[发明专利]一种基于历史路况的短时路况预测方法、系统及设备

权利要求书

1.一种基于历史路况的短时路况预测方法，其特征在于，具体如下：

对时间域内的数据进行下采样来构造同质数据；

构造靶点的微观时空的时间近邻数据，对所述时间近邻数据进行标准化操作、维度统一和缩放，得到路况信息的微观语义特征；所述靶点为当前预测路段；

基于多次神经网络定义一个浅层语义捕捉器，将所述微观语义特征载入浅层的多层神经网络中，捕捉靶点的微观语义；

基于所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，得到宏观历史周期特征；

将所述宏观历史周期特征和靶点的微观语义融合得到载入特征；

将所得载入特征输入梯度提升决策树算法中，对载入特征进行随机抽样，按照k折交叉验证来进行多轮训练，得到推理模型；

对将要预测的路况，获取其载入特征后，将所述载入特征输入所述推理模型用于推理，得到关于未来路段短时路况语义的预测结果；对时间域内的数据进行下采样来构造同质数据具体为：按照宏观时空尺度，在历史的过去第一设定时间段中捕获相同路况在邻近时间区间的路况信息，另一方面，在过去第二设定时间段中的每个工作日，捕捉其邻近数据，第一时间段为7天，第二设定时间段为一个月，将所述邻近数据预处理后裁剪为时空分布数据，将文本格式数据处理为数值型数据，而后将数据存储，作为特征构建的母版数据；在构建的母版数据中获取每个数据的宏观周期数据，将宏观周期数据按照均值下采样的方法，进行下采样，而后获得该数据的同质数据；路况信息包括路段的法定信息、路段的物理信息；车流信息表示具体的时空车流信息量，数据结构为S＝[day,link,id,I]，S表示车流路况信息，day为靶点的日期，link为靶点的路段号，id为靶点在一天中的时间片，2Minute为一个时间片，I为靶点的时空邻域的车流信息，具体包括靶点当时路况及时空邻居节点的车流信息，具体的，I＝[eta,v,label,cars]，获取每个link的上游uppart和下游downpart的link段，组成每个link的拓扑结构，表示为：

L＝{l_i,L_up,L_down},L_up＝{l_up1,l_up2...,l_upn},L_down＝{l_down1,l_down2...,l_downm}

l_i表示第i个靶点路段，L_up表示l_i的上游路段，L_up＝{l_up1,l_up2...,l_upn}，上游路段由具体的路段l_upj组成，下游路段同理；

对靶点的路况信息info(day,id,I)，获取其过去一个月中相同工作日邻近时间区间的路况信息，具体为：

{info(day',id',I)},day'＝[-7day,-14day,-21day,-28day],id'＝[id±r],r＝{1,2,3}

通过上式获取每个靶点在过去四个工作日的时间近邻路况信息，将所述时间近邻路况信息按照工作日分组，对于分组后的每组路况信息，对所述时间近邻路况信息进行均值下采样，将离散数据变为连续数据：

基于所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，得到宏观历史周期特征时，定义两个不同尺度的时间周期，来提取车辆信息的宏观历史周期特征：

第一时间周期为一个月内相同工作日的四天；第二时间周期为一周内的七天；

对第一时间周期进行特征抽取，获取靶点过去一月内每个相同工作日的路况信息，然后对数据进行下采样，获取基于第一时间周期的历史时间特征，将所述历史时间特征加入特征组，对第二时间周期进行特征抽取，首先获取靶点过去一周每天邻近时间域内的路况信息：

对数据进行下采样，获取基于第二时间周期的历史时间特征，将所述历史时间特征加入特征组中，得到：

F＝[Link,cid,fid,I'_-1week,...I'_-1week,I'_-1day...I'_-6day]。