一种基于时空残差网络的车流量预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于时空残差网络的车流量预测方法及装置，该方法获取待测城市的地理经纬度，将所述城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格，其中每一个方格代表一个区域；将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据；对所述收集的数据进行归一化预处理；根据预处理的数据对时空残差网络进行训练，形成已训练车流预测模型；调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。使用本发明专利技术进行车流量预测，通过基于时空残差网络车流预测模型，利用区域间的相互影响，可以对数据进行更深入的挖掘分析，在很大程度上也进一步提高了车流预测的准确性。

A Traffic Flow Prediction Method and Device Based on Spatio-temporal Residual Network

【技术实现步骤摘要】
一种基于时空残差网络的车流量预测方法及装置
本专利技术涉及深度学习和智能车系统交叉的
，特别涉及一种基于时空残差网络的车流量预测方法及装置。
技术介绍
随着社会的发展和生活水平的提高，城市车辆日益拥堵，车事故和空气污染也进一步加剧。为了更加准确的预测车拥堵状况，为车辆出行提供更加合理的车路线规划，很有必要进行大规模的车网络拥堵预测。在车网络中，道路的车拥堵状况是相互影响的，一个区域的车拥堵状态与相邻的区域的拥堵状态密不可分，所以预测各区域车动态变化情况需要从全局网络考虑；而且，对单一路段进行车拥堵预测具有短视性，局部车预测仅仅借助历史数据或基于周边有限路段车的状态进行预测，但一旦路段扩张到大规模车网络预测时，运算量会大大增加，预测效率和精度都无法得到保障，不能够满足车信息服务的实时性和准确性。本专利技术的申请人在经过对现有技术的文献进行大量检索后发现，现存的车预测方法存在效率低和精度低的问题。因此，如何解决现有方法不能跨区域和长久记忆历史车流数据，从而无法根据相邻区域间的输入、输出车流量更加准确的预测车流量这一问题，便成为了本领域技术人员的一个重要研究方向。
技术实现思路
本专利技术根据上述技术背景，提供了一种基于时空残差网络的车流量预测方法及装置，目的是通过基于时空残差网络车流预测模型，利用区域间的相互影响，获得更好的预测结果。第一方面，本专利技术提供了一种基于时空残差网络的车流量预测方法，包括以下步骤：获取待测城市的地理经纬度，将所述城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格，其中每一个方格代表一个区域；将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据；对所述收集的数据进行归一化预处理；根据预处理的数据对时空残差网络进行训练，形成已训练车流预测模型；调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。优选地，将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据的具体步骤为：将利用GPS统计的每个时间段内车辆在一个区域及其相邻区域的输入、输出轨迹进行记录，并记录每个时间段内的特殊事件、天气；将所述每个时间段内的若干个相关数据分别进行输入、输出汇总和聚合。优选地，对所述收集的数据进行归一化预处理的具体步骤为：将聚合后的输入、输出数据进行归一化处理，具体通过以下公式实现：其中x*为归一化预处理后的数据，xm为样本数据最小值，xM为样本数据最大值，x为待归一化预处理的历史车流数据；所述样本数据具体是指：用于训练和测试的所有数据。优选地，根据预处理的数据对时空残差网络进行训练，形成已训练车流预测模型的具体步骤为：对时空残差网络预测模型的各个参数进行合理设定，所述参数包括：输入层数，中间层，权重因子，层的输入和输出向量维数，每个隐层的结点数和输出节点数；根据预处理过的数据，对已设置合理参数的时空残差网络模型进行训练，形成已训练车流预测模型。优选地，根据预处理过的数据，对已设置合理参数的时空残差网络模型进行训练，形成已训练车流预测模型的具体步骤为：将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集；根据训练数据集，在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练，得到对应的对下一指定时间间隔的车流数据的归一化预测值；将所述下一指定时间间隔的车流数据的归一化预测值进行反归一化处理，得到对指定时间间隔的车流数据预测值。优选地，调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差的具体步骤为：根据已训练车流预测模型预测指定时间间隔的车流，并评估预测误差。第二方面，本专利技术提供了一种基于时空残差网络的车流量预测装置，包括：区域映射变换模块：用于获取一个城市的地理经纬度，将所述城市根据获取的地理经纬度按照一定的比例映射为一个I*J的网格，其中每一个方格代表一个区域；数据采集模块：用于将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据；数据处理模块：用于对所述收集的数据进行归一化预处理；训练模型模块：用于根据预处理过的数据，对已设置合理参数的时空残差网络模型进行训练，形成已训练车流预测模型；评估预测误差模块：用于调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。优选地，上述基于时空残差网络的车流量预测装置，还包括：时空残差网络预测模型参数设定模块：用于对时空残差网络预测模型的各个参数进行合理设定。优选地，训练模型模块，包括：划分模块：用于将经过聚合和归一化预处理后的数据划分为训练数据集和测试数据集；训练模块：用于根据训练数据集，在已设定合理参数的时空残差网络车流预测模型上使用反向传播算法进行训练，得到对应的对下一指定时间间隔的车流数据的归一化预测值；处理模块：用于将所述下一指定时间间隔的车流数据的归一化预测值进行反归一化处理，得到对指定时间间隔的车流数据预测值。本专利技术提供的上述技术方案的有益效果至少包括：与现有技术相比，本专利技术提供了一种基于时空残差网络的车流量预测方法及装置，通过时空残差网络模型对车流数据进行训练学习，可以对车流量数据进行更加深层次的学习；与传统的车流数据预测模型相比，可以对数据进行更加深入的分析，并有效提取数据的潜在分层特征，提高特征提取的效率。因此使用本专利技术的预测模型进行车流量预测，可以对数据进行更深入的挖掘分析，在很大程度上也进一步提高了车流预测的准确性。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和具体实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术实施例提供的基于时空残差网络的车量预测方法的流程图；图2为本专利技术实施例提供的计算待测城市各个区域输入、输出的车流量图；图3为本专利技术实施例提供的时空残差网络预测模型的结构框图；图4为本专利技术实施例提供的基于时空残差网络的车量预测装置的框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。实施例：参照图1-2所示，本专利技术实施例提供的基于时空残差网络的车流量预测方法，包括以下步骤：1)区域映射变换：获取待测城市的地理经纬度，将待测城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格，其中每一个方格代表一个区域。2)数据采集和处理：将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据；对收集的数据进行归一化预处理。S21、对车流数据的采集：将利用GPS统计的每个时间段内车辆在一个区域及其相邻区域的输入、输出轨迹进行记录，并记录每个时间段内的特殊事件、天气；将每个时本文档来自技高网...

