[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

说明书

本发明涉及一种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，其方法包括：S1：获取城市交通路网速度监测数据；S2：获取用户出行搜索记录数据；S3：获取城市交通路网静态属性数据；S4：根据城市交通路网速度监测数据、用户出行搜索记录数据以及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；利用测试集验证活动‑时空融合预测模型对活动影响下的城市交通路网状态未来演化趋势进行预测。本发明提供的方法降低了预测误差，对于未来多个时间段长期趋势预测相关系数更高。

技术领域

本发明涉及城市智能交通与机器学习技术领域，具体涉及一种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。

背景技术

随着我国经济迅速发展，城市化进程不断加快，人们出行的需求大量增加，导致了城市交通路网的大量建设。位于城市的交通路网设施，不可避免的承载城市居民出行的出行压力，并且在活动期间更为明显，可能会造成道路拥堵甚至交通事故。因此，开发一种可靠的方法来预测活动影响下交通路网状态的演化趋势对城市交通管理和用户出行至关重要。在过去的几年里，许多统计和机器学习模型被提出来用于解决这个问题。但由于活动期间用户出行模式复杂、城市交通时空依赖复杂等诸多内外因素的限制，该工程具有一定的挑战性。因此，迫切需要建立一种合理的模型，以适应复杂的城市交通路网，并对其进行高精度的速度状态指标预测。

近年来，随着计算机科学技术的飞速发展，利用城市智能交通系统对城市交通路网状态的实时监测引起了广泛的关注。各种统计和机器学习方法逐渐被用于分析从系统中获得的监测数据，目前使用的方法大多分为基于多源时间序列的预测方法和基于统计信息的预测方法两大类。基于多源时空序列的预测方法是利用过去观测到的交通路网状态数据构成的多个路段的多源时间序列来预测对应路段在未来的状态变化趋势或潜在危险事故的一种方法，近年来以循环神经网络为代表的基于深度学习的时间序列预测模型在这方面工作中取得了优秀的表现。基于统计信息的方法根据用户出行的分布建立高斯模型并根据过往的同时间段历史信息估计预测交通路网状态的变化趋势，以往的研究表明，采用多源时间序列线性回归和考虑用户出行分布的方法是可靠有效的，在城市智能交通工程中得到了广泛应用。

然而，这两种模型都有着各自的缺点。基于多源时间序列的预测模型忽略了用户出行的影响因素，并建设观察到的时间序列存在前后周期依赖，处理长时间依赖时计算效率和效果较差。基于统计信息的预测方法忽略了历史监测数据序列性的影响。另外，这两种模型都没有充分考虑交通路网路段所携带的静态属性特征和交通路网路段级联结构的复杂空间特征以及长周期序列丰富的时间信息和序列与用户出行所反映的活动影响作用。因此，急需一种新的模型，充分考虑多种因素并结合这两类模型的优点，克服它们的缺点，从而实现更加精准的活动影响下的未来长时间段交通路网状态演化趋势预测。

发明内容

为了解决上述技术问题，本发明提供一种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。

本发明技术解决方案为：一种活动影响下的城市交通路网状态演化趋势预测方法，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；