(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111292800.1 (22)申请日 2021.11.03 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 熊桂喜　应韬略　孙培林　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 代理人 金怡　邓治平 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/12(2020.01) (54)发明名称 活动影响下的城市交通路网状态演化趋势 预测方法及系统 (57)摘要 本发明涉及一种活动影响下的城市交通路 网状态演化趋势预测方法及系统， 其方法包括： S1： 获取城市 交通路网速度监测数据； S2： 获取用 户出行搜索记录数据； S3： 获取城市交通路网静 态属性数据； S4： 根据城市交通路网速度监测数 据、 用户出行搜索记录数据以及城市 交通路网静 态属性数据构建训练集、 验证集和测试集； 将训 练集输入并训练活动 ‑时空融合预测模型； 并通 过注意力机制和图神经网络将时空依赖和活动 影响结合， 输出活动影 响下交通路网状态演化趋 势预测结果； 利用测试集验证活动 ‑时空融合预 测模型对活动影响下的城市交通路网状态未来 演化趋势进行预测。 本发明提供的方法降低了预 测误差， 对于未来多个时间段长期趋势预测相关 系数更高。 权利要求书3页 说明书6页 附图3页 CN 113971496 A 2022.01.25 CN 113971496 A 1.一种活动影响下的城市交通路网状态演化趋势预测方法， 其特 征在于， 包括： 步骤S1： 根据出租车GPS数据， 获取城市交通路网速度 监测数据， 所述出租车GPS数据包 括： 出租车的速度、 方向和经纬度； 步骤S2： 根据用户出 行时所用的搜索数据记录， 获取用户出 行搜索记录数据； 步骤S3： 根据路测人员进行道路检测， 获取城市交通路网静态属性数据， 其中所述城市 交通路网静态属性数据包括： 路段标识 ID、 路段起始结点经纬度、 长度、 宽度、 车道数、 方向、 收费方式、 道路类别和限速等级； 步骤S4： 根据所述城市交通路网速度监测数据、 所述用户出行搜索记录数据以及所述 城市交通路网静态属性数据构建训练集、 验证集和测试集； 将所述训练集输入并训练活动 ‑ 时空融合预测模型； 并通过注意力机制和图神经网络将时空依赖和活动影响结合， 输出活 动影响下交通路网状态演化趋势预测结果； 利用所述测试集验证所述活动 ‑时空融合预测 模型对活动影响下的所述城市交通路网状态未来演化趋势进行 预测。 2.根据权利要求1所述的活动影响下的城市交通路网状态演化趋势预测方法， 其特征 在于， 所述步骤S4： 根据所述城市交通路网速度监测数据、 所述用户出行搜索记录数据以及 所述城市交通路网静态属 性数据构建训练集、 验证集和测试集； 将所述训练集输入并训练 活动‑时空融合预测模型； 并通过注 意力机制和图神经网络将时空依赖和活动影响结合， 输 出活动影响下交通路网状态演化趋势预测结果； 利用所述测试集验证所述活动 ‑时空融合 预测模型对活动影响下的所述城市交通路网状态未来演化趋势进行 预测， 具体包括： 步骤S41： 根据 所述城市交通路网速度监测数据、 所述用户出行搜索记录数据以及所述 城市交通路网静态属性数据构建训练集、 验证集和 测试集； 步骤S42： 将所述训练集输入并训练活动 ‑时空融合预测模型， 通过注意力机制和图神 经网络将时空依赖和活动影响结合， 输出活动影响下交通路网状态演化趋势预测结果， 同 时利用所述验证集训练并计算预测 值和真实值之间的误差， 直到所述活动 ‑时空融合预测 模型的参数收敛， 得到训练好的所述活动 ‑时空融合预测模型； 步骤S43： 利用所述测试集验证所述活动 ‑时空融合预测模型对活动影响下的所述城市 交通路网状态未来演化趋势进行 预测。 3.