[发明专利]一种基于深度时空卷积循环网络的路网状态预测方法

说明书

本专利公开了一种基于深度时空卷积循环网络的路网状态预测方法，所述方法包括：步骤一：建立样本集，并划分训练集和测试集；步骤二，路网状态预测模型建模；所述路网状态预测模型包括卷积神经网络和递归神经网络两个部分，所述卷积神经网络用于提取路网空间特征，所述递归神经网络用于提取路网演变的时序规律；步骤三，未来某一时间段路网状态预测本专利通过深度卷积神经网络提取路网中各个路段之间的联系。本专利通过递归神经网络用于提取路网演变的时序规律；充分考虑路网时空信息的条件下可以获得更精确的路网交通状态的预测。

技术领域

本发明涉及公共交通信息处理技术领域，具体地说是一种一种基于深度时空卷积循环网络的路网状态预测方法。

背景技术

经济的快速发展大大提高了人们对交通的需求，交通拥堵问题日益突出。智能交通系统被认为是缓解交通拥堵的重要途径，从网络层面对交通拥堵进行预测对智能交通系统有着重要的意义。

在道路交通的研究中，通常包括路段和路网的分别，路段通常是指某一段道路路，而路网是指在某一个预定区域中，多条公路相互交错形成的网状交通系统。

现有技术对于道路的拥堵预测中，大部分是从路段层面进行拥堵预测，预测模型主要采用了ARIMR，Kalman滤波，BP神经网络等方法。这些方法虽然对于路段层面的交通拥堵预测有着较高的精度，但是功能过于单一，难以把握路网的拥堵情况，其采用的方法相对比较简单如果放大到路网的层面，对于预测会产生较大的偏差。

近年来，现有技术中逐渐将深度学习用于交通拥堵，例如采用递归神经网络挖掘某一主干道状态演变的时序规律，从而做出精确预测。但是现有技术中的预测方法往往难以考虑不同路段之间的空间关系以及支路信息对主干道的影响；因此其预测范围仅限于主干道，也存在较大的局限性。

发明内容

本发明为解决以上现有技术的不足而提出的，本发明要解决的技术问题是提供一种基于深度学习的路网状态预测方法，具体是利用卷积神经网络提取路网中各个路段拥堵情况在空间上的特征采用递归神经网络在挖掘路网状态在时序上的演变规律从而实现从网络层面对路网状态进行预测。

为了解决上述问题，本发明提供的技术方案包括：

一种基于深度学习的路网状态预测方法，其特征在于，所述方法包括如下步骤：

步骤一：建立样本集，并划分训练集和测试集

选取目标路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的时间段；首先，计算各个路段在每个时间段的平均速度,平均速度的计算方法是：在某一时间段内，在某一路段通过的所有车辆平均速度的均值，如式(1)所示，其中n代表在该时间段在该路段通过的车辆数目，a代表路网中的第a个路段，a∈(1,2,···,k)，j是时间段编号，S代表该路段的长度，Δt代表时间段的长度，代表车辆i在Δt的平均速度；

若某一路段在Δt内没有车辆通过，在用上一个时间段的平均速度替代当前时间段的平均速度，即v_a,j＝v_a,j-1；

其次，将各个路段的平均速度投影到路网中，建立路网中各个路段与该路段的平均速度的对应关系；