[发明专利]基于数据驱动的高速路网拥堵预测与成因分析方法及系统

说明书

本发明涉及大数据领域，公开一种基于数据驱动的高速路网拥堵预测与成因分析方法及系统，以提高拥堵预测精度及拥堵成因解释性。方法包括：创建高速站点之间的路段连接关系，对待分析的高速路段的第一数据集进行预处理，采用归一化处理连续数据中站点在各个时刻的进出站流量数据和路段拥堵数据，并采用独热编码将类别数据中用于将各个时刻对应一周中的第几天、第二天是否为节假日、当天是否为节假日、一天中的第几个小时的时间特征转换为嵌入向量；通过信息增益方法从第一数据集中筛选出信息增益前K个特征构建第二数据集；基于极端梯度提升树对第二数据集中的数据进行路段拥堵预测；通过SHAP方法分析得出各个路段交通情况所受的影响因素。

技术领域

本发明涉及大数据技术领域，尤其涉及一种基于数据驱动的高速路网拥堵预测与成因分析方法及系统。

背景技术

近些年，大数据技术的迅速发展，让以数据为依托的经济、文化、交通、娱乐等各个方面都迎来新的技术变革，以数据挖掘、数据驱动为中心的研究方法与理念在信息、生物、能源等不同的学科领域都得到了广泛应用。

交通拥堵问题一直是市民出行非常关注的问题，交通拥堵预测也是智能交通系统的重要研究领域。结合大数据，交通拥堵预测模型能够根据路况、站点流量、历史拥堵数据对未来通行情况进行有效预测，从而指导市民出行、绕行、错峰出行。现有的研究方法主要包括基于统计学的方法、传统的机器学习方法和基于深度学习模型的方法。基于统计学的方法主要针对小数据集设计，不适合处理复杂动态的数据，并且无法捕获特征之间的关系；随着深度学习方法的发展，深度学习可以达到优良的预测效果，但是深度学习方法的可解释能力较差。

发明内容

本发明目的在于公开一种基于数据驱动的高速路网拥堵预测与成因分析方法及系统，以提高拥堵预测的精度及拥堵成因的解释性。

为达上述目的，本发明公开一种基于数据驱动的高速路网拥堵预测与成因分析方法，包括以下步骤：

步骤S1、创建高速站点之间的路段连接关系，对待分析的高速路段的第一数据集进行预处理，所述第一数据集包括连续数据和类别数据，所述预处理包括采用归一化处理所述连续数据中站点在各个时刻的进出站流量数据，且所述预处理还包括采用独热编码将所述类别数据中用于将各个时刻对应一周中的第几天、第二天是否为节假日、当天是否为节假日、一天中的第几个小时的时间特征、拥堵数据和交通事件信息转换为嵌入向量；

步骤S2、通过信息增益方法从所述第一数据集中筛选出信息增益前K个特征构建第二数据集；

步骤S3、基于极端梯度提升树对所述第二数据集中的数据进行路段拥堵预测；

步骤S4、通过SHAP方法分析得出各个路段交通情况所受的影响因素。

为达上述目的，本发明还公开一种基于数据驱动的高速路网拥堵预测与成因分析系统，包括：

预处理模块，用于创建高速站点之间的路段连接关系，对待分析的高速路段的第一数据集进行预处理，所述第一数据集包括连续数据和类别数据，所述预处理包括采用归一化处理所述连续数据中站点在各个时刻的进出站流量数据，且所述预处理还包括采用独热编码将所述类别数据中用于将各个时刻对应一周中的第几天、第二天是否为节假日、当天是否为节假日、一天中的第几个小时的时间特征、拥堵数据和交通事件信息转换为嵌入向量；

特征自动选择器，用于通过信息增益方法从所述第一数据集中筛选出信息增益前K个特征构建第二数据集；

拥堵预测模块，用于基于极端梯度提升树对所述第二数据集中的数据进行路段拥堵预测；

拥堵解释模块，用于通过SHAP方法分析得出各个路段交通情况所受的影响因素。

本发明具有以下有益效果：

1、对不同类型的数据分别采用不同的处理方法，便于极端梯度提升树预测模型迅速拟合。