【技术保护点】
1.一种基于时空残差网络的车流量预测方法，其特征在于：包括以下步骤：获取待测城市的地理经纬度，将所述城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格，其中每一个方格代表一个区域；将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据；对所述收集的数据进行归一化预处理；根据预处理的数据对时空残差网络进行训练，形成已训练车流预测模型；调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。

【技术特征摘要】
1.一种基于时空残差网络的车流量预测方法，其特征在于：包括以下步骤：获取待测城市的地理经纬度，将所述城市根据获取的地理经纬度按照预设的比例映射为一个I*J的网格，其中每一个方格代表一个区域；将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据；对所述收集的数据进行归一化预处理；根据预处理的数据对时空残差网络进行训练，形成已训练车流预测模型；调用所述预测模型预测一个区域特定时刻的车流量并评估预测误差。2.根据权利要求1所述的基于时空残差网络的车流量预测方法，其特征在于：将利用GPS获取的对每个时间段的车辆行驶轨迹进行统计，并对获取的天气状况进行相应记录，得到收集的数据的具体步骤为：将利用GPS统计的每个时间段内车辆在一个区域及其相邻区域的输入、输出轨迹进行记录，并记录每个时间段内的特殊事件、天气；将所述每个时间段内的若干个相关数据分别进行输入、输出汇总和聚合。3.根据权利要求2所述的基于时空残差网络的车流量预测方法，其特征在于：对所述收集的数据进行归一化预处理的具体步骤为：将聚合后的输入、输出数据进行归一化处理，具体通过以下公式实现：其中x*为归一化预处理后的数据，xm为样本数据最小值，xM为样本数据最大值，x为待归一化预处理的历史车流数据；所述样本数据具体是指：用于训练和测试的所有数据。4.根据权利要求1所述的基于时空残差网络的车流量预测方法，其特征在于：根据预处理的数据对时空残差网络进行训练，形成已训练车流预测模型的具体步骤为：对时空残差网络预测模型的各个参数进行合理设定，所述参数包括：输入层数，中间层，权重因子，层的输入和输出向量维数，每个隐层的结点数和输出节点数；根据预处理过的数据，对已设置合理参数的时空残差网络模型进行训练，形成已训练车流预测模型。5.根据权利要求4所述的基于时空残差网络的车流量预测方法，其特征在于：根据预处理过的数据，对已设置合理参数的时空残差网络模型进行训练，形成已训练车流预测模...

【专利技术属性】
技术研发人员：蔡晓东，侯珍珍，
申请(专利权)人：桂林远望智能通信科技有限公司，
类型：发明
国别省市：广西,45