[发明专利]一种车辆出行量预测模型构建方法及预测方法和系统

说明书

本发明公开了一种车辆出行量预测模型构建方法及预测方法和系统。所公开的模型构建方法是基于GCN和LSTM设计了深度神经网络Multi‑task GCN‑LSTM用于车辆出行量预测，网络包含三个模块，分别用于提取空间相关性、提取时间相关性和特征融合。所公开的预测方法和系统是基于本发明所构建的模型进行车辆出行量预测。本发明在构建模型时考虑了路段局部关系和路段全局关系，并将车辆到达量预测作为相关任务，使用了多任务学习方法，以避免网络过拟合，并且有效降低了车辆出行量预测误差。

技术领域

本发明涉及车辆交通流预测技术，具体涉及一种车辆出行量预测模型构建方法及车辆OD流预测方法与系统。

背景技术

交通预测任务是智能交通系统中一项至关重要的任务。交通预测任务的目标是根据已知的历史时段交通数据序列(如交通流量、车辆速度等)和现实路网数据来预测路网中未来某时段的对应交通状态。在交通预测任务中，实现准确、高效的车辆出行量预测尤其重要，也是最具挑战性的任务之一。实现准确、高效的车辆出行量预测有助于出行者选择合理的出行路线，城市管理部门进行科学的城市规划和公共车辆资源调度，缓解交通拥堵问题，减少公共资源的浪费。

目前的车辆出行量预测方法通常在空间上将城区划分为若干网格，对网格区域内的出行量进行预测。这种方法在空间上的预测粒度较粗，无法实现路段级别的出行量预测。

发明内容

针对现有技术的缺陷或不足，本发明提供了一种车辆出行量预测模型构建方法。

为此，本发明提供的一种车辆出行量预测模型构建方法包括：

(1)提取目标区域路网内各路段间的邻接关系，生成路段关系邻接矩阵，该路段关系邻接矩阵任一元素为为路段i和路段j的邻接关系，如果路段i和路段j直接相连，则否则为0；所述路段关系邻接矩阵大小为M×M，任一列表示当前列所表示的路段与其它各路段间的邻接关系，任一行表示当前行所表示的路段与其它各路段间的邻接关系，路段i和路段j均为目标区域路网内的任意路段，M为目标区域内路段总数量；

(2)对目标区域合理时间范围内的车辆轨迹数据进行清洗和校正，得到预处理数据；所述合理时间范围至少包括N个时隙，N为大于等于10的自然数；

(3)构建预处理数据的第n时隙至第n+K时隙内的车辆出行量矩阵和车辆到达量矩阵，

所述车辆出行量矩阵中的任一元素为x_(n+k,j)，x_(n+k,j)为第n+k时隙内路段j上产生的车辆出行量，所述车辆出行量矩阵大小为(K+1)行*M列，任一列向量为当前列所表示路段的出行量序列，任一行为当前行所表示时隙的出行量序列；

所述车辆到达量矩阵中的任一元素为y_(n+k,j)，y_(n+k,j)为第n+k时隙内路段j上产生的车辆到达量，所述车辆到达量矩阵大小为(K+1)行*M列，任一列向量为当前列所表示路段的到达量序列，任一行为当前行所表示时隙的到达量序列；

提取预处理数据中第n+K+1时隙内的车辆出行量向量和车辆到达量向量，

所述车辆出行量向量中的任一元素为x_(n+K+1,j)，x_(n+K+1,j)为第时隙n+K+1内路段j上产生的车辆出行量；

所述车辆到达量向量中的任一元素为y_(n+K+,j)，y_(n+K+1,j)为第时隙n+K+1内路段j上产生的车辆到达量；

n＝1,2,…,N-K-1，且n初始为1；

k＝1,2,3,…,K；K为大于等于7的自然数；