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。 |