[发明专利]面向卡口相似性划分和循环神经网络的交通流量预测方法

权利要求书

1.一种面向卡口相似性划分和循环神经网络的交通流量预测方法，其特征在于，包括以下步骤：

步骤1、获取数据源：直接从现有的交通大数据开源平台或者从交通管理部门获取包括用户的车辆信息及其在各个卡口的过车信息集合在内的数据源，并进行预处理；

步骤2、卡口上下文分析步骤：首先提取用户轨迹中用于表示位置的交通卡口集；其次根据若干条轨迹中交通卡口的位置相似性，提取不同交通卡口的相似性，集中卡口存在的上下文关系，使用相对位置表征相似程度；最后构建交通卡口的向量空间，使得运用卡口向量集表征卡口间的交通时空关系；

步骤3、卡口语义相似性分析步骤：根据交通卡口向量之间表现出的交通时空关系，对用户的历史轨迹数据进行数据分析，使用AP聚类算法对卡口空间的卡口向量集进行无监督聚类分析，找到各个卡口具有交通流量相似性的卡口，为后续的交通流量预测提供信息；

步骤4、预测与分析步骤：利用卡口的历史交通流量数据和具有流量相似性卡口的历史数据，建立循环神经网络预测模型，通过综合考虑时序特性和空间相关性预测卡口的交通流量；

所述步骤4的预测与分析步骤具体包括：

S41：将步骤1获取的数据集划分为训练集和验证集：经过步骤2和3，得到具有较高语义相似性的卡口组，并且按照时间间隔得到这些卡口组的历史交通流量数据，将这些数据组成矩阵形式作为训练集和验证集，假设卡口组的卡口数量为v，时间间隔数量为m，卡口总数为C,则训练集中每个样本的用维度为v*m的矩阵表示，而标签则为该卡口组所有卡口下一时刻的交通流量，使用v*C维的one-hot编码表示，测试集同理；

S42：构建循环神经网络预测模型，循环神经网络分为前向传播和反向传播两个过程，前向传播输入序列为{x₁,x₂,x₃,x₄,x₅}，每一步输入通过一定规则对隐含层状态h产生影响，在接受最后一步输入x₅时，x₅与h共同作用产生输出，输出与数据标签进行误差计算，反向传播将前向传播产生的预测误差向前传播，不断更新神经网络的权重矩阵，通过前向传播和反向传播训练得到整个网络的所有权重参数，得到最后的模型；

所述步骤3卡口语义相似性分析步骤具体包括：

S31：结合交通轨迹的时空关联性和轨迹模式，使用AP算法，AP算法默认将所有节点都看作潜在的聚类中心，并通过节点之间通信来选举找出最终的聚类中心，AP算法的输入是点之间的相似度矩阵，并且设置吸引度和归属度两个矩阵，吸引度r(i,k)是描述k作为i的聚类中心的可信度,归属度a(i,k)为i选择k作为聚类中心的可信程度，两者公式如下所示：

其中，i,j,k分别表示AP算法输入的各个数据点，s(i,k)表示数据点i和k之间的相似度矩阵，a_t(i,j)表示为数据点i选择j作为聚类中心的可信度，r_t(i,j)表示数据点j作为i的聚类中心的可信度；

S32：随后开始迭代计算两个矩阵，直到达到预定的迭代次数或者迭代结果保持不变，则算法结束，AP算法还在迭代时引入了介于0～1之间的衰减系数λ，加入系数后迭代公式变为下面两式，AP算法通过相似度进行聚类，聚类中心的数目不是固定的，公式如下：r_t+1(i,k)＝(1-λ)r_t+1(i,k)+λr_t(i,k)

a_t+1(i,k)＝(1-λ)a_t+1(i,k)+λa_t(i,k)。

2.根据权利要求1所述的一种面向卡口相似性划分和循环神经网络的交通流量预测方法，其特征在于，所述步骤1的预处理步骤包括：对数据源重复数据、无效数据进行清洗。

3.根据权利要求1所述的一种面向卡口相似性划分和循环神经网络的交通流量预测方法，其特征在于，所述步骤2中的卡口上下文分析步骤具体包括：

S21：定义交通卡口间的关联性：将使用统计概率模型来定义关联性，取轨迹c₁,c₂,…,c_n为车辆按时间顺序依次经过的交通卡口one-hot向量，n是轨迹中卡口数量，卡口c与轨迹中其他卡口关联性的计算公式为：

其中Context(c)表示卡口c的前后n-1个卡口，u用于在公式中表示Context(c)中的每一个卡口，Context(c_i)表示卡口c_i的前后n-1个卡口，即Context(c_i)＝{c_i-n+1,c_i-n+2,…,c_i-1,c_i+1,…,c_i+n-2,c_i+n-1}；

S22:构建向量空间：通过上述统计概率模型的描述，构造一个s维向量空间使得每一个c_i都可以在空间有唯一的映射向量并满足：

表示映射向量的集合，向量空间中与卡口关联性最强的就是和它同时出现在一条轨迹中的卡口，即由此得到空间嵌入后的轨迹集其中是交通卡口在空间的向量表示；其中是交通卡口c_i在空间的向量表示。