一种基于四叉树的出租车时空层次预测方法和存储介质与流程

1.本发明涉及一种交通预测领域，尤其是涉及一种基于四叉树的出租车时空层次预测方法和存储介质。


背景技术：

2.在现代智能交通系统(its)和高级旅行者信息系统(atis)中，交通预测被视为为旅行者和交通部门提供准确和可靠的交通信息所不可或缺的部分。当局可以事先了解交通信息(例如，交通拥堵状况，交通量和人群流量)，可以执行更好的交通管理策略，旅行者可以制定更好的路线计划。因此，准确的交通预测有助于减少时间成本，经济损失和碳排放量。交通预测的目的是基于历史交通测量结果提前提供未来的交通信息，以帮助人们做出更好的出行决策。
3.城市交通流量预测对于协助城市管理(例如路线优化)，为运输方式的急剧变化做准备以及减轻流行病的传播非常重要。在过去的几十年中，城市交通流量预测方法分为三类：时间序列分析方法，深度学习方法和城市交通预测。
4.车路协同系统是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路和人车动态实时信息交互，在全时空动态交通信息采集与融合的基础上，开展车辆协同安全和道路协同控制，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。
5.在时间序列分析方法中，使用历史平均值(ha)来预测流量值，该值基于先前时间间隔的平均值。自回归综合移动平均线(arima)是一种短期预测分析方法。季节性arima(sarima)考虑了季节性条件，能够学习紧密度和周期性相关性，从而进一步改善城市交通流量的预测。向量自回归(var)是一种“向量”自回归模型，它将单变量自回归模型推广为由多个时间序列变量组成的“向量”自回归模型。但是，时间序列分析方法仅考虑时间序列特征，而没有考虑空间结构，因此在实践中时间序列方法的效果相对较差。
6.近年来，深度学习方法已经处理了多维和非线性数据，从而获得了显着的效果。因此，越来越多的研究人员将这些方法应用于交通数据挖掘。递归神经网络(rnn)是一种深度学习模型，可以捕获时间依赖性。为了学习长时间范围内的时间依赖性，长期短期记忆网络(lstm)是一种特殊的rnn，它能够学习长期的时间依赖性。convlstm在lstm上添加了卷积层，为数据挖掘提供了训练支持。门控循环单元网络(gru)是一种捕获长期时间依赖性的新型rnn。
7.但是，由于城市交通流的体系结构复杂，随着训练层数的增加，使用传统深度学习方法进行训练的难度也随之增加。此外，传统的神经网络无法捕获长期的时间相关性和空间信息，例如周期和流动性趋势。因此，现有技术无法实现对交通情况的时空层次预测。


