CN111583648A - 融合gps数据和卡口流量数据的城市交通流量预测方法 - Google Patents
融合gps数据和卡口流量数据的城市交通流量预测方法 Download PDFInfo
- Publication number
- CN111583648A CN111583648A CN202010406812.1A CN202010406812A CN111583648A CN 111583648 A CN111583648 A CN 111583648A CN 202010406812 A CN202010406812 A CN 202010406812A CN 111583648 A CN111583648 A CN 111583648A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- analyzed
- matrix
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供融合GPS数据和卡口流量数据的城市交通流量预测方法,其可以得到较为准确的预测基础数据,同时基于全路网的交通因素,提供更为准确的交通流量预测数据。本发明的技术方案中,提供了将GPS速度数据和卡口流量数据融合的方法,将GPS速度数据和卡口流量数据融合之后作为基础数据,不但考虑了待测道路的车流量还考虑了车辆的速度,从车流量和速度两个方面综合考虑,提供了更加完整的交通状态信息;同时,将基础数据从空间和时间两个维度进行考虑,使待预测路段处于整个待预测地图区域中进行交通流量预测,确保能够提供更切合实际的交通流量数据,尤其适用于复杂路网下的交通流量预测需求。
Description
技术领域
本发明涉及智能交通控制技术领域,具体为融合GPS速度数据和卡口流量数据的城市交通流量预测方法。
背景技术
交通流量是指单位时间内通过道路某一断面的实际车辆数,是描述交通状态的特征参数。在车辆导航、交管部门对交通进行管理、交通治理等等场合都会根据交通流量预测值来进行后续规划。现有技术中,流量采集设备大多以卡口监控设备为主,主流的流量预测则基于有监督机器学习算法,根据大量的历史数据,训练出含有流量时间关系规律的模型进行预测;但是现有的预测方法存在以下问题,导致预测得到的流量数据无法满足当代城市复杂路网的交通流量预测的需求:
1.作为历史数据的卡口流量数据因为传输误差、环境影响等问题,会发生数据缺失的问题;
2.现有预测方法大多采用单源卡口流量数据作为预测基础,能有效挖掘流量的时间特征关系,但是忽略了流量的空间特征关系,没有考虑被预测道路受其所在路网的影响的因素,无法捕捉完整的交通状态信息;
发明内容
为了解决现有的交通流量预测方法无法满足复杂路网的交通流量预测需求的问题,本发明提供融合GPS数据和卡口流量数据的城市交通流量预测方法,其可以得到较为准确的预测基础数据,同时基于全路网的交通因素,提供更为准确的交通流量预测数据。
本发明的技术方案是这样的:融合GPS数据和卡口流量数据的城市交通流量预测方法,其包括以下步骤:
S1:获取待预测路段地理信息;
其特征在于,其还包括以下步骤:
S2:获取所述待预测路段所在的地图区域,设置为待预测地图区域;
S3:设置一个时间段为抽取时间;在所述抽取时间范围内,获取所述待预测地图区域内在的GPS速度数据和所有卡口的卡口流量数据,记做待分析GPS速度数据、待分析卡口流量数据;
S4:基于Geohash算法对所述待预测地图区域进行分区,得到N*N个地图分区;
根据所述待分析卡口流量数据子集、所述待分析GPS速度数据子集的经纬度信息,分别将其配到相应的所述地图分区内,可构建1个N*N维的空间矩阵B;
S5:将所述待分析卡口流量数据、所述待分析GPS速度数据分别在时间范围上均匀分割为M份,每份分割后的得到的待分析卡口流量数据子集、待分析GPS速度数据子集构成待分析数据子集,共得到得到M份所述待分析数据子集;
S6:根据所述待分析卡口流量数据子集、所述待分析GPS速度数据子集的经纬度信息,将M份所述待分析数据匹子集配到相应的所述地图分区内,可构建M个N*N维的时空矩阵A;
S7:为所述时空矩阵A中的每一个分区,即时空矩阵分区,填写其对应的流量信息:
确认每一个所述时空矩阵分区是否同时被匹配了所述待分析卡口流量数据子集、所述待分析GPS速度数据子集;
如果所述时空矩阵分区缺少所述待分析卡口流量数据子集,或者缺少所述待分析GPS速度数据子集,则所述时空矩阵分区对应的所述流量信息填写空值;
如果所述时空矩阵分区被同时匹配了所述待分析卡口流量数据子集、所述待分析GPS速度数据子集,则基于其对应的所述待分析卡口流量数据子集、所述待分析GPS速度数据子集计算,得到所述时空矩阵分区的所述流量信息;
