[发明专利]一种面向车辆轨迹大数据的城市区域流量预测系统及方法

说明书

本发明公开了一种面向车辆轨迹大数据的城市区域流量预测系统及方法。首先通过采集车辆的轨迹数据和环境信息数据构成历史信息数据集，构建得到整体历史流入流出矩阵和城市区域流量转移图，然后构建基于联合特征的时空卷积‑注意力网络流量预测深度学习模型，其次基于该模型分别提取流量转移时空特征和区域间流量转移时空特征，并嵌入外部特征。最后，该模型通过流量全局时空特征和区域间流量转移特征，嵌入环境信息等外部特征，进行联合预测，得到下一时刻车流量的预测结果。

技术领域

本发明主要涉及智能交通系统领域，尤其涉及一种面向车辆轨迹大数据的城市区域流量预测系统及方法。

背景技术

随着人民生活水平不断提高，以及城市化进程的推进。作为人们出行的主要交通工具之一的私家车，其保有量也急剧增加。以中国为例，据统计，截至2019年底，私家车保有量突破2亿辆，全国66个城市汽车保有量超过百万辆，30个城市超过200万辆。各种车辆保有量的迅猛增长与有限城市空间资源之间的矛盾日益加剧，城市道路交通带来了巨大压力，也造成了拥堵、事故和停车难等问题。

城市区域交通流量预测作为智能交通领域的研究热点，旨在利用历史城市区域交通流量预测未来交通流量，具体可应用到交通资源合理配置、风险预警、城市规划和出行规划等方面。随着全球定位系统(GPS,global positioning system)等基于位置技术等服务在各种设备平台上普及，为实时收集海量的车辆轨迹数据提供了便捷方法。车辆的轨迹特征在一定程度上反映了驾驶人的出行偏好，其轨迹数据记录了驾驶人的出行规律隐含着城市车流量转移的时空特征，展现了城市各区域对人们不同的吸引力。

ARIMA和Kalman滤波等统计的方法在交通流预测领域得到了广泛应用，但是这些方法只能研究一个单一区域的交通流量，且无法提取有效的时间空间相关性。目前，机器学习方法在该领域获得了不错的成绩，仍然存在着一些缺陷：长短期记忆网络，将交通数据视为序列数据，仅能捕获时间相关性；但是仍然不能很好的捕捉整个城市区域之间复杂的时间空间关联性；卷积神经网络方法仅能处理欧几里得空间的张量结构；图结构被证明其在建模非欧几里得型空间数据时的有效性，之前研究通常将交通数据建模为时空图，并使用图神经网络提取地理位置的空间相关性，使用循环神经网络等提取序列时间相关性。但是现有的图卷积神经网络研究主要关注静态的无向图，对顶点之间的动态联系通常没有考虑，因此无法捕获各个时刻变化的全局空间关联，也忽视了各顶点区域功能区域不同而对流量产生的影响。同时现有的工作主要考虑各区域间的流入流出量，却没有对流入的来源地和流出的目的地进行研究，忽略了区域间交通流量变化相互影响，而在全局层面上来看，某个区域的流出流量终将成为其他区域的流入流量，同理该区域的流入流量是由其他区域的流出流量构成的；也忽略了天气、事件以及节假日等外部因素对交通流量的影响。

发明内容

本发明的目的在于针对现有技术的不足，提供了一种面向车辆轨迹大数据的城市区域流量预测系统及方法。

本发明的目的是通过以下技术方案来实现的：一种面向车辆轨迹大数据的城市区域流量预测系统，所述城市区域流量预测系统包括数据采集模块和流量预测模块；

所述数据采集模块采集车辆的轨迹数据和环境信息数据构成历史信息数据集，具体为：通过具有GPS或北斗定位功能的终端采集不含隐私信息的车辆轨迹数据；通过天气查询服务的API接口获得区域天气数据；通过查询日历统计时间信息和节假日数据；通过网络爬虫技术获取事件数据；通过地图服务提供商提供的店铺信息进行聚类获取空间信息和区域POI信息；所述历史信息数据集构成整体历史流入流出矩阵和城市区域流量转移图；

流量预测模块提取车辆的轨迹数据的特征，并对车流量进行预测；包括全局时空特征提取模块、流量转移特征提取模块、流量变化特征融合模块、外部特征嵌入模块、联合特征预测模块；