根据权利要求2所述的活动影响下的城市交通路网状态演化趋势预测方法， 其特征 在于， 所述步骤S41： 根据所述城市交通路网速度监测数据、 所述用户出行搜索记录数据以 及所述城市交通路网静态属性数据构建训练集、 验证集和 测试集， 具体包括： 步骤S411： 根据所述城市交通路网速度监测数据与交通路网进行匹配与时间段切分， 构建为m×n的矩阵X， 其中， m为所述城市交通路网速度监测数据的长度， n为交通路网路段 数目； 根据所述用户出行搜索记录数据按城市区域进行路段匹配并计算热度值， 构建m ×n的 矩阵Q； 根据所述城市交通路网静态属性数据构建为 n×k的矩阵F， 其中， k 为静态特 征的数目； 根据所述交通路网静态属性数据的经纬度数据计算交通路网路段级联结构， 构建为n ×n的矩阵A； 将所述交通路网静态属性数据中携带时间的数据构建为m ×1的矩阵T； 步骤S412： 预设所述活动 ‑时空融合预测模型的三个超参数： 所述模型每次学习所用的权　利　要　求　书 1/3 页 2 CN 113971496 A 2时间序列的历史时间段步长p、 所述模 型预测的未来时间段步长q以及所述模型的 隐层编码 向量维度h； 步骤S413： 选取活动e周边区域内路段i的大小为n ’集合， 选择需要预测的路段编号i； 取出所述矩阵X的第i列， 即路段i的所有数据； 对于任一时间段t和每一个活动e周边区域路 段i， 将包括该时间段在内的p个历史时间段步长和q个未来时间段步长的矩阵X构建得到一 个(m‑p‑q)×(p+q)×n’的时空序列X ’； 同样地， 将包括时间段t在内的之前p个历史时间段步长和q未来时间段步长的矩阵Q构 建得到一个(m ‑p‑q)×(p+q)×n’的活动热度矩阵Q ’； 同样地， 包括该时间段t在内的之前p个历史时间段步长和q未来时间段步长的矩阵T构 建一个(m ‑p‑q)×(p+q)×1的时间信息矩阵T ’； 分别从所述矩阵F和矩阵A抽取对应所述路段i的数据， 构建一个n ’ ×k的路网静态属性 特征F’和一个n’ ×n’的路网路段级联矩阵A ’； 步骤S414： 将矩阵X ’、 Q’、 T’按照预设比例划分为训练集、 验证集和 测试集。 4.根据权利要求2所述的活动影响下的城市交通路网状态演化趋势预测方法， 其特征 在于， 所述步骤S42： 将所述训练集输入并训练活动 ‑时空融合预测模型； 并通过注 意力机制 和图神经网络将时空依赖和活动影响结合， 输出 活动影响下交通路 网状态演化趋势预测结 果， 同时利用所述验证集训练并计算预测值和真实值之 间的误差， 直到所述活动 ‑时空融合 预测模型的参数收敛， 得到训练好的所述活动 ‑时空融合预测模型， 具体包括： 步骤S421： 使用所述训练集， 训练所述活动 ‑时空融合预测模型， 将所述路网路段级联 矩阵A’输入所述活动 ‑时空融合预测模型中的图神经网络， 得到每个所述路段i的隐层表 示； 步骤S422： 将t ‑p+1到t历史时间段的所述时空序列X ’、 时间信息矩阵T ’、 活动热度矩阵 Q’以及路网静态属性特征F ’输入到所述活动 ‑时空融合预测模型中的时空自注意力机制模 块， 得到历史路网路段隐状态； 步骤S423： 将所述历史路网路段隐状态和t+1到t +q的未来时间段的时间信息矩阵T ’和 活动热度矩阵Q ’作为映射向量输入到交叉注意力机制模块中， 得到未来路网路段隐状态； 步骤S424： 将所述未来路网路段隐状态输入所述时空自注意力机制模块， 得到更新的 未来路网路段隐状态向量； 步骤S425： 将所述更新的未来路网路段隐状态向量输入到全连接层网络， 输出t +1到t+ q时间段的活动影响下交通路网状态演化趋势预测结果， 即速度值； 步骤S426： 利用损失函数计算预测误差， 使用梯度下降法来更新所述活动 ‑时空融合预 测模型的各个参数， 利用所述验证集训练并计算预测 值和真实值之间的误差， 直到所述参 数收敛， 得到训练好的所述活动 ‑时空融合预测模型。 5.一种活动影响下的城市交通路网状态演化趋势预测系统， 其特征在于， 包括下述模 块： 获取城市交通路网速度监测数据模块， 用于根据出租车GPS数据， 获取城市交通路网速 度监测数据， 所述出租车GP S数据包括： 出租车的速度、 方向和经纬度； 获取用户出行搜索记录数据模块， 用于根据用户出行时所用的搜索数据记录， 获取用 户出行搜索记录数据；权　利　要　求　书 2/3 页 3 CN 113971496 A 3