[发明专利]一种出行预测方法及装置

说明书

本发明实施例提供一种出行预测方法及装置，该方法包括：统计一个或多个交通小区的出行数量，得到原始数据集；根据所述原始数据集，确定训练集和测试集；构建多层LSTM；通过所述训练集和所述测试集对所述多层LSTM进行训练，确定所述多层LSTM的模型参数；通过训练后的多层LSTM进行出行预测。本发明实施例中，对交通小区的出行进行统计，得到原始数据集，构建多层LSTM，通过该原始数据集对多层LSTM进行训练，并通过训练后的多层LSTM进行出行预测。将神经网络技术应用于交通出行预测，提高预测精度，满足城市交通出行预测的需求。

技术领域

本发明实施例涉及交通技术领域，特别涉及一种出行预测方法及装置。

背景技术

城市交通规划的核心问题是流量预测，而流量预测的基础是出行预测。出行预测是指在一定条件下，对各交通小区可能产生的总出行需求进行预测。出行预测时城市交通规划中的重要环节，可靠的出行预测不仅能为构建有效的调度系统提供参考，同时也能为城市居民提供有效的出行路径选择信息。

传统的出行预测方法是以四阶段发为核心，包括交通生成、交通分布、方式划分和交通分配四个阶段，该方法预测精度较低，无法满足城市交通出行预测的需求。

发明内容

本发明实施例提供一种出行预测方法及装置，解决现有出行预测方法精度较低的问题。

依据本发明实施例的第一方面，提供一种出行预测方法，所述方法包括：统计一个或多个交通小区的出行数量，得到原始数据集；根据所述原始数据集，确定训练集和测试集；构建多层LSTM；通过所述训练集和所述测试集对所述多层LSTM进行训练，确定所述多层LSTM的模型参数；通过训练后的多层LSTM进行出行预测。

可选地，所述统计一个或多个交通小区的出行数量，得到原始数据集，包括：在所述交通小区中映射出行起点和出行终点；根据预设时间单位，确定各单位时间内离开所述交通小区和到达所述交通小区的时间序列；将所述时间序列确定为所述原始数据集。

可选地，所述根据所述原始数据集，确定训练集和测试集，包括：根据预设比例，将所述原始数据集划分为所述训练集和所述测试集，所述预设比例为所述训练集在所述原始数据集中的比例。

可选地，在所述根据所述原始数据集，确定训练集和测试集之前，所述方法还包括：根据预设时间间隔，将所述原始数据集的格式转化为样本特征格式和样本标签格式；其中，所述样本特征格式表示输入变量，所述样本标签格式表示输出变量。

可选地，所述预设比例为0.7至0.8。

可选地，所述构建多层LSTM包括：当对一个交通小区进行预测时，构建多层LSTM；当对多个交通小区进行预测时，构建多层编码-解码LSTM。

可选地，所述多层LSTM的模型参数为各神经元和/或各神经网络层之间的连接权重参数。

可选地，所述多层LSTM训练过程中的损失函数为均方误差函数。

可选地，所述多层LSTM训练过程中的模型模型参数调整规则为适应性矩估计Adam算法。

依据本发明实施例的第二方面，提供一种出行预测装置，包括：统计模块，用于统计一个或多个交通小区的出行数量，得到原始数据集；第一确定模块，用于根据所述原始数据集，确定训练集和测试集；构建模块，用于构建多层LSTM；第二确定模块，用于通过所述训练集和所述测试集对所述多层LSTM进行训练，确定所述多层LSTM的模型参数；预测模块，用于通过训练后的多层LSTM进行出行预测。

可选地，所述统计模块包括：映射单元，用于在所述交通小区中映射出行起点和出行终点；第一确定单元，用于根据预设时间单位，确定各单位时间内离开所述交通小区和到达所述交通小区的时间序列；第二确定单元，用于将所述时间序列确定为所述原始数据集。