[发明专利]一种基于三维卷积神经网络的路网状态时空预测方法

说明书

一种基于三维卷积神经网络的路网状态时空预测方法，通过计算机应用作为预测的工具，预测分为六个步骤，具体步骤如下，步骤A:数据处理；步骤B：根据步骤A所得数据进行路段状态的计算；步骤C：根据步骤B所得数据，将数据转化成路网状态时空矩阵；步骤D：路网数据网格化；步骤E:根据步骤D所得网格化数据建立三维卷积神经网络路网状态预测模型；步骤F：对步骤E所得模型相关内容优化。本发明通过六个步骤计算所得的结果，针对的对象涵盖范围更广，把路网更新时间尺度能缩小到两分钟，对于智能交通系统的管理与控制有着较强的实际意义，从而为智能交通系统(ITS)建设的实现起到了有力的技术支撑。综上，本发明具有好的应用前景。

技术领域

本发明涉及交通路网预测方法技术领域，特别是一种基于三维卷积神经网络的路网状态时空预测方法。

背景技术

随着我国经济的持续稳定发展，人们的物质生活和精神需求逐步提高，对快捷性和舒适度的出行要求也越来越高，由于小汽车等出行量持续攀升，相应的交通拥堵也更加突出。交通拥堵已经成为发达国家，特别是一些发展中国家面临的一个社会问题。解决交通拥堵不能局限于建设道路、安装交通辅助设备等。实际情况下，要从根本上解决交通拥堵问题，应该规范驾驶员和乘车人的行为，提供更科学合理的路径识别，提高路网整体的利用效率，这样会达到事半功倍的效果。然后要实现上述目的，直接关系到一个问题，那就是交通数据预测。在交通数据预测之中，如何预测道路的通畅程度，利用以往的交通量资料，对交通量进行短期预测，成为了必不可少的工作。目前交通部门正在大规模发展的智能交通系统(ITS)更需要准确、实时的交通数据预测作为基础，因此交通状态预测更是交通控制中的一个重要环节。

目前传统的预测方法中，虽然短期内交通预测部分道路技术已经有了一定发展，但新兴的智能交通技术(ITS)要求交通预测不仅可以预测部分道路，更要预测较大范围区域路网的交通数据，乃至扩展到整个城市网络，因此目前技术，预测仅仅几条道路不仅效率上较低，同时对长距离出行路径选择没有足够的参考价值。

总的来说，现在传统的预测方法主要有两方面的不足。一方面，许多学者对单一纬度、如时间序列的预测做了丰富的研究，也完成了路段层面交通预测的诸多工作，但对于如动态路径诱导以及堵点的预测等工作都需要更大范围的交通状态预测，因此现有基于路段层面的交通状态预测，缺乏对于路段间空间关系的挖掘。事实上，交通状态不仅有时间关联性，还有空间关联性，而空间的关联往往随时间动态变化而变化。另一方面，在现有的研究中，传统的参数化预测方法采用统计方法、分析模型(如行程时间函数、排队模型)或交通仿真模型，尽管这些模型对交通的时间演化规律进行了较为合理的理论或物理假设，但都存在着不小的问题。主要存在以下问题：时间序列等统计方法对非线性、波动较大的数据预测效果不佳，而各种模型需要同步数据来支持内部模型变量，而这些数据往往较难获取，因此应用还存在较大不足，不能有效满足智能交通系统(ITS)的建设需要。

发明内容

为了克服现有交通预测方法在时空规律数据上挖掘的不足，不能有效满足智能交通系统(ITS)建设需要的弊端，本发明提供了将包含普通道路、高架、辅路、交叉口的复杂路网作为研究计算对象，针对的对象涵盖范围更广，用单通道矩阵代替了多通道图像的输入，有效利用了运动的交通状态数据自动特征提取，同步对时空特征进行计算，有助于对时间维度规律的挖掘，有效地利用了历史状态信息进行时空特征提取，最后所得预测模型把路网更新时间尺度能缩小到两分钟，从而为智能交通系统(ITS)建设的实现起到了有力技术支撑的一种基于三维卷积神经网络的路网状态时空预测方法。

本发明解决其技术问题所采用的技术方案是：