[发明专利]基于迁移学习模型的城市路网未知流量估计方法及系统

说明书

本发明涉及一种基于迁移学习模型的城市路网未知流量估计方法及系统，为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相似路段及近乎相似路段；对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征的标签，形成相似路段和近乎相似路段样本集；训练每个未安装车牌照片识别的路段的基于迁移学习的支持向量回归模型。采集未安装车牌照片识别的路段的出租车GPS数据，进行数据预处理获取每辆出租车的平均速度，提取特征后，输入该路段对应的支持向量回归模型，输出估计的车流量。实现了未安装车牌照片识别的路段车流量的准确估计。

技术领域

本发明涉及流量估计技术领域，尤其涉及一种基于迁移学习模型的城市 路网未知流量估计方法及系统。

背景技术

在城市道路网中，安装固定检测器(如地感线圈检测器，雷达检测器， 视频检测器等)可以获得位于路网中某一特定路段的交通量。但由于检测器 成本限制，将研究路网中的所有路段都安装固定检测器来准确获取所有流量 是不现实的。而城市智能交通系统的建设需要做到交通状态的全时空感知要 求，全路网中准确交通量可以为城市交通的精细化交通管控提供数据支撑。 以往相关的研究主要通过安装在部分路段中的检测器所获取的交通量来估计 剩余路段中未安装检测器路段的流量。

随着数据采集技术的不断提高，研究者开始尝试通过将多种类型检测器 数据的融合来提高流量估计精度。其中包括融合移动检测器与固定检测器的 方法来对未知路段流量的估计研究。

综合基于数据融合的城市路网交通流量估计研究中，主要存在以下几个 问题：

1)当出现检测器布设在研究路网布设比较稀疏时，由于固定检测器布设 路段较少，而容易导致造成流量估计模型中的输入样本量较少的情况。进而 影响流量估计准确性。在实际研究路网中，由于固定检测器的使用功能不同， 而在城市路网中的布设地点存在一定的差异。其中，如照片识别(LPR)检测 器主要用于交通安全监控，其在城市路网中主要布设在主干路与重要交叉口 附近。从而造成了部分未知流量路段附近没有LPR检测器。

2)此外，由于路网中道路等级之间通行能力的差异，使用主干路的交通 量来估计次干路与支路的交通量会造成一定的估计差异。

3)一些路段中的移动检测器流量较小，其在真实流量中的占比太小，进 而对估计结果造成影响。

发明内容

针对现有技术中存在的问题，本发明提供一种基于迁移学习模型的城市 路网未知流量估计方法及系统，在研究路网检测器布设比较稀疏时，针对为 未设置检测器的路段实现流量的准确估计。

为达到上述目的，本发明提供了一种基于迁移学习模型的城市路网未知 流量估计方法，包括：

获取一段时间内待分析路网中各个路段的出租车GPS数据，进行数据预 处理获取每条路段每辆出租车的平均速度与单位时段下的出租车流量，获取 一段时间内待分析路网中安装车牌照片识别的路段的车牌照片识别数据，进 行数据预处理获取车流量；

计算各个路段中出租车最小样本量，剔除不满足最小样本量路段对应的 出租车GPS数据；

为每个未安装车牌照片识别的路段查找安装车牌照片识别的路段中的相 似路段及近乎相似路段；

对于每个未安装车牌照片识别的路段，相似路段和近乎相似路段的出租 车GPS数据，分别进行特征提取，车牌照片识别的车流量作为特征的标签， 形成相似路段和近乎相似路段样本集；

针对每个未安装车牌照片识别的路段建立基于迁移学习的支持向量回归 模型，由该路段的相似路段和近乎相似路段样本集提取特征训练；