[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

说明书

本发明公开了一种数据驱动的分布式交通流量预测方法及系统，其中方法包括以下步骤：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。通过在Hadoop分布式计算平台下，基于MapReduce并行处理框架，获得训练数据，构建分布式TWND‑LSTM模型，并分别在Map、Combine和Reduce阶段实现所述分布式TWND‑LSTM模型，输出预测结果，有效提高了预测的精确性、鲁棒性和实时性，解决了交通流量大数据的分布式存储和并行计算的技术问题。

技术领域

本发明涉及交通流量预测领域，尤其涉及一种数据驱动的分布式交通流量预测方法及系统。

背景技术

在大数据驱动的智能交通时代，交通流量预测是城市交通系统诱导和城市交通管控的关键技术，是利用当前和历史的交通流量信息对未来的交通流量进行预测，进而帮助出行者进行路径规划，缓解交通拥堵和减少环境污染等城市问题。

传统的交通流量预测方法存在预测精度低，适应性差等缺陷，尤其是随着交通大数据的爆炸式增长，现有集中式学习模型在基于传统单机串行计算平台的交通流量预测时存在“内存消耗与I/O开销高、处理效率低和扩展性能差”的技术问题。同时，现有技术在交通流量预测中仅考虑时间维度而忽略目标路段上下游的交通状况，以及并未充分考虑交通流量潜在的趋势调整特征，从而导致交通流量预测精度低的技术问题。

目前，长短期记忆神经网络(LSTM)模型适合处理时效数据，在交通流量预测模型中备受青睐。但是现有传统的集中式LSTM模型在交通流量预测中(尤其是在基于大规模移动轨迹数据的交通流量预测中)存在“内存消耗高、I/O开销大、数据传输耗时、计算性能低”等问题，无法有效解决交通流量大数据的分布式存储和并行计算的技术问题。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种数据驱动的分布式交通流量预测方法及系统，具有预测精度高，能有效解决交通流量大数据的分布式存储和并行计算的技术问题。

本发明解决上述技术问题的技术方案如下：一种数据驱动的分布式交通流量预测方法，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。

本发明的有益效果是，获得移动轨迹构建分布式TWND-LSTM模型并分别在Map、Combine和Reduce阶段实现所述分布式TWND-LSTM模型，输出预测结果，有效提高预测精确性、鲁棒性和实时性，解决了交通流量大数据的分布式存储和并行计算的技术问题。

进一步，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。

采用上述进一步方案的有益效果是，将所述移动轨迹数据依次进行数据提取、数据统计和数据集成并进行平滑处理，降低零点数据对网络模型的影响，通过在Hadoop分布式计算平台下，基于MapReduce并行处理框架解决了交通流量大数据的分布式存储和并行计算的技术问题。