[发明专利]基于兴趣点时空残差神经网络的多方向交通流量预测方法

说明书

本发明公开了一种基于兴趣点时空残差神经网络的多方向交通流量预测方向。该方法基于短时车辆轨迹数据，通过加入时间信号和兴趣点信号来增强时空特征，利用3D CNN提取车流变化随时间变化的时空特征，结合残差神经网络避免模型过拟合，最后对带有时空特征信息进行加权压缩，输出带有移动状态的车流分布矩阵，实现了对区域交通流量的预测。本发明方法良好地关联了车流的空间分布随时间变化的特征，并综合了时间信号与兴趣点信号关系，有精度高、实用性强等特点，可以为公共设施部署、交通导流、用地规划等提供决策支撑。

技术领域

本发明涉及交通流预测领域，尤其涉及一种基于兴趣点时空残差神经网络的多方向交通流量预测方法。

背景技术

交通数据作为一种普遍存在的时空数据类型，同时在时间和空间维度上表现出相关性。此外，过去几十年的交通预测研究主要集中在出租车、私家车和共享单车上，而对电动自行车的研究较少。另外，又由于电动自行车行驶时间短、行驶距离短等原因，导致电动自行车行驶轨迹数据周期性不明显，多种原因使得电动自行车的预测比传统的交通预测更具挑战性。近年来，电动自行车由于价格低廉、体积小，逐渐成为人们日常生活中不可缺少的交通工具。据统计，我国电动自行车保有量近3亿辆，几乎家家户户都至少拥有一辆电动自行车。而大量的电动自行车会导致许多交通问题，如非机动车车道拥堵等。因此，电动自行车交通流预测已成为解决部分交通问题的一项有价值的课题。此外，电动自行车流量的实时预测还可以为各种交通服务提供大量的数据支持：1)提高电动自行车的导航精度；2)移动充电桩的实施；3)为乘客提供更详细的交通信息，以便乘客制定更好的出行计划。

综上所述，准确预测电动自行车的流量非常具有挑战性，主要受到以下4 个因素的影响：

1、空间相关性：由于空间的局部相关性，在相邻位置获得的观测值相互关联。

2、时间相关性：在连续时间间隔获得的观测值高度相关，即，如果从最近几个连续时间间隔内的观测值中检测到上升趋势，则下一时刻的观测值很有可能会增加。

3、地理环境：地理环境对电动自行车流量预测有显著影响，即购物中心和公司集群在早高峰时间段内具有更大的吸力，而住宅集群在早高峰时间段内具有更大的斥力。

4、异质性：交通数据在空间和时间两个维度上都表现出异质性，即两个地点之间的相互影响随距离和地理环境而变化。同样，时间影响的强度也因地区而异。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于兴趣点时空残差神经网络的电瓶车流量预测方法，可有效解决上述问题。本发明具体采用的技术方案如下：

一种基于兴趣点时空残差神经网络的多方向交通流量预测方法，其包括以下步骤：

S1、获取待预测区域中待预测时刻前的历史车流数据，所述历史车流数据中包含待预测区域中不同车辆在不同时间的位置以及车辆行驶方向；从所述历史车流数据中按预设的时间片间隔提取若干个车流数据时间片；

S2、对待预测区域进行栅格化处理从而划分为一系列栅格，每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每个时间片中的不同移动状态分别构建车流二维矩阵，每一种移动状态在所有时间片中的车流二维矩阵按时间维度叠加形成车流三维矩阵；

S3、从待预测时刻中提取小时字段和分钟字段，拼接形成一个二元的时间信号向量；