[发明专利]基于卷积神经网络的大规模交通网络拥堵预测方法及装置

摘要

本发明公开一种基于卷积神经网络的大规模交通网络拥堵预测方法及装置，能同时考虑路网车辆速度信息的时序性和空间性，进而可以更准确的预测整个路网交通拥堵状态。所述方法包括：S1、收集车辆的GPS数据，并提取在每个时刻每个路段的车辆运行数据，根据获得的所述车辆运行数据生成矩阵M；S2、根据所述矩阵M生成至少一天的时空热力图；其中，所述时空热力图的横坐标表示时间，纵坐标表示按照空间关系排序的路段ID序列；S3、在所述时空热力图上，采取窗口滑动的方式生成数据集(X,Y)；S4、构建卷积神经网络模型，并利用所述数据集(X,Y)对所述卷积神经网络模型进行训练；S5、将待测试的数据集输入到经过训练的所述卷积神经网络模型中，得到预测结果。

主权项

1.一种基于卷积神经网络的大规模交通网络拥堵预测方法，其特征在于，包括：S1、收集车辆的GPS数据，并提取在每个时刻每个路段的车辆运行数据，根据获得的所述车辆运行数据生成矩阵M，其中，所述车辆运行数据包括车辆平均速度，所述矩阵M中的元素aij表示在时间段i路段j上对应的所述车辆运行数据；S2、根据所述矩阵M生成至少一天的时空热力图；其中，所述时空热力图的横坐标表示时间，纵坐标表示按照空间关系排序的路段ID序列；S3、在所述时空热力图上，采取沿热力图横坐标方向窗口滑动的方式生成数据集(X,Y)；具体地，将矩阵M表示为[m₁,m₂,...,m_N]，m_t为矩阵第t列数据，N表示一天所有时刻数，当时间单位为T分钟时，设滑动窗口大小为k个时间单位，则第i个数据(Xⁱ,Yⁱ)＝([m_i,m_i+1,...,m_k‑1],[m_k,m_k+1,...,m_2k‑1])，i＝1...N‑2k+1；S4、构建卷积神经网络模型，并利用所述数据集(X,Y)对所述卷积神经网络模型进行训练；S5、将待测试的数据集输入到经过训练的所述卷积神经网络模型中，得到预测结果；所述根据获得的所述车辆运行数据生成矩阵M包括：对获得的所述车辆运行数据进行均值插补，并根据均值插补后的数据生成矩阵M。