S8:找到所有的所述流量信息为空值的所述时空矩阵分区,基于卡尔曼滤波算法,补全所有的空值;得到完整的M个N*N维的所述流量信息的数据,记做流量信息数据;
S9:基于生成式对抗神经网络构建交通流量预测模型;
S10:构建所述交通流量预测模型的训练集,详细步骤如下:
a1:设:当下时间为TN、待预测时间为TD、抽取开始时间为TS;
设当下时间TN和待预测时间TD之差为间隔d,以间隔d平均分割TS和TN之间的时间段;
则,以TS为所述抽取时间的开始时间,以TN-d为所述抽取时间的结束时间,获得训练数据抽取时间;
a2:将所述训练数据抽取时间作为所述抽取时间,执行步骤S3~S8,获得所述训练数据抽取时间对应的流量信息数据,记做训练集;
S11:将所述训练集输入到所述交通流量预测模型中,对所述交通流量预测模型进行训练,获取训练好的所述交通流量预测模型;
S12:以TN-d为所述抽取时间的开始时间,以TN为所述抽取时间的结束时间,获得输入数据抽取时间;将所述输入数据抽取时间作为所述抽取时间,执行步骤S3~S8,获得所述输入数据抽取时间对应的流量信息数据,记做输入数据集;
S13:将所述输入数据集输入到训练好的所述交通流量预测模型中,获得所述待预测时间TD对应的交通流量预测值。
其进一步特征在于:
步骤S4中,所述待预测地图区域为一个正方形地图区域,基于Geohash算法,将所述待预测地图区域划分为N*N个所述地图分区后,根据经纬度作二进制编码,得到每个所述地图分区的编码信息;
步骤S6中,对根据时间划分的M个所述待分析卡口流量数据子集、所述待分析GPS速度数据子集分别按照N*N个所述地图分区分割后,分别得到待分析卡口流量数据区块集、待分析GPS速度数据区块集;基于Geohash算法,根据经纬度作二进制编码,得到每个所述待分析卡口流量数据区块集、所述待分析GPS速度数据区块集对应的编码信息;根据所述编码信息将所有的所述待分析卡口流量数据区块集、所述待分析GPS速度数据区块集匹配到对应的所述地图分区上;
步骤S7中,基于其对应的所述待分析卡口流量数据子集、所述待分析GPS速度数据子集计算,得到所述时空矩阵分区的所述流量信息的详细步骤如下所示:
b1:根据所述编码信息将所有的所述待分析卡口流量数据区块集、所述待分析GPS速度数据区块集匹配到对应的所述地图分区上后,构建M个N*N维时间-空间矩阵;
每一个N*N维的时间-空间矩阵记做时空矩阵A,每一个所述时空矩阵分区对应时空矩阵A中的一个矩阵元素;
b2:假设第p个时空矩阵内第j行、第k列的矩阵元素Ajk对应l个卡口流量数据、z个GPS速度数据,其中0≤p≤M,0≤j≤N,0≤k≤N;
则,矩阵元素Ajk对应的流量信息是l个卡口流量的平均值,速度信息是z个GPS速度数据速度的平均值;
即:时空矩阵A的矩阵元素Ajk元素计算方式为:
式中,qi为单个卡口流量值,vi为单件GPS速度数据速度;
b3:依次将M个N*N维时间-空间矩阵A中的所有被同时匹配了所述待分析卡口流量数据子集、所述待分析GPS速度数据子集的矩阵元素Ajk都填满;
步骤S8:基于卡尔曼滤波算法,对所述流量信息为空值的所述时空矩阵分区补全空值的步骤如下所示:
c1:设时空矩阵A的矩阵元素Ajk对应的所述流量信息为空值;从时间上划分时空矩阵A,共有M个时空矩阵A,即:T0,T1,...,TM-1;
从时间维度上,提取每个时空矩阵A的Ajk位置对应的元素形成一时间序列;
c2:基于卡尔曼滤波算法,建立缺失值状态估计的方程,如下公式表达:
Pt=[I-KtHt]Pt-1+Qt (3)
其中:是t时刻估计的矩阵元素值,即:缺失元素估计值;At-1是t-1时刻矩阵元素值,是t-1时估计的矩阵元素值,Ht由At-1对t求偏导后所得值,Qt和Rt是均值为0的白噪声,Kt为卡尔曼增益,Pt是误差的协方差矩阵;
c3:将时间序列Ajk|T中的第一项元素作为上一时刻的输入At-1,带入到公式(1)、(2)、(3),公式迭代更新Pt和Kt后,不断得到下一时刻的矩阵元素的更新值,最终得出TM-1时刻Ajk的值记为c4:当时空矩阵A的矩阵元素Ajk对应的所述流量信息为空值时,设,其对应的时刻为m时刻,从M个时空矩阵A,即:T0,T1,...,TM-1中,获取m时刻对应的矩阵Tm;
将矩阵Tm的第一个元素作为上一时刻的输入At-1,带入到公式(1)、(2)、(3),公式迭代更新,得到第二个元素的估计值。再将第二个元素作为上一时刻输入不断迭代,最终得到矩阵元素Ajk的空间维度上的估计值
将Ajk填入对应的位置,原有位置的空值即被补全;
基于生成式对抗神经网络构建的所述交通流量预测模型包括生成网络和判别网络,所述生成网络以伪造分布形态类似于真实样本的数据为目标,所述判别网络的目标是区别真实数据和生成的伪造数据;
