[发明专利]一种基于时空残差网络的车流量预测方法及装置

权利要求书

1.一种基于时空残差网络的车流量预测方法，其特征在于：包括以下步骤：

获取待测城市的地理经纬度，将所述城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格，其中每一个方格代表一个区域；

将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据；

对所述收集的数据进行归一化预处理；

根据预处理的数据对时空残差网络进行训练，形成已训练车流预测模型；

调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。

2.根据权利要求1所述的基于时空残差网络的车流量预测方法，其特征在于：将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据的具体步骤为：

将利用GPS统计的每个时间段内车辆在一个区域及其相邻区域的输入、输出轨迹进行记录，并记录每个时间段内的特殊事件、天气；将所述每个时间段内的若干个相关数据分别进行输入、输出汇总和聚合。

3.根据权利要求2所述的基于时空残差网络的车流量预测方法，其特征在于：对所述收集的数据进行归一化预处理的具体步骤为：

将聚合后的输入、输出数据进行归一化处理，具体通过以下公式实现：

其中x^*为归一化预处理后的数据，x_m为样本数据最小值，x_M为样本数据最大值，x为待归一化预处理的历史车流数据；所述样本数据具体是指：用于训练和测试的所有数据。

4.根据权利要求1所述的基于时空残差网络的车流量预测方法，其特征在于：根据预处理的数据对时空残差网络进行训练，形成已训练车流预测模型的具体步骤为：

对时空残差网络预测模型的各个参数进行合理设定，所述参数包括：输入层数，中间层，权重因子，层的输入和输出向量维数，每个隐层的结点数和输出节点数；

根据预处理过的数据，对已设置合理参数的时空残差网络模型进行训练，形成已训练车流预测模型。

5.根据权利要求4所述的基于时空残差网络的车流量预测方法，其特征在于：根据预处理过的数据，对已设置合理参数的时空残差网络模型进行训练，形成已训练车流预测模型的具体步骤为：

将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集；

根据训练数据集，在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练，得到对应的对下一指定时间间隔的车流数据的归一化预测值；

将所述下一指定时间间隔的车流数据的归一化预测值进行反归一化处理，得到对指定时间间隔的车流数据预测值。

6.根据权利要求4所述的基于时空残差网络的车流量预测方法，其特征在于：调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差的具体步骤为：根据已训练车流预测模型预测指定时间间隔的车流，并评估预测误差。

7.一种基于时空残差网络的车流量预测装置，其特征在于，包括：

区域映射变换模块：用于获取一个城市的地理经纬度，将所述城市根据获取的地理经纬度按照一定的比例映射为一个I*J的网格，其中每一个方格代表一个区域；

数据采集模块：用于将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据；

数据处理模块：用于对所述收集的数据进行归一化预处理；

训练模型模块：用于根据预处理过的数据，对已设置合理参数的时空残差网络模型进行训练，形成已训练车流预测模型；

评估预测误差模块：用于调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。

8.根据权利要求7所述的基于时空残差网络的车流量预测装置，其特征在于，还包括：时空残差网络预测模型参数设定模块：用于对时空残差网络预测模型的各个参数进行合理设定。

9.根据权利要求7或8所述的基于时空残差网络的车流量预测装置，其特征在于，训练模型模块包括：

划分模块：用于将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集；

训练模块：用于根据训练数据集，在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练，得到对应的对下一指定时间间隔的车流数据的归一化预测值；

处理模块：用于将所述下一指定时间间隔的车流数据的归一化预测值进行反归一化处理，得到对指定时间间隔的车流数据预测值。