申请/专利权人：四川国蓝中天环境科技集团有限公司

申请日：2024-01-17

公开（公告）日：2024-04-02

公开（公告）号：CN117576918B

主分类号：G08G1/01

分类号：G08G1/01;G08G1/065;G06N3/0475;G06N3/045;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明公开了一种基于多源数据的城市道路流量全域预测方法，其涉及交通管理技术领域，包括以下步骤：获取多源数据并进行处理，得到对应的流量特征矩阵；将各流量特征矩阵输入至城市道路流量全域预测模型进行训练，得到训练后的城市道路流量全域预测模型；将待测道路的多源数据进行上述处理后输入至训练后的城市道路流量全域预测模型进行预测。本发明选取路段动、静态特征，考虑路段时间、空间上的耦合关系，提取流量矩阵的空间特征，适应多种情况下的路段交通流量的预测；使用少量完整的卡口监控数据进行预测，减少部署卡口设备的成本，解决卡口故障导致的数据质量问题，基于路段拥堵、静态数据能推算出全域道路流量，提高预测交通流量的准确率。

主权项：1.一种基于多源数据的城市道路流量全域预测方法，其特征在于：包括以下步骤：S1、获取城市的多源数据并进行处理，得到稀疏路段的交通流量、不同时间段的路网图结构数据、全路段估算交通流量以及道路基础信息；其中，多源数据包括道路交通卡口监控数据、城市道路路网信息数据以及各路段不同时间间隔的拥堵指数数据；根据道路卡口设备的覆盖率获取未完全覆盖的道路，并对未完全覆盖的道路进行计算，得到稀疏路段的交通流量；S2、分别对稀疏路段的交通流量、全路段估算交通流量进行随机mask处理，得到对应的稀疏路段流量矩阵、缺失路段流量矩阵；S3、对道路基础信息进行处理，得到对应的子掩码特征矩阵；S4、构建城市道路流量全域预测模型；将稀疏路段流量矩阵、缺失路段流量矩阵、子掩码特征矩阵以及不同时间段的路网图结构数据输入至城市道路流量全域预测模型并进行训练，得到训练后的城市道路流量全域预测模型；S5、将待测道路的多源数据采用与步骤S1至步骤S3相同的方法处理后输入至训练后的城市道路流量全域预测模型，得到对应的预测结果，完成对城市道路流量全域的预测；所述步骤S4中的城市道路流量全域预测模型采用GAN生成对抗网络；所述GAN生成对抗网络包括生成器和判别器；所述生成器包括卷积神经网络；所述判别器包括神经网络层和激活函数；所述GAN生成对抗网络的公式为： 其中，表示GAN生成对抗网络的输出，表示判别器的卷积神经网络层，表示以10为底的对数函数，表示判别器，表示生成器，表示GAN生成对抗网络的输入；所述步骤S4中的训练包括：S4-1、将缺失路段流量矩阵、子掩码特征矩阵输入至生成器，生成初始符合流量分布的全域流量；基于卷积神经网络对初始符合流量分布的全域流量进行迭代，直至达到迭代次数，得到最终的符合流量分布的全域流量；其中，生成器从稀疏路段流量矩阵中生成噪声样本，补全缺失路段流量矩阵；S4-2、根据全路段估算交通流量和最终的符合流量分布的全域流量进行计算，得到生成损失函数；根据全路段估算交通流量，通过反向传播算法对生成器的参数进行调整，得到训练后的生成器；S4-3、将最终的符合流量分布的全域流量、稀疏路段流量矩阵以及不同时间段的路网图结构数据输入至判别器进行判断，得到子掩码矩阵以及对应的真实数据和生成数据；S4-4、根据子掩码矩阵以及对应的真实数据和生成数据，得到判别损失函数；根据判别损失函数对判别器的参数进行调整，得到训练后的判别器，完成对城市道路流量全域预测模型的训练；所述步骤S4-2中的生成损失函数的公式为： 其中，表示生成损失函数，表示城市路网所有路口节点的集合，表示生成器，表示全路段估算交通流量的节点到节点的OD交通量，表示最终的符合流量分布的全域流量的节点到节点的OD交通量，表示求和函数；所述步骤S4-4中的判别损失函数的公式为： 其中，表示判别损失函数，表示融合了路段多源数据特征的子掩码矩阵，表示判别器对生成器的判别结果，为0-1矩阵，表示以10为底的对数函数，表示均方误差损失占比的权重，表示全路段估算交通流量，表示最终的符合流量分布的全域流量。

全文数据：

权利要求：

百度查询： 四川国蓝中天环境科技集团有限公司 一种基于多源数据的城市道路流量全域预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD