[发明专利]一种基于时空宽度学习的交通速度预测方法

说明书

本发明公开了一种基于时空宽度学习的交通速度预测方法。该方法充分考虑了交通速度的时间特性和空间特性，同时考虑了天气和节假日的影响，并引入宽度学习的思想建立预测模型。时间特性方面，本方法提取了速度信号的时序慢特征作为特征节点。空间特性方面，本方法提出了一种滑动窗口相关系数法搜寻对预测路段速度有影响的相关路段，并将这些路段的速度数据作为扩展自变量引入模型。本方法在引入宽度学习思想建立预测模型的同时引入L1和L2正则化对特征进行稀疏选择，防止模型的过拟合。本方法考虑了时空特性，具有很强的可解释性，相比传统的预测方法，提高了预测精度，而且一定程度缩短了建模时间，为交通速度预测方法的研究指明了新的方向。

技术领域

本发明属于交通时序数据分析和预测研究领域，特别是涉及一种基于时空 相关性和宽度学习的交通速度预测方法。

背景技术

21世纪以来，人口数量急剧增长，城市化进程飞速发展，路网总量和机动 车数量不断增长，交通拥堵状况越来越严重。准确合理地预估交通车速，实时 评价交通状况，可以有效地疏导交通，显著改善交通拥堵状况，并且可以辅助 管理者合理地实施交通管制，对保护人民生命财产，维护公共安全以及提升城 市形象有着及其重要的意义。

交通速度是一种时间序列数据，具有临近性和周期性的特点。前人对此已 经做了相应的研究和探讨，目前，对交通速度预测的方法主要有传统的时间序 列模型，如ARIMA。近几年，随着人工智能和数据挖掘等技术的发展，一些机 器学习方法，如支持向量回归、神经网络模型等也被广泛地运用在交通预测中。 其中，传统的时间序列模型，由于其是基于线性的，难以模拟道路的真实状况， 且没有考虑数据的周期性。而神经网络等机器学习模型不但需要较长的训练时 间，而且容易造成模型过拟合等问题，难以实现对实际交通速度实时预测。此 外，现存的方法大多是对某一条道路单独建模，而忽略其他相关路段的影响。但实际上，由于城市交通网的存在，不同道路之间的车流量、车速等存在一定 关系，即不同道路间会相互影响。基于单一道路的模型并不能很好地运用在实 际的城市道路预测中，基于此，本发明考虑了相关路段的相互影响。此外，由 于交通速度数据是一种时序性数据，本发明采用慢特征分析的方法有效提取交 通速度数据中变化缓慢的特征。又由于天气和节假日等随机因素会对交通速度 造成一定程度的影响，本发明引入了天气和节假日等随机因素。综上，本发明 所提出的基于时空宽度学习的交通速度预测方法，既考虑了相关路段的影响， 又有效提取了时序数据的慢特征，且融入了天气和节假日因素的影响。模型的 训练上，采用了与宽度学习结构相似的模型，其训练时间短，拟合效果好。同 时引入了L1和L2正则化来防止模型的过拟合。到目前为止，尚未见到与本发 明相关的研究报道。

发明内容

本发明的目的在于针对现有交通速度预测方法的不足，提供一种基于时空 宽度学习的交通速度预测方法。

本发明的目的是通过以下技术方案来实现的：一种基于时空宽度学习的交 通速度预测方法，该方法包括以下步骤：

步骤1:建模数据预处理：对各路段的速度数据和对应时刻的天气类型、节 假日类型进行预处理。

对于速度数据，将获取的车辆速度数据按照不同路段分类，按时间先后顺 序排序。对需要分析的每一个路段，选取第k时刻之后的1小时作为时间间 隔，k表示该时间间隔的起点，用该时间间隔内该路段上速度的平均值来代替 第k时刻的速度。k＝0,1,2,…,23，即每个时间间隔的起点为整点，从而每个路段 每天被分割成24个时刻(0点到23点)，每一个时刻对应一个固定的速度值。 则路段i在m天内获得的速度向量可以表示为v_i^T(1×24m)，其中，i为路段代 号，i＝1,2,…,L，L为路段总数。