[发明专利]基于多路段时空相关的城市交通路段速度预测方法及系统

说明书

本公开公开了基于多路段时空相关的城市交通路段速度预测方法及系统，包括：获取待预测路段所对应的最佳特征子集中所有路段的最近p个历史时间点的速度；p为正整数；将获取的所述最近p个历史时间点的速度，输入到预训练的GRU神经网络中，输出待预测路段的第p+1个时间点的预测速度。该预测模型从交通参数、路段连通性、道路等级等方面定量且动态地考虑了路网内所有路段之间的时空相关性，并且可以从路网中选择有助于待预测路段速度预测的路段子集。该预测模型可以实现城市交通路段的速度精准预测。

技术领域

本公开涉及城市交通路段速度预测技术领域，特别是涉及基于多路段时空相关的城市交通路段速度预测方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

交通拥堵是现代城市常见问题，预先准确的交通信息对提高出行者出行效率、缓解交通拥堵具有积极作用。速度是反映道路状态的核心指标，城市交通数据呈指数型增长为挖掘交通现象内在机制，实现交通参数预测提供了有力的数据支持。

在交通流参数及状态预测领域，主流预测方法有两种，一是统计分析方法为基础的预测方法，另外则为人工神经网络算法。其中人工神经网络因其良好的非线性预测能力而被广泛用于交通预测，随着深度学习的发展，具有浅层结构的人工神经网络预测精度较低且计算能力较差，一些研究采用深度学习算法进行交通预测获得了优异效果。

交通数据蕴含丰富的时空关系，现有的考虑路段空间相关的预测方法根据空间范围可以分为不考虑空间相关、考虑上下游路段相关、一定范围路网空间相关3种情形。许多预测研究不考虑或仅考虑上下游路段与待预测路段的相关性，不能充分获取路段间的相互影响，预测精度受限；而考虑路网范围内多路段的空间相关性是目前流行的预测方向，大多研究在考虑相关性时仅考虑交通参数的数值相关性，但路段间的时空相关性与路段距离、路段方向等因素均存在联系。现有一些研究利用各种方法实现对路网内多路段状态的空间相关度量，现有技术中有直接采用路段间距离函数度量路段间的空间相关性，对包含88个固定检测器的路网进行分析，但仅考虑路段距离只能静态确定路段间的空间相关性；现有技术中有指出超过100个检测器数据与待预测检测器数据相关，将交通状态划分为拥堵与畅通2种状态，提出p检测分数用路段状态进行特征选择以衡量每个检测器的状态分类能力，根据预测精度确定最优特征数量，利用高斯模型预测某一检测器处拥堵概率，但忽略了路网拓扑关系；现有技术中有以路网中35个检测器数据为研究对象，采用K最近邻算法，以LSTM模型预测结果最优为原则，由待预测参数的关系确定了最优输入特征数量，但仅考虑了相关路段数量的降低，忽略了不同路段组合的预测效果；现有技术中有选择33个检测点位的路网为研究对象，利用一维卷积神经网络来获取交通流的空间特征，利用两个长短时记忆神经网络来挖掘交通流的短期变化性和周期性，但仅考虑了交通流量的数量关系，没有考虑实际路网中其它因素的影响。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

许多交通参数预测方法在空间相关性的范围或确定方法上，仅依据上下游路段或者忽略实际路网情况仅依据待预测路段与其它路段待预测参数的关系。

发明内容

为了解决现有技术的不足，本公开提供了基于多路段时空相关的城市交通路段速度预测方法及系统；

第一方面，本公开提供了基于多路段时空相关的城市交通路段速度预测方法；

基于多路段时空相关的城市交通路段速度预测方法，包括：

获取待预测路段所对应的最佳特征子集中所有路段的最近p个历史时间点的速度；p为正整数；

将获取的所述最近p个历史时间点的速度，输入到预训练的GRU神经网络中，输出待预测路段的第p+1个时间点的预测速度。

第二方面，本公开还提供了基于多路段时空相关的城市交通路段速度预测系统；