[发明专利]一种数据驱动的分布式交通流量预测方法及系统

权利要求书

1.一种数据驱动的分布式交通流量预测方法，其特征在于，包括以下步骤：

S1:获取车辆的移动轨迹数据；

S2:对所述移动轨迹数据进行预处理，获得训练数据；

S3:根据所述训练数据构建分布式TWND-LSTM模型；

S4:分别在Map、Combine和Reduce阶段实现所述分布式TWND-LSTM模型，并输出预测结果。

2.根据权利要求1所述的方法，其特征在于，在Hadoop分布式计算平台下，基于MapReduce并行处理框架，所述S2具体包括：

S201:根据所述移动轨迹数据提取目标路段在当前时间间隔t内出现感兴趣区域的车辆轨迹；

S202:根据所述车辆轨迹统计目标路段在当前时间间隔t内的车辆数量；

S203:将所述目标路段在当前时间间隔t内的车辆总数进行平滑处理获得训练数据。

3.根据权利要求2所述的方法，其特征在于，所述S2中S201在Hadoop分布式计算平台下，基于MapReduce并行处理框架的具体过程为：

在Map阶段，定义键值对key1,value1，其中key1表示时间和车辆ID，value1表示区域位置的编号；

在Reduce阶段，首先对所述时间和所述车辆ID进行排序，接着去除所述当前时间间隔t内同一车辆的重复数据，获得所述当前时间间隔t内出现感兴趣区域的车辆轨迹。

4.根据权利要求3所述的方法，其特征在于，所述S2中S202在Hadoop分布式计算平台下，基于MapReduce并行处理框架的具体过程为:

在Map阶段,读取所述当前时间间隔t内出现感兴趣区域的车辆轨迹，并定义键值对key2,value2，其中key2表示时间和所述区域位置的编号，value2则增加计数1；

在Reduce阶段，统计所述当前时间间隔t内的车辆数量。

5.根据权利要求4所述的方法，其特征在于，所述S2中S203在Hadoop分布式计算平台下，基于MapReduce并行处理框架的具体过程为:

在Map任务中，读取所述当前时间间隔t内的车辆数量，并定义键值对key3,value3，其中key3表示时间间隔，value3表示各目标路段的车辆总数，接着被直接输入到Reduce阶段的HDFS中并进行平滑处理，处理后的数据作为所述训练数据。

6.根据权利要求1-5任一所述的方法，其特征在于，所述S3具体包括：

S301:通过正态分布对所述训练数据进行计算获得权重；

S302:将所述权重引入LSTM模型，对所述LSTM进行加权求代价获得流量时序数据；

S303:采用窗口平滑方法处理所述流量时序数据，并通过目标路段i在当前时间间隔t内的交通流量提取目标路段在历史相邻时间间隔t内的交通流量组成大小为4的窗口送入所述LSTM模型进行训练，训练好的模型为所述TWND-LSTM模型。

7.根据权利要求6所述的方法，其特征在于，所述S301具体包括：

S3011:设正态分布u均值为目标路段i的交通流量，δ为经验值，x为各路段交通流量离散值，则计算权重的表达式为:

8.根据权利要求6所述的方法，其特征在于，所述S303具体包括：

S3031:设目标路段i在当前时间间隔t的交通流量为提取目标路段在历史相邻时间间隔的交通流量组成大小为4的窗口送入所述LSTM模型进行训练，则公式表达式为：