[发明专利]一种基于深度学习的路网交通态势预测方法及系统

说明书

一种基于深度学习的路网交通态势预测方法，包括以下步骤：S1、获取多源交通数据和路网静态配置信息，构建交通流参数模型；所述的多源交通数，包括互联网路段速度数据、检测器流量数据和信号机控制方案数据；所述的路网静态配置信息包括路网空间地理位置信息、路口编号、路段等级、路段长度、路段编号、车道编号和车道功能；S2、分析路网拥堵相关性，构建基本预测组团；S3、构造基于双阶段注意力机制的深度学习交通态势预测模型；S4、构建交通态势预测系统。本发明预测精度和可移植性较好。

技术领域

本发明涉及智能交通工程领域，尤其涉及一种基于深度学习的路网交通态势预测方法及系统。

背景技术

智能交通系统(ITS)的主要目标是实现交通控制和交通诱导的智能化，而可靠的交通态势预测是两者能否有效实现的决定因素。即利用当前的交通数据和历史交通规律，构造可靠的预测模型，对下一时刻路网的交通流参数(速度、流量等)进行预测。预测的结果可作为交通管理部门调整交通控制方案的依据，保障交通系统稳定、高效运转；同时，可提醒车辆及时调整行驶路线，减少市民的出行延误。

城市路网复杂的道路结构和交通系统具有的高度非线性，使得传统的预测模型难以有效学习路网交通具有的时空关联性，其预测精度和可移植性普遍较差。因此，一种可靠的、可移植的交通态势预测方法，是大数据时代城市交通智能控制亟待解决的难题。

近年来，越来越多的学者开始关注深度学习。研究表明，以数据驱动的深度学习模型能够很好的解决大量数据处理所带来的时效性以及准确性的问题，同时能够有效地提取数据之间的复杂特征。但如何将路网复杂的拓扑结构和多种来源的交通数据进行融合，转化为既充分描述城市交通流特性且保留路网时空关联特征的数据，是基于深度学习进行交通态势预测面临的一大难题。

发明内容

为了克服现有路网交通预测方式的预测精度和可移植性较差的不足，本发明提供一种基于深度学习的路网交通态势预测方法，采用多源交通数据融合的方式，结合轨迹数据、固定检测器数据以及信号机控制方案等，构建多元交通流参数模型。然后采用拥堵相关性分析法，找出预测对象在不同时间段交通流特征相似的道路，构建预测组团。并基于时间和空间双层注意力机制的改进LSTM深度学习模型，对路网交通隐含的复杂时空关联特征进行学习，构建多元交通流参数短时预测模型。

本发明解决其技术问题所采用的技术方案是：

一种基于深度学习的路网交通态势预测方法，包括以下步骤：

S1、获取多源交通数据和路网静态配置信息，构建交通流参数模型；

S2、分析路网拥堵相关性，构建基本预测组团；

S3、构造基于双阶段注意力机制的深度学习交通态势预测模型；

S4、构建交通态势预测系统。

进一步，所述步骤S1中，构建交通流参数模型包括以下步骤：

S1.1获取多源交通数据，进行预处理；

S1.2根据路段空间地理位置信息，建立不同交通数据之间的静态关联信息表；

S1.3统一多源交通数据的时间粒度，构建多元交通流参数模型。

再进一步，所述步骤S1.1中，所述的多源交通数，包括互联网路段速度数据、检测器流量数据和信号机控制方案数据；所述的路网静态配置信息包括路网空间地理位置信息、路口编号、路段等级、路段长度、路段编号、车道编号和车道功能；获取多源交通数据，并进行预处理的过程为：通过数据接口，实时订阅多源交通数据，并对异常数据进行过滤和修补。

更进一步，所述步骤S1.2中，构建不同交通数据之间的静态关联信息表的过程为：

基于GIS地理空间技术对互联网车辆速度数据进行线到线的位置匹配，将其与路网地理信息关联匹配；