CN113971496A - 活动影响下的城市交通路网状态演化趋势预测方法及系统 - Google Patents
活动影响下的城市交通路网状态演化趋势预测方法及系统 Download PDFInfo
- Publication number
- CN113971496A CN113971496A CN202111292800.1A CN202111292800A CN113971496A CN 113971496 A CN113971496 A CN 113971496A CN 202111292800 A CN202111292800 A CN 202111292800A CN 113971496 A CN113971496 A CN 113971496A
- Authority
- CN
- China
- Prior art keywords
- activity
- traffic network
- urban traffic
- data
- influence
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003068 static effect Effects 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims 2
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning 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
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Abstract
本发明涉及一种活动影响下的城市交通路网状态演化趋势预测方法及系统,其方法包括:S1:获取城市交通路网速度监测数据;S2:获取用户出行搜索记录数据;S3:获取城市交通路网静态属性数据;S4:根据城市交通路网速度监测数据、用户出行搜索记录数据以及城市交通路网静态属性数据构建训练集、验证集和测试集;将训练集输入并训练活动‑时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果;利用测试集验证活动‑时空融合预测模型对活动影响下的城市交通路网状态未来演化趋势进行预测。本发明提供的方法降低了预测误差,对于未来多个时间段长期趋势预测相关系数更高。
Description
技术领域
本发明涉及城市智能交通与机器学习技术领域,具体涉及一种活动影响下的城市交通路网状态演化趋势预测方法及系统。
背景技术
随着我国经济迅速发展,城市化进程不断加快,人们出行的需求大量增加,导致了城市交通路网的大量建设。位于城市的交通路网设施,不可避免的承载城市居民出行的出行压力,并且在活动期间更为明显,可能会造成道路拥堵甚至交通事故。因此,开发一种可靠的方法来预测活动影响下交通路网状态的演化趋势对城市交通管理和用户出行至关重要。在过去的几年里,许多统计和机器学习模型被提出来用于解决这个问题。但由于活动期间用户出行模式复杂、城市交通时空依赖复杂等诸多内外因素的限制,该工程具有一定的挑战性。因此,迫切需要建立一种合理的模型,以适应复杂的城市交通路网,并对其进行高精度的速度状态指标预测。
近年来,随着计算机科学技术的飞速发展,利用城市智能交通系统对城市交通路网状态的实时监测引起了广泛的关注。各种统计和机器学习方法逐渐被用于分析从系统中获得的监测数据,目前使用的方法大多分为基于多源时间序列的预测方法和基于统计信息的预测方法两大类。基于多源时空序列的预测方法是利用过去观测到的交通路网状态数据构成的多个路段的多源时间序列来预测对应路段在未来的状态变化趋势或潜在危险事故的一种方法,近年来以循环神经网络为代表的基于深度学习的时间序列预测模型在这方面工作中取得了优秀的表现。基于统计信息的方法根据用户出行的分布建立高斯模型并根据过往的同时间段历史信息估计预测交通路网状态的变化趋势,以往的研究表明,采用多源时间序列线性回归和考虑用户出行分布的方法是可靠有效的,在城市智能交通工程中得到了广泛应用。
然而,这两种模型都有着各自的缺点。基于多源时间序列的预测模型忽略了用户出行的影响因素,并建设观察到的时间序列存在前后周期依赖,处理长时间依赖时计算效率和效果较差。基于统计信息的预测方法忽略了历史监测数据序列性的影响。另外,这两种模型都没有充分考虑交通路网路段所携带的静态属性特征和交通路网路段级联结构的复杂空间特征以及长周期序列丰富的时间信息和序列与用户出行所反映的活动影响作用。因此,急需一种新的模型,充分考虑多种因素并结合这两类模型的优点,克服它们的缺点,从而实现更加精准的活动影响下的未来长时间段交通路网状态演化趋势预测。
发明内容
为了解决上述技术问题,本发明提供一种活动影响下的城市交通路网状态演化趋势预测方法及系统。
本发明技术解决方案为:一种活动影响下的城市交通路网状态演化趋势预测方法,包括:
步骤S1:根据出租车GPS数据,获取城市交通路网速度监测数据,所述出租车GPS数据包括:出租车的速度、方向和经纬度;
步骤S2:根据用户出行时所用的搜索数据记录,获取用户出行搜索记录数据;
