一种交通拥堵预测方法及系统

本发明涉及交通拥堵预测
技术领域：
，特别是涉及一种交通拥堵预测方法及系统。
背景技术：
：针对城市交通网络的复杂性，随着深度学习技术的日渐成熟，存在以下现有技术来预测交通的拥堵情况：(1)通过多任务学习模型mdl，预测整个路网的节点流和边缘流，得到交通的拥堵情况。(2)基于稀疏轨迹数据，提出一种基于图的cnn-lstm模型进行长期的交通预测。(3)利用图卷积和时间特征，提出一种时间相关性的数据规约方法进行短期的交通预测。(4)基于深度卷积神经网络，建立了名为pcnn的新方法用于短时交通拥堵预测。上述现有技术并未考虑路段相互之间的影响和时空特性，导致交通拥堵的预测结果不准确。技术实现要素：本发明的目的是提供一种交通拥堵预测方法及系统，能够提高交通拥堵的预测情况。为实现上述目的，本发明提供了如下方案：一种交通拥堵预测方法，包括：获取待预测路网内所有车辆的历史轨迹数据；所述待预测路网由多个路段组成；对于任意一个路段，根据所述路段在设定时间段内所有车辆的历史轨迹数据得到设定时间段内所述路段的平均速度；将所有时间段内各路段的平均速度确定为所述待预测路网的拥堵特征矩阵；根据所述待预测路网中所有路段的位置关系得到所述待预测路网的邻接矩阵；将所述待预测路网的拥堵特征矩阵和所述待预测路网的邻接矩阵输入拥堵预测模型得到拥堵预测结果。可选的，所述获取待预测路网内所有车辆的历史轨迹数据，具体包括：对于任意一个车辆，获取所述车辆在各历史时间点的车辆轨迹集合，所述车辆轨迹集合包括经纬度、速度和车辆状态；判断所述车辆轨迹集合是否符合第一条件、第二条件或者第三条件，得到第一判断结果；所述第一条件为所述车辆轨迹集合对应的车辆状态不为空车且不为载客；所述第二条件为所述车辆轨迹集合对应的速度为0且第一时间点的经纬度与第二时间点的经纬度相同，所述第一时间点为与所述速度对应的历史时间点的前一时刻；所述第二时间点为与所述速度对应的历史时间点的后一时刻；所述第三条件为所述车辆轨迹集合对应的历史时间点为空；若所述第一判断结果为是，则删除所述车辆轨迹集合，得到预处理后的车辆轨迹集合；将所有车辆的预处理后的车辆轨迹集合确定为所述待预测路网内所有车辆的历史轨迹数据。可选的，所述根据所述路段在设定时间段内所有车辆的历史轨迹数据得到设定时间段内所述路段的平均速度，具体包括：根据公式计算设定时间段内所述路段的平均速度，其中，ph(link,last)为车辆h在路段link上的最后一个位置，ph(link,first)为车辆h在路段link上的第一个位置，dist(ph(link,last)-ph(link,first))为计算车辆h在路段link上的最后一个位置与车辆h在路段link上的第一个位置之间的距离，为车辆h在路段link上的最后一个位置的时间点，为车辆h在路段link上的第一个位置的时间点，m为设定时间段内通过路段link的车辆总数，vi为设定时间段内路段link的平均速度，所述设定时间段为车辆h在路段link上的第一个位置的时间点与车辆h在路段link上的最后一个位置的时间点之间的时间段。可选的，所述根据所述待预测路网中所有路段的位置关系得到所述待预测路网的邻接矩阵，具体包括：根据所述待预测路网中各路段的位置关系构建路段有向树；根据所述路段有向树将所有所述路段映射到网格中得到网格地图；根据所述网格地图得到所述待预测路网的路网矩阵；根据所述待预测路网的路网矩阵计算待预测路网的邻接矩阵。