训练网络时,所述交通流量预测模型根具判别结果对所述生成网络中生成器G和所述判别网络中的判别器D的参数进行调节,最终使得判别器D无法分辨预测矩阵和真实矩阵,从而完成对生成器G的训练;
在给定生成器G的情况下优化判别器D,训练判别器的过程是最小化交叉熵的过程,其损失函数的数学表达式为:
式中:Pr表示真实的数据类;Pg为生成的数据类。
本发明提供的融合GPS数据和卡口流量数据的城市交通流量预测方法,提供了将GPS速度数据和卡口流量数据融合的方法,将GPS速度数据和卡口流量数据融合之后作为基础数据,不但考虑了待测道路的车流量还考虑了车辆的速度,从车流量和速度两个方面综合考虑,提供了更加完整的交通状态信息;同时,将基础数据从空间和时间两个维度进行考虑,构建M个N*N维的时空矩阵A,基于每个地图分区内的真实的交通流量对待预测路段的交通流量进行计算,即,本技术方案中,使待预测路段处于整个待预测地图区域中进行交通流量预测,确保能够提供更切合实际的交通流量数据,尤其适用于复杂路网下的交通流量预测需求;在面对因设备问题、网络问题导致的数据缺失情况时,本技术方案基于卡尔曼滤波算法从时间和空间两个维度对数据进行插值,补全空值,因为交通流量数据属于实时数据,处于动态变化的状态,通过卡尔曼滤波算法进行计算获得预测值对数据集中的空值进行补充,进一步确保了本技术方案得出的交通流量预测值的准确性;本方案基于生成式对抗神经网络构建的交通流量预测模型,实时输入当前时刻的流量-速度矩阵(输入数据集)即可得到下一时刻的流量-速度矩阵(交通流量预测值),确保每次预测的交通流量都是基于当下最新的数据进行预测的,进一步的保证了本技术方案得出的交通流量预测值的准确性。
附图说明
图1为基于Geohash算法对待预测地图区域进行分区后编码原理示意图;
图2为包含流量-速度信息的时空矩阵A构建原理示意图;
图3为基于生成式对抗神经网络构建的交通流量预测模型的原理图;
图4为本发明技术方案中数据流转示意图;
图5为本发明技术方案中确定抽取时间方法的示意图。
具体实施方式
如图1~图5所示,本发明融合GPS数据和卡口流量数据的城市交通流量预测方法,其包括以下步骤。
S1:获取待预测路段地理信息。
S2:获取待预测路段所在的地图区域,设置为待预测地图区域。
S3:设置一个时间段为抽取时间;
在抽取时间范围内,获取待预测地图区域内在的GPS速度数据和所有卡口的卡口流量数据,记做待分析GPS速度数据、待分析卡口流量数据。
S4:基于Geohash算法对待预测地图区域进行分区,得到N*N个地图分区;
根据待分析卡口流量数据子集、待分析GPS速度数据子集的经纬度信息,分别将其配到相应的地图分区内,可构建1个N*N维的空间矩阵B;
待预测地图区域为一个正方形地图区域,基于Geohash算法,将待预测地图区域划分为N*N个地图分区后,根据经纬度作二进制编码,得到每个地图分区的编码信息;Geohash算法对待预测地图区域进行分区,将二维的经纬度变为一维编码,提高计算效率,提高***的实时性;
具体如图1所示,首先划定需要进行交通流量重构的正方形地图区域,然后基于Geohash算法对整个地图或某个区域进行划分,根据经纬度作二进制编码,二进制编码以经度、纬度轮流平分的方式编码;或经度纬度分别逐级二分,然后交叉合并二进制编码,最后将二进制编码转换为32进制编码排列形成geohash编码;对待分析GPS速度数据、待分析卡口流量数据的经纬度信息也是基于同样的方法进行编码,这样就可以将待分析GPS速度数据、待分析卡口流量数据与地图分区完全匹配。
S5:将待分析卡口流量数据、待分析GPS速度数据分别在时间范围上均匀分割为M份,即将抽取时间均分为M份;M为自然数,具体的M的取值根据待预测路段的具体的长度、宽度、待预测地图区域的路况复杂程度、以及待预测路段在路网中的位置,以及预测精度的需求而定;
每份分割后的得到的待分析卡口流量数据子集、待分析GPS速度数据子集构成待分析数据子集,共得到得到M份待分析数据子集。
S6:根据待分析卡口流量数据子集、待分析GPS速度数据子集的经纬度信息,将M份待分析数据匹子集配到相应的地图分区内,可构建M个N*N维的时空矩阵A;
对根据时间划分的M个待分析卡口流量数据子集、待分析GPS速度数据子集分别按照N*N个地图分区分割后,分别得到待分析卡口流量数据区块集、待分析GPS速度数据区块集;基于Geohash算法,根据经纬度作二进制编码,得到每个待分析卡口流量数据区块集、待分析GPS速度数据区块集对应的编码信息;根据编码信息将所有的待分析卡口流量数据区块集、待分析GPS速度数据区块集匹配到对应的地图分区上。
S7:为时空矩阵A中的每一个分区,即时空矩阵分区,填写其对应的流量信息:
确认每一个时空矩阵分区是否同时被匹配了待分析卡口流量数据子集、待分析GPS速度数据子集;
