基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况,提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构,以此获取路网结构中的拓扑信息;通过时序模型对链状结构进行交通流预测,完成对链状结构的时序特征提取;最终,通过解码方法得到路网的时空交通流预测结果。采用GPS数据,选取不同路网进行对比实验,引入数据编解码的时空交通流预测方法与时间序列模型进行比较,并且与基线模型HA和ARIMA展开了对比实验。实验结果表明:深度学习模型引入数据编解码机制后,模型性能明显提升;引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。

基于交通指数聚类的路网区域动态划分

针对宏观路网区域交通状态预报需要首先产生路网区域的需求,提出了一种新的基于交通指数聚类的路网区域动态划分方法。首先对整个城市路网进行网格化划分,将路段划分为从属于某个网格的子路段;然后,计算每个网格的交通指数,提取网格特征,从而得到样本特征矩阵;接着,利用k-means++聚类算法对样本特征矩阵进行聚类,得到初始聚类标签,并对其中奇异网格的聚类标签加以修正;最后,得到划分后的路网区域。为了验证该方法的性能,利用上海市的GPS数据对上海市进行了路网区域的划分,并与不同聚类方法的结果进行了对比。结果表明,新方法对路网区域划分的精度及稳定性均有所提高。