[发明专利]一种融合多尺度时空统计信息的短时交通需求预测方法

权利要求书

1.一种融合多尺度时空统计信息的短时交通需求预测方法，其特征在于，步骤如下：

(1)多尺度下六边形网格划分，计算不同尺度下各分区时空需求量

采用不同空间尺度的六边形网格L_s＝{l_s1，l_s2，...，l_si，…l_sn}对城市进行分区，在边长100-300m范围内选择六边形分区作为基准分区，然后通过边长乘以2倍、4倍、8倍的方式拓展六边形分区的空间尺度模式；采用不同时间尺度T_r＝{T_r1，T_r2，...，T_rt，...T_rm}对一天的时间进行分段，在5-15min范围内选择时间段作为基准时间尺度，然后分别通过乘以2倍、4倍、8倍的方式拓展时间尺度模式；根据经纬度信息将需求响应出行历史订单数据映射到不同时空尺度的网格中，则有表示在空间尺度s、时间尺度r的情况下，分区l_si的第T_rt时间段的交通需求；

以最小尺度的六边形分区作为基准分区，获取基准分区所对应的各级别高尺度分区编号，则对应的多尺度时空需求在筛选基准分区对应高级别尺度的分区时，存在两种情况：若基准分区被高级别尺度分区完全覆盖时，则覆盖分区即为基准分区相应尺度下对应分区；若基准分区被两个高级别尺度分区均分时，则两分区各以50％的概率作为基准分区相应尺度下对应分区；

每一个目标分区的交通需求在空间上受其邻近的区域影响大，同时选取目标分区及环绕其周围的第1层6个邻近分区、以及第2层的12个邻近分区的交通需求来共同捕获目标分区的空间特征，目标分区与其2层邻近分区的空间分布关系，则的局部邻域需求可表示为向量其中

将目标分区的局部邻域需求映射到矩阵的5行9列之中，局部邻域中各需求在矩阵中的分布为：

对矩阵中各局部邻域分区需求进行归一化：其中为原始交通需求，和分别代表相应时空尺度下的需求量最小值和最大值，为归一化后的值；

用同样的手段获取基准分区对应的其他各空间尺度归一化局部领域矩阵，并将各尺度的矩阵叠加为5行9列S层的三维张量，记为则表示为基准分区i、基准时间段t、时间尺度r对应的多空间尺度的局部领域需求特征；以时间尺度r对应的历史h个时间段的多空间尺度需求作为输入，预测时间尺度r下一个时间段各空间尺度下的需求构建相应的输入和输出样本，并按比例划分时间尺度r下的训练集和测试集；按同样的方式分别构建其他各时间尺度下的训练集和测试集，用于测试相应时间尺度下的预测结果；

(2)设计交通需求预测模型

采用卷积长短期记忆模型进行时空序列预测，将目标分区的历史多空间尺度交通需求作为卷积长短期记忆模型的输入，输出即为交通预测模型包括4个ConvLSTM层，分别具有8，16，32，32个隐藏态，在边缘区域使用补零的操作，卷积核大小为3×3，最后通过4层全连接层，最后输出各空间尺度下的交通需求预测结果；

构建空间尺度自适应误差损失选择函数L为均方根误差RMSE和平均绝对百分比误差MAPE的组合：其中表示真实需求，表示预测值，对每次预测得到的各空间尺度下的需求值，筛选出误差小的一组用作模型整体损失函数计算，等价于，在每次迭代的过程中，模型自适应地朝着目标位置的最优尺度方向来更新参数；

(3)根据历史数据训练模型，并进行实时需求预测

利用步骤(1)中的各时间尺度下的训练集对步骤(2)中的预测模型进行训练，选取均方根误差RMSE和平均绝对百分比误差MAPE作为模型预测精度指标；对于每个基准分区，首先通过各时间尺度下的测试集的预测结果评估各时间尺度的综合预测精度；其次选择最优时间尺度下的测试集，评估相应各空间尺度下的预测结果，选择最优空间尺度；获取各基准分区最优的时空尺度，建立最优多时空尺度的交通需求预测模型，将实时需求数据归一化后输入到最优的交通需求预测模型，得到预测结果，再进行反归一化，得到最终预测结果，实现城市各区域最优多时空尺度的实时需求预测。