本發(fā)明屬于交通控制，尤其涉及一種基于深度學(xué)習(xí)的高速公路交通需求預(yù)測方法及裝置。

背景技術(shù)：

1、高速公路作為現(xiàn)代化公路建設(shè)事業(yè)的發(fā)展重點，在聯(lián)系地域、救災(zāi)應(yīng)急等方面發(fā)揮著重要作用。然而，由于高速公路通常承擔(dān)著大量的運(yùn)輸和通行任務(wù)，高速公路交通擁堵成為了常態(tài)化現(xiàn)象。這給高速公路運(yùn)營與管理帶來了巨大的挑戰(zhàn)。如果能預(yù)知未來的高速公路交通需求，就能采取預(yù)先式、針對性交通控制策略，改善高速公路系統(tǒng)的交通狀況，緩解高速公路交通擁堵。因此，為了建立高效的高速公路智能化運(yùn)營與管理體系、提升交通效率及安全，有必要使用科學(xué)方法，合理預(yù)測高速公路交通需求。

2、但是，現(xiàn)有的交通需求預(yù)測方法存在著以下問題：

3、這些方法大多被開發(fā)用于預(yù)測城市交通需求，例如交通小區(qū)間的交通需求、地鐵出行需求等。很少有專門適用于高速公路這個大范圍、大規(guī)模、大尺度的獨(dú)特交通運(yùn)輸系統(tǒng)的交通需求預(yù)測方法。而高速公路的交通需求是相對小的?，F(xiàn)有城市交通需求的預(yù)測方法不能精準(zhǔn)預(yù)測高速交通需求中較小的o-d流量，且對于其中流量極小的o-d對，預(yù)測其o-d流量是非必要的。

4、另外，現(xiàn)有交通預(yù)測方法沒有深刻把握交通需求的時間相關(guān)性，在構(gòu)建預(yù)測模型的輸入特征時考慮了多方面影響因素，卻對歷史交通需求這個關(guān)鍵因素的分析不足，導(dǎo)致模型較為復(fù)雜，而預(yù)測結(jié)果也不夠準(zhǔn)確。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于深度學(xué)習(xí)的高速公路交通需求預(yù)測方法及裝置，適用于高速公路交通需求預(yù)測，且預(yù)測準(zhǔn)確。

2、為實現(xiàn)上述技術(shù)目的，本發(fā)明采用如下技術(shù)方案：

3、一種基于深度學(xué)習(xí)的高速公路交通需求預(yù)測方法，包括：

4、獲取待研究的區(qū)域高速公路網(wǎng)的拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和歷史交通需求數(shù)據(jù)；

5、根據(jù)路網(wǎng)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和歷史交通需求數(shù)據(jù)，定位區(qū)域高速公路網(wǎng)中的大流量路段，并識別區(qū)域高速公路網(wǎng)中的擁堵源o-d對和主要擁堵源o-d對；所述大流量路段至少為一個，所述擁堵源o-d對至少為一個，所述主要擁堵源o-d對至少為一個；

6、根據(jù)所述歷史交通需求數(shù)據(jù)和所有主要擁堵源o-d對，構(gòu)建每個時間窗內(nèi)的主要擁堵源o-d矩陣；所述主要擁堵源o-d矩陣中的行和列為所有主要擁堵源o-d對的起訖點集合，所述主要擁堵源o-d矩陣中的元素為對應(yīng)o-d對的流量，由對應(yīng)時間窗內(nèi)的歷史交通需求數(shù)據(jù)確定，非主要擁堵源o-d對在主要擁堵源o-d矩陣中的對應(yīng)元素值置0；

7、同時以多個不同歷史時間窗內(nèi)的主要擁堵源o-d矩陣為輸入，以未來時間窗內(nèi)的主要擁堵源o-d矩陣為輸出，訓(xùn)練深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型，得到高速公路交通需求預(yù)測模型；

8、對于待預(yù)測時間窗的交通需求，構(gòu)建待預(yù)測時間窗對應(yīng)的多個不同歷史時間窗內(nèi)的主要擁堵源o-d矩陣，并輸入至高速公路交通需求預(yù)測模型，輸出得到待預(yù)測時間窗內(nèi)的主要擁堵源o-d矩陣。

9、進(jìn)一步的，獲取待研究的區(qū)域高速公路網(wǎng)的拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和歷史交通需求數(shù)據(jù)，包括：