步骤S3:根据路测人员进行道路检测,获取城市交通路网静态属性数据,其中所述城市交通路网静态属性数据包括:路段标识ID、路段起始结点经纬度、长度、宽度、车道数、方向、收费方式、道路类别和限速等级;
步骤S4:根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集;将所述训练集输入并训练活动-时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果;利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测。
本发明与现有技术相比,具有以下优点:
本发明公开了一种活动影响下的城市交通路网状态演化趋势预测方法,降低了预测的误差,且对于未来多个时间段长期趋势预测相关系数更高,可以更好地学习到活动影响下城市交通路网状态演化趋势,可以更全面地评估活动对应的周边交通路网状态,从而评估其安全状况。
附图说明
图1为本发明实施例中一种活动影响下的城市交通路网状态演化趋势预测方法的流程图;
图2为本发明实施例中活动-时空融合预测模型的结构示意图;
图3为本发明实施例中一种活动影响下的城市交通路网状态演化趋势预测系统的结构框图。
具体实施方式
本发明提供了一种活动影响下的城市交通路网状态演化趋势预测方法,降低了预测的误差,且对于未来多个时间段长期趋势预测相关系数更高,可以更好地学习到活动影响下城市交通路网状态演化趋势,可以更全面地评估活动对应的周边交通路网状态,从而评估其安全状况。
为了使本发明的目的、技术方案及优点更加清楚,以下通过具体实施,并结合附图,对本发明进一步详细说明。
实施例一
如图1所示,本发明实施例提供的一种活动影响下的城市交通路网状态演化趋势预测方法,包括下述步骤:
步骤S1:根据出租车GPS数据,获取城市交通路网速度监测数据,出租车GPS数据包括:出租车的速度、方向和经纬度;
步骤S2:根据用户出行时所用的搜索数据记录,获取用户出行搜索记录数据;
步骤S3:根据路测人员进行道路检测,获取城市交通路网静态属性数据,其中城市交通路网静态属性数据包括:路段标识ID、路段起始结点经纬度、长度、宽度、车道数、方向、收费方式、道路类别和限速等级;
步骤S4:根据城市交通路网速度监测数据、用户出行搜索记录数据以及城市交通路网静态属性数据构建训练集、验证集和测试集;将训练集输入并训练活动-时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果;利用测试集验证活动-时空融合预测模型对活动影响下的城市交通路网状态未来演化趋势进行预测。
在一个实施例中,上述步骤S1:根据出租车GPS数据,获取城市交通路网速度监测数据,出租车GPS数据包括:出租车的速度、方向和经纬度,具体包括:
本发明实施例根据卫星获长期采集反映北京城市交通状态的出租车GPS数据,从而监测和识别城市交通路网状态,具体为采集在各个路段上的出租车的速度、方向和经纬度,从而在预定长度时间内监测到的城市交通路网速度监测数据形成时序数据。
在一个实施例中,上述步骤S2:根据用户出行时所用的搜索数据记录,获取用户出行搜索记录数据,具体包括:
搜索记录数据是用户出行时所使用应用软件,例如百度地图、高德地图、亿通行等,产生的搜索数据记录,用于构建活动对交通路网状态影响作用。
在一个实施例中,上述步骤S3:根据路测人员进行道路检测,获取城市交通路网静态属性数据,其中城市交通路网静态属性数据包括:路段标识ID、路段起始结点经纬度、长度、宽度、车道数、方向、收费方式、道路类别和限速等级,具体包括:
城市交通路网静态属性数据由路测人员进行道路检测得到,城市交通路网静态属性数据包括:路段标识ID、路段起始结点经纬度、长度、宽度、车道数、方向、收费方式、道路类别和限速等级。
在一个实施例中,上述步骤S4:根据城市交通路网速度监测数据、用户出行搜索记录数据以及城市交通路网静态属性数据构建训练集、验证集和测试集;将训练集输入并训练活动-时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果;利用测试集验证活动-时空融合预测模型对活动影响下的城市交通路网状态未来演化趋势进行预测,具体包括:
步骤S41:根据城市交通路网速度监测数据、用户出行搜索记录数据以及城市交通路网静态属性数据构建训练集、验证集和测试集,具体包括:
步骤S411:根据城市交通路网速度监测数据与交通路网进行匹配与时间段切分,构建为m×n的矩阵X,其中,m为城市交通路网速度监测数据的长度,n为交通路网路段数目;
根据用户出行搜索记录数据按城市区域进行路段匹配并计算热度值,构建m×n的矩阵Q;
根据城市交通路网静态属性数据构建为n×k的矩阵F,其中,k为静态特征的数目;
根据交通路网静态属性数据的经纬度数据计算交通路网路段级联结构,构建为n×n的矩阵A;
将交通路网静态属性数据中携带时间的数据构建为m×1的矩阵T;
步骤S412:预设活动-时空融合预测模型的三个超参数:模型每次学习所用的时间序列的历史时间段步长p、模型预测的未来时间段步长q以及模型的隐层编码向量维度h;
