[发明专利]一种基于历史路况的短时路况预测方法、系统及设备

说明书

本发明公开一种基于历史路况的短时路况预测方法、系统及设备，方法为：首先，在宏观上对时间域内的数据进行下采样来构造同质数据；其次，在微观上设计一个包含路网点时空关系和热点语义的路况特征，通过浅层全连接网络来捕捉靶点在微观时空上的语义特征，通过多层神经网络构造时序特征，将时空数据和语义特征融合接入GBDT集成学习模型，通过交叉验证方法，对靶点周围的邻近数据进行下采样，通过构造时空数据，捕捉靶点在微观时空上的语义特征，本发明的算法不需要车流的位置信息，只需要车流的状态信息，使用路段的静态信息来表征车流在路网中的移动，利用DNN来构造隐变量，结果表明本发明提出的方法同时保障了较高的精度和较低的算力需求。

技术领域

本发明属于交通路况预测技术领域，具体涉及一种基于历史路况的短时路况预测方法、系统及设备。

背景技术

路况预测的研究已经进行了数十年，短时路况预测则在很多重要领域表现出极高的使用价值和商业价值，如路线规划、出租车调度、救护车到达时间预测等，但是短时路况预测的难度相对较大，具体表现为两个原因：1.短时路况预测本身数据波动较大，车流频谱不稳定；2.短时路况预测中异常路况、靶点的热点语义信息对路况的影响将会更大，而靶点热点语义往往是随机波动的，很难以固定的滤波方式或者特征构造来泛化。短时路况预测的方法基于三个途径来实现，分别是基于物理规则的方法，基于概率图统计的方法，以及基于数据驱动的方法，。基于物理规则的方法是基于车流的位移物理规则，通过计算其信息量，从物理运动的角度来计算未来短时间内的路况信息量，显然的，这种方法完全基于规则，对异常数据和大量数据的拟合度交叉，唯一的参数只有车流的运动信息，其应用价值较低；基于概率图统计的方法在过去的十多年中被广发的应用，分别的，基于马尔可夫链的推理方法、基于贝叶斯的预测方法，基于滑动平均自回归(ARIMA)等。这些方法都在特别数据和领域中取得了有效的效果，并且成功地应用于商业实践。但是，基于概率统计的方法也存在以下两个缺点：1)基于简单概率统计的方法拥有较少的参数，无法针对更加复杂的数据源。2)简单的概率统计方法由于模型的简单性，无法保障更高的泛化性，尤其是，针对于现在复杂多变的路况，以及高频爆发的异常路况点(语义热点)，简单的概率统计的方法无法被有效的实践；基于数据驱动的方法忽略了车流内在的物理规则，转而用庞大的参数来表征车流的路况信息，同时，基于数据驱动的方法也兼顾了概率图的方法，其用参数来模拟概率变化的趋势。