[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

说明书

本发明通过网络安全领域的方法，实现了一种针对多源异构数据的城市交通行程时间预测方法。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。本发明提供的方法能够提供一种能够综合考虑城市路网信息、GPS轨迹信息、天气信息、驾驶者信息等多源异构数据的交通行程时间预测的方法，相对当前现有方法而言能够实现更准确和稳定的交通行程时间预测，从而为智能交通运输系统的建设提供支撑。

技术领域

本发明涉及智能交通系统领域以及多源信息处理技术领域，具体涉及一种针对GPS轨迹数据、城市路网数据、气象信息等多源异构数据的，基于多视角卷积和注意力机制的深度神经网络模型的城市道路行程时间预测方法。

背景技术

随着社会经济快速发展，人们出行需求和机动车保有量呈现快速增长趋势，对新型城市智能交通运输系统(Intelligent Transportation System，ITS)的建设提出了迫切需求。准确高效的城市交通行程时间预测技术能有效反映实时交通状况、缓解或避免交通拥堵、支撑动态交通管理服务，是智能交通运输系统的关键环节，对于交通治理和城市交通智能化具有重大意义。同时，随着各种移动设备和GPS传感器的普及应用，产生并收集了海量交通数据(如车辆轨迹信息、出行信息、在线叫车数据等)。这些海量数据包含了关于城市出行的重要信息，为建立更好的智能交通运输系统、减轻交通拥堵、提高人们日常通勤效率提供了可能。因此，一种能够针对多源异构数据的准确、高效的城市道路行程时间预测方法的研究具有重大意义。

近些年，对交通出行时间的预测方法也从传统统计方法开始向机器学习转变。尤其是深度学习领域，由于其对海量数据的强大学习能力，成为了当前交通行程时间预测领域的研究热点。现有的交通行程时间预测解决方案大致可以分为两类。第一类是基于路径的解决方案，其使用直观的物理模型表示行程时间：给定路线的总行程时间等于通过每个路段的时间和每个交叉路口的时间的总和。第二类是数据驱动的解决方案，其使用基于位置的数据构建丰富的特征，建立高维特征映射，从而预测行程时间。第一类方案的优点为可解释性强，但在多个路段的误差累积，以及交叉口、红绿灯等因素的影响下，这类方案的预测准确率并不高。第二类方案是目前最准确和流行的解决方案，如基于最近邻居的方法、ST-NN方法、wide-deep learning模型、Deep-TTE等一系列交通行程时间预测方案，其中，有的方法没有考虑轨迹信息，有的方法是将轨迹点映射到区域中而没有具体到哪条路段，对于流量信息的精确统计存在误差；同时先前的方法在时间维度上主要使用基于LSTM的方法，但基于LSTM的方法在长时间传播时存在信息丢失的问题，针对这个问题也需要一个新的方法进行处理。

考虑到近来注意力机制(Transformer)在特征关联和时序关联分析上表现的优越性，以及卷积神经网络在空间特征提取上的优越性，结合多源异构交通数据的数据特征，我们设计了利用注意力机制捕获交通数据前后时序关联、通过卷积网络学习出行轨迹空间特征变化的深度神经网络模型；通过数据集构建、模型构建、模型训练等步骤，训练得到了一个针对多源异构数据的城市交通行程时间预测模型；通过在验证数据集上的推理仿真，证明了该模型在交通行程时间预测上的高效性和准确性。

目前，在基于深度学习的城市交通行程时间预测领域，微软亚洲研究院的郑宇提出的DeepTTE方法通常被认为是高效且准确的权威baseline。DeepTTE模型的主要功能为：通过对历史车辆轨迹的学习，实现车辆通勤时间的预测，即给定一条路径，预测从起点到终点所需要的时间。

DeepTTE模型的网络结构主要包括三个部分：Spatio-Temporal LearningComponent、Attribute Component和Multi-task Learning Component，如图1所示。