[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

说明书

本发明请求保护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，属于智能交通分析领域。第一，获取数据源，并做数据处理。第二，交通卡口关联性分析。根据轨迹集中交通卡口的上下文关系，使用统计概率模型构建关联空间，按照关联空间中的相对位置度量交通卡口之间的关联性；第三，按照向量空间相似性对卡口进行划分，根据交通卡口向量之间表现出的交通时空关系，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，找到具有交通流量相似性的卡口组。第四，预测和分析过程，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。

技术领域

本发明属于智能交通数据分析领域，涉及交通流量预测，对单个用户车辆历史行为轨迹分析研究，是一种基于车辆轨迹数据分析的卡口车流量预测方法。

背景技术

随着城市的迅速发展和大数据技术的广泛应用，交通系统面临的问题越来越严重，用户每天产生的交通数据也越来越多，为提高用户的出行效率，人们基于大数据技术，不断探索解决交通问题的方法，如分析道路拥挤程度，分析交通卡口的车流量等来解决交通道路拥挤带来的问题。

近年来，对交通系统卡口车流量预测方法的分析研究受到了越来越多的相关企业的关注，当前对车流量预测的研究方法主要包括基于交通路网时空特性的分析、基于相邻卡口交通流的分析和基于单一卡口时间序列的分析等。在针对交通系统的车流量预测研究中，多数研究主要从交通的时空特性展开，结合交通流数据的周期特点进行短时交通流预测。

然而，现有的基于时空特性的交通车流量预测方法虽然取得了一定的效果，但实际应用中由于存在交通数据丢失的情况，造成用于进行训练预测模型的交通数据存在严重的数据稀疏问题，传统的预测方法很难达到理想效果。与此同时，对交通卡口进行无差异划分，无法体现不同卡口之间的空间差异性，造成预测方法一定程度上忽略了交通路网的空间特性，增大了预测的偏差。

基于轨迹数据的交通流量预测方法主要目的在于：通过挖掘历史交通数据的变化特征，来发现交通路网的空间特性，同时考虑历史数据，对未来一段时间的车流量进行预测，进而能够为交通流变化趋势和交通引导提供基础数据支撑。本文对交通车流量预测方法的研究，在时间层面上分析历史数据与未来数据的相关关系，捕捉交通流时间序列的变化特性。在空间层面上，通过引入词嵌入技术，对车辆轨迹的语义相似性进行分析，对交通卡口进行建模分析。进而，根据卡口之间的语义相似性，结合建模分析，将具有语义相似性的交通卡口进行聚类划分。同时，在时间序列上，根据交通流数据表现出的时序关联性，使用循环神经网络对交通流数据进行预测。本发明综合以上交通数据的特性，对交通卡口进行了建模划分，提出了一种基于车辆轨迹语义相似性的交通路网建模方法，采用循环神经网络对交通车流量进行预测。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高了预测准确率的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。本发明的技术方案如下：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，其中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；