如果时空矩阵分区缺少待分析卡口流量数据子集,或者缺少待分析GPS速度数据子集,则时空矩阵分区对应的流量信息填写空值;
如果时空矩阵分区被同时匹配了待分析卡口流量数据子集、待分析GPS速度数据子集,则基于其对应的待分析卡口流量数据子集、待分析GPS速度数据子集计算,得到时空矩阵分区的流量信息;
基于其对应的待分析卡口流量数据子集、待分析GPS速度数据子集计算,得到时空矩阵分区的流量信息的详细步骤如下所示:
b1:根据编码信息将所有的待分析卡口流量数据区块集、待分析GPS速度数据区块集匹配到对应的地图分区上后,构建M个N*N维时间-空间矩阵;
每一个N*N维的时间-空间矩阵记做时空矩阵A,每一个时空矩阵分区对应时空矩阵A中的一个矩阵元素;
b2:假设第p个时空矩阵内第j行、第k列的矩阵元素Ajk对应l个卡口流量数据、z个GPS速度数据,其中0≤p≤M,0≤j≤N,0≤k≤N;
则,矩阵元素Ajk对应的流量信息是l个卡口流量的平均值,速度信息是z个GPS速度数据速度的平均值;
即:时空矩阵A的矩阵元素Ajk元素计算方式为:
式中,qi为单个卡口流量值,vi为单件GPS速度数据速度;
b3:依次将M个N*N维时间-空间矩阵A中的所有被同时匹配了待分析卡口流量数据子集、待分析GPS速度数据子集的矩阵元素Ajk都填满。
步骤S8:基于卡尔曼滤波算法,对流量信息为空值的时空矩阵分区补全空值的步骤,如下所示:
c1:设时空矩阵A的矩阵元素Ajk对应的流量信息为空值,从时间上划分时空矩阵A,共有M个时空矩阵A,即:T0,T1,...,TM-1;如图2所示,存在T0~TM-1共M个N*N维的时空矩阵A;
从时间维度上,提取每个时空矩阵A的Ajk位置对应的元素形成一时间序列;
c2:基于卡尔曼滤波算法,将缺失值求解看作是对给定输入输出量的未知状态、参数的估计问题来处理,建立缺失值状态估计的方程,如下公式表达:
Pt=[I-KtHt]Pt-1+Qt (3)
其中:是t时刻估计的矩阵元素值,即:缺失元素估计值;At-1是t-1时刻矩阵元素值,是t-1时估计的矩阵元素值,Ht由At-1对t求偏导后所得值,Qt和Rt是均值为0的白噪声,Kt为卡尔曼增益,Pt是误差的协方差矩阵;
c3:将时间序列Ajk|T中的第一项元素作为上一时刻的输入At-1,带入到公式(1)、(2)、(3),公式迭代更新Pt和Kt后,不断得到下一时刻的矩阵元素的更新值,最终得出TM-1时刻Ajk的值记为c4:当时空矩阵A的矩阵元素Ajk对应的流量信息为空值时,设,其对应的时刻为m时刻,从M个时空矩阵A,即:T0,T1,...,TM-1中,获取m时刻对应的矩阵Tm;
将矩阵Tm的第一个元素作为上一时刻的输入At-1,带入到公式(1)、(2)、(3),公式迭代更新,得到第二个元素的估计值。再将第二个元素作为上一时刻输入不断迭代,最终得到矩阵元素Ajk的空间维度上的估计值
将Ajk填入对应的位置,原有位置的空值即被补全。
S8:找到所有的流量信息为空值的时空矩阵分区,基于卡尔曼滤波算法,补全所有的空值;得到完整的M个N*N维的流量信息的数据,记做流量信息数据;
S9:基于生成式对抗神经网络构建交通流量预测模型;
基于生成式对抗神经网络构建的交通流量预测模型包括生成网络和判别网络,生成网络以伪造分布形态类似于真实样本的数据为目标,判别网络的目标是区别真实数据和生成的伪造数据,利用生成网络和判别网络相互博弈,最终让生成网络学习到真实数据分布;
训练网络时,交通流量预测模型根具判别结果对生成网络中生成器G和判别网络中的判别器D的参数进行调节,最终使得判别器D无法分辨预测矩阵和真实矩阵,从而完成对生成器G的训练;
在给定生成器G的情况下优化判别器D,训练判别器的过程是最小化交叉熵的过程,其损失函数的数学表达式为:
式中:Pr表示真实的数据类;Pg为生成的数据类;
如图3所示,对基于生成式对抗神经网络构建的交通流量预测模型的原理进行说明;交通流量预测模型的基本流程分为训练过程和预测过程;
训练过程:假设当前时刻是T时刻,预测T+1时刻的路网流量,需要将T时刻之前所有时空矩阵作为训练集,输入生成式对抗网络模型;
训练阶段的具体方法是:假设t是T时刻之前的任意时刻,
d1:将t时刻的流量-速度矩阵1输入生成器G,则输出为t+1时刻的预测矩阵4;
d2:将t+1时刻的预测矩阵4和由实际路网数据采集整理后获得的t+1时刻的实际矩阵5输入到判别器D中;
d3:判别器D对t+1时刻的预测矩阵4和t+1时刻的实际矩阵5做真伪判别;
d4:如果判别器D结果为假,即由生成器G生成的t+1时刻的预测矩阵4与t+1时刻的实际矩阵5不一致,则对生成器G和判别器D的参数进行调节;
d5:继续循环d1~d4,直至使得判别器D无法分辨由生成器G生成的t+1时刻的预测矩阵4与t+1时刻的实际矩阵5,即判别器D的判断结果为真时,完成对生成器G的训练;
