基于头部效应和循环神经网络的交通拥堵预测方法和装置与流程

本发明属于交通拥堵治理和数据挖掘相结合的，具体涉及一种基于头部效应和循环神经网络的交通拥堵预测方法和装置。

背景技术：

1、随着经济的迅猛发展和人们生活水平的快速提高，通行需求和汽车保有量持续增加，在此同时，道路管理行业也面临着道路通行能力与快速增长的公众通行需求之间的矛盾，城市核心区域和高速公路绕城区域拥堵频发，对道路通行效率和用户体验带来了极大的挑战。对于车流量评估的研究目前已有较多成果，比如很多学者通过建立微分方程、时间预测、bp神经网络等数学模型来研究传统的车流量问题，但因其计算过程往往过于繁琐，需要的参数变量很多，如考虑车速、天气、突发事件等诸多随机因素对车流量的影响，在实际过程中，由于这些参数获得的成本很高，往往缺失很多值，这使得最终的计算结果与实际情况相差较大。在推广应用的过程中面临着严峻的挑战。

2、交通运行状态的全面及时准确获取，是进行路网状态评价，分析路网运行效率,有针对性地制定精细化交通管控措施的基础，同时也是交通智慧化建设的核心。以地磁线圈、微波车辆检测器、毫米波雷达、摄像头等检测技术为代表的固定检测器，由于安装和维护费用较高，只能覆盖部分路网，无法实现对城市路网运行状态的全面获取。近些年来，随着gps（global positioning system）的广泛应用和lbs（location-based service）的兴起，以浮动车数据为代表的轨迹数据由于其自身包含信息丰富，覆盖范围广等特点，有希望解决固定检测器路网空间覆盖率不足的问题，日渐成为行业的研究热点。

3、包含时间信息和位置信息的移动轨迹数据是一种时空数据，简称为时空轨迹数据，通过对特定时空数据点进行聚合，可以形成特定的轨迹信息，比如人类活动轨迹、交通工具活动轨迹、动物活动轨迹、自然规律活动轨迹和视频监控收集到的轨迹等。

4、现有采用轨迹数据来进行交通预测，例如温美玲等人在“基于轨迹大数据的交通拥堵评估和预测”中提出长短时记忆模型方法，其结果与支持向量回归模型和循环神经网络进行对比，结果表明长短时记忆模型有着更好的预测效果。顾长龙在“基于轨迹数据融合的城市路网运行状态感知”中融合出租车、公交车和公交ic卡等多源轨迹数据，采用高斯过程模型对路网交通运行速度进行预测。

5、上述方法在进行交通预测时没有考虑不确定数据的干扰，导致预测精准度有待提高。

技术实现思路

1、鉴于上述，本发明的目的是提供一种基于头部效应和循环神经网络的交通拥堵预测方法和装置，通过考虑头部效应以增强意图行为，进而提升交通拥堵的预测准确性。

2、为实现上述发明目的，实施例提供的一种基于头部效应和循环神经网络的交通拥堵预测方法，包括以下步骤：

3、获取车辆轨迹点序列数据并依次进行清洗和路网匹配得到有效轨迹点序列数据；

4、基于有效轨迹点序列数据构建节点表示轨迹点对应访问行为、连边表示行为间关系强度的原始行为图；

5、基于头部效应在有效轨迹点序列数据中挖掘真实意图轨迹数据，基于真实意图轨迹数据对原始行为图进行意图增强，得到意图增强行为图；

6、对意图增强行为图进行嵌入表示得到嵌入向量；

7、采用门控循环神经网络根据嵌入向量预测未来时刻轨迹点对应的访问行为；

8、对未来时刻轨迹点对应的访问行为进行概率密度聚类，根据聚类结果预测交通拥堵情况。

9、优选地，对清洗后的车辆轨迹点序列数据进行路网匹配，包括：

10、在路网数据库中为车辆轨迹点序列数据中每个轨迹点匹配对应的至少一个候选点以及候选点所在的路段，得到车辆轨迹点序列数据对应的候选点集合，依据单独空间分析或者同时空间分析和时间分析来删除候选点集合中的无效候选点，剩余候选点组成有效候选点集合，基于有效候选点集合生成多条候选匹配轨迹，并从中筛选质量评分最高的候选匹配轨迹来生成有效轨迹点序列数据。

