[发明专利]融合区域活力的城市交通流量预测方法

权利要求书

1.融合区域活力的城市交通流量预测方法，其特征在于：包括以下步骤：

S1、根据经纬度将城市路网划分为M×N的网格区域，根据车牌识别设备记录的数据计算每个区域中的交通流量；

S2、设计区域活力模型：利用城市兴趣点的分布和节假日及天气信息，运用3D卷积神经网络学习城市中各个区域活力的动态变化；

S3、设计流量预测模型：融合区域活力与交通流量，运用卷积长短时记忆网络进行流量预测；

S4、根据历史数据对区域活力模型和流量预测模型同时进行训练，再利用训练好的模型对各个区域的交通流量进行实时预测；

步骤S1具体包括：

S11、根据经纬度把城市路网划分为M×N的网格区域，于是区域(m，n)表示第m行，第n列的格子区域；

S12、提取车牌识别设备的记录数据d，v，τ，其中d为车牌识别设备的编号，v为所拍摄的车牌号，τ表示记录时间；

S13、根据经纬度把车牌识别设备映射到网格区域中，计算各区域中所包含的车牌识别设备在各时间段内所记录的车辆数作为交通流量：表示区域(m，n)在时间段t内的交通流量；

S14、对各区域内的交通流量进行归一化：其中x₀为原始交通流量，x_min和x_max分别代表交通流量的最小值和最大值，x为归一化后的值；

S15、将步骤S14得到的归一化后时间段t的流量表示为M行N列1通道的3维矩阵，记为X_t∈R^M×N×1，以历史λ个时间段的流量X_history＝{X_t|t＝1，2，...，λ}作为输入，下一时间段流量X_true＝X_λ+1作为输出，构建样本{X_history，X_true}；

S16、把所有流量数据按照步骤S15构建样本，并按照一定比例划分为训练集、验证集和测试集；

步骤S2具体包括：

S21、统计各区域中各类兴趣点POI的个数：区域(m，n)中第i类兴趣点的个数记为POI(m，n，i)，其中i∈[1，k]，k表示兴趣点的类别数；

S22、根据兴趣点的分布情况计算各区域中各类兴趣点的固有影响力，记为IIF∈R^M×N×k；

S23、将时间分为工作日、周末和节假日，并利用训练好的Word2Vec模型将工作日、周末和节假日转化为一定维度的向量表示；

S24、利用Word2Vec模型把天气情况转化为一定维度的向量表示，其他数值型天气数据作归一化处理；

S25、将S23和S24得到的结果输入一个两层的全连接网络，得到CIF∈R(^λ+1)×k，表示历史的λ个时间段和预测的1个时间段每类兴趣点对外部变化的敏感程度；

S26、把S22的结果和S25的结果结合起来，得到各类兴趣点的综合影响力：ICIF(t，m，n，i)＝IIF(m，n，i)×CIF(t，i)，t∈[1，λ+1]，i∈[1，k]，其中ICIF为4维矩阵，表示为ICIF∈R^{(λ+1)×M×N×k}；

S27、利用3D卷积神经网络学习区域活力的动态变化：把S26的结果输入3D卷积神经网络得到区域活力Vit∈R^{(λ+1)×M×N×1}，表示历史的λ个时间段和预测的1个时间段中各区域的活力；

S28、把S27得到的结果拆分为历史时间段的区域活力Vit_history∈R^λ×M×N×1和预测时间段的区域活力Vit_pred∈R^M×N×1。