预测过程:只要对训练好的生成器G输入T时刻的流量-速度时空矩阵2即可得出T+1时刻的流量-速度时空矩阵3,完成T+1时刻的路网流量的预测。
本发明技术方案中,数据流转图如附图的图4所示,基于真实的GPS速度数据、卡口流量数据,经过Geohash算法进行空间上的分割、以及设置时间间隔后进行时间上的分割(均分为M份)构建了流量-速度时空矩阵(时空矩阵A),对流量-速度时空矩阵(时空矩阵A)中的空值通过卡尔曼滤波插值算法进行补全后,将T时刻之前的所有时空矩阵作为训练集(0~T时刻输入数据集)对生成时对抗网络进行训练,得到训练好的生成式对抗网络;然后将T时刻的流量-速度时空矩阵输入到训练好的生成式对抗网络中进行预测,即可得到T+1时刻流量-速度时空矩阵,即为T+1时刻的交通流量预测值。
S10:构建交通流量预测模型的训练集,详细步骤如下:
a1:如附图的图5所示,设:当下时间为TN、待预测时间为TD、抽取开始时间为TS;
设当下时间TN和待预测时间TD之差为间隔d,以间隔d平均分割TS和TN之间的时间段;
则,以TS为抽取时间的开始时间,以TN-d为抽取时间的结束时间,获得训练数据抽取时间;
其中,开始时间的设置根据待预测时间TD、待预测路段的具体的长度、宽度、待预测地图区域的路况复杂程度、以及待预测路段在路网中的位置,以及预测精度的需求而定;
a2:将训练数据抽取时间作为抽取时间,执行步骤S3~S8,获得训练数据抽取时间对应的真实的道路流量信息数据,记做训练集;
S11:将训练集输入到交通流量预测模型中,对交通流量预测模型进行训练,获取训练好的交通流量预测模型;
S12:以TN-d为抽取时间的开始时间,以TN为抽取时间的结束时间,获得输入数据抽取时间;将输入数据抽取时间作为抽取时间,执行步骤S3~S8,基于真实的道路数据获得输入数据抽取时间对应的流量信息数据,记做输入数据集;
S13:将输入数据集输入到训练好的交通流量预测模型中,获得以TN为抽取时间的开始时间,以TD为抽取时间的结束时间的时间段内的交通流量预测值,即为待预测时间TD对应的交通流量预测值。
Claims (6)
1.融合GPS数据和卡口流量数据的城市交通流量预测方法,其包括以下步骤:
S1:获取待预测路段地理信息;
其特征在于,其还包括以下步骤:
S2:获取所述待预测路段所在的地图区域,设置为待预测地图区域;
S3:设置一个时间段为抽取时间;在所述抽取时间范围内,获取所述待预测地图区域内在的GPS速度数据和所有卡口的卡口流量数据,记做待分析GPS速度数据、待分析卡口流量数据;
S4:基于Geohash算法对所述待预测地图区域进行分区,得到N*N个地图分区;
根据所述待分析卡口流量数据子集、所述待分析GPS速度数据子集的经纬度信息,分别将其配到相应的所述地图分区内,可构建1个N*N维的空间矩阵B;
S5:将所述待分析卡口流量数据、所述待分析GPS速度数据分别在时间范围上均匀分割为M份,每份分割后的得到的待分析卡口流量数据子集、待分析GPS速度数据子集构成待分析数据子集,共得到得到M份所述待分析数据子集;
S6:根据所述待分析卡口流量数据子集、所述待分析GPS速度数据子集的经纬度信息,将M份所述待分析数据匹子集配到相应的所述地图分区内,可构建M个N*N维的时空矩阵A;
S7:为所述时空矩阵A中的每一个分区,即时空矩阵分区,填写其对应的流量信息:
确认每一个所述时空矩阵分区是否同时被匹配了所述待分析卡口流量数据子集、所述待分析GPS速度数据子集;
如果所述时空矩阵分区缺少所述待分析卡口流量数据子集,或者缺少所述待分析GPS速度数据子集,则所述时空矩阵分区对应的所述流量信息填写空值;
如果所述时空矩阵分区被同时匹配了所述待分析卡口流量数据子集、所述待分析GPS速度数据子集,则基于其对应的所述待分析卡口流量数据子集、所述待分析GPS速度数据子集计算,得到所述时空矩阵分区的所述流量信息;
S8:找到所有的所述流量信息为空值的所述时空矩阵分区,基于卡尔曼滤波算法,补全所有的空值;得到完整的M个N*N维的所述流量信息的数据,记做流量信息数据;
S9:基于生成式对抗神经网络构建交通流量预测模型;
S10:构建所述交通流量预测模型的训练集,详细步骤如下:
a1:设:当下时间为TN、待预测时间为TD、抽取开始时间为TS;
设当下时间TN和待预测时间TD之差为间隔d,以间隔d平均分割TS和TN之间的时间段;
则,以TS为所述抽取时间的开始时间,以TN-d为所述抽取时间的结束时间,获得训练数据抽取时间;
a2:将所述训练数据抽取时间作为所述抽取时间,执行步骤S3~S8,获得所述训练数据抽取时间对应的流量信息数据,记做训练集;
S11:将所述训练集输入到所述交通流量预测模型中,对所述交通流量预测模型进行训练,获取训练好的所述交通流量预测模型;
