定方法並びに装置 |
CN103927887B (zh) * | 2014-03-18 | 2016-01-27 | 西北工业大学 | 结合离散速度模型的阵列式fpga交通状态预测及控制系统 |
US10175054B2 (en) * | 2015-01-11 | 2019-01-08 | Microsoft Technology Licensing, Llc | Predicting and utilizing variability of travel times in mapping services |
US11715369B2 (en) * | 2016-08-15 | 2023-08-01 | University Of Southern California | Latent space model for road networks to predict time-varying traffic |
US20180126271A1 (en) * | 2016-11-06 | 2018-05-10 | Ran Katzir | Method for directing people in a space which is represented by a spatial network, a wayfinding system and a game |
CN106781465A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路车流量预测方法 |
CN106781468B (zh) * | 2016-12-09 | 2018-06-15 | 大连理工大学 | 基于建成环境和低频浮动车数据的路段行程时间估计方法 |
CN106530762A (zh) * | 2016-12-26 | 2017-03-22 | 东软集团股份有限公司 | 交通信号控制方法和装置 |
US10817775B2 (en) * | 2017-01-12 | 2020-10-27 | International Business Machines Corporation | Neural network computing systems for predicting vehicle requests |
DE102017209346A1 (de) * | 2017-06-01 | 2019-01-10 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Erstellung einer fahrspurgenauen Straßenkarte |
CN110310474A (zh) * | 2018-05-14 | 2019-10-08 | 桂林远望智能通信科技有限公司 | 一种基于时空残差网络的车流量预测方法及装置 |
US10546043B1 (en) * | 2018-07-16 | 2020-01-28 | Here Global B.V. | Triangulation for K-anonymity in location trajectory data |
CN109285346B (zh) * | 2018-09-07 | 2020-05-05 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
FR3096822B1 (fr) * | 2019-05-28 | 2022-04-22 | Ifp Energies Now | Procédé de prédiction d’au moins un profil de la vitesse d’un véhicule sur un réseau routier |
CA3143232A1 (en) * | 2019-06-24 | 2020-12-30 | Bilal FAROOQ | Distributed traffic management system with dynamic end-to-end routing |
CN110414719B (zh) * | 2019-07-05 | 2023-02-21 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
AU2020202249A1 (en) * | 2020-03-30 | 2021-10-14 | Anditi Pty Ltd | Feature extraction from mobile lidar and imagery data |
CN111653088B (zh) * | 2020-04-21 | 2022-02-01 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
-
2020
- 2020-04-21 CN CN202010317209.6A patent/CN111653088B/zh active Active
- 2020-12-10 WO PCT/CN2020/135078 patent/WO2021212866A1/zh active Application Filing
- 2020-12-10 US US17/433,242 patent/US11995982B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244158A1 (en) * | 2007-01-24 | 2014-08-28 | Tomtom Global Assets B.V. | Method and apparatus for providing navigational guidance using the states of traffic signal |
US20150088406A1 (en) * | 2013-09-26 | 2015-03-26 | International Business Machines Corporation | Method and system for optimizing road traffic control in the presence of incidents |
CN107636693A (zh) * | 2015-03-20 | 2018-01-26 | 弗劳恩霍夫应用研究促进协会 | 针对人工神经网络的相关性分数指派 |
CN105139656A (zh) * | 2015-09-28 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 一种道路状态预测方法及装置 |
US20180046901A1 (en) * | 2016-08-12 | 2018-02-15 | Beijing Deephi Intelligence Technology Co., Ltd. | Hardware accelerator for compressed gru on fpga |
CN107230349A (zh) * | 2017-05-23 | 2017-10-03 | 长安大学 | 一种在线式实时短时间交通流预测方法 |
CN109299305A (zh) * | 2018-10-30 | 2019-02-01 | 湖北工业大学 | 一种基于多特征融合的空间图像检索系统及检索方法 |
CN110060471A (zh) * | 2019-04-01 | 2019-07-26 | 长安大学 | 一种车辆od流预测模型构建方法及车辆od流预测方法 |
CN110599767A (zh) * | 2019-09-04 | 2019-12-20 | 广东工业大学 | 一种基于网约车出行需求的长短期预测方法 |
Non-Patent Citations (1)
Title |
---|
段宗涛: "基于Spark平台城市出租车乘客出行特征分析", 《计算机系统应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN112382081A (zh) * | 2020-09-30 | 2021-02-19 | 浙江高速信息工程技术有限公司 | 一种基于多任务的交通流量预测方法 |
CN112562339A (zh) * | 2020-12-09 | 2021-03-26 | 福州大学 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
CN112562339B (zh) * | 2020-12-09 | 2022-01-04 | 福州大学 | 基于多任务图卷积网络的鲁棒性交通流预测方法 |
CN112785077A (zh) * | 2021-02-01 | 2021-05-11 | 南京航空航天大学 | 基于时空数据的出行需求预测方法及系统 |
CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN113222229A (zh) * | 2021-04-28 | 2021-08-06 | 南京航空航天大学 | 一种基于机器学习的非合作无人机轨迹预测方法 |
CN113222229B (zh) * | 2021-04-28 | 2024-02-13 | 南京航空航天大学 | 一种基于机器学习的非合作无人机轨迹预测方法 |
CN113380025A (zh) * | 2021-05-28 | 2021-09-10 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN113470352A (zh) * | 2021-06-17 | 2021-10-01 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测系统及方法 |
CN113470352B (zh) * | 2021-06-17 | 2022-10-21 | 之江实验室 | 一种基于多任务学习的交通大数据分析与预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
US11995982B2 (en) | 2024-05-28 |
US20220343756A1 (en) | 2022-10-27 |
CN111653088B (zh) | 2022-02-01 |
WO2021212866A1 (zh) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
Liao et al. | Large-scale short-term urban taxi demand forecasting using deep learning | |
CN108898838B (zh) | 一种基于lstm模型的机场交通拥堵预测方法及装置 | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
CN106485359A (zh) | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 | |
CN105825297A (zh) | 一种基于马尔科夫模型的位置预测方法 | |
CN103678917A (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN113380025B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN113327417B (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
CN112071062A (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN115169239A (zh) | 融合卷积、注意力和mlp的行程目的地预测方法 | |
CN113821547B (zh) | 快速高效的停车场占有率短时预测方法、系统及存储介质 | |
CN111524358B (zh) | 一种区域辐射性交通流量预测方法 | |
CN111985731A (zh) | 城市公共交通站点人数的预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |