一种基于多源数据的路况预测方法及系统与流程

本发明涉及智能交通管理领域，特别涉及一种基于多源数据的路况预测方法及系统。

背景技术：

1、随着城市交通和智能交通技术的快速发展，交通时空数据爆炸式增长，城市道路通行效率并没有提升甚至还在下降，为了预测未来的交通态势，为缓解交通拥堵提供依据，涌现了很多交通流预测方法，如神经网络方法、时序预测方法等。

2、目前通常是通过长短期记忆神经网络进行路况预测，过长短期记忆神经网络是一种特殊的循环神经网络。循环神经网络对具有序列特性的数据非常有效，它能挖掘数据中的时序信息，但是它会储存所有的信息，这就会导致距离当前时间更久的数据和稍近的数据对模型结果的贡献是相同的，在进行路况预测时，导致预测准确率降低：并且道路网是一个复杂网络，一条道路的拥堵，可能是由相邻道路逐渐或突然传播而来，因此，只考虑道路本身交通状况的时序变化来预测未来的交通状况，会导致路况预测准确率较低。

技术实现思路

1、为解决上述技术问题，本发明提供一种基于多源数据的路况预测方法及系统，可以解决现有路况预测准确率较低的问题。

2、为实现上述目的，一方面，本发明提供一种基于多源数据的路况预测方法，所述方法包括：

3、获取各个路段的路段静态信息、时序路况信息、以及各个路段的道路拓扑关系；

4、将所述路段静态信息、时序路况信息、以及各个路段的道路拓扑关系按照静态特征、动态特征、以及模型要求进行处理，生成训练集、测试集、验证集；

5、将所述训练集和测试集输入到包含有长短期记忆神经网络和深度神经网络二层结构模型中进行训练，输出模型结果；

6、若所述模型结果满足预设条件，则根据所述包含有长短期记忆神经网络和深度神经网络二层结构模型进行实时路况预测。

7、进一步地，所述将所述路段静态信息、时序路况信息、以及各个路段的道路拓扑关系按照静态特征、动态特征、以及模型要求进行处理，生成训练集、测试集、验证集的步骤之前，所述方法还包括：

8、将所述路段静态信息、时序路况信息、以及各个路段的道路拓扑关系中一个预设连续时间片中缺失较少的中间数据进行线性滑动填充；

9、将数据值偏差大于预设阈值的数据删除。

10、进一步地，所述将所述训练集和测试集输入到包含有长短期记忆神经网络和深度神经网络二层结构模型中进行训练，输出模型结果的步骤之前，所述方法还包括：

11、构建二层结构模型，其中，第一层为长短期记忆神经网络，所述长短期记忆神经网络包括忘记阶段、选择记忆阶段、输出阶段，第二层为深度神经网络，所述深度神经网络包括输入层、隐藏层和输出层。

12、进一步地，所述将所述训练集和测试集输入到包含有长短期记忆神经网络和深度神经网络二层结构模型中进行训练，输出模型结果的步骤包括：

13、将训练集和测试集输入到模型中进行训练；

14、判断输出的模型结果的平均绝对误差是否小于或等于预设阈值；

15、若是，则输出模型结果；

16、若否，则更新所述二层结构模型的学习率、网络层数、每层的神经元数量。

17、进一步地，所述若所述模型结果满足预设条件，则根据所述包含有长短期记忆神经网络和深度神经网络二层结构模型进行实时路况预测的步骤之前，所述方法还包括：

18、将所述验证集输入到训练好的二层结构模型，得到验证集的预测结果；

19、通过预置准确率评价算法判断所述模型结果满足预设条件。

20、另一方面，本发明提供一种基于多源数据的路况预测系统，所述系统包括：获取单元，用于获取各个路段的路段静态信息、时序路况信息、以及各个路段的道路拓扑关系；

21、生成单元，用于将所述路段静态信息、时序路况信息、以及各个路段的道路拓扑关系按照静态特征、动态特征、以及模型要求进行处理，生成训练集、测试集、验证集；

22、训练单元，用于将所述训练集和测试集输入到包含有长短期记忆神经网络和深度神经网络二层结构模型中进行训练，输出模型结果；

23、预测单元，用于若所述模型结果满足预设条件，则根据所述包含有长短期记忆神经网络和深度神经网络二层结构模型进行实时路况预测。

24、进一步地，所述生成单元，还用于将所述路段静态信息、时序路况信息、以及各个路段的道路拓扑关系中一个预设连续时间片中缺失较少的中间数据进行线性滑动填充；将数据值偏差大于预设阈值的数据删除。

25、进一步地，所述训练单元，还用于构建二层结构模型，其中，第一层为长短期记忆神经网络，所述长短期记忆神经网络包括忘记阶段、选择记忆阶段、输出阶段，第二层为深度神经网络，所述深度神经网络包括输入层、隐藏层和输出层。

26、进一步地，所述训练单元，具体用于将训练集和测试集输入到模型中进行训练；判断输出的模型结果的平均绝对误差是否小于或等于预设阈值；若是，则输出模型结果；若否，则更新所述二层结构模型的学习率、网络层数、每层的神经元数量。

27、进一步地，所述预测单元，还用于将所述验证集输入到训练好的二层结构模型，得到验证集的预测结果；通过预置准确率评价算法判断所述模型结果满足预设条件。

28、本发明提供的一种基于多源数据的路况预测方法及系统，从复杂的交通时空数据中，筛选出有效的时空特征，包括道路本身静态特征、时序路况信息、道路拓扑关系等，用深度神经网络和长短期记忆神经网络叠加搭建模型，长短期记忆神经网络负责学习时序路况信息，根据时序信息预测未来时间点的路况，深度神经网络负责将长短期记忆神经网络预测的结果和道路静态特征、拓扑关系等结合在一起，预测未来一段时间的路况，实现了基于道路的静态数据、历史路况数据、动态特征等数据，构建深度神经网络和长短期记忆神经网络路况预测模型，实现了对道路未来一小时内的路况预测，既能在一定程度上捕捉道路上下游交通状况的变化，又避免了空间相关的神经网络在使用时的低效和计算机资源消耗过大的问题，进而提升了路况预测精度。

技术特征：

1.一种基于多源数据的路况预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于多源数据的路况预测方法，其特征在于，所述将所述路段静态信息、时序路况信息、以及各个路段的道路拓扑关系按照静态特征、动态特征、以及模型要求进行处理，生成训练集、测试集、验证集的步骤之前，所述方法还包括：

3.根据权利要求1所述的一种基于多源数据的路况预测方法，其特征在于，所述将所述训练集和测试集输入到包含有长短期记忆神经网络和深度神经网络二层结构模型中进行训练，输出模型结果的步骤之前，所述方法还包括：

4.根据权利要求1所述的一种基于多源数据的路况预测方法，其特征在于，所述将所述训练集和测试集输入到包含有长短期记忆神经网络和深度神经网络二层结构模型中进行训练，输出模型结果的步骤包括：

5.根据权利要求1所述的一种基于多源数据的路况预测方法，其特征在于，所述若所述模型结果满足预设条件，则根据所述包含有长短期记忆神经网络和深度神经网络二层结构模型进行实时路况预测的步骤之前，所述方法还包括：

6.一种基于多源数据的路况预测系统，其特征在于，所述系统包括：

7.根据权利要求6所述的一种基于多源数据的路况预测系统，其特征在于，

8.根据权利要求6所述的一种基于多源数据的路况预测方法，其特征在于，所述训练单元，还用于构建二层结构模型，其中，第一层为长短期记忆神经网络，所述长短期记忆神经网络包括忘记阶段、选择记忆阶段、输出阶段，第二层为深度神经网络，所述深度神经网络包括输入层、隐藏层和输出层。

9.根据权利要求6所述的一种基于多源数据的路况预测方法，其特征在于，

10.根据权利要求6所述的一种基于多源数据的路况预测方法，其特征在于，

技术总结本发明公开一种基于多源数据的路况预测方法及系统，涉及智能交通管理领域，包括：从复杂的交通时空数据中，筛选出有效的时空特征，用深度神经网络和长短期记忆神经网络叠加搭建模型，长短期记忆神经网络负责学习时序路况信息，根据时序信息预测未来时间点的路况，深度神经网络负责将长短期记忆神经网络预测的结果和道路静态特征、拓扑关系等结合在一起，预测未来一段时间的路况，实现了基于道路的静态数据、历史路况数据、动态特征等数据，构建深度神经网络和长短期记忆神经网络路况预测模型，避免了空间相关的神经网络在使用时的低效和计算机资源消耗过大的问题，进而提升了路况预测精度。技术研发人员：闫军,邢豪杰受保护的技术使用者：智慧互通科技股份有限公司技术研发日：技术公布日：2024/5/8