[发明专利]一种基于关键路段的城市路网交通状态预测方法

摘要

本专利公开了一种种基于关键路段的城市路网交通状态预测方法，其特征在于，所述方法包括：步骤一：数据预处理；步骤二：建立路网空间权重矩阵；步骤三：建立时间相关性矩阵；步骤四：利用时空相关性矩阵识别关键路段。步骤五：建立深度卷积神经网络，预测未来路网状态，并对预测模型进行评价；本发明从大范围路网层面对城市交通流状态进行预测，有利于从宏观上对交通流进行诱导充分挖掘交通流的时空相关特性，通过识别路网中的关键路段，相比于将所有路段的历史状态作为输入数据，能够大大减少模型的训练时间，提高预测效率；采用卷积神经网络作为预测模型，预测结果也更加准确。

主权项

1.一种基于关键路段的城市路网交通状态预测方法，其特征在于，所述方法包括：步骤一：数据预处理对原始数据进行清洗，计算各个路段的平均速度，将其匹配到路段上，并选择目标路网；所述数据预处理包括，删除错误数据，对缺失数据利用线性插补法进行填补；以及计算路段在每个时间段的平均速度；步骤二：建立路网空间权重矩阵采用有向图的方式来抽象得到路网的拓扑关系，并利用路段之间的拓扑关系，建立路段间k阶邻接矩阵，并据此建立路网空间权重矩阵；当边x和y直接相连时，定义两边的关系为一阶邻接；二阶邻接可以描述为一阶邻接的一阶邻接，以此类推，建立某路段的k阶邻接矩阵；邻接关系描述为：式中：ω_x,y表示第x个和第y个路段之间的相邻关系，x和y的取值范围均为[1,l]，即在l条路段之间进行迭代；在整个路网中，考虑k阶邻近路段时，会建立空间对象的1至k阶邻接矩阵，对这些矩阵进行加和，得到整个路网的空间权重矩阵；在进行加和时，基于与路段的距离越远相互的时空性影响越弱的特点，给各阶的邻接矩阵在加和时赋以权重；权重的分配由得到，其中：q_i表示第i阶邻接矩阵的权重，i的取值范围为[1,k]，k为邻接矩阵的阶数；则加权后的表征路段间空间相关性的空间权重矩阵可由式计算得到，式中：W为加权后的空间权重矩阵，q_i表示第i阶邻接矩阵的权重，Q⁽ⁱ⁾为i阶空间矩阵，i的取值范围为[1,k]；步骤三：建立时间相关性矩阵利用Pearson相关性函数度量路网中路段之间的时间相关性，获得路网的时间相关性矩阵；路网中路段一天的平均速度进行相关分析，得到各路段流量在时间上相关系数，然后以相关系数作为评价的依据度量路段在时间上的相关性；两路段的时间相关系数可由式计算，式中：γ_x,y表示路段x和y的时间相关性系数，其中X＝[x₁,x₂,…,x_z]是采样周期为p，x路段一天的平均速度向量，Y＝[y₁,y₂,…,y_z]是路段中y路段一天的平均速度向量，X、Y的元素个数z与采样周期有关，分别是向量内元素的算数平均值；γ_x,y的取值范围为[‑1,1]，负值表示x路段和y路段呈现负相关的趋势，且越接近‑1表示相关性体现地越显著；对γ_x,y的值取绝对值，即γ_x,y的值越接近0，表明两路段的相关性不显著；越接近1，表示两路段的相关性越显著；利用Pearson相关性函数度量两路段的交通流状态在一天内的时间相关性，并建立时间相关性矩阵T来表示路网的时间相关性矩阵T的对角元素γ_1,1、γ_2,2、γ_l,l都为零，在计算中，针对每一天的平均速度，建立时间相关性矩阵T₁,T₂,…,T_d，即d天的历史状态对应d个不同的时间相关性矩阵；步骤四：利用时空相关性矩阵识别关键路段。将空间权重矩阵和某一天的时间相关性矩阵进行点乘，得到路网的在该天时空相关性矩阵Ha＝W·Ta式中：Ha表示第a天的时空状态矩阵，W表示加权后路网的空间权重，Ta表示第a天的时间相关性矩阵，a的取值范围为[1,d]；Ha为一个l×l的矩阵，矩阵中每个元素的取值范围为[0,1]，越接近1表示时空相关性越显著；得到第a天的路网时空相关性矩阵之后，统计各路段的时空相关性指标，即每一列的数值，在0到1之间，以0.1为步长的频数；在统计完路段在各天的频数分布之后，将其进行加和得到在历史状态下某路段在各个区间的频数之和，记为f1、f2、…、f10，分别代表该路段在[0,0.1]、(0.1,0.2]、…、(0.9,1.0]各区间的频数；关键路段的评价标准是各区间频数的加权和，ca＝0.95×f10+0.85×f9+0.75×f8+0.65×f7式中：ca表示路段a的关键度，f10、f9、f8、f7分别代表路段a在(0.9,1.0]、(0.8,0.9]、(0.7,0.8]、(0.6,0.7]区间内的频数和；通过关键度ca，对所有路段的关键度进行排序，并按照路段总数的百分比，提取排序在前的路段作为关键路段，提取关键路段的平均速度作为预测模型的输入值；步骤五：建立深度卷积神经网络，预测未来路网状态，并对预测模型进行评价；首先，建立样本集，并按照2：1的比例划分为训练集和测试集；其次，从历史数据中提取关键路段的平均速度数据，并将其转化为时空状态矩阵，作为预测模型的输入；输入变量是路网中的关键路段的时空状态矩阵，输入层神经元个数与关键路段的数目相同；输出变量是未来路网的整体状态矩阵，包含路网中所有路段的平均速度，输出层神经元个数与路网所有路段数目相同。