[发明专利]活动影响下的城市交通路网状态演化趋势预测方法及系统

权利要求书

1.一种活动影响下的城市交通路网状态演化趋势预测方法，其特征在于，包括：

步骤S1：根据出租车GPS数据，获取城市交通路网速度监测数据，所述出租车GPS数据包括：出租车的速度、方向和经纬度；

步骤S2：根据用户出行时所用的搜索数据记录，获取用户出行搜索记录数据；

步骤S3：根据路测人员进行道路检测，获取城市交通路网静态属性数据，其中所述城市交通路网静态属性数据包括：路段标识ID、路段起始结点经纬度、长度、宽度、车道数、方向、收费方式、道路类别和限速等级；

步骤S4：根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集；将所述训练集输入并训练活动-时空融合预测模型；并通过注意力机制和图神经网络将时空依赖和活动影响结合，输出活动影响下交通路网状态演化趋势预测结果；利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测。

2.根据权利要求1所述的活动影响下的城市交通路网状态演化趋势预测方法，其特征在于，所述步骤S4：根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集；将所述训练集输入并训练活动-时空融合预测模型；并通过注意力机制和图神经网络将时空依赖和活动影响结合，输出活动影响下交通路网状态演化趋势预测结果；利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测，具体包括：

步骤S41：根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集；

步骤S42：将所述训练集输入并训练活动-时空融合预测模型，通过注意力机制和图神经网络将时空依赖和活动影响结合，输出活动影响下交通路网状态演化趋势预测结果，同时利用所述验证集训练并计算预测值和真实值之间的误差，直到所述活动-时空融合预测模型的参数收敛，得到训练好的所述活动-时空融合预测模型；

步骤S43：利用所述测试集验证所述活动-时空融合预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行预测。

3.根据权利要求2所述的活动影响下的城市交通路网状态演化趋势预测方法，其特征在于，所述步骤S41：根据所述城市交通路网速度监测数据、所述用户出行搜索记录数据以及所述城市交通路网静态属性数据构建训练集、验证集和测试集，具体包括：

步骤S411：根据所述城市交通路网速度监测数据与交通路网进行匹配与时间段切分，构建为m×n的矩阵X，其中，m为所述城市交通路网速度监测数据的长度，n为交通路网路段数目；

根据所述用户出行搜索记录数据按城市区域进行路段匹配并计算热度值，构建m×n的矩阵Q；

根据所述城市交通路网静态属性数据构建为n×k的矩阵F，其中，k为静态特征的数目；

根据所述交通路网静态属性数据的经纬度数据计算交通路网路段级联结构，构建为n×n的矩阵A；

将所述交通路网静态属性数据中携带时间的数据构建为m×1的矩阵T；

步骤S412：预设所述活动-时空融合预测模型的三个超参数：所述模型每次学习所用的时间序列的历史时间段步长p、所述模型预测的未来时间段步长q以及所述模型的隐层编码向量维度h；

步骤S413：选取活动e周边区域内路段i的大小为n’集合，选择需要预测的路段编号i；取出所述矩阵X的第i列，即路段i的所有数据；对于任一时间段t和每一个活动e周边区域路段i，将包括该时间段在内的p个历史时间段步长和q个未来时间段步长的矩阵X构建得到一个(m-p-q)×(p+q)×n’的时空序列X’；

同样地，将包括时间段t在内的之前p个历史时间段步长和q未来时间段步长的矩阵Q构建得到一个(m-p-q)×(p+q)×n’的活动热度矩阵Q’；

同样地，包括该时间段t在内的之前p个历史时间段步长和q未来时间段步长的矩阵T构建一个(m-p-q)×(p+q)×1的时间信息矩阵T’；

分别从所述矩阵F和矩阵A抽取对应所述路段i的数据，构建一个n’×k的路网静态属性特征F’和一个n’×n’的路网路段级联矩阵A’；

步骤S414：将矩阵X’、Q’、T’按照预设比例划分为训练集、验证集和测试集。