出行时间预测方法、系统及存储介质技术方案

本申请公开了一种出行时间预测方法、系统及存储介质，出行时间预测方法先获取道路网络以及轨迹数据，然后根据道路网络以及轨迹数据得到道路最终表示数据，将道路最终表示数据与对应道路的历史行驶时间进行拼接得到第一输入参数；将道路最终表示数据进行正态分布采样，得到第二输入参数；将第一输入参数、第二输入参数输入至生成对抗网络的目标函数，得到预测结果；采用高斯分布进行拟合得到出行时间预测分布数据，能够实现出行时间预测。能够实现出行时间预测。能够实现出行时间预测。

【技术实现步骤摘要】
出行时间预测方法、系统及存储介质


[0001]本申请涉及城市交通
，特别涉及一种出行时间预测方法、系统及存储介质。

技术介绍

[0002]智能交通系统在优化交通路网的工作中扮演了重要的角色，为了能够分析和避免交通拥堵现象，智能交通系统需要大量完整、准确、实时的交通数据。我国当前已在主要的交通路段安装了大量不同类型的检测器，如感应线圈检测器,微波传感器,视频检测器等,以便给交通拥堵的分析提供数据基础。这些检测器可以采集到多种类型的交通流数据，如速度,占有率,交通流量等。
[0003]随着城市化进程不断向前推进，城市交通也随之迅速发展，交通供给速度远远赶不上人们日益增长的交通需求速度，导致城市道路拥堵，因此智能交通系统需要通过合理地规划城市路网、有效地制定交通管控政策来缓解城市拥堵。在城市交通规划和管理的各组成要素中，路段出行时间预测作为重要的基础理论，显得尤为重要，而目前，缺乏一种出行时间预测的方法。