S12:以TN-d为所述抽取时间的开始时间,以TN为所述抽取时间的结束时间,获得输入数据抽取时间;将所述输入数据抽取时间作为所述抽取时间,执行步骤S3~S8,获得所述输入数据抽取时间对应的流量信息数据,记做输入数据集;
S13:将所述输入数据集输入到训练好的所述交通流量预测模型中,获得所述待预测时间TD对应的交通流量预测值。
2.根据权利要求1所述融合GPS数据和卡口流量数据的城市交通流量预测方法,其特征在于:步骤S4中,所述待预测地图区域为一个正方形地图区域,基于Geohash算法,将所述待预测地图区域划分为N*N个所述地图分区后,根据经纬度作二进制编码,得到每个所述地图分区的编码信息。
3.根据权利要求1所述融合GPS数据和卡口流量数据的城市交通流量预测方法,其特征在于:步骤S6中,对根据时间划分的M个所述待分析卡口流量数据子集、所述待分析GPS速度数据子集分别按照N*N个所述地图分区分割后,分别得到待分析卡口流量数据区块集、待分析GPS速度数据区块集;基于Geohash算法,根据经纬度作二进制编码,得到每个所述待分析卡口流量数据区块集、所述待分析GPS速度数据区块集对应的编码信息;根据所述编码信息将所有的所述待分析卡口流量数据区块集、所述待分析GPS速度数据区块集匹配到对应的所述地图分区上。
4.根据权利要求1所述融合GPS数据和卡口流量数据的城市交通流量预测方法,其特征在于:步骤S7中,基于其对应的所述待分析卡口流量数据子集、所述待分析GPS速度数据子集计算,得到所述时空矩阵分区的所述流量信息的详细步骤如下所示:
b1:根据所述编码信息将所有的所述待分析卡口流量数据区块集、所述待分析GPS速度数据区块集匹配到对应的所述地图分区上后,构建M个N*N维时间-空间矩阵;
每一个N*N维的时间-空间矩阵记做时空矩阵A,每一个所述时空矩阵分区对应时空矩阵A中的一个矩阵元素;
b2:假设第p个时空矩阵内第j行、第k列的矩阵元素Ajk对应l个卡口流量数据、z个GPS速度数据,其中0≤p≤M,0≤j≤N,0≤k≤N;
则,矩阵元素Ajk对应的流量信息是l个卡口流量的平均值,速度信息是z个GPS速度数据速度的平均值;
即:时空矩阵A的矩阵元素Ajk元素计算方式为:
式中,qi为单个卡口流量值,vi为单件GPS速度数据速度;
b3:依次将M个N*N维时间-空间矩阵A中的所有被同时匹配了所述待分析卡口流量数据子集、所述待分析GPS速度数据子集的矩阵元素Ajk都填满。
5.根据权利要求1所述融合GPS数据和卡口流量数据的城市交通流量预测方法,其特征在于:步骤S8:基于卡尔曼滤波算法,对所述流量信息为空值的所述时空矩阵分区补全空值的步骤如下所示:
c1:设时空矩阵A的矩阵元素Ajk对应的所述流量信息为空值;从时间上划分时空矩阵A,共有M个时空矩阵A,即:T0,T1,...,TM-1;
从时间维度上,提取每个时空矩阵A的Ajk位置对应的元素形成一时间序列;
c2:基于卡尔曼滤波算法,建立缺失值状态估计的方程,如下公式表达:
Pt=[I-KtHt]Pt-1+Qt (3)
其中:是t时刻估计的矩阵元素值,即:缺失元素估计值;At-1是t-1时刻矩阵元素值,是t-1时估计的矩阵元素值,Ht由At-1对t求偏导后所得值,Qt和Rt是均值为0的白噪声,Kt为卡尔曼增益,Pt是误差的协方差矩阵;
c4:当时空矩阵A的矩阵元素Ajk对应的所述流量信息为空值时,设,其对应的时刻为m时刻,从M个时空矩阵A,即:T0,T1,...,TM-1中,获取m时刻对应的矩阵Tm;
将矩阵Tm的第一个元素作为上一时刻的输入At-1,带入到公式(1)、(2)、(3),公式迭代更新,得到第二个元素的估计值。再将第二个元素作为上一时刻输入不断迭代,最终得到矩阵元素Ajk的空间维度上的估计值
将Ajk填入对应的位置,原有位置的空值即被补全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406812.1A CN111583648B (zh) | 2020-05-14 | 2020-05-14 | 融合gps数据和卡口流量数据的城市交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406812.1A CN111583648B (zh) | 2020-05-14 | 2020-05-14 | 融合gps数据和卡口流量数据的城市交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583648A true CN111583648A (zh) | 2020-08-25 |
CN111583648B CN111583648B (zh) | 2022-05-03 |
Family