10、以區(qū)域高速公路網(wǎng)中的各入口匝道為節(jié)點，以區(qū)域高速公路網(wǎng)中每兩個相鄰入口匝道之間的路段為邊，獲取待研究的區(qū)域高速公路網(wǎng)中所有節(jié)點和邊的基礎(chǔ)信息；所述節(jié)點的基礎(chǔ)信息包括入口匝道的編號、名稱及經(jīng)緯度，邊的基礎(chǔ)信息包括路段的起終點入口匝道編號、長度、包含車道數(shù)量及車道設(shè)計時速；

11、根據(jù)所有節(jié)點和邊的基礎(chǔ)信息得到區(qū)域高速公路網(wǎng)的拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)；

12、獲取每個時間窗內(nèi)，待研究的區(qū)域高速公路網(wǎng)中每對入口匝道之間的o-d流量，得到歷史交通需求數(shù)據(jù)。

13、進(jìn)一步的，根據(jù)路網(wǎng)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和歷史交通需求數(shù)據(jù)，定位區(qū)域高速公路網(wǎng)中的大流量路段，包括：

14、根據(jù)歷史交通需求數(shù)據(jù)，構(gòu)建區(qū)域高速公路網(wǎng)的o-d矩陣，對應(yīng)每對入口匝道之間的o-d流量；

15、將區(qū)域高速公路網(wǎng)的o-d矩陣按比例劃分其中的o-d流量，得到若干個子o-d矩陣；

16、根據(jù)路網(wǎng)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)中每個路段的長度及車道設(shè)計時速，計算車輛通過各個路段的行駛時間，生成每個o-d對間的最短時間路徑；

17、按流量比例由高到低的順序取一個子o-d矩陣，按對應(yīng)o-d對間的當(dāng)前最短時間路徑分配到區(qū)域高速公路網(wǎng)，得到各路段的交通流量；每次分配完之后，通過計算各路段的當(dāng)前行駛時間，更新o-d對間的當(dāng)前最短時間路徑，用于下一個子o-d矩陣的分配；

18、根據(jù)最后分配得到的各路段交通流量，計算各路段的v/c值，并將v/c值大于1的路段記為大流量路段；其中，v為路段的交通流量，c為路段的設(shè)計通行能力。

19、進(jìn)一步的，按4：3：2：1的比例劃分區(qū)域高速公路網(wǎng)的o-d矩陣中的o-d流量，得到4個子o-d矩陣：

20、

21、

22、

23、

24、式中，為對應(yīng)比例劃分得到的o-d流量；表示區(qū)域高速公路網(wǎng)的o-d矩陣中的o-d流量；表示對其內(nèi)數(shù)值作向上取整。

25、進(jìn)一步的，所述擁堵源o-d對的定義為：對于每個入口匝道之間形成的o-d對，如果其中至少一個車輛通過至少一個大流量路段，則該o-d對為區(qū)域高速路網(wǎng)中的擁堵源o-d對；

26、識別區(qū)域高速公路網(wǎng)中的主要擁堵源o-d對，包括：

27、(1)計算每個擁堵源o-d對對區(qū)域高速公路網(wǎng)的擁堵貢獻(xiàn)值：

28、

29、式中，為擁堵源o-d對對區(qū)域高速公路網(wǎng)的擁堵貢獻(xiàn)值，為擁堵源o-d對的o-d流量，為擁堵源o-d對中第個車輛通過的大流量路段數(shù)量；

30、(2)將所有擁堵源o-d對對區(qū)域高速公路網(wǎng)的擁堵貢獻(xiàn)值，按照從大到小的次序進(jìn)行排列，并依次累計各個擁堵源o-d對的，直到達(dá)到所有擁堵源o-d對的之和的預(yù)設(shè)比例，將參與累計的擁堵源o-d對定義為區(qū)域高速公路網(wǎng)中的主要擁堵源o-d對。

31、進(jìn)一步的，根據(jù)所述歷史交通需求數(shù)據(jù)和所有主要擁堵源o-d對，構(gòu)建每個時間窗內(nèi)的主要擁堵源o-d矩陣，包括：

32、(1)將歷史交通需求數(shù)據(jù)所跨越的時間段劃分為若干時間窗；將所有主要擁堵源o-d對對應(yīng)的起訖點入匝道構(gòu)建一個入口匝道集合，即為所有主要擁堵源o-d對的起訖點集合；