可选的，所述拥堵预测模型的确定方法为：构建神经网络模型，所述神经网络模型包括依次连接的图卷积神经网络模型、长短时记忆模型和全连接层；获取待训练路网的拥堵特征矩阵和所述待训练路网的邻接矩阵；以所述待训练路网的拥堵特征矩阵和所述待训练路网的邻接矩阵为输入，以所述待训练路网的真实拥堵结果为输出，对所述神经网络模型进行训练得到训练好的神经网络模型；将所述训练好的神经网络模型确定为拥堵预测模型。可选的，所述图卷积神经网络模型为：其中f(a,xt)为路网的速度变化值，a为邻接矩阵，为邻接矩阵与单位矩阵之和，x为拥堵特征矩阵，w(0)为从图卷积神经网络模型的输入层到图卷积神经网络模型的隐藏层的权值矩阵，w(1)为从图卷积神经网络模型的隐藏层到图卷积神经网络模型的输出层的权值矩阵；所述长短时记忆模型为：it＝σ(wi*f(a,xt)+ui*ht-1+bi)ft＝σ(wf*f(a,xt)+uf*ht-1+bf)ot＝σ(wo*f(a,xt)+uo*ht-1+bo)其中，it表示长短时记忆模型的输入门，σ()为sigmoid激活函数，wi为长短时记忆模型的输入门的第一权重，f(a,xt)为速度变化值，ui为长短时记忆模型的输入门的第二权重，ht-1表示t-1时刻长短时记忆模型的隐藏层的输出，bi为长短时记忆模型的输入门的偏差，ft为长短时记忆模型的遗忘门，wf为长短时记忆模型的遗忘门的第一权重，uf为长短时记忆模型的遗忘门的第二权重，bf为长短时记忆模型的遗忘门的偏差，ot为长短时记忆模型的输出门，wo为长短时记忆模型的输出门的第一权重，uo为长短时记忆模型的输出门的第二权重，bo为长短时记忆模型的输出门的偏差，为长短时记忆模型的单元状态更新值，tanh()为激活函数，wc为长短时记忆模型的单元状态更新值的第一权重，uc为长短时记忆模型的单元状态更新值的第二权重，bc为长短时记忆模型的单元状态更新值的偏差，ct为长短时记忆模型t时刻的单元状态，ct-1为长短时记忆模型t-1时刻的单元状态，ht表示t时刻长短时记忆模型的隐藏层的输出，所述全连接层为：其中，为拥堵预测结果，uf为全连接层的权重向量，bf为全连接层的偏置向量。一种交通拥堵预测系统，包括：获取模块，用于获取待预测路网内所有车辆的历史轨迹数据；所述待预测路网由多个路段组成；平均速度确定模块，用于对于任意一个路段，根据所述路段在设定时间段内所有车辆的历史轨迹数据得到设定时间段内所述路段的平均速度；拥堵特征矩阵确定模块，用于将所有时间段内各路段的平均速度确定为所述待预测路网的拥堵特征矩阵；邻接矩阵确定模块，用于根据所述待预测路网中所有路段的位置关系得到所述待预测路网的邻接矩阵；结果确定模块，用于将所述待预测路网的拥堵特征矩阵和所述待预测路网的邻接矩阵输入拥堵预测模型得到拥堵预测结果。可选的，所述获取模块包括：获取单元，用于对于任意一个车辆，获取所述车辆在各历史时间点的车辆轨迹集合，所述车辆轨迹集合包括经纬度、速度和车辆状态；判断单元，用于判断所述车辆轨迹集合是否符合第一条件、第二条件或者第三条件，得到第一判断结果；所述第一条件为所述车辆轨迹集合对应的车辆状态不为空车且不为载客；所述第二条件为所述车辆轨迹集合对应的速度为0且第一时间点的经纬度与第二时间点的经纬度相同，所述第一时间点为与所述速度对应的历史时间点的前一时刻；所述第二时间点为与所述速度对应的历史时间点的后一时刻；所述第三条件为所述车辆轨迹集合对应的历史时间点为空；结果单元，用于若所述第一判断结果为是，则删除所述车辆轨迹集合，得到预处理后的车辆轨迹集合；轨迹数据确定单元，用于将所有车辆的预处理后的车辆轨迹集合确定为所述待预测路网内所有车辆的历史轨迹数据。