[发明专利]基于时空数据的出行需求预测方法及系统

说明书

本发明公开了一种基于时空数据的出行需求预测方法及系统，方法包括：从原始采样轨迹中抽取出有用轨迹；构建城市路网的空间索引；对采样轨迹中的每个采样点，检索其周边的候选路段，并计算初始状态概率、改进的测量概率和转换概率，求解车辆行驶路径；引入方向角这一元信息，将采集到的海量车辆轨迹匹配到城市路网中，探索城市路网当中的热点路段；设计了基于门控扩散单元的居民出行需求预测算法，且为了提高该算法的实用性，设计了基于Seq2Seq结构的多步预测模型。本发明方法能够捕获车辆轨迹数据中复杂的时空依赖关系，挖掘其内在模式，精准预测居民出行需求。

技术领域

本发明属于流量预测领域，特别涉及一种基于时空数据的出行需求预测方法及系统。

背景技术

配备GPS的车辆是一种重要的传感装置，其轨迹直接反映着城市居民的行程。车辆的轨迹可以相当精确地告诉我们乘客的位置、乘客的上车点、乘客的目的地和司机选择的行驶路线。由于所服务的乘客的多样以及它们的持续运行性，车辆的GPS轨迹为研究城市流动人口的动机、行为和动态提供了丰富而详细的信息。对车辆轨迹数据的挖掘，对于充分理解城市居民流动起着重要作用。

居民出行需求是社会动态中的重要部分，与居民日常生活息息相关。对于城市居民而言，准确的出行需求预测可以显著减少其等待时间，保证其出行效率。对于车辆管理部门而言，准确的出行需求预测可以对车辆进行合理调度，最大化效益。最后对于政府而言，准确的出行需求预测可以缓解交通拥堵，优化城市结构。

车辆轨迹匹配即结合城市路网数据，将原始的GPS点映射到城市路网当中，最后形成用路网编号来表示的轨迹，也简称为地图匹配。目前有大量对地图匹配算法的研究，包括局部地图匹配算法和全局地图匹配算法等。近年来，随着地图匹配算法的深入研究，隐马尔科夫模型、条件随机场(CRF)和带权图结构模型(WGT)等三种状态-转换模型逐渐成为了主流的地图匹配模型。其中，隐马尔科夫模型是一个时序模型，给定观测值序列去反推出最有可能的未知的状态序列。在地图匹配中，观测值序列就是采样点序列，而未知的状态序列就是采样点对应的路段组成的序列。因此，隐马尔科夫模型天然适用于地图匹配而且现已被广泛使用。然而，在数据的采集过程中，由于城市路网结构错综复杂，车辆种类繁多，各区域交通状态不尽相同，复杂的城市环境下数据的采集可能会带来部分数据的缺失。例如，车辆在进入隧道、地下室时，信号会缺失，导致采集设备难以正常工作。数据的噪声和缺失会给对出行需求预测的准确度带来影响。

居民出行需求预测本质上是基于时空数据的预测问题，常用的方法包括传统的差分整合移动平均自回归模型(ARIMA)、基于机器学习的方法如最近邻算法(KNN)以及基于深度学习的方法如长短期记忆网络(LSTM)等。然而，城市交通数据往往具有很强的非线性并且在时间和空间上具有较强的联系。在空间上，当前站点的需求会受到周边临近区域站点需求的影响，并且这种影响是动态变化的，而非静态的。在时间上，站点的需求往往呈现周期性的变化。例如，某一时刻的临近时刻，不同天的相同时刻等等。因此，在居民出行需求预测的研究当中，如何挖掘这种非线性关系、捕获时空相关依赖就成了关键环节。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种基于时空数据的出行需求预测方法及系统。

实现本发明目的的技术解决方案为：一种基于时空数据的出行需求预测方法，所述方法包括以下步骤：

步骤1，采集原始车辆轨迹数据，并进行预处理以获得所需的轨迹数据；

步骤2，基于轨迹数据和城市路网数据，进行车辆轨迹地图匹配；

步骤3，基于地图匹配结果进行出行需求预测。

进一步地，步骤1中所述车辆轨迹数据，包括车辆编号、采样时间、车辆经度、车辆纬度、车辆速度和方向角；步骤2中所述城市路网数据包括路段的起点、终点、道路等级、限速和长度。

进一步地，步骤1中所述预处理具体包括：