步骤S413:选取活动e周边区域内路段i的大小为n’集合,选择需要预测的路段编号i;取出矩阵X的第i列,即路段i的所有数据;对于任一时间段t和每一个活动e周边区域路段i,将包括该时间段在内的p个历史时间段步长和q个未来时间段步长的矩阵X构建得到一个(m-p-q)×(p+q)×n’的时空序列X’;
同样地,将包括时间段t在内的之前p个历史时间段步长和q未来时间段步长的矩阵Q构建得到一个(m-p-q)×(p+q)×n’的活动热度矩阵Q’;
同样地,包括该时间段t在内的之前p个历史时间段步长和q未来时间段步长的矩阵T构建一个(m-p-q)×(p+q)×1的时间信息矩阵T’;
分别从矩阵F和矩阵A抽取对应路段i的数据,构建一个n’×k的路网静态属性特征F’和一个n’×n’的路网路段级联矩阵A’;
步骤S414:将矩阵X’、Q’、T’按照预设比例划分为训练集、验证集和测试集;
本发明实施例中按照7:1:2的比例划分数据,分别作为训练集、验证集和测试集。
步骤S42:将训练集输入并训练活动-时空融合预测模型,通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果,同时利用验证集训练并计算预测值和真实值之间的误差,直到活动-时空融合预测模型的参数收敛,得到训练好的活动-时空融合预测模型,具体包括:
步骤S421:使用训练集,训练活动-时空融合预测模型,将路网路段级联矩阵A’输入活动-时空融合预测模型中的图神经网络,得到每个路段i的隐层表示;
步骤S422:将t-p+1到t历史时间段的时空序列X’、时间信息矩阵T’、活动热度矩阵Q’以及路网静态属性特征F’输入到活动-时空融合预测模型中的时空自注意力机制模块,得到历史路网路段隐状态;
步骤S423:将历史路网路段隐状态和t+1到t+q的未来时间段的时间信息矩阵T’和活动热度矩阵Q’作为映射向量输入到交叉注意力机制模块中,得到未来路网路段隐状态;
步骤S424:将未来路网路段隐状态输入时空自注意力机制模块,得到更新的未来路网路段隐状态向量;
步骤S425:将更新的未来路网路段隐状态向量输入到全连接层网络,输出t+1到t+q时间段的活动影响下交通路网状态演化趋势预测结果,即速度值;
步骤S426:利用损失函数计算预测误差,使用梯度下降法来更新活动-时空融合预测模型的各个参数,利用验证集训练并计算预测值和真实值之间的误差,直到参数收敛,得到训练好的活动-时空融合预测模型;
如图2所示,展示了基于注意力机制及图神经网络的活动-时空融合预测模型的结构示意图,其中,图神经网络用于发现空间上路段之间的依赖,注意力机制用于学习活动影响、时间信息依赖、路网静态特征、时间序列中的时序依赖,本发明实施例将二者结合用于活动-时空融合预测模型,可以出色的捕捉监测数据的活动-时空依赖。
步骤S43:利用测试集验证活动-时空融合预测模型对活动影响下的城市交通路网状态未来演化趋势进行预测。
对于时间段t,要预测时间段为t+1至t+q的监测指标,将时间段t-p+1到日期t之间的城市交通路网速度监测数据和用户出行搜索记录数据构成的时间序列和对应的时间信息数据,以及城市交通路网静态属性特征数据和交通路网路段级联结构数据,组成输入向量;将该输入向量输入训练好的活动-时空融合预测模型,输出时间段为t+1至t+q的监测指标的预测值。可对多个不同时间段,重复上述步骤,即可得到对应时间段未来一个时间段内活动影响下的城市交通路网状态演化趋势。
此外,对于所有将要发生的活动,根据截至监测时刻的用户出行搜索记录和路段进行匹配,计算对应搜索热度值范围;对于每种真实的活动和相关搜索热度,将其与时间序列、时间信息数据、交通路网静态属性特征数据和交通路网路段级联结构数据共同作为输入向量,将其输入训练好的活动-时空融合预测模型,得到在这种条件下的监测指标预测值,从而可以得到所有活动对应的周边交通路网状态监测指标可能出现的范围,由此对其安全性做出覆盖性的预测。
为了验证本发明公开的方法的有效性和准确性,本发明实施例利用北京市城市智能交通系统中城区内一万五千多个路段组成的城市交通路网速度监测数据、用户出行搜索记录数据、城市交通路网静态属性数据进行实验。这些数据分布于城区的各个街区城区路网的不同位置。为了评估模型的预测能力,使用了平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分误差(MAPE)三个评估指标,MAE、RMSE、MAPE用于衡量监测指标的预测值和真实值之间的误差。预测时间段根据交通领域场景经验可分为个1≤q≤96时间段,本发明实施例根据需求设置q为12,为了得到最合适的观察窗口和隐层编码向量维度h,即模型中的参数p,对5≤p≤20和64≤h≤512(h=2n,n=6,7,8,9)都进行了实验,从而得到p=12为最优。为了验证本方法表现比其他模型更好,本发明实施例使用常用的预测模型如向量自回归、多层感知机、全连接长短记忆网络、时空图卷积神经网络进行对比实验,实验证明本发明的预测误差最低,预测相关性最高。如表1所示,展示了在首都体育馆区域,使用不同预测模型在不同时间段进行预测的结果对比。
表1不同预测模型的预测结果对比