可选的，所述平均速度确定模块包括：平均速度确定单元，用于根据公式计算设定时间段内所述路段的平均速度，其中，ph(link,last)为车辆h在路段link上的最后一个位置，ph(link,first)为车辆h在路段link上的第一个位置，dist(ph(link,last)-ph(link,first))为计算车辆h在路段link上的最后一个位置与车辆h在路段link上的第一个位置之间的距离，为车辆h在路段link上的最后一个位置的时间点，为车辆h在路段link上的第一个位置的时间点，m为设定时间段内通过路段link的车辆总数，vi为设定时间段内路段link的平均速度，所述设定时间段为车辆h在路段link上的第一个位置的时间点与车辆h在路段link上的最后一个位置的时间点之间的时间段。可选的，所述邻接矩阵确定模块包括：有向树确定单元，用于根据所述待预测路网中各路段的位置关系构建路段有向树；网格地图确定单元，用于根据所述路段有向树将所有所述路段映射到网格中得到网格地图；路网矩阵确定单元，用于根据所述网格地图得到所述待预测路网的路网矩阵；邻接矩阵确定单元，用于根据所述待预测路网的路网矩阵计算待预测路网的邻接矩阵。根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明将待预测路网的拥堵特征矩阵和邻接矩阵输入拥堵预测模型得到拥堵预测结果，使用邻接矩阵考虑了路段之间的相互影响，根据拥堵特征矩阵考虑了时间维度的相关性，因为同时考虑了路段之间的相互影响和时间维度的相关性，得出的预测结果更为贴近现实交通网络的拥堵情况，提高了交通拥堵的预测情况，可以根据拥堵预测情况合理安排出行。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的交通拥堵预测方法的流程图；图2为本发明实施例提供的交通拥堵预测方法的过程示意图；图3为本发明实施例提供的图卷积神经网络模型和长短时记忆模型的连接关系示意图；图4为本发明实施例提供的构建路网矩阵的流程图；图5为本发明实施例提供的交通拥堵预测系统的框图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。如图1和图2所示，本实施例提供了一种交通拥堵预测方法，所述方法包括：步骤101：获取待预测路网内所有车辆的历史轨迹数据。所述待预测路网由多个路段组成。步骤102：对于任意一个路段，根据所述路段在设定时间段内所有车辆的历史轨迹数据得到设定时间段内所述路段的平均速度。步骤103：将所有时间段内各路段的平均速度确定为所述待预测路网的拥堵特征矩阵。步骤104：根据所述待预测路网中所有路段的位置关系得到所述待预测路网的邻接矩阵。步骤105：将所述待预测路网的拥堵特征矩阵和所述待预测路网的邻接矩阵输入拥堵预测模型得到拥堵预测结果。在实际应用中，步骤101具体包括：对于任意一个车辆，获取所述车辆在各历史时间点的车辆轨迹集合，所述车辆轨迹集合包括经纬度、速度和车辆状态。判断所述车辆轨迹集合是否符合第一条件、第二条件或者第三条件，得到第一判断结果；所述第一条件为所述车辆轨迹集合对应的车辆状态不为空车且不为载客；所述第二条件为所述车辆轨迹集合对应的速度为0且第一时间点的经纬度与第二时间点的经纬度相同，所述第一时间点为与所述速度对应的历史时间点的前一时刻；所述第二时间点为与所述速度对应的历史时间点的后一时刻；所述第三条件为所述车辆轨迹集合对应的历史时间点为空。