技术实现思路

[0004]本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种出行时间预测方法、系统及存储介质，能够实现出行时间预测。
[0005]本申请第一方面实施例提供了一种出行时间预测方法，包括：
[0006]获取道路网络以及轨迹数据；
[0007]根据所述道路网络以及所述轨迹数据得到道路最终表示数据；
[0008]将所述道路最终表示数据与对应道路的历史行驶时间进行拼接得到第一输入参数；
[0009]将所述道路最终表示数据进行正态分布采样，得到第二输入参数；
[0010]将所述第一输入参数、所述第二输入参数输入至生成对抗网络的目标函数，得到预测结果；
[0011]采用高斯分布进行拟合，得到出行时间预测分布数据。
[0012]根据本申请第一方面实施例的出行时间预测方法，至少具有如下有益效果：本申请实施例的出行时间预测方法，先获取道路网络以及轨迹数据，然后根据道路网络以及轨迹数据得到道路最终表示数据；将道路最终表示数据与对应道路的历史行驶时间进行拼接得到第一输入参数；将道路最终表示数据进行正态分布采样，得到第二输入参数；将第一输入参数、第二输入参数输入至生成对抗网络的目标函数，得到预测结果；采用高斯分布进行拟合，得到出行时间预测分布数据，能够实现出行时间预测，便于人们对规划出行计划。
[0013]根据本申请第一方面的一些实施例，所述根据所述道路网络以及所述轨迹数据得到道路最终表示数据，包括：
[0014]根据所述道路网络得到道路嵌入；
[0015]根据所述道路网络以及所述轨迹数据得到所述道路网络对应的节点的道路交通信息；
[0016]对所述道路交通信息进行图卷积运算，得到图学习结果；
[0017]根据所述道路嵌入和所述图学习结果得到道路最终表示数据。
[0018]根据本申请第一方面的一些实施例，所述道路网络为相互交织的道路组成的有向图G＝(V，E)，其中，V＝{v1，v2，...，v
N
}是所述道路网络中的节点集，E＝{e1，e2，...，e
M
}是所述道路网络中的道路集合。
[0019]根据本申请第一方面的一些实施例，所述轨迹数据为一组序列样本点p
i
＝{lat
i
，lon
i
，T
i
}，lat
i
表征第i个点的纬度，lon
i
表征第i个点的经度，T
i
表征第i个点的时间戳。
[0020]根据本申请第一方面的一些实施例，所述根据所述道路网络的节点的实时交通信息进行图卷积运算，得到图学习结果，包括：
[0021]根据第一公式，采用图卷积网络构建空间依赖，
[0022]第一公式为：
[0023]，其中，Relu为激活函数，X为对应时刻的道路交通信息，为的对称归一化拉普拉斯算子，I为单位矩阵，W0为第一层图卷积网络的权重矩阵，W1为第二层图卷积网络的权重矩阵，σ(
·
)代表sigmoid激活函数，X
GC
为所述图学习结果。
[0024]根据本申请第一方面的一些实施例，所述目标函数如下：
[0025][0026]其中，s表征所述第一输入参数，z表征所述第二输入参数，G表征生成模型，D表征鉴别模型，p
z
表征随机变量的累积分布函数，p
data
表征数据集中的出行时间分布，Es表征p
data(s)
的数学期望，Ez表征p
z(s)
的数学期望，
[0027]为所述预测结果。
[0028]根据本申请第一方面的一些实施例，所述目标函数如下：
[0029][0030]其中，x表征所述第一输入参数，z表征所述第二输入参数，y表征特定时间段，G表征生成模型，D表征鉴别模型，p
z
表征随机变量的累积分布函数，p
data
表征数据集中的出行时间分布，Es表征p
data(s)
的数学期望，Ez表征p
z(s)
的数学期望，
[0031]为所述预测结果。
[0032]根据本申请第一方面的一些实施例，所述出行时间预测分布数据的计算公式如下：
[0033][0034]其中，si表征所述第一输入参数，ti表征所述预测结果的对应的所述历史行驶时间，N(
·
)表征一个高斯分布，μ(s
i
)表征从s
i
学习到的两个全连接层的平均值，σ(s
i
)表征从s
i
学习到的两个全连接层的标准差值，
[0035]P(t
i
|s
i
)为所述出行时间预测分布数据。
[0036]本申请第二方面实施例提供了一种出行时间预测系统，包括：
[0037]至少一个存储器；
[0038]至少一个处理器；
[0039]至少一个程序；
[0040]所述程序被存储在所述存储器中，所述处理器执行至少一个所述程序以实现：
[0041]如本申请第一方面任一项实施例所述的出行时间预测方法。
[0042]本申请第三方面实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行信号，所述计算机可执行信号用于执行：
[0043]如本申请第一方面任一项实施例所述的出行时间预测方法。
[0044]本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0045]本申请的附加方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0046]图1为本申请第一方面的一些实施例的出行时间预测方法的步骤流程图；
[0047]图2为本申请第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种出行时间预测方法，其特征在于，包括：获取道路网络以及轨迹数据；根据所述道路网络以及所述轨迹数据得到道路最终表示数据；将所述道路最终表示数据与对应道路的历史行驶时间进行拼接，得到第一输入参数；将所述道路最终表示数据进行正态分布采样，得到第二输入参数；；将所述第一输入参数、所述第二输入参数输入至生成对抗网络的目标函数，得到预测结果；采用高斯分布进行拟合，得到出行时间预测分布数据。2.根据权利要求1所述的出行时间预测方法，其特征在于，所述根据所述道路网络以及所述轨迹数据得到道路最终表示数据，包括：根据所述道路网络得到道路嵌入；根据所述道路网络以及所述轨迹数据得到所述道路网络对应的节点的道路交通信息；对所述道路交通信息进行图卷积运算，得到图学习结果；根据所述道路嵌入和所述图学习结果得到道路最终表示数据。3.根据权利要求1所述的出行时间预测方法，其特征在于，所述道路网络为相互交织的道路组成的有向图G＝(V,E)，其中，V＝{v1,v2,
…
,v
N
}是所述道路网络中的节点集，E＝{e1,e2,
…
,e
M
}是所述道路网络中的道路集合。4.根据权利要求1所述的出行时间预测方法，其特征在于，所述轨迹数据为一组序列样本点p
i
＝{lat
i
,lon
i
,T
i
},lat
i
表征第i个点的纬度，lon
i
表征第i个点的经度，T
i
表征第i个点的时间戳。5.根据权利要求2所述的出行时间预测方法，其特征在于，所述根据所述道路网络的节点的实时交通信息进行图卷积运算，得到图学习结果，包括：根据第一公式，采用图卷积网络构建空间依赖，所述第一公式为：，其中，Relu为激活函数，X为道路交通信息，为的对称归一化拉普拉斯算子，I为单位矩阵，W0为第一层图卷积网络的权重矩阵，W1为第二层图卷积网络的权重矩阵，σ(
·
)代表sigmoid激活函...

【专利技术属性】
技术研发人员：余剑峤，宋晓壮，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：