11、优选地，进行空间分析时，若当前候选点的相邻候选点均在对应路段上，而当前候选点不在对应路段上，则当前候选点为无效候选点被删除；

12、在进行时间分析时，针对当前候选点，依据当前候选点与前一相邻候选点之间距离与对应的时间间隔计算最短路径平均速度后，计算该最短路径平均速度与最短路径包含各路段限速要求的相似度，若相似度小于设定阈值，则当前候选点为无效候选点被删除。

13、优选地，所述基于头部效应在有效轨迹点序列数据中挖掘真实意图轨迹数据，基于真实意图轨迹数据对原始行为图进行意图增强，包括：

14、设定最大时间窗口，在最大时间窗口内对有效轨迹点序列数据搜索表示头部效应的二阶频发模式<头部访问行为，尾部访问行为>；

15、从有效轨迹点序列数据中统计所有以头部访问行为为起始，以尾部访问行为结束的频发序列模式<头部访问行为，至少1个中间访问行为，尾部访问行为>作为真实意图轨迹数据；

16、通过统计每个中间访问行为的频次来计算中间访问行为出现在头部访问行为与尾部访问行为之间的概率值；

17、基于所有中间访问行为的概率值计算头部访问行为与尾部访问行为之间连接的关系强度，将关系强度作为连边权重，在原始行为图中的头部访问行为与尾部访问行为之间建立连边，以进行意图增强。

18、优选地，所述通过统计每个中间访问行为的频次来计算中间访问行为出现在头部访问行为与尾部访问行为之间的概率值，包括：

19、以每个中间访问行为的频次与频发序列模式中所有中间访问行为的总频次之比作为中间访问行为出现在头部访问行为与尾部访问行为之间的概率值。

20、优选地，所述基于所有中间访问行为的概率值计算头部访问行为与尾部访问行为之间连接的关系强度，包括：

21、根据所有中间访问行为的概率值计算信息熵值，将信息熵值作为头部访问行为与尾部访问行为之间连接的关系强度。

22、优选地，采用line图嵌入学习算法对意图增强行为图进行嵌入表示得到嵌入向量。

23、优选地，所述采用门控循环神经网络根据嵌入向量预测未来时刻轨迹点对应的访问行为，包括：

24、按照有效轨迹点序列数据中轨迹点顺序，将轨迹点对应访问行为的嵌入向量进行排序，得到嵌入向量序列；

25、将嵌入向量序列输入至门控循环神经网络，经过正向传播计算每个未来时刻轨迹点及其对应的访问行为。

26、为实现上述发明目的，实施例还提供一种基于头部效应和循环神经网络的交通拥堵预测装置，包括数据获取及预处理模块、原始行为图构建模块、意图增强行为图构建模块、嵌入表示模块、访问行为预测模块、交通拥堵预测模块，

27、所述数据获取及预处理模块用于获取车辆轨迹点序列数据并依次进行清洗和路网匹配得到有效轨迹点序列数据；

28、所述原始行为图构建模块用于基于有效轨迹点序列数据构建节点表示轨迹点对应访问行为、连边表示行为间关系强度的原始行为图；

29、所述意图增强行为图构建模块用于基于头部效应在有效轨迹点序列数据中挖掘真实意图轨迹数据，基于真实意图轨迹数据对原始行为图进行意图增强，得到意图增强行为图；

30、所述嵌入表示模块用于对意图增强行为图进行嵌入表示得到嵌入向量；

31、所述访问行为预测模块用于采用门控循环神经网络根据嵌入向量预测未来时刻轨迹点对应的访问行为；

32、所述交通拥堵预测模块用于对未来时刻轨迹点对应的访问行为进行概率密度聚类，根据聚类结果预测交通拥堵情况。

33、为实现上述发明目的，实施例还提供一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现上述基于头部效应和循环神经网络的交通拥堵预测方法。

34、与现有技术相比，本发明具有的有益效果至少包括：

35、通过对车辆轨迹点序列数据进行清洗和路网匹配以滤除掉无效轨迹点，以降低数据量，基于此，基于头部效应挖掘真实意图轨迹数据，并对原始行为图进行意图增强，利用得到的意图增强行为图预测未来时刻轨迹点对应的访问行为，可以降低不确定性行为干扰，提升访问行为的预测准确性，在此基础上，通过对未来时刻轨迹点对应的访问行为的密度聚类结果来预测交通拥堵情况，大大提升了交通拥堵情况预测的准确性。