[发明专利]一种基于多任务的交通流量预测方法

说明书

本发明公开了一种基于多任务的交通流量预测方法，涉及数据挖掘领域。本发明包括如下步骤：S1、设置若干个高速路段监测点，并获取各个高速路段监测点的历史交通流量数据；S2、将获取的历史交通流量数据时序对准，并进行数据清洗及数据预处理；S3、构建用于表示各个高速路段监测点之间的时空依赖关系图像，并得出图数据；S4、将得出的图数据按照时序输入多任务模型中，并预测未来交通路网的交通流量及行程时间。本发明具有能够提升交通流量预测精度能力和提高数据利用效率的特点。

技术领域

本发明涉及数据挖掘领域，尤其是涉及一种基于多任务的交通流量预测方法。

背景技术

交通流量及行程时间预测对于交通管理平台十分重要，它能够帮助交通管理平台更好地完成车辆的空间调度。目前，人们在对交通流量及行程时间进行预测时，通常会把以上这两个问题分别视作一个任务，采用的方法是一次学习一个任务，然后再把这些学习任务组合起来，但是上述做法忽略了交通流量及行程时间之间的高度相关性，进而影响对交通流量及行程时间预测的结果精度，同时也降低了交通管理的效率。

因此，涉及一种基于多任务的交通流量预测方法就显得十分必要。

发明内容

本发明是为了克服现有技术中，传统的交通需求预测方法，由于忽略了交通流量及行程时间之间的高度相关性，进而影响对交通流量及行程时间预测的结果精度，同时也降低了交通管理效率的问题，提供了一种能够提升交通流量预测精度能力和提高数据利用效率的基于多任务的交通流量预测方法。

为实现上述目的，本发明采用以下技术方案：

本发明提供了一种基于多任务的交通流量预测方法，包括如下步骤：

S1、设置若干个高速路段监测点，并获取各个高速路段监测点的历史交通流量数据；S2、将获取的历史交通流量数据时序对准，并进行数据清洗，按设定的间隔时间分别进行累加合并，得到各个设定间隔时间的交通流量数据，并划分为训练数据集、验证数据集和测试数据集；S3、构建用于表示各个高速路段监测点之间的时空依赖关系图像，并得出图数据；S4、将得出的图数据按照时序输入多任务模型中，所述多任务模型包括时空图卷积网络模块和多任务学习模块，训练后多任务模型预测未来交通路网的交通流量及行程时间。

可选的，所述设置若干个高速路段监测点，并获取各个高速路段监测点的历史交通流量数据，如：车道占用率、各车道车辆数目、各车道车辆通行信息等数据，包括如下步骤：

确定高速路段监测点的具体数量，根据预测目标，从监测到的交通数据中提取所需的数据，并得到第i个高速路段监测点的时序数据i∈[1,N]，作为历史交通流量数据用于反映该历史时期内高速路段的交通状况；其中j∈[1,M]代表第j个时段在时序上的数据。

可选的，步骤S2还包括如下步骤：

S21、将时序对准后的历史交通流量数据，清洗其中的缺失值、异常值及错误记录；S22、将清洗后的历史交通流量数据按设定的间隔时间进行合并，同时进行归一化处理。

可选的，步骤S22还包括如下步骤：

S221、将各个高速路段监测点采集的并清洗后的历史交通流量数据，按设定的间隔时间分别进行累加合并，得到各个设定间隔时间的交通流量数据；

S222、选取出各个设定间隔时间的交通流量数据中最大的交通流量值，并将各个设定间隔时间的交通流量数据与所述最大的交通流量值的比值，作为归一化处理后的交通流量数据集。

可选的，步骤S3还包括如下步骤：