[发明专利]一种基于路段拓扑结构分类的交通速度短时预测方法

说明书

本发明公开了一种基于拓扑相似性进行路段分类的交通速度短时预测方法，属于智能交通领域。具体操作步骤如下：1，提取路段上下游路段信息，对路段进行拓扑相似性分析并生成路段类别标识码，根据标识码对路段进行分类；2，将车辆GPS轨迹数据匹配到城市路网中并将每类路段集合对应的轨迹数据进行预处理，构建道路交通速度时空矩阵；3、针对每类路段集合构建长短期记忆网络(LSTM)模型，输入轨迹数据进行模型训练和测试。本发明在提出在分析路段拓扑相似性进行路段分类的基础上结合LSTM模型进行交通速度短时预测的方案，保留了相似路段交通流模式的特性，从而提高模型预测精度。

技术领域

本发明涉及智能交通领域，涉及基于神经网络的交通速度短时预测方法，具体涉及一种基于路段拓扑结构分类的交通速度短时预测方法。

背景技术

在城市路网交通系统中，交通预测对缓解城市道路交通拥堵具有重要的参考价值，其中速度是反映道路状况最直观的指标。准确的速度预测能够帮助出行者及时感知路况和规划路线进而节省时间成本。

目前对于交通流的预测，主要分为传统方法和智能算法两大类。其中传统方法主要包括参数回归模型预测和时间序列预测等，但这些传统方法在实际交通预测中预测精度不高，或者不能应对突发事件从而不能有效改善交通状态。智能算法主要包括神经网络和非线性预测方法等。其中神经网络的预测模型研究结合了机器学习的优点，预测精度相较之前的方法有较为显著的提高。然而这些预测方法都是基于道路上的传感器收集到的交通流数据进行预测的，但由于传感器价格和维护成本较高，没有充分利用路网中更易获得的由移动对象产生的轨迹数据，并且现有的交通速度预测方法多针对高速公路或者交叉路口等，很少有针对大规模路网上的交通速度预测，另外由于大规模路网的空间复杂性，单个的预测模型无法适用于具有不同交通模式的路段，因此无法很好的应用于城市大规模路网。

交通流数据是一种时间序列数据，包含很强的时空相关性，而LSTM能通过节点间的连接来建立相邻时刻信息之间的关系，因此采用一种LSTM的短时交通速度预测模型，对之前的信息进行“记忆”，从而能很好的适应交通流的非线性和随机性特点。

本发明结合以上两方面的工作，提出一种基于拓扑相似性进行路段分类的路网交通速度短时预测方法，该方法对路段进行拓扑相似性分析，对同类路段的交通流数据进行研究，在保留同类路段的交通模式特性的基础上采用LSTM模型以提高预测精度。

发明内容

针对上述问题，本发明提出了一种交通速度预测的方法，该方法在基于路段拓扑相似性进行分类的基础上结合LSTM进行模型训练，有效地提高了速度预测精度。

本发明的技术方案是：一种基于路段拓扑结构分类的交通速度短时预测方法，具体步骤包括如下：

步骤(1.1)、对经过预处理的路段根据其长度和上下游路段集合进行拓扑相似性分析，从而生成路段类别标识码，并根据标识码对路段进行分类；

步骤(1.2)、将车辆GPS轨迹数据匹配到城市路网中并将每类路段集合对应的轨迹数据进行预处理，从而构建道路交通速度时空矩阵；

步骤(1.3)、针对每类路段集合构建LSTM模型，将其对应的数据输入模型进行模型训练及预测。

进一步的，在步骤(1.1)中，所述对经过预处理的路段根据其长度和上下游路段集合进行拓扑相似性分析的具体操作步骤如下：

(1.1.1)、对路网进行预处理得到路段长度及上下游路段信息，定义相似路段是长度相近且上下游路段集合数量分别对应相等的路段；

(1.1.2)、按照相似路段定义为每个路段生成路段类别标识码，标识码相同的路段被映射到同一个哈希桶中，表示为具有相似交通模式的一类路段。

进一步的，在步骤(1.2)中，所述将车辆GPS轨迹数据匹配到城市路网中并将每类路段集合对应的轨迹数据进行预处理的具体操作步骤如下：