[发明专利]一种基于时空大数据的交通量预测方法及装置

说明书

本发明提供一种基于时空大数据的交通量预测方法，包括以下步骤：获取目标检测路段在一定时间间隔的交通流信息；对交通流信息按照网格图形式进行存储；对存储的交通流信息进行建模并提取空间异质性和时间异质性；利用CNN的输出经过参数重整作为LSTM的输入得到预测结果。本发明还提出基于时空大数据的交通量预测装置。本发明收集目标检测路段及其周围路段的检测器一定时间间隔内的流量信息；通过3DCNN卷积神经网络提取空间关系与部分时间，再将CNN的输出经过参数重整作为LSTM的输入，提取更高更完整的时间依赖性，该方法对预测交通量的准确程度较高，对硬件和工程量要求较低，方便实现。

技术领域

本发明涉及交通量预测技术领域，具体涉及一种基于时空大数据的交通量预测方法及装置。

背景技术

在大数据时代，数据可以为我们带来许多未知信息，尤其在交通领域，随着各种道路检测器以及车载GPS等一系列设施的普及，产生了越来越多的交通数据。这些交通数据具有很强的时间相关性和空间相关性。

随着近些年深度学习再度掀起热潮，可以将应用在计算机视觉的3DCNN卷积神经网络用于提取交通数据的空间和时间特征，但是3DCNN对时间上特征提取有限，而LSTM长短期记忆神经网络利用内部的门机制可以有效的提取较长序列的时间特征，对于我们所预测目标道路的交通量而言，它的交通量不但与上游或者下游的交通量都息息相关，也与自身的历史时间的交通量密不可分，因此我们将交通领域与深度学习领域相结合，提取数据的时间异质性以及空间异质性用于准确预测下一时刻的交通量。

在对交通量的预测方法的研究中，大多采用了模型驱动的方法，这类方法需要强有力的理论假设，很难用于实际预测，或者在采用数据驱动与深度学习相结合的方法时，将数据的时空相关性结合时考虑有所欠缺。

发明内容

为了克服上述现有技术存在的问题，本发明提供一种基于时空大数据的交通量预测方法及装置。

本发明的技术方案是：

一种基于时空大数据的交通量预测方法，包括以下步骤：

获取目标检测路段在一定时间间隔的交通流信息；

对交通流信息按照网格图形式进行存储；

对存储的交通流信息进行建模并提取空间异质性和时间异质性；

利用CNN的输出经过参数重整作为LSTM的输入得到预测结果。

作为本发明的进一步技术方案为，所述获取目标检测路段在一定时间间隔的交通流信息；具体包括：收集目标检测路段及其周围路段的道路检测器在一定时间间隔内检测的交通流信息。

作为本发明的进一步技术方案为，所述对交通流信息按照网格图形式进行存储；具体包括：

对城市道路按照经度和纬度转化成网格图；

将目标检测路段所在城市按照经度和纬度映射在一张网格图上，网格图中每一个小格子内的数值表示当前区域交通量；

按照一定的时间间隔检测获取需要预测路段以及该城市其他道路的交通量历史值并按照网格图的形式存储。

进一步地，所述对城市道路按照经度和纬度转化成网格图；具体包括：

将城市进行分割，按照各个道路所在经度和纬度映射在一个M×N的网格图中，网格图中的每一个格子表示固定道路位置在当前时刻的交通状况，称为交通栅格数据；

映射后的网格图中存在大量的空白格，表示这些区域没有道路；

通过压缩存储算法将原始的M×N网格图进行压缩得到密集的I×J网格图，其中I×J网格图与M×N网格图的道路空间拓扑关系相同。