[发明专利]一种交通运力分布预测方法

摘要

本发明公开了一种交通运力分布预测方法。本发明包括一种基于ConvLSTM网络的运力分布预测框架。首先它将待预测地区划分成不同的子区域，分别统计各个子区域中的离开车辆数据和到达车辆数据，根据时间维度将其处理成离开车辆历史快照序列数据和到达车辆历史快照序列数据；然后搭建预测网络框架，训练得到每个子网络的最优权重，并保存。最后利用融合层对子网络的初步结果进行融合，得到最终运力分布预测结果。本发明可用于实际场景当中，它能够获取交通轨迹数据中的时空特性，同时该发明中的运力分布预测框架能够扩展到其他时空数据领域，处理类似问题，具有良好的普适性。

主权项

1.一种交通运力分布预测方法，包括以下步骤：步骤一、处理车辆的GPS轨迹数据：(1)对预测地区车辆的GPS轨迹数据进行预处理，提取出每辆车起点和终点的GPS轨迹数据并加入时间维度；(2)将预测地区按道路划分成子区域，根据经过预处理后的所述车辆的起点和终点的GPS轨迹数据的位置信息，分别统计处于历史时刻下的每个子区域的离开车辆和到达车辆；然后，将统计的结果按照子区域位置进行填充，分别形成该子区域的离开车辆历史数据快照和到达车辆历史数据快照；(3)分别对离开车辆数据和到达车辆数据进行整理，将距离当前t时刻的前m个小时的历史快照数据按照时间先后进行叠加，分别形成在时间维度下的一段数据快照序列{LD_t‑1,LD_t‑2,…,LD_t‑m}；{AD_t‑1,AD_t‑2,…,AD_t‑m}；其中，LD_t‑1、AD_t‑1分别表示距离当前时间1个小时内的离开车辆数据和到达车辆数据，LD_t‑m、AD_t‑m分别表示距离当前时间m个小时的离开车辆数据和到达车辆数据，式中，0≤t≤24，表示一天中的取值时刻，m>0且m为整数，表示t时刻之前的历史快照数据取值时间；步骤二、构建神经网络预测模型：按照整理后的车辆GPS轨迹数据，设计孪生神经网络预测框架以及构建子网络1和子网络2；子网络1处理离开车辆历史快照数据，子网络2处理到达车辆历史快照数据，子网络间共享权重，其中，子网络中的卷积长短记忆神经网络负责获取时空数据中的时空性特征；批量化神经网络负责加速训练，调整数据竞争方向；三维卷积层负责最后特征的融合；最后，孪生神经网络预测框架的融合层负责融合子网络的输出，得到运力分布预测结果；步骤三、子网络预测的输出与融合：(1)首先将上述历史快照数据划分为训练集和预测集，然后将训练集中的离开车辆历史快照数据和到达车辆历史快照数据作为两个输入，分别放入孪生神经网络预测框架中的子网络1和子网络2进行训练，得到优化的非线性权重，进行保存；然后将预测集输入到神经网络预测框架中的子网络1和子网络2，利用优化的非线性权重，分别得到两个子网络的输出，再将其输入到融合层；(2)将子网络的输出，利用公式：FD_t＝Sub(AD_t,LD_t)进行融合，得到最终的运力分布预测结果；式中：AD_t、LD_t，分别表示到达车辆数据和离开车辆数据对应子网络的输出；FD_t表示融合后的t时刻运力分布的预测结果，Sub表示融合函数。