本發明提供一種基于時空大數據的交通量預測方法，包括以下步驟：獲取目標檢測路段在一定時間間隔的交通流信息；對交通流信息按照網格圖形式進行存儲；對存儲的交通流信息進行建模并提取空間異質性和時間異質性；利用CNN的輸出經過參數重整作為LSTM的輸入得到預測結果。本發明還提出基于時空大數據的交通量預測裝置。本發明收集目標檢測路段及其周圍路段的檢測器一定時間間隔內的流量信息；通過3DCNN卷積神經網絡提取空間關系與部分時間，再將CNN的輸出經過參數重整作為LSTM的輸入，提取更高更完整的時間依賴性，該方法對預測交通量的準確程度較高，對硬件和工程量要求較低，方便實現。

技術領域

本發明涉及交通量預測技術領域，具體涉及一種基于時空大數據的交通量預測方法及裝置。

背景技術

在大數據時代，數據可以為我們帶來許多未知信息，尤其在交通領域，隨著各種道路檢測器以及車載GPS等一系列設施的普及，產生了越來越多的交通數據。這些交通數據具有很強的時間相關性和空間相關性。

隨著近些年深度學習再度掀起熱潮，可以將應用在計算機視覺的3DCNN卷積神經網絡用于提取交通數據的空間和時間特征，但是3DCNN對時間上特征提取有限，而LSTM長短期記憶神經網絡利用內部的門機制可以有效的提取較長序列的時間特征，對于我們所預測目標道路的交通量而言，它的交通量不但與上游或者下游的交通量都息息相關，也與自身的歷史時間的交通量密不可分，因此我們將交通領域與深度學習領域相結合，提取數據的時間異質性以及空間異質性用于準確預測下一時刻的交通量。

在對交通量的預測方法的研究中，大多采用了模型驅動的方法，這類方法需要強有力的理論假設，很難用于實際預測，或者在采用數據驅動與深度學習相結合的方法時，將數據的時空相關性結合時考慮有所欠缺。

發明內容

為了克服上述現有技術存在的問題，本發明提供一種基于時空大數據的交通量預測方法及裝置。

本發明的技術方案是：

一種基于時空大數據的交通量預測方法，包括以下步驟：

獲取目標檢測路段在一定時間間隔的交通流信息；

對交通流信息按照網格圖形式進行存儲；

對存儲的交通流信息進行建模并提取空間異質性和時間異質性；

利用CNN的輸出經過參數重整作為LSTM的輸入得到預測結果。

作為本發明的進一步技術方案為，所述獲取目標檢測路段在一定時間間隔的交通流信息；具體包括：收集目標檢測路段及其周圍路段的道路檢測器在一定時間間隔內檢測的交通流信息。

作為本發明的進一步技術方案為，所述對交通流信息按照網格圖形式進行存儲；具體包括：

對城市道路按照經度和緯度轉化成網格圖；

將目標檢測路段所在城市按照經度和緯度映射在一張網格圖上，網格圖中每一個小格子內的數值表示當前區域交通量；

按照一定的時間間隔檢測獲取需要預測路段以及該城市其他道路的交通量歷史值并按照網格圖的形式存儲。

進一步地，所述對城市道路按照經度和緯度轉化成網格圖；具體包括：

將城市進行分割，按照各個道路所在經度和緯度映射在一個M×N的網格圖中，網格圖中的每一個格子表示固定道路位置在當前時刻的交通狀況，稱為交通柵格數據；

映射后的網格圖中存在大量的空白格，表示這些區域沒有道路；

通過壓縮存儲算法將原始的M×N網格圖進行壓縮得到密集的I×J網格圖，其中I×J網格圖與M×N網格圖的道路空間拓撲關系相同。