33、(2)將所有主要擁堵源o-d對的起訖點集合作為矩陣的行和列，構(gòu)建各時間窗對應(yīng)的主要擁堵源o-d矩陣，其中的元素值為對應(yīng)o-d對的流量，由對應(yīng)時間窗內(nèi)的歷史交通需求數(shù)據(jù)確定；

34、(3)將各時間窗內(nèi)的主要擁堵源o-d矩陣中，非主要擁堵源o-d對所對應(yīng)元素置0，得到最終的主要擁堵源o-d矩陣。

35、進(jìn)一步的，所述時間窗的長度固定為1小時；

36、高速公路交通需求預(yù)測模型輸入數(shù)據(jù)對應(yīng)的多個不同歷史時間窗，與輸出數(shù)據(jù)對應(yīng)的未來時間窗，相互關(guān)系為：第1個歷史時間窗為所述未來時間窗的前k1周的同一天同小時時間窗；第2個歷史時間窗為所述未來時間窗的前k2天的同小時時間窗；第3個歷史時間窗為所述未來時間窗的前k3個小時時間窗。

37、進(jìn)一步的，深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型的輸入與輸出矩陣，均是在原始主要擁堵源o-d矩陣的基礎(chǔ)上，使用擴(kuò)樣系數(shù)法擴(kuò)大矩陣中的元素，再作為深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型的輸入與輸出矩陣；同樣，輸出得到的待預(yù)測時間窗內(nèi)的主要擁堵源o-d矩陣，按擴(kuò)樣系數(shù)等比例減小得到各主要擁堵源o-d對的交通需求預(yù)測值。

38、進(jìn)一步的，所述深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型，從輸入到輸出依次包括：深度可分離卷積層、最大池化層、深度可分離卷積層、最大池化層、深度可分離卷積層、最大池化層、拉平層、全連接層。

39、一種基于深度學(xué)習(xí)的高速公路交通需求預(yù)測裝置，包括：

40、數(shù)據(jù)獲取模塊，用于：獲取待研究的區(qū)域高速公路網(wǎng)的拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和歷史交通需求數(shù)據(jù)；

41、識別模塊，用于：根據(jù)路網(wǎng)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和歷史交通需求數(shù)據(jù)，定位區(qū)域高速公路網(wǎng)中的大流量路段，并識別區(qū)域高速公路網(wǎng)中的擁堵源o-d對和主要擁堵源o-d對；所述大流量路段至少為一個，所述擁堵源o-d對至少為一個，所述主要擁堵源o-d對至少為一個；

42、矩陣構(gòu)建模塊，用于：根據(jù)所述歷史交通需求數(shù)據(jù)和所有主要擁堵源o-d對，構(gòu)建每個時間窗內(nèi)的主要擁堵源o-d矩陣；所述主要擁堵源o-d矩陣中的行和列為所有主要擁堵源o-d對的起訖點集合，所述主要擁堵源o-d矩陣中的元素為對應(yīng)o-d對的流量，由對應(yīng)時間窗內(nèi)的歷史交通需求數(shù)據(jù)確定，非主要擁堵源o-d對在主要擁堵源o-d矩陣中的對應(yīng)元素值置0；

43、模型訓(xùn)練模塊，用于：同時以多個不同歷史時間窗內(nèi)的主要擁堵源o-d矩陣為輸入，以未來時間窗內(nèi)的主要擁堵源o-d矩陣為輸出，訓(xùn)練深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型，得到高速公路交通需求預(yù)測模型；

44、模型預(yù)測模塊，由訓(xùn)練得到的高速公路交通需求預(yù)測模型構(gòu)成，用于：根據(jù)待預(yù)測時間窗對應(yīng)的多個不同歷史時間窗內(nèi)的主要擁堵源o-d矩陣作為輸入，輸出得到待預(yù)測時間窗內(nèi)的主要擁堵源o-d矩陣。

45、本發(fā)明所達(dá)到的有益效果：

46、本發(fā)明使用路網(wǎng)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和歷史交通需求數(shù)據(jù)，確定區(qū)域高速公路網(wǎng)中的大流量路段，以及造成路網(wǎng)擁堵的主要擁堵源o-d對，并將主要擁堵源o-d對作為預(yù)測對象，建立深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)高速公路交通需求預(yù)測，能夠有效把握高速公路交通需求的時變特性，幫助高速公路管理部門針對性分析區(qū)域高速公路網(wǎng)中的大流量o-d對及其o-d流量變化情況，從而采取預(yù)防性手段改善區(qū)域高速公路網(wǎng)的總體交通狀況。