若所述第一判断结果为是，则删除所述车辆轨迹集合，得到预处理后的车辆轨迹集合。将所有车辆的预处理后的车辆轨迹集合确定为所述待预测路网内所有车辆的历史轨迹数据。在实际应用中，步骤102具体包括：根据计算设定时间段内所述路段的平均速度，其中，ph(link,last)为车辆h在路段link上的最后一个位置，ph(link,first)为车辆h在路段link上的第一个位置，dist(ph(link,last)-ph(link,first))为计算车辆h在路段link上的最后一个位置与车辆h在路段link上的第一个位置之间的距离，为车辆h在路段link上的最后一个位置的时间点，为车辆h在路段link上的第一个位置的时间点，m为设定时间段内通过路段link的车辆总数，vi为设定时间段内路段link的平均速度，所述设定时间段为车辆h在路段link上的第一个位置的时间点与车辆h在路段link上的最后一个位置的时间点之间的时间段。在实际应用中，步骤104具体包括：根据所述待预测路网中各路段的位置关系构建路段有向树。根据所述路段有向树将所有所述路段映射到网格中得到网格地图。根据所述网格地图得到所述待预测路网的路网矩阵。根据所述待预测路网的路网矩阵计算待预测路网的邻接矩阵。在实际应用中，所述拥堵预测模型的确定方法为：构建神经网络模型，所述神经网络模型包括依次连接的图卷积神经网络模型(gcn)、长短时记忆模型(lstm)和全连接层(fc)；图3包括gcn部分和lstm部分：获取待训练路网的拥堵特征矩阵和所述待训练路网的邻接矩阵。以所述待训练路网的拥堵特征矩阵和所述待训练路网的邻接矩阵为输入，以所述待训练路网的真实拥堵结果为输出，对所述神经网络模型进行训练得到训练好的神经网络模型。将所述训练好的神经网络模型确定为拥堵预测模型。在实际应用中，在模型训练过程中，目标是使道路上的实际拥堵情况与预测拥堵情况之间的误差尽可能小，所以损失函数如下，应用该函数对模型的训练效果进行评判：其中，loss为损失函数，lreg是损失函数的正则化项，λ为超参数，为已知参数，y为实际拥堵情况，为预测拥堵情况。在实际应用中，所述图卷积神经网络模型为：其中output(x,a)为路网的速度变化值，记为f(a,xt)，a为邻接矩阵，为邻接矩阵与单位矩阵之和，x为拥堵特征矩阵，w(0)为从图卷积神经网络模型的输入层到图卷积神经网络模型的隐藏层的权值矩阵，w(1)为从图卷积神经网络模型的隐藏层到图卷积神经网络模型的输出层的权值矩阵。所述长短时记忆模型为：it＝σ(wi*f(a,xt)+ui*ht-1+bi)ft＝σ(wf*f(a,xt)+uf*ht-1+bf)ot＝σ(wo*f(a,xt)+uo*ht-1+bo)其中，it表示长短时记忆模型的输入门，σ()为sigmoid激活函数，wi为长短时记忆模型的输入门的第一权重，f(a,xt)为速度变化值，ui为长短时记忆模型的输入门的第二权重，ht-1表示t-1时刻长短时记忆模型的隐藏层的输出，bi为长短时记忆模型的输入门的偏差，ft为长短时记忆模型的遗忘门，wf为长短时记忆模型的遗忘门的第一权重，uf为长短时记忆模型的遗忘门的第二权重，bf为长短时记忆模型的遗忘门的偏差，ot为长短时记忆模型的输出门，wo为长短时记忆模型的输出门的第一权重，uo为长短时记忆模型的输出门的第二权重，bo为长短时记忆模型的输出门的偏差，为长短时记忆模型的单元状态更新值，tanh()为激活函数(双曲正切函数)，wc为长短时记忆模型的(单元状态更新值)的第一权重，uc为长短时记忆模型的(单元状态更新值)的第二权重，bc为长短时记忆模型的(单元状态更新值)的偏差，ct为长短时记忆模型的t时刻的单元状态，ct-1为长短时记忆模型t-1时刻的单元状态，ht表示t时刻长短时记忆模型的隐藏层的输出。