[发明专利]一种针对多源异构数据的城市交通行程时间预测方法

权利要求书

1.一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：分为三个实施步骤：

步骤一：收集交通出行数据和外部属性信息，完成数据预处理和标注，构建适用于深度学习任务的训练集、验证集和测试集；

步骤二：构建基于多视角卷积和注意力机制的深度神经网络模型，并在构建的数据集上进行训练得到深度神经网络模型；

步骤三：输入待预测的行程轨迹，采用训练得到的深度神经网络模型进行推理，得到行程时间预测结果。

2.如权利要求1所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述交通出行数据包括GPS轨迹、出行时间、出行日期、特定司机车辆编号、路径长度、路径真实行程时间。

3.如权利要求2所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述外部属性信息包括城市路网结构、天气信息。

4.如权利要求3所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述构建训练集、验证集和测试集的方法为：根据交通出行轨迹的共同特征，设置筛选条件，对明显的异常轨迹进行剔除；然后，通过Leuven.MapMatching地图匹配工具，将GPS轨迹的每个点投影到相应的路段上，得到路段轨迹序列；之后按照2:1:1的比例，将数据分为训练数据集、验证数据集和测试数据集。

5.如权利要求4所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：所述筛选条件为：行驶距离大于100km或小于0.5km、平均速度大于100km/h或小于5km/h、行驶时间大于7200秒或小于60秒。

6.如权利要求5所述的一种针对多源异构数据的城市交通行程时间预测方法，其特征在于：构建所述基于多视角卷积和注意力机制的深度神经网络模型的具体方法为：由交通信息融合组件、多视角卷积注意力机制组件和多任务学习组件三个组件构成模型架构。