[发明专利]一种基于LSTM-CNN的城市路网交通状态预测方法

权利要求书

1.一种基于LSTM-CNN的城市路网交通状态预测方法，其特征在于，包括以下步骤：

步骤S1：对路网的历史车速进行估计计算；

所述步骤S1通过卡口检测的数据和/或浮动车的数据对路网的历史车速进行估计；

其中通过卡口检测的数据对路网的历史车速进行估计的具体过程如下：

步骤S101：筛选T时段路网所有的过车记录R；

步骤S102：判断R是否为空，若是，执行步骤S103；若否，执行步骤S104；

步骤S103：统计所有估计速度，将属于同一路段的结果取平均值；

步骤S104：筛选车牌C所有记录Rc，按时间顺序升序排列；

步骤S105：设Rc第一条记录序号t＝0；共包含记录数Nc；

步骤S106：判断t+1≤Nc是否成立，若否，执行步骤S102；若是，执行步骤S107；

步骤S107：判断t和t+1的记录对应的卡口是否是相邻卡口；若否，执行步骤S108；若是，执行步骤S110；

步骤S108：根据迪杰斯特拉算法重构卡口对之间的路段，设重构后路段集合为S＝{s_i|i＝1，2…k}，i表示不同的路段；

步骤S109：根据路段长度分配行程时间d_j表示路段j的长度；d_i表示路段i的长度，T_t，t+1表示某辆车在t，t+1两条记录间的行程时间；

步骤S110：计算两卡口间路段的车速

步骤S111：令t＝t+1，然后执行步骤S106；

所述步骤S1通过浮动车的数据对路网的历史车速进行估计的具体过程如下：

设每条车辆轨迹L_l，l＝1，2，...N由若干车辆观测记录r_lj，j＝1，2，...，n_l组成，N表示总的车辆轨迹数；n_l表示轨迹L_l的总的行驶记录观测数；None表示轨迹终止，将每条行驶轨迹记录的行程时间用向量T_l表示，T_l中的每个元素t_r表示每个车辆第r条行驶记录观测的行程时间，为n_l×1的向量，每个路段s的长度用d_s表示，对于每条轨迹L_l，构造矩阵分配该轨迹在路网各路段的行驶距离，其中|S|表示路网中路段总数；D^l(i，j)表示对于第l条车辆轨迹，第i条车辆行驶记录被观测到在路段j上行驶的距离；

设路网共包含路段数为|S|＝3，共出现车辆轨迹数N＝2，第一条轨迹中车辆行驶记录观测的总数n₁＝2，包含的车辆观测记录是r₁₁，r₁₂；在第二条轨迹中，车辆行驶记录观测的总数n₂＝3，包含的车辆观测记录是r₂₁，r₂₂，r₂₃，路段s₁，s₂，s₃的速度分别v₁，v₂，v₃，则两条轨迹行程时间的估计值分别为：

其中为第一条轨迹第1，2条观测记录的估计行程时间，为第二条轨迹第1，2，3条观测记录的估计行程时间；

则速度估计问题可以转化为以下优化问题：

其中，s.t.v_j＞0，j＝1，2，3；

把上述问题归纳为一般形式如下：

其中，s.t.v_j＞0，j＝1，2，3…N；

V为N×1向量，表示路网各个路段的估计速度，T_l和分别表示轨迹L_l各条观测记录的实际行程时间和估计行程时间；

通过遗传算法求解该问题，即可得到估计的速度信息；

步骤S2：基于获得的历史车速信息构建邻接矩阵；

步骤S3：构建LSTM-CNN神经网络；

步骤S4：将邻接矩阵作为输入对LSTM-CNN神经网络进行训练，并利用梯度下降法更新优化LSTM-CNN神经网络的参数；

步骤S5：步骤S5迭代进行直至LSTM-CNN神经网络收敛；

步骤S6：向LSTM-CNN神经网络输入实时的车速信息的邻接矩阵，对路网交通状态进行预测。