所述全连接层为：其中，为拥堵预测结果，uf为全连接层的权重向量，bf为全连接层的偏置向量。在实际应用中，其中，是的度矩阵，j为的列数，为的度矩阵，为邻接矩阵a与单位阵i之和。本实施例还提供了应该上述方法根据某城市2018年1月1日至6月30日的浮动车轨迹数据，对某行政区近二百条主要道路进行预测的过程，浮动车轨迹数据如表1所示。步骤一、对浮动车轨迹数据预处理，过滤掉时间戳值为null的数据；删除车辆状态值为2的数据；删除车速为0且相邻时间片段的经纬度字段相同的数据，得到适合交通拥堵预测研究的浮动车轨迹数据集。表1字段名称字段id字段样本描述数据示例车辆idrec_carid车辆的唯一标识车辆编号司机iddriver_id司机唯一标识已脱敏处理时间戳timestamp记录轨迹数据的时间unix时间戳经度longitude经度110.3427维度latitude纬度20.0299行车速度speed瞬时速度42.3587车辆当前状态status0:空车1:载客2:其他1步骤二、根据浮动车轨迹数据集，提取经纬度字段的值，来确定轨迹所处的位置，将轨迹点连线作为路段信息，根据路段信息对该路段一个时间点所有车辆的数量进行统计，所得到的数量可称作为路段的交通流量m，采用公式(1)计算该路段车辆平均速度。步骤三、将近二百条的主要道路网格映射到路网矩阵。在网格映射中选择一个网格单元作为节点对应的矩阵元素，如果该路段出现在多个网格单元中，只选择其中一个，它比其他网格覆盖更多的路段，最后忽略冗余路段和长度信息，得到路网矩阵。网格建模过程是对路网道路的细粒度畸变映射，网格划分可以清晰地展现路段之间的空间关系。步骤三具体步骤如图4所示，图4最左侧给出一个路段有向树，涉及6个路段r1，r2，…，r6。接下来如图4中间所示的网格，将显示相应的目标路网所覆盖的区域划分为5*5的网格地图。一条路段(例如r4)出现在多个网格单元，而一个网格单元也存在包含零个或多个部分路段(例如网格第二行第三列)。与这种传统的网格地图不同，网格矩阵确保每个矩阵元素最多对应一个完整的路段，忽略路段的长度，使整个路段只对应一个元素。在图4最右侧，网格矩阵只涉及三行和三列。注意一些特别的路段，例如r4虽然出现在3个网格单元中，但在第三行第二列只用一个矩阵元素对应r4。虽然路段只出现在一个矩阵元素中，但是这种网格矩阵可以大致反映路段的地理信息。步骤四、获得邻接矩阵a和拥堵特征矩阵x，其中a为根据网格矩阵得到的，x的行表示路段，列表示时间片，值为平均速度的矩阵(6行3列)；a是描述有向树的一个稀疏阵。步骤五、将邻接矩阵a和拥堵特征矩阵x作为训练好的图卷积神经网络模型的输入，得到路网的速度变化值。步骤六、将路网的速度变化值输入训练好的长短时记忆模型得到隐藏层的输出。步骤七、将隐藏层的输出输入训练好的全连接层得到拥堵预测结果(拥堵或者不拥堵)。本实施例还提供了一种与上述方法对应的交通拥堵预测系统，如图5所示，所述系统包括：获取模块a1，用于获取待预测路网内所有车辆的历史轨迹数据；所述待预测路网由多个路段组成。平均速度确定模块a2，用于对于任意一个路段，根据所述路段在设定时间段内所有车辆的历史轨迹数据得到设定时间段内所述路段的平均速度。