[发明专利]一种基于时空大数据的交通量预测方法及装置

权利要求书

1.一种基于时空大数据的交通量预测方法，其特征在于，包括以下步骤：

获取目标检测路段在一定时间间隔的交通流信息；

对交通流信息按照网格图形式进行存储；

对存储的交通流信息进行建模并提取空间异质性和时间异质性；

利用CNN的输出经过参数重整作为LSTM的输入得到预测结果；

所述对交通流信息按照网格图形式进行存储；具体包括：

对城市道路按照经度和纬度转化成网格图；

将目标检测路段所在城市按照经度和纬度映射在一张网格图上，网格图中每一个小格子内的数值表示当前区域交通量；

按照一定的时间间隔检测获取需要预测路段以及该城市其他道路的交通量历史值并按照网格图的形式存储；

所述利用CNN的输出经过参数重整作为LSTM的输入得到预测结果，包括：将CNN关于不同时间间隔空间异质性对当前路段所产生的影响作为LSTM的输入值，得到空间依赖与时间依赖相结合之后产生的未来时刻交通量作为预测结果；

所述获取目标检测路段在一定时间间隔的交通流信息；具体包括：收集目标检测路段及其周围路段的道路检测器在一定时间间隔内检测的交通流信息；

所述对城市道路按照经度和纬度转化成网格图；具体包括：

将城市进行分割，按照各个道路所在经度和纬度映射在一个M×N的网格图中，网格图中的每一个格子表示固定道路位置在当前时刻的交通状况，称为交通栅格数据；

映射后的网格图中存在大量的空白格，表示这些区域没有道路；

通过压缩存储算法将原始的M×N网格图进行压缩得到密集的I×J网格图，其中I×J网格图与M×N网格图的道路空间拓扑关系相同；

所述对存储的交通流信息进行建模并提取空间异质性和时间异质性；具体包括：

将存储的多张网格图作为卷积神经网络3D CNN的输入，利用3D CNN对预测路段附近路网的空间依赖关系进行建模；

利用3DCNN提取预测路段关于空间和时间的依赖关系，提取空间异质性；

将3D CNN的输出经过参数重整作为LSTM的输入对预测路段固定间隔时间历史数据之间的时间依赖关系进行建模；

利用LSTM提取预测路段关于时间上的依赖关系，提取时间异质性。

2.根据权利要求1所述的一种基于时空大数据的交通量预测方法，其特征在于，所述按照一定的时间间隔检测获取需要预测路段以及该城市其他道路的交通量历史值并按照网格图的形式存储；具体包括：

根据道路检测器设置总的时间间隔以及每张网格图所包含的信息的时间间隔；

将各个路段的道路检测器在每个时间间隔收集到的当前时间段交通量测量值并存储；

对存储的交通量测量值进行转化形成网格图形成交通栅格数据。

3.根据权利要求1所述的一种基于时空大数据的交通量预测方法，其特征在于，所述利用3DCNN提取预测路段关于空间和时间的依赖关系，提取空间异质性；具体包括：

利用CNN池化层池化机制中的max-pooling方法在保留主要特征的基础上来减少下一层参数；

利用反向传播机制缩小误差进行参数优化；

不断进行参数更改，获取层数参数以及滤波器参数设置；

利用3D CNN卷积层提取目标道路的空间异质性。

4.根据权利要求1所述的一种基于时空大数据的交通量预测方法，其特征在于，所述利用LSTM提取预测路段关于时间上的依赖关系，提取时间异质性，具体包括：

将预测路段一段时间间隔的历史数据作为LSTM的输入数据；

利用LSTM的框架，根据当前路段历史数据提取时间上异质性。

5.根据权利要求1-4中任一所述的一种基于时空大数据的交通量预测方法提出一种基于时空大数据的交通量预测装置，其特征在于，包括：

数据收集模块，获取目标检测路段在一定时间间隔的交通流信息；

数据存储模块，对交通流信息按照网格图形式进行存储；

建模模块，对存储的交通流信息进行建模并提取空间异质性和时间异质性；

预测模块，利用CNN的输出经过参数重整作为LSTM的输入得到预测路段交通量。