详情

原文传递基于道路分段的分布式交通流量预测方法及系统

专利名称：	基于道路分段的分布式交通流量预测方法及系统
摘要：	本发明提供了一种基于道路分段的分布式交通流量预测方法及系统，包括：步骤S1：将整个路网图划分为多个子路段网图；步骤S2：为每个子路段网图训练交通流量预测模型库中的每一个模型，并记录每个评价指标；步骤S3：根据每一项指标权重对模型进行综合打分，选择综合性能最优的模型；步骤S4：根据每个子路段网络对应的时空交通信号矩阵，利用当前子路段网络对应的综合性能最优的模型，得到未来Tf时间片的信号矩阵
专利类型：	发明专利
国家地区组织代码：	上海;31
申请人：	上海交通大学
发明人：	曹健;蔡琪琦;钱诗友
专利状态：	有效
申请日期：	2022-10-28T00:00:00+0800
发布日期：	2023-01-31T00:00:00+0800
申请号：	CN202211340429.6
公开号：	CN115660176A
代理机构：	上海汉声知识产权代理有限公司
代理人：	胡晶
分类号：	G06Q10/04;G06Q10/063;G06Q50/26;G06N3/04;G06N3/08;G06N5/01;G06N20/10;G08G1/01;G;G06;G08;G06Q;G06N;G08G;G06Q10;G06Q50;G06N3;G06N5;G06N20;G08G1;G06Q10/04;G06Q10/063;G06Q50/26;G06N3/04;G06N3/08;G06N5/01;G06N20/10;G08G1/01
申请人地址：	200240 上海市闵行区东川路800号
主权项：	1.一种基于道路分段的分布式交通流量预测方法，其特征在于，包括：步骤S1：将整个路网图划分为多个子路段网图；步骤S2：为每个子路段网图训练交通流量预测模型库中的每一个模型，并记录每个评价指标；步骤S3：根据每一项指标权重对模型进行综合打分，选择综合性能最优的模型；步骤S4：根据每个子路段网络对应的时空交通信号矩阵，利用当前子路段网络对应的综合性能最优的模型，得到未来Tf时间片的信号矩阵 2.根据权利要求1所述的基于道路分段的分布式交通流量预测方法，其特征在于，所述步骤S1采用：步骤S1.1：将整个路网定义为一个无向加权图G＝(V,E,W)，其中，V是N个节点的集合，每一个节点对应道路上的一个检测站点；E是M条边的集合，一条边对应两个检测站点之间一个路段；W是边的权重的集合，权重反映了两个节点之间的相关性；步骤S1.2：将整个路网划分为多个子路段网图n表示子图的数量；Gi是G的子图；其中，每个子路段网图定义为一个无向图GI＝(Vi,Ei)，其中，Vi是节点的集合；Ei是边的集合。 3.根据权利要求2所述的基于道路分段的分布式交通流量预测方法，其特征在于，所述步骤S1.2采用：根据边的权重确定要分割的边，将整个路网划分为多个子路段网；其中，wi,j表示边的权重；Xi＝(Xi,t,Xi,t+1,...,Xi,t+n)和Xj＝(Xj,t,Xj,t+1,...,Xj,t+n)分别表示节点i和j从t时刻到t+n时刻的交通流量序列；表示交通流量序列Xi的标准差；表示交通流量序列Xj的标准差；其中，P0和w0是预设的阈值；Pi,j表示权重wi,j对应的显著性水平P值。 4.根据权利要求1所述的基于道路分段的分布式交通流量预测方法，其特征在于，所述步骤S2采用：步骤S2.1：构建交通流量预测模型库；步骤S2.2：为每个子路段独立训练交通流量预测模型库中的每一个模型；步骤S2.3：记录每次训练的训练开销、推理开销、内存开销以及预测精度指标。 5.根据权利要求1所述的基于道路分段的分布式交通流量预测方法，其特征在于，所述步骤S3采用：步骤S3.1：将所有的评价指标分为正向指标和逆向指标；步骤S3.2：将正向指标负向化以及逆向指标正向化，并进行数据归一化处理；步骤S3.3：结合目标需要为每一项评价指标赋予权重；步骤S3.4：根据每一项指标权重对模型进行综合打分，选择综合性能最优的模型。 6.根据权利要求5所述的基于道路分段的分布式交通流量预测方法，其特征在于，所述步骤S3.4采用：其中，w1，w2，w3，w4分别表示训练开销、推理开销、内存开销以及预测精度指标的权重；表示第i个子路段的训练时长矩阵；表示第i个子路段的推理时长矩阵；是第i个子路段的程序运行内存矩阵，第i个子路段的平均绝对误差矩阵，Scorei是第i个子路段的打分结果。 7.一种基于道路分段的分布式交通流量预测系统，其特征在于，包括：模块M1：将整个路网图划分为多个子路段网图；模块M2：为每个子路段网图训练交通流量预测模型库中的每一个模型，并记录每个评价指标；模块M3：根据每一项指标权重对模型进行综合打分，选择综合性能最优的模型；模块M4：根据每个子路段网络对应的时空交通信号矩阵，利用当前子路段网络对应的综合性能最优的模型，得到未来Tf时间片的信号矩阵 8.根据权利要求7所述的基于道路分段的分布式交通流量预测系统，其特征在于，所述模块M1采用：模块M1.1：将整个路网定义为一个无向加权图G＝(V,E,W)，其中，V是N个节点的集合，每一个节点对应道路上的一个检测站点；E是M条边的集合，一条边对应两个检测站点之间一个路段；W是边的权重的集合，权重反映了两个节点之间的相关性；模块M1.2：将整个路网划分为多个子路段网图n表示子图的数量；Gi是G的子图；其中，每个子路段网图定义为一个无向图GI＝(Vi,Ei)，其中，Vi是节点的集合；Ei是边的集合；所述模块M1.2采用：根据边的权重确定要分割的边，将整个路网划分为多个子路段网；其中，wi,j表示边的权重；Xi＝(Xi,t,Xi,t+1,...,Xi,t+n)和Xj＝(Xj,t,Xj,t+1,...,Xj,t+n)分别表示节点i和j从t时刻到t+n时刻的交通流量序列；表示交通流量序列Xi的标准差；表示交通流量序列Xj的标准差；其中，P0和w0是预设的阈值；Pi,j表示权重wi,j对应的显著性水平P值。 9.根据权利要求7所述的基于道路分段的分布式交通流量预测系统，其特征在于，所述模块M2采用：模块M2.1：构建交通流量预测模型库；模块M2.2：为每个子路段独立训练交通流量预测模型库中的每一个模型；模块M2.3：记录每次训练的训练开销、推理开销、内存开销以及预测精度指标。 10.根据权利要求7所述的基于道路分段的分布式交通流量预测系统，其特征在于，所述模块M3采用：模块M3.1：将所有的评价指标分为正向指标和逆向指标；模块M3.2：将正向指标负向化以及逆向指标正向化，并进行数据归一化处理；模块M3.3：结合目标需要为每一项评价指标赋予权重；模块M3.4：根据每一项指标权重对模型进行综合打分，选择综合性能最优的模型；所述模块M3.4采用：其中，w1，w2，w3，w4分别表示训练开销、推理开销、内存开销以及预测精度指标的权重；表示第i个子路段的训练时长矩阵；表示第i个子路段的推理时长矩阵；是第i个子路段的程序运行内存矩阵，第i个子路段的平均绝对误差矩阵，Scorei是第i个子路段的打分结果。