[发明专利]交通速度预测方法、系统及存储介质

说明书

本发明公开了一种交通速度预测方法、系统及存储介质，采集原始交通速度数据集，将所述数据集划分成训练集和测试集，挖掘原始交通速度数据集不同的空间关系，构建出两个路网图；将所述两个路网图的邻接矩阵融合为新图邻接矩阵；将所述训练集和所述新图邻接矩阵作为交通预测模型的输入，训练得到预测模型；利用所述预测模型预测交通速度。本发明能充分全面的挖掘空间关系，减小模型处理的复杂度，准确预测交通速度。

技术领域

本发明涉及交通数据处理领域，特别是一种交通速度预测方法、系统及存储介质。

背景技术

近年来，随着智能交通系统和全球定位系统(GPS)、移动设备等各种定位技术的快速发展，交通数据的可获得性日益增强。从交通数据中挖掘有价值的知识对许多现实世界的应用至关重要，包括智能交通、城市规划、公共安全等。交通预测对实现交通诱导，出行规划和拥塞控制都具有重大的意义。所以如何进行实时准确的交通预测已经变得越来越受人们关注。

交通预测问题被定义为基于道路网络中历史交通信息来预测未来某一个时间段的交通信息。本发明重点关注交通速度信息，交通速度数据是一种时空数据，由于城市道路网络拓扑结构的约束和动态变化的规律使得其具有复杂的时间和空间上的相关性。如何准确全面的挖掘出交通速度数据之间的时空相关性是提高交通预测准确性的一个关键之处。

目前国内外有许多关于交通预测方法的研究，大致可以分为两类：传统的机器学习方法和深度学习方法。

传统的机器学习方法的主要方法有，自回归积分移动平均模型ARIMA[1]，线性回归模型[2]，以及为了改善预测精度提出的一系列ARIMA模型的变体，周期性ARIMA[3]，子集ARIMA[4]。这些时间序列模型利用已观测到的时间序列去预测未来的数据。但是这些模型依赖于假设系统模型是静态的，不能反映交通数据的非线性和不确定性，不能克服交通事故等随机事件的干扰。因此有研究人员开始使用支持向量机回归模型[5]，贝叶斯网络模型[6]和K近邻模型[7]等方法，这些方法可以自动的利用足够的历史数据来学习交通信息的时间变化规律，克服了只支持静态系统的假设。

近年来，随着深度学习的快速发展，深度神经网络模型因能很好地捕捉交通数据的动态特性而受到关注。比如卷积神经网络模型(CNN)[13]。在图像处理中，CNN表现出强大的能力来建模像素之间的相似性，这也可以被看作为一种空间关系。在这个点的启发下，一些研究者开始使用卷积神经网络(CNN)来捕捉交通网络之间的相邻关系，同时在时间轴上使用递归神经网络(RNN)以及RNN的变体长短时记忆网络(LSTM)，门控递归单元(GRU)[14]来提取时间特征。Zhang等人[8]提出了一种深度学习模型称为ST-ResNet,基于时间的邻近性、周期性和趋势性来为这三个属性分别设计一个残差卷积网络,然后将三个网络和外部因素动态整合来预测城市人流数。Wang等人[9]，将交通信息建模为一个时空矩阵，结合CNN和RNN来预测道路交通速度和拥塞源，并且加入了一个误差反馈机制来对早晚高峰和交通事故等突发事件进行建模，提高对道路交通速度预测的精度。由于道路更容易生成图的表示，有研究人员开始关注图卷积神经网络模型(GCN)[15]。Zhao等人[10]提出的T-GCN模型将每一个路段作为节点，根据路段是否相连形成边，生成一张路网图，利用图卷积网络GCN和门控递归单元模型GRU分别捕获获得空间特征和时间特征来生成交通预测结果。Yu等人[11]提出了一个STGCN模型，将每一个观测点作为节点，两个点之间的距离作为边生成路网图，利用两个时空卷积块来处理图结构化的序列交通数据，最终进行路网级的交通速度预测。Geng等人[12]提出来一个ST-MGCN模型来进行网约车需求量的一个预测。文章使用图对区域间的三种空间相关性进行了分别的建模。对三个图分别处理完时间序列之后再使用图卷积神经网络进行空间特征的提取，最后进行特征的融合，最终生成需求量预测结果。