[发明专利]实时交通流量并行预测方法、系统、终端及存储介质

权利要求书

1.一种实时交通流量并行预测方法，其特征在于，包括以下步骤：

基于Spark并行分布式计算平台，根据弹性分布式数据集RDD对车辆的移动轨迹数据进行数据预处理；

对处理后的数据进行滤波得到训练数据；

根据所述训练数据构建基于Spark的分布式双向长短期记忆神经网络权重模型SW-BiLSTM模型；

基于Spark并行分布式计算平台，执行所述分布式SW-BiLSTM模型，输出预测结果。

2.根据权利要求1所述的实时交通流量并行预测方法，其特征在于，所述基于Spark并行分布式计算平台，根据弹性分布式数据集RDD对车辆的移动轨迹数据进行数据预处理包括：

读取存储在HDFS文件系统中的车辆GPS轨迹数据，并创建多个RDD；

调用Spark中的至少两种转换算子和至少两种执行算子对所述RDD进行数据处理和转换；

启动所述RDD将处理转换后的车辆GPS轨迹数据保存至HDFS。

3.根据权利要求2所述的实时交通流量并行预测方法，其特征在于，所述读取存储在HDFS文件系统中的车辆GPS轨迹数据，并创建多个RDD包括：

将所述车辆GPS轨迹数据上传至所述HDFS文件系统，利用SparkContext对象中的textFile算子将存储在HDFS中的车辆GPS轨迹数据读入至Spark，并创建多个RDD。

4.根据权利要求2所述的实时交通流量并行预测方法，其特征在于，所述调用Spark中的至少两种转换算子和至少两种执行算子对所述RDD进行数据处理和转换包括:

首先，使用flatMap算子将分布在各个节点上的车辆GPS轨迹数据转换为键值对key1,value1；其次，使用map算子设置key1＝时间和车辆ID，value1＝目标路段编号；接着，使用filter算子对RDD中不属于选定目标路段的GPS轨迹数据进行过滤；最后，使用sortByKey算子对RDD[key1,value1]中的key1进行排序，并使用distinct算子去除RDD中预设时间间隔内同一车辆的重复数据，获得目标路段在预设时间间隔内的车辆信息；

首先，读取所提取的车辆信息，使用flatMap算子将分布在各个节点上的车辆信息转换为键值对key2,value2；其次，使用map算子设置key2＝时间和区域编号，value2则增加计数1；最后，使用reduceByKey算子根据key2值进行reduce操作，对预设时间间隔的车辆数量进行统计，得到选定目标路段在各时间间隔内的车辆数量；

使用flatMap算子将分布在各个节点上的交通流量转换为键值对key3,value3；接着，使用map算子设置key3＝时间间隔，value3＝各目标路段的车辆总数；最后，使用sortByKey算子根据key3进行排序，并输出排序结果，将目标路段在预设时间间隔t内的车辆总数整合为一维数组X_t，由X_t构成矩阵X。

5.根据权利要求1-4任一项所述的实时交通流量并行预测方法，其特征在于，所述根据所述训练数据构建SW-BiLSTM模型包括：

通过正态分布对所述目标路段及其相邻路段的训练数据进行计算获得权重；

根据所述权重基于原始交通流量时序数据获得新的交通流量时序数据；

通过目标路段i在预设时间间隔t内的交通流量以及依次提取所述目标路段在相邻历史时间间隔内的交通流量组成大小为k的窗口送入BiLSTM模型进行训练，得到所述SW-BiLSTM模型，k为正整数。

6.根据权利要求5所述的实时交通流量并行预测方法，其特征在于，所述通过正态分布对所述目标路段及其相邻路段的训练数据进行计算获得权重包括：

设正态分布均值μ为目标路段的交通流量，这里δ为经验值且δ大于0，x为各路段车流量离散值，d_i为各路段的车流量，d_m为目标路段的车流量，则权重计算的表达式为: