[发明专利]一种基于四叉树的出租车时空层次预测方法和存储介质

说明书

本发明涉及一种基于四叉树的出租车时空层次预测方法和存储介质。获取出租车起点‑终点数据集后，提取出租车在不同位置的频繁次数，划分城市区域，并利用聚类算法对中心位置聚类，使用双通道矩阵分析数据，最后使用预测模型预测出租车在划分区域内的交通流量，实现时空层次预测。与现有技术相比，本发明具有可有效准确地预测城市交通情况等优点。

技术领域

本发明涉及一种交通预测领域，尤其是涉及一种基于四叉树的出租车时空层次预测方法和存储介质。

背景技术

在现代智能交通系统(ITS)和高级旅行者信息系统(ATIS)中，交通预测被视为为旅行者和交通部门提供准确和可靠的交通信息所不可或缺的部分。当局可以事先了解交通信息(例如，交通拥堵状况，交通量和人群流量)，可以执行更好的交通管理策略，旅行者可以制定更好的路线计划。因此，准确的交通预测有助于减少时间成本，经济损失和碳排放量。交通预测的目的是基于历史交通测量结果提前提供未来的交通信息，以帮助人们做出更好的出行决策。

城市交通流量预测对于协助城市管理(例如路线优化)，为运输方式的急剧变化做准备以及减轻流行病的传播非常重要。在过去的几十年中，城市交通流量预测方法分为三类：时间序列分析方法，深度学习方法和城市交通预测。

车路协同系统是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路和人车动态实时信息交互，在全时空动态交通信息采集与融合的基础上，开展车辆协同安全和道路协同控制，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。

在时间序列分析方法中，使用历史平均值(HA)来预测流量值，该值基于先前时间间隔的平均值。自回归综合移动平均线(ARIMA)是一种短期预测分析方法。季节性ARIMA(SARIMA)考虑了季节性条件，能够学习紧密度和周期性相关性，从而进一步改善城市交通流量的预测。向量自回归(VAR)是一种“向量”自回归模型，它将单变量自回归模型推广为由多个时间序列变量组成的“向量”自回归模型。但是，时间序列分析方法仅考虑时间序列特征，而没有考虑空间结构，因此在实践中时间序列方法的效果相对较差。

近年来，深度学习方法已经处理了多维和非线性数据，从而获得了显着的效果。因此，越来越多的研究人员将这些方法应用于交通数据挖掘。递归神经网络(RNN)是一种深度学习模型，可以捕获时间依赖性。为了学习长时间范围内的时间依赖性，长期短期记忆网络(LSTM)是一种特殊的RNN，它能够学习长期的时间依赖性。ConvLSTM在LSTM上添加了卷积层，为数据挖掘提供了训练支持。门控循环单元网络(GRU)是一种捕获长期时间依赖性的新型RNN。

但是，由于城市交通流的体系结构复杂，随着训练层数的增加，使用传统深度学习方法进行训练的难度也随之增加。此外，传统的神经网络无法捕获长期的时间相关性和空间信息，例如周期和流动性趋势。因此，现有技术无法实现对交通情况的时空层次预测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于四叉树的出租车时空层次预测方法和存储介质。

本发明的目的可以通过以下技术方案来实现：

一种基于四叉树的出租车时空层次预测方法，包括以下步骤：

S1、获取目标城市的出租车起点-终点历史信息，包括行程开始时的时间和位置坐标以及行程结束时的时间和位置坐标；

S2、利用Apriori算法统计出租车起点-终点历史信息的频繁次数；

S3、根据步骤S2中获得的频繁次数，使用四叉树区域划分法将目标城市区域划分，得到新城市区域；

S4、根据新城市区域划分结果计算得到每个区域的中心位置，中心位置信息包含纬度和经度，将中心位置的出租车起点-终点历史信息定义为区域的出租车起点-终点历史信息；