[发明专利]一种基于大数据和深度学习的城市主干道路速度预测方法

权利要求书

1.一种基于大数据和深度学习的城市主干道路速度预测方法。其特征在于，所述的道路速度预测方法包括以下步骤：

步骤1、调用高德地图API接口，收集城市主干道路地图静态数据，建立静态道路集合A。

步骤2、任一时间段t_i，收集车载GPS设备(新能源汽车从TBOX装置)中车辆经纬度坐标与车辆速度数据作为源数据建立车辆特征集合B_i。

步骤3、车辆道路匹配。根据车辆经纬度坐标，将所述集合B_i中的每辆车匹配到所述集合A中距离最近的道路上。

步骤4、计算所述集合A中每条道路的平均通行速度，建立城市主干道路通行速度特征矩阵C。选取时间段(t₁～t_S)，建立城市主干道路时空通行速度特征矩阵D。

步骤5、根据所述矩阵D，构建基于卷积神经网络的道路通行速度预测模型E。

步骤6、城市主干道路通行速度预测。利用所述模型E，预测未来t_i时间间隔内城市各主干道路速度变化情况。

2.根据权利要求1所述的一种基于大数据和深度学习的城市主干道路速度预测方法，其特征在于，所述步骤1建立所述静态道路集合A，具体包括：

将城市主干道路根据车辆的行驶方向不同进行拆分，并根据道路节点的经纬度分割道路，分割后的道路建立所述静态道路集合A。

3.根据权利要求1所述的一种基于大数据和深度学习的城市主干道路速度预测方法，其特征在于，所述步骤3车辆道路匹配，具体包括：

仅根据车辆的经纬度坐标，对行驶车辆进行道路匹配，从所述集合A中检索出距离车辆最近的道路，将该道路作为道路匹配的结果。

4.根据权利要求1所述的一种基于大数据和深度学习的城市主干道路速度预测方法，其特征在于，所述步骤4建立所述城市主干道路时空通行速度特征矩阵D，具体包括：

计算某时刻下所述集合A中各道路的平均通行速度，建立所述城市主干道路通行速度特征矩阵C，选取时间段(t₁～t_S)，将所述矩阵C沿时间维度扩展得到所述城市主干道路时空通行速度特征矩阵D。

5.根据权利要求1所述的一种基于大数据和深度学习的城市主干道路速度预测方法，其特征在于，所述步骤5构建所述构建基于卷积神经网络的道路通行速度预测模型E，具体包括：

以LeNet-5卷积神经网络为基础，调整模型结构参数，保持网络总体架构不变，利用所述矩阵D建立训练集，对所述模型E进行训练。