此外,为了验证本发明提供的方法在未来不同时间段趋势预测上准确性,本发明实施例对其他方法在未来不同时间段上预测结果进行了对比,实验结果表明本方法的预测误差相较于其他方法也随着预测步数在1到q之间增大而增大,但是整个预测步数的预测误差都维持在比较小的范围,且预测步数越大相比其他方法来说更准,说明本方法可以更好的完整预测活动影响下交通路网状态演化趋势。
本发明提供的方法适用于各种智能交通路网设施如城市道路、高速公路等的路网状态趋势预测,待预测的数据为智能交通领域常用的监测指标,如速度和人流量。通过结合城市交通路网速度监测数据、用户出行搜索记录数据和城市交通路网静态属性数据,活动-时空融合预测模型可以学习到监测数据以路网静态属性数据中的时空依赖和用出行搜索记录数据中的活动影响,对活动影响下城市交通路网状态演化趋势进行预测。
相比现有的技术,本发明提供的方法降低了预测的误差,且对于未来多个时间段长期趋势预测相关系数更高,可以更好地学习到活动影响下城市交通路网状态演化趋势。此外,本发明在此基础上提出了对活动影响下交通路网设施状态提供安全性进行覆盖测试的方法,可以更全面地评估活动对应的周边交通路网状态,从而评估其安全状况。
实施例二
如图3所示,本发明实施例提供了一种活动影响下的城市交通路网状态演化趋势预测系统,包括下述模块:
获取城市交通路网速度监测数据模块51,用于根据出租车GPS数据,获取城市交通路网速度监测数据,所述出租车GPS数据包括:出租车的速度、方向和经纬度;
获取用户出行搜索记录数据模块52,用于根据用户出行时所用的搜索数据记录,获取用户出行搜索记录数据;
获取城市交通路网静态属性数据模块53,用于根据路测人员进行道路检测,获取城市交通路网静态属性数据,其中所述城市交通路网静态属性数据包括:路段起始结点经纬度、长度宽度、车道数、方向和收费方式;
预测城市交通路网状态未来演化趋势模块54,用于根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集;将所述训练集输入并训练活动-时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果;利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (5)
1.一种活动影响下的城市交通路网状态演化趋势预测方法,其特征在于,包括:
步骤S1:根据出租车GPS数据,获取城市交通路网速度监测数据,所述出租车GPS数据包括:出租车的速度、方向和经纬度;
步骤S2:根据用户出行时所用的搜索数据记录,获取用户出行搜索记录数据;
步骤S3:根据路测人员进行道路检测,获取城市交通路网静态属性数据,其中所述城市交通路网静态属性数据包括:路段标识ID、路段起始结点经纬度、长度、宽度、车道数、方向、收费方式、道路类别和限速等级;
步骤S4:根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集;将所述训练集输入并训练活动-时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果;利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测。
2.根据权利要求1所述的活动影响下的城市交通路网状态演化趋势预测方法,其特征在于,所述步骤S4:根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集;将所述训练集输入并训练活动-时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果;利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测,具体包括:
步骤S41:根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集;
步骤S42:将所述训练集输入并训练活动-时空融合预测模型,通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果,同时利用所述验证集训练并计算预测值和真实值之间的误差,直到所述活动-时空融合预测模型的参数收敛,得到训练好的所述活动-时空融合预测模型;
步骤S43:利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测。
3.根据权利要求2所述的活动影响下的城市交通路网状态演化趋势预测方法,其特征在于,所述步骤S41:根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集,具体包括:
步骤S411:根据所述城市交通路网速度监测数据与交通路网进行匹配与时间段切分,构建为m×n的矩阵X,其中,m为所述城市交通路网速度监测数据的长度,n为交通路网路段数目;
根据所述用户出行搜索记录数据按城市区域进行路段匹配并计算热度值,构建m×n的矩阵Q;
根据所述城市交通路网静态属性数据构建为n×k的矩阵F,其中,k为静态特征的数目;
根据所述交通路网静态属性数据的经纬度数据计算交通路网路段级联结构,构建为n×n的矩阵A;
将所述交通路网静态属性数据中携带时间的数据构建为m×1的矩阵T;