技术实现要素：

8.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于四叉树的
出租车时空层次预测方法和存储介质。
9.本发明的目的可以通过以下技术方案来实现：
10.一种基于四叉树的出租车时空层次预测方法，包括以下步骤：
11.s1、获取目标城市的出租车起点-终点历史信息，包括行程开始时的时间和位置坐标以及行程结束时的时间和位置坐标；
12.s2、利用apriori算法统计出租车起点-终点历史信息的频繁次数；
13.s3、根据步骤s2中获得的频繁次数，使用四叉树区域划分法将目标城市区域划分，得到新城市区域；
14.s4、根据新城市区域划分结果计算得到每个区域的中心位置，中心位置信息包含纬度和经度，将中心位置的出租车起点-终点历史信息定义为区域的出租车起点-终点历史信息；
15.s5、利用高斯混合聚类算法将中心位置进行聚类，获得每个中心位置所属的类；
16.s6、使用双通道矩阵将新城市区域的频繁次数进行统计分析，获得时序的双通道矩阵；
17.s7、使用预测模型根据时序的双通道矩阵预测出租车在新城市区域流入/流出交通流量，得到时空层次预测结果。
18.进一步地，步骤s2中所述apriori算法具体步骤如下：
19.对所有区域的所有出租车每小时的访问进行分组，并将访问次数转换为apriori算法的布尔值，并根据布尔值构建布尔表，布尔表的行代表出租车每小时访问的位置列表，构建布尔表后，使用apriori算法生成每小时的频繁次数集合。
20.进一步地，步骤s3所述的四叉树区域划分法具体步骤如下：
21.根据所有区域的出租车频繁次数，使用四叉树算法将城市划分为四个四边形区域；
22.如果某个四边形区域的频繁次数除以该城市总频繁次数的值大于设定阈值，则将该四边形区域划分为四个新四边形区域；
23.直至所有四边形区域的频繁次数除以该城市总频繁次数的值均大于设定阈值。
24.进一步地，所述设定阈值大小为0.05～0.15。
25.进一步地，步骤s4所述的中心位置为每个四边形区域的对角线相交的位置。
26.进一步地，步骤s5所述的高斯混合模型聚类算法，具体过程如下：
27.对中心位置进行聚类，获得新的聚类区域；根据新的聚类区域的出租车频繁次数生成迁移矩阵，使用斐波那契范式，将迁移矩阵降维成数，作为中心位置除纬度和经度外的第三个特征向量，得到新的聚类矩阵；
28.最后对新的聚类矩阵进行高斯混合模型聚类，依次迭代，直至获得稳定的聚类结果。
29.进一步地，步骤s7中所述预测模型为两个不同且相互独立的预测模型，输入是时序的双通道矩阵，输出是预测的双通道矩阵。
30.进一步地，所述预测模型分别为时空残差网络预测模型和时空3d网络预测模型。
31.进一步地，所述出租车起点-终点历史信息中位置坐标包含经纬度信息，时间以小时为单位。
32.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的一种基于四叉树的出租车时空层次预测方法的步骤。
33.与现有技术相比，本发明具有以下优点：
34.1、本发明获取出租车起点-终点信息，并计算频繁次数，根据频繁次数通过寻找新的区域中心，将城市出租车od位置信息层次聚类，得到时空层次预测结果，实现了对交通情况的时空层次预测，提高了交通流量数据的预测精度，一定程度上缓解了管理城市交通拥堵问题。
35.2、本发明采用了两个不同且独立的预测模型，同时对交通情况进行预测，保证了预测结果的准确。
附图说明
36.图1为本发明的总流程示意图。
37.图2为本发明中心位置确定示意图。
38.图3为本发明步骤s5、s6、s7的流程示意图。
39.图4为本发明对城市区域分割的示意图。
具体实施方式
40.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
41.本实施例提供了一种基于四叉树的出租车时空层次预测方法，流程如图1所示，包括以下步骤：
42.步骤s1、选定目标城市出租车历史数据集，获取目标城市的出租车起点-终点(origin-destination,od)历史信息，，并对出租车起点-终点历史信息进行预处理，出租车起点-终点历史信息包括行程开始时的时间和位置经纬度坐标以及行程结束时的时间和位置经纬度坐标，时间以小时为单位。
43.步骤s2、利用apriori算法统计出租车起点-终点历史信息的频繁次数。首先，对子区域的出租车每小时访问进行分组(访问某区域即指出租车到达了某区域)并将出租车的访问转换为apriori算法的布尔值。例如，假设有五个子区域和三个出租车。每辆出租车到这五个区域的次数分别为2、3、0、2、1，1、0、0、1、2和0、0、0、2、2。我们可以构建一个由(1,1,0,1,1)(1,0,0,1,1),(0,0,0,1,1)组成的布尔表。
44.这里的每行是出租车访问的位置列表。构建布尔表后，使用apriori算法生成每小时的频繁项集。apriori是一种通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集和学习关联规则的算法。将阈值设置为0.2以首先找到频繁项集，得到频繁次数。
45.步骤s3、根据步骤s2中获得的频繁次数，使用四叉树区域划分法将目标城市区域划分，根据所有区域的出租车频繁次数，使用四叉树算法将城市划分为四个四边形区域；如果某个四边形区域的频繁次数除以该城市总频繁次数的值大于1％，则将该四边形区域划分为四个新四边形区域；直至所有四边形区域的频繁次数除以该城市总频繁次数的值均大
于1％。
46.步骤s4、根据新城市区域划分结果计算得到每个区域的中心位置，如图2所示，中心位置为每个四边形区域的对角线相交的位置。中心位置信息包含纬度和经度，将中心位置的出租车起点-终点历史信息定义为区域的出租车起点-终点历史信息。
47.s5、利用高斯混合聚类算法将中心位置进行聚类，具体流程如下：
48.对中心位置进行聚类，获得新的聚类区域。根据新的聚类区域的出租车频繁次数生成迁移矩阵，使用斐波那契范式，将迁移矩阵降维成数，作为中心位置除纬度和经度外的第三个特征向量，得到新的聚类矩阵。
49.最后对新的聚类矩阵进行高斯混合模型聚类，依次迭代，直至获得稳定的聚类结果，获得每个中心位置所属的类。
50.高斯混合模型聚类算法聚类中心位置过程如下：
51.每个高斯混合模型由k个高斯分布组成，每个高斯成为一个组件，这些组件线性加在一起就组成了高斯混合模型的概率密度函数，如下公式所示：
[0052][0053]
其中，高斯混合模型的k个组件对应k个类，πk是每个高斯分布组件对数据点的影响因子，μk为每个类的均值，σk为协方差矩阵。
[0054]
现在有n个出租车访问数据点，并假设他们符合某个分布(记作p(x))，确定里面一组参数πk、μk和σk的值，它所确定的概率分布生成这些给定的数据点的概率最大，概率如下公式所示：
[0055][0056]
该乘积为似然函数，通常单个点的概率都很小，可能造成浮点数下溢，因此对p(x)取对数，把乘积转换为加和，如下面公式所示：
[0057][0058]
然后找到一组参数πk、μk和σk的值，使似然函数取到最大值。
[0059]
步骤s6、使用双通道矩阵将新城市区域的频繁次数进行统计分析，获得时序的双通道矩阵；
[0060]
步骤s7、使用预测模型根据时序的双通道矩阵预测出租车在新城市区域流入/流出交通流量，得到时空层次预测结果。预测模型为两个不同且相互独立的预测模型，分别为时空残差网络预测模型和时空3d网络预测模型，输入是时序的双通道矩阵，输出是预测的双通道矩阵。
[0061]
步骤s5、s6和s7的流程示意图如图3所示，图4为对不同城市的城市区域四分化示意图。
[0062]
本实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行上述步骤s1～s7。
[0063]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术
人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。