[发明专利]一种基于时空关联与大数据挖掘的交通舆情检测方法

摘要

本发明公开了一种基于时空关联与大数据挖掘的交通舆情检测方法，属于交通舆情领域。该方法利用网络交通舆情数据的基本特性，通过引入基于文本相似度的近邻聚类与K‑Means聚类相融合的算法，使得单一的地理位置特征转换为空间区域特征，通过引入时间和地理区域关联的交通拥堵状况评价模型，使得模糊的交通拥堵状况表达得以量化，通过引入LSTM和时间序列的交通拥堵状况预测模型，使得未来一定时间区域内的交通拥堵状况能够预测。本发明能够对以地理位置为中心的空间区域在指定时间区间的交通拥堵状况进行实时有效的检测和准确的预测，从而为交通出行提供舆情信息。

主权项

1.一种基于时空关联与大数据挖掘的交通拥堵检测方法，其特征在于，包括步骤：/nS1：网络交通舆情数据爬取：针对长沙市的网络交通舆情数据进行实时爬取；/nS2：网络交通舆情数据预处理：对爬取的网络交通舆情数据进行特征编码，文本分词，划分子数据集；/nS3：基于聚类的地理区域分割：针对划分的每个数据子集分别采用基于文本相似度的近邻聚类与K-Means聚类相融合的算法进行聚类进而分割出多个地理区域，且相似度计算方式采用改进后的Tanimoto测度；/nS4：基于时间和地理区域关联的交通拥堵状况评价模型：确定采样指标和抽样目标，进而在聚类后的每个新数据子集上做抽样和采样处理，通过层次分析法(AHP)计算各采样指标的权重系数，对抽样和采样后的数据进行最大最小标准化处理，将各指标权重系数与对应的各指标值进行加权求和，整合有关于交通拥堵状况的所有评价指标，即统一评价标准；/nS5：基于LSTM和时间序列的地理区域交通拥堵状况预测模型：生成地理区域在每个时间区间内的基于统一评价标准的时间序列数据，并对时间序列数据进行一阶差分处理，滑动窗口处理，以便得到所述LSTM模型的训练集和测试集，在训练集上对所述的LSTM模型进行训练，然后在测试集上进行验证，预测地理区域在未来一定时间区间内可能出现的交通拥堵状况。/n