步骤S412:预设所述活动-时空融合预测模型的三个超参数:所述模型每次学习所用的时间序列的历史时间段步长p、所述模型预测的未来时间段步长q以及所述模型的隐层编码向量维度h;
步骤S413:选取活动e周边区域内路段i的大小为n’集合,选择需要预测的路段编号i;取出所述矩阵X的第i列,即路段i的所有数据;对于任一时间段t和每一个活动e周边区域路段i,将包括该时间段在内的p个历史时间段步长和q个未来时间段步长的矩阵X构建得到一个(m-p-q)×(p+q)×n’的时空序列X’;
同样地,将包括时间段t在内的之前p个历史时间段步长和q未来时间段步长的矩阵Q构建得到一个(m-p-q)×(p+q)×n’的活动热度矩阵Q’;
同样地,包括该时间段t在内的之前p个历史时间段步长和q未来时间段步长的矩阵T构建一个(m-p-q)×(p+q)×1的时间信息矩阵T’;
分别从所述矩阵F和矩阵A抽取对应所述路段i的数据,构建一个n’×k的路网静态属性特征F’和一个n’×n’的路网路段级联矩阵A’;
步骤S414:将矩阵X’、Q’、T’按照预设比例划分为训练集、验证集和测试集。
4.根据权利要求2所述的活动影响下的城市交通路网状态演化趋势预测方法,其特征在于,所述步骤S42:将所述训练集输入并训练活动-时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果,同时利用所述验证集训练并计算预测值和真实值之间的误差,直到所述活动-时空融合预测模型的参数收敛,得到训练好的所述活动-时空融合预测模型,具体包括:
步骤S421:使用所述训练集,训练所述活动-时空融合预测模型,将所述路网路段级联矩阵A’输入所述活动-时空融合预测模型中的图神经网络,得到每个所述路段i的隐层表示;
步骤S422:将t-p+1到t历史时间段的所述时空序列X’、时间信息矩阵T’、活动热度矩阵Q’以及路网静态属性特征F’输入到所述活动-时空融合预测模型中的时空自注意力机制模块,得到历史路网路段隐状态;
步骤S423:将所述历史路网路段隐状态和t+1到t+q的未来时间段的时间信息矩阵T’和活动热度矩阵Q’作为映射向量输入到交叉注意力机制模块中,得到未来路网路段隐状态;
步骤S424:将所述未来路网路段隐状态输入所述时空自注意力机制模块,得到更新的未来路网路段隐状态向量;
步骤S425:将所述更新的未来路网路段隐状态向量输入到全连接层网络,输出t+1到t+q时间段的活动影响下交通路网状态演化趋势预测结果,即速度值;
步骤S426:利用损失函数计算预测误差,使用梯度下降法来更新所述活动-时空融合预测模型的各个参数,利用所述验证集训练并计算预测值和真实值之间的误差,直到所述参数收敛,得到训练好的所述活动-时空融合预测模型。
5.一种活动影响下的城市交通路网状态演化趋势预测系统,其特征在于,包括下述模块:
获取城市交通路网速度监测数据模块,用于根据出租车GPS数据,获取城市交通路网速度监测数据,所述出租车GPS数据包括:出租车的速度、方向和经纬度;
获取用户出行搜索记录数据模块,用于根据用户出行时所用的搜索数据记录,获取用户出行搜索记录数据;
获取城市交通路网静态属性数据模块,用于根据路测人员进行道路检测,获取城市交通路网静态属性数据,其中所述城市交通路网静态属性数据包括:路段起始结点经纬度、长度宽度、车道数、方向和收费方式;
预测城市交通路网状态未来演化趋势模块,用于根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集;将所述训练集输入并训练活动-时空融合预测模型;并通过注意力机制和图神经网络将时空依赖和活动影响结合,输出活动影响下交通路网状态演化趋势预测结果;利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292800.1A CN113971496A (zh) | 2021-11-03 | 2021-11-03 | 活动影响下的城市交通路网状态演化趋势预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292800.1A CN113971496A (zh) | 2021-11-03 | 2021-11-03 | 活动影响下的城市交通路网状态演化趋势预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113971496A true CN113971496A (zh) | 2022-01-25 |
Family
ID=79589406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111292800.1A Pending CN113971496A (zh) | 2021-11-03 | 2021-11-03 | 活动影响下的城市交通路网状态演化趋势预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971496A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925836A (zh) * | 2022-07-20 | 2022-08-19 | 中国海洋大学 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