ID=72112166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010406812.1A Active CN111583648B (zh) | 2020-05-14 | 2020-05-14 | 融合gps数据和卡口流量数据的城市交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583648B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652189A (zh) * | 2020-12-30 | 2021-04-13 | 西南交通大学 | 基于策略流的交通分配方法、装置、设备及可读存储介质 |
CN112669594A (zh) * | 2020-12-11 | 2021-04-16 | 国汽(北京)智能网联汽车研究院有限公司 | 交通路况预测的方法、装置、设备及存储介质 |
CN112991741A (zh) * | 2021-04-19 | 2021-06-18 | 中智行科技有限公司 | 交通流预测方法和装置 |
CN115188186A (zh) * | 2022-06-28 | 2022-10-14 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
CN116703011A (zh) * | 2023-08-09 | 2023-09-05 | 民航机场规划设计研究总院有限公司 | 航空旅客流量分布预测方法、装置、电子设备及存储介质 |
CN117576918A (zh) * | 2024-01-17 | 2024-02-20 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据的城市道路流量全域预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN108538050A (zh) * | 2017-03-01 | 2018-09-14 | 香港理工大学深圳研究院 | 一种短时交通流量预测方法及装置 |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
CN110517482A (zh) * | 2019-07-29 | 2019-11-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
CN111145541A (zh) * | 2019-12-18 | 2020-05-12 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
-
2020
- 2020-05-14 CN CN202010406812.1A patent/CN111583648B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104064023A (zh) * | 2014-06-18 | 2014-09-24 | 银江股份有限公司 | 一种基于时空关联的动态交通流预测方法 |
CN108538050A (zh) * | 2017-03-01 | 2018-09-14 | 香港理工大学深圳研究院 | 一种短时交通流量预测方法及装置 |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
CN110517482A (zh) * | 2019-07-29 | 2019-11-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
CN111145541A (zh) * | 2019-12-18 | 2020-05-12 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
Non-Patent Citations (1)
Title |
---|
牟少敏 等: "《模式识别与机器学习技术》", 30 June 2019, 冶金工业出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669594A (zh) * | 2020-12-11 | 2021-04-16 | 国汽(北京)智能网联汽车研究院有限公司 | 交通路况预测的方法、装置、设备及存储介质 |
CN112652189A (zh) * | 2020-12-30 | 2021-04-13 | 西南交通大学 | 基于策略流的交通分配方法、装置、设备及可读存储介质 |
CN112652189B (zh) * | 2020-12-30 | 2021-09-28 | 西南交通大学 | 基于策略流的交通分配方法、装置、设备及可读存储介质 |