拥堵特征矩阵确定模块a3，用于将所有时间段内各路段的平均速度确定为所述待预测路网的拥堵特征矩阵。邻接矩阵确定模块a4，用于根据所述待预测路网中所有路段的位置关系得到所述待预测路网的邻接矩阵。结果确定模块a5，用于将所述待预测路网的拥堵特征矩阵和所述待预测路网的邻接矩阵输入拥堵预测模型得到拥堵预测结果。在实际应用中，所述获取模块包括：获取单元，用于对于任意一个车辆，获取所述车辆在各历史时间点的车辆轨迹集合，所述车辆轨迹集合包括经纬度、速度和车辆状态。判断单元，用于判断所述车辆轨迹集合是否符合第一条件、第二条件或者第三条件，得到第一判断结果；所述第一条件为所述车辆轨迹集合对应的车辆状态不为空车且不为载客；所述第二条件为所述车辆轨迹集合对应的速度为0且第一时间点的经纬度与第二时间点的经纬度相同，所述第一时间点为与所述速度对应的历史时间点的前一时刻；所述第二时间点为与所述速度对应的历史时间点的后一时刻；所述第三条件为所述车辆轨迹集合对应的历史时间点为空。结果单元，用于若所述第一判断结果为是，则删除所述车辆轨迹集合，得到预处理后的车辆轨迹集合。轨迹数据确定单元，用于将所有车辆的预处理后的车辆轨迹集合确定为所述待预测路网内所有车辆的历史轨迹数据。在实际应用中，所述平均速度确定模块包括：平均速度确定单元，用于根据公式计算设定时间段内所述路段的平均速度，其中，ph(link,last)为车辆h在路段link上的最后一个位置，ph(link,first)为车辆h在路段link上的第一个位置，dist(ph(link,last)-ph(link,first))为计算车辆h在路段link上的最后一个位置与车辆h在路段link上的第一个位置之间的距离，为车辆h在路段link上的最后一个位置的时间点，为车辆h在路段link上的第一个位置的时间点，m为设定时间段内通过路段link的车辆总数，vi为设定时间段内路段link的平均速度，所述设定时间段为车辆h在路段link上的第一个位置的时间点与车辆h在路段link上的最后一个位置的时间点之间的时间段。在实际应用中，所述邻接矩阵确定模块包括：有向树确定单元，用于根据所述待预测路网中各路段的位置关系构建路段有向树。网格地图确定单元，用于根据所述路段有向树将所有所述路段映射到网格中得到网格地图。路网矩阵确定单元，用于根据所述网格地图得到所述待预测路网的路网矩阵。邻接矩阵确定单元，用于根据所述待预测路网的路网矩阵计算待预测路网的邻接矩阵。本发明提供的交通拥堵预测方法将带有历史时间序列的拥堵特征数据输入图卷积神经网络模型中，利用图卷积神经网络获取目标路网段的空间特性。然后再将具有空间特性的时序数据作为输入，放入长短时记忆模型中，通过细胞单元之间的信息传递，获取目标路网段交通状况变化的时间特性，根据时间空间特性计算得到模型的拥堵预测结果。本发明的有益效果如下：1、本发明构建的拥堵特征矩阵，能够较细粒度地实现对路段交通状况的映射，拥堵预测模型的预测准确度较各种基线模型效果最高，而且稳定性也最好，与真实的交通状况更吻合。2、本发明以复杂路网为基础，同时考虑路段之间的相互影响，再结合时间为维度的相关性，得出更为贴近现实交通网络的预测结果，核心思想是融合道路拥堵传播模式和道路之间的空间相关性的时空矩阵(拥堵特征矩阵和邻接矩阵)，考虑到历史空间特性和时间特征的矩阵，根据时空深度学习模型，构建了拥堵预测模型，分别输入历史的时空矩阵，对未来道路交通拥堵进行预测。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。当前第1页12