US20210248460A1 (en) * | 2020-02-07 | 2021-08-12 | Uatc, Llc | Systems and Methods for Optimized Multi-Agent Routing Between Nodes |
CN113487088A (zh) * | 2021-07-06 | 2021-10-08 | 哈尔滨工业大学(深圳) | 基于动态时空图卷积注意力模型的交通预测方法及装置 |
-
2021
- 2021-11-03 CN CN202111292800.1A patent/CN113971496A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
US20210248460A1 (en) * | 2020-02-07 | 2021-08-12 | Uatc, Llc | Systems and Methods for Optimized Multi-Agent Routing Between Nodes |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN113487088A (zh) * | 2021-07-06 | 2021-10-08 | 哈尔滨工业大学(深圳) | 基于动态时空图卷积注意力模型的交通预测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925836A (zh) * | 2022-07-20 | 2022-08-19 | 中国海洋大学 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chu et al. | Deep multi-scale convolutional LSTM network for travel demand and origin-destination predictions | |
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
Yuan et al. | A survey of traffic prediction: from spatio-temporal data to intelligent transportation | |
Xu et al. | Real-time prediction of taxi demand using recurrent neural networks | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
Shen et al. | TTPNet: A neural network for travel time prediction based on tensor decomposition and graph embedding | |
CN111145541A (zh) | 交通流量数据预测方法、存储介质和计算机设备 | |
CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
WO2022142418A1 (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
James | Citywide estimation of travel time distributions with Bayesian deep graph learning | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN113971496A (zh) | 活动影响下的城市交通路网状态演化趋势预测方法及系统 | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
CN116562449A (zh) | 基于知识图谱与时空图卷积的行人流量预测方法及系统 | |
CN114398462B (zh) | 一种基于多源异构信息网络的目的地推荐方法及系统 | |
CN116386312A (zh) | 一种交通量预测模型的构建方法和系统 | |
Xia et al. | Deeprailway: a deep learning system for forecasting railway traffic | |
CN114925994A (zh) | 一种基于深度学习的城中村风险评估和风险因素定位方法 | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
Ziat et al. | Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series. |
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 |