CN112991741A (zh) * | 2021-04-19 | 2021-06-18 | 中智行科技有限公司 | 交通流预测方法和装置 |
CN112991741B (zh) * | 2021-04-19 | 2021-07-20 | 中智行科技有限公司 | 交通流预测方法和装置 |
CN115188186A (zh) * | 2022-06-28 | 2022-10-14 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
CN115188186B (zh) * | 2022-06-28 | 2024-02-20 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
CN116703011A (zh) * | 2023-08-09 | 2023-09-05 | 民航机场规划设计研究总院有限公司 | 航空旅客流量分布预测方法、装置、电子设备及存储介质 |
CN116703011B (zh) * | 2023-08-09 | 2023-10-20 | 民航机场规划设计研究总院有限公司 | 航空旅客流量分布预测方法、装置、电子设备及存储介质 |
CN117576918A (zh) * | 2024-01-17 | 2024-02-20 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据的城市道路流量全域预测方法 |
CN117576918B (zh) * | 2024-01-17 | 2024-04-02 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据的城市道路流量全域预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111583648B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583648B (zh) | 融合gps数据和卡口流量数据的城市交通流量预测方法 | |
CN109410575B (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
CN110164128B (zh) | 一种城市级智能交通仿真*** | |
CN108629978B (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
Kim et al. | Calibration of microsimulation models using nonparametric statistical techniques | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN111798662A (zh) | 一种基于时空网格化数据的城市交通事故预警方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN113283095A (zh) | 一种进化式数字孪生流域构建方法 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN113435658B (zh) | 一种基于时空融合相关性和注意力机制的交通流预测方法 | |
Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
CN112905379B (zh) | 基于自我注意力机制的图自编码器的交通大数据修复方法 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及*** | |
CN116853272A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及*** | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN113762595A (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN114495500B (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测*** | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、***、设备及存储介质 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |