[发明专利]融合区域活力的城市交通流量预测方法

说明书

本发明公开了一种融合区域活力的城市交通流量预测方法，包括：S1、对城市路网进行区域划分，并计算各个区域的交通流量；S2、设计区域活力模型：利用城市兴趣点的分布和节假日及天气信息，运用3D卷积神经网络(3D CNN)学习城市中各个区域活力的动态变化；S3、设计流量预测模型：融合区域活力与交通流量,运用卷积长短时记忆网络(ConvLSTM)进行流量预测；S4、根据历史数据对区域活力模型和流量预测模型进行同时训练，再利用训练好的模型对各个区域的交通流量进行实时预测。本方法通过融合区域活力，同时考虑了人群活动背后的驱动力和外部因素的影响，能够取得较高的预测精度。

技术领域

本发明涉及深度学习和交通流量预测的交叉技术应用领域，具体涉及一种融合区域活力的城市交通流量预测方法。

背景技术

随着城市化进程的加快，大量人口涌入城市，在经济繁荣的同时，交通安全隐患问题也日益凸显。如节假日的到来，商场附近会出现大量的人群聚集和严重的交通拥堵，带来极大的安全隐患。因此，交通流量的预测对于城市安全具有极为重要的意义，是全球共同关注的问题。如果能够准确地预测城市中各个区域的交通流量，那么交管部门可以及时地进行交通疏导，公众可以有选择性地绕开拥堵区域，从而降低安全隐患。

鉴于交通流量预测问题的重要性，人们对此做了大量的研究工作。较早期的预测模型有：自回归模型(AR)、历史平均模型(HA)、自回归移动平均模型(ARIMA)等。这些模型主要以数理统计方法为基础研究交通流量变化的时空规律，并且集中于解决一个路段或几个路段的交通流量预测问题。近年来随着机器学习尤其是深度学习技术的发展，出现了大量以人工智能为基础的模型，如BP神经网络模型、栈式自编码模型(SAE)、卷积神经网络模型(CNN)、递归神经网路模型(RNN)等。这些模型借助于机器学习强大的学习能力，能够取得较好的预测精度。

现有方法或发明的缺陷：1)现有方法大多只关注一个路段或几个路段的交通流量预测，缺乏对城市各个区域人群聚集程度的衡量；2)现有方法大多只关注交通流量数据本身，而这些流量数据缺乏语义信息，不能反映人群移动背后的驱动力；3)现有方法没有很好地处理外部因素的改变对人们活动规律的影响，如暴雨天气对于通勤行为的影响较小可是对旅游活动却能产生重大影响。

发明内容

有鉴于此，本发明提供一种融合区域活力的城市交通流量预测方法，将深度学习应用于城市区域交通流量预测，利用3D卷积神经网络的时空特征学习能力从兴趣点、时间、天气等数据中挖掘区域活力的动态变化特征，再融合区域活力和交通流量，利用卷积长短时记忆网络强大的时空序列预测能力获取预测结果。该方法通过融合区域活力，很好地结合了人群移动的内在规律性和外部因素的影响特性，实现城市各个区域的流量预测，为交通流量预测问题提供了一种新的思路。

首先根据经纬度将城市路网进行网格区域划分并利用车牌识别设备的数据计算各区域的交通流量；然后运用深度神经网络设计区域活力模型和流量预测模型；最后利用历史数据训练模型并利用训练好的模型对城市交通流量进行实时预测。

具体步骤为：

S1、根据经纬度将城市路网划分为M×N的网格区域，根据车牌识别设备记录的数据计算每个区域中的交通流量；

S2、设计区域活力模型：利用城市兴趣点的分布和节假日及天气信息，运用3D卷积神经网络学习城市中各个区域活力的动态变化；

S3、设计流量预测模型：融合区域活力与交通流量,运用卷积长短时记忆网络进行流量预测；

S4、根据历史数据对区域活力模型和流量预测模型同时进行训练，再利用训练好的模型对各个区域的交通流量进行实时预测。

进一步地，步骤S1具体包括：

S11、根据经纬度把城市路网划分为M×N的网格区域，于是区域(m,n)表示第m行，第n列的格子区域；