[发明专利]包含时空特性的车辆运行参数预测方法，系统，电子设备及可读存储介质

说明书

本发明公开了一种包含时空特性的车辆运行参数预测方法，系统，电子设备及可读存储介质，所述方法包括：S1:构建研究区域的多视角时空图，其中，以研究区域内的AOI区域为顶点，边为两个AOI区域的区域特征量；S2:将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC‑AN网络提取出时空特征；其中，历史数据为研究时段内各个AOI区域的历史车辆运行参数；S3:利用时空特征转换出研究时段内各个AOI区域的车辆运行参数预测结果。本发明通过图结构构建多视角时空图，再利用MGC‑AN网络提取多视角时空图以及历史数据中的时空特征，以一种全新的手段来实现车辆运行参数预测，尤其是可应用于私家车出行流量预测。

技术领域

本发明属于智能交通技术领域，具体涉及一种包含时空特性的车辆运行参数预测方法， 系统，电子设备及可读存储介质。

背景技术

随着世界城市化进程的快速推进，越来越多的人生活在城市中。联合国最新报告指出， 目前世界上约有55％的人生活在城市中，在2050年该比例将达到68％。城市中的私家车(私 人小微型载客汽车)作为人们出行的主要交通工具，其保有量也急剧增加。以中国为例，截 至2019年底，私家车保有量高达2.07亿辆，占汽车总量的81.4％。私家车近五年年均增长 1966万辆，其保有量的迅猛增长与城市空间资源之间的矛盾日益加剧，为城市带来停车困难、 交通拥堵等问题。

私家车出行流量预测作为智能交通领域的研究热点，旨在利用现有车出行流量预测未来 车出行流量，具体可应用到智慧停车、风险预警和城市规划等领域。一方面，随着全球定位 系统(GPS,global positioning system)、车载自诊断系统(OBD,on-boarddiagnostics)和基于 位置服务等技术的高速发展，为实时收集海量的私家车轨迹数据提供了支持。另一方面，与 其他交通工具相比，私家车能够直接对应固定用户长期的出行需求，其轨迹数据从不同的粒 度、层面和视角准确记录人们的出行行为。在日常生活中，私家车用户通常到达一个地点， 停留一段时间以完成出行需求，再离开前往下一个地点。持续的停留行为，不仅包含了出行 行为，其中的停留时长也体现了用户对地点的偏好。

现有的城市车出行流量的预测研究分为两类：基于张量建模的方法和基于图建模的方法。 在基于张量建模的相关工作中，研究人员通常将城市区域划分为规则的网格区域。然而，此 类基于网格划分的张量建模方法受到理想的欧几里得空间建模的限制，城市区域本是不规则 的形状，各区域之间的关联也存在于非欧几里得空间。通过规则的网格划分，不仅破坏了城 市区域本身的完整性，且划分后的区域缺少明确的语义信息。同时，长短期记忆网络等序列 模型仅将交通数据视为序列数据，仅能捕获时间相关性，而难以捕获空间相关性；卷积神经 网络方法仅能处理欧几里得空间的张量结构。

近年来，图结构被研究人员们证明其在建模非欧式空间数据的有效性研究人员通常将交 通数据建模为时空图，使用图神经网络提取地理位置的空间相关性，并使用循环神经网络等 提取序列时间相关性。如同私家车的流量，不少车辆运行参数都具有时间和空间特性，相似 区域以及相近时段的运行参数具有一定相关性，譬如，出行时间，速度以及其他类型车辆的 流量等，如何以图结构的方式从宏观的角度来预测目标区域内这些具有时空特性的参数是亟 需进一步研究的。

发明内容

本发明的目的是提供了一种全新的手段来实现车辆运行参数预测，利用了图结构构建多 视角时空图，然后利用MGC-AN网络提取多视角时空图以及历史数据中的时空特征，进而利 用时空特征得到预测结果。

一方面，本发明提供了一种包含时空特性的车辆运行参数预测方法，包括如下步骤：

S1:构建研究区域的多视角时空图，其中，以研究区域内的AOI区域为顶点，边为两个 AOI区域的区域特征量；

S2:将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取 出时空特征；

其中，历史数据为研究时段内各个AOI区域的历史车辆运行参数；