多源数据融合的高速公路收费站出口流量预测方法及系统

本发明涉及智能交通领域，具体涉及多源数据融合的高速公路收费站出口流量预测方法，还涉及多源数据融合的高速公路收费站出口流量预测系统。

背景技术：

1、高速公路密切了城市之间的联系，给出行者带来更加便捷的出行条件，人民对高速公路服务、交通诱导服务的需求不断增加，交通管理部门对交通管控、交通状况的缓解提出更高的要求。交通流预测是分析道路上交通状况、挖掘交通模式以及预测道路交通趋势的过程。

2、收费站是高速公路交通网络中的瓶颈节点，容易引发交通排队问题。及时的流量预测可以帮助交通管理部门先行做出决策，交通管理部门可根据预测结果预先实施抢占性对策，例如增派收费员等来应对高峰时刻，最大化改善交通状况和减少交通延误。通过采集到的数据对流量做出预测，可有效缓减收费站出口拥堵问题，为出行者提供便捷高效的出行服务，树立良好的高速公路形象。

3、现有的高速公路收费站出口流量预测大多基于单一的数据源进行预测，单一的数据可能会有检测范围小，数据特征少的局限性。在高速公路大数据中，多源数据具有数据种类齐全，数据量大的特点，利用多源数据间的互补性和冗余性，通过多源数据融合能够有效提高交通预测的准确率。

技术实现思路

1、本发明目的：在于提供多源数据融合的高速公路收费站出口流量预测方法及系统，通过融合收费数据和车辆牌照识别数据建立预测模型，对高速公路收费站出口流量进行预测，从而提高交通流预测精度，缓解交通拥堵。

2、为实现以上功能，本发明设计多源数据融合的高速公路收费站出口流量预测方法，包括以下步骤s1-步骤s5：

3、步骤s1：获取高速公路收费数据和车辆牌照识别数据，其中高速公路收费数据包括高速公路上的各出口收费站数据以及各入口收费站数据；

4、步骤s2：分别针对高速公路收费数据和车辆牌照识别数据，提取单源数据流量特征；

5、步骤s3：根据待预测出口收费站的时空特性，统一各单源数据流量特征的时空维度，获得时空一致化的入口收费站的数据、时空一致化的车辆牌照识别数据；

6、步骤s4：分别构建基于收费数据的预测模型和基于车辆牌照识别数据的预测模型，其中基于收费数据的预测模型以步骤s3所获得的时空一致化的入口收费站的数据为输入，以预测的出口收费站流量为输出，基于车辆牌照识别数据的预测模型以步骤s3所获得的时空一致化的车辆牌照识别数据为输入，以预测的出口收费站流量为输出；

7、步骤s5：针对基于收费数据的预测模型和基于车辆牌照识别数据的预测模型所输出的预测的出口收费站流量，基于神经网络进行融合，获得融合后的出口收费站流量多源预测结果。

8、作为本发明的一种优选技术方案：步骤s2中提取单源数据流量特征方法为：将步骤s1所获取的数据按照5min的时间维度进行聚合，共有s条数据，预测时间序列为待预测出口收费站流量序列为

9、作为本发明的一种优选技术方案：步骤s3中车辆牌照识别数据的时空一致化方法如下：

10、按照时间、空间特性匹配的原则对车辆牌照识别数据进行筛选，以同路段为约束将其转换为同时段、同间隔的车辆牌照识别数据；

11、入口收费站的数据的时空一致化方法如下：

12、选取某一个出口收费站作为目标站点d，根据车辆进入的入口收费站和驶出的出口收费站，提取所有以目标站点为出口收费站的入口收费站序列{o1,o2,…,on}；

13、计算od对内车辆旅行时间，其计算公式为：车辆旅行时间＝出口时间-入口时间；

14、计算od对内车辆旅行时间均值，其计算公式为：

15、

16、式中，为入口收费站oj在时间段k内所有车辆的平均旅行时间，为ojd路段上在时间段k内第m辆车的车辆旅行时间，m为车辆总数；

17、选取样本均值两倍标准差作为阈值范围，剔除在范围之外的数据，其中：

18、

19、计算样本均值得到od对内车辆时间顺差

20、构造目标站点和各入口收费站之间的关联矩阵，对于一个特定的目标站点，在时间序列为入口收费站为{o1,o2,…,on}时，关联矩阵为：

21、

22、表示入口收费站为oj，目标站点为d，时间点为时的流量；

23、选取目标站点d待预测时间序列中的某一个时间点其波动范围为和表示该时间点的起始时间和终止时间；

24、在考虑时间顺差的情况下对应的入口收费站时间波动范围为dj为od对内车辆时间顺差；计算目标站点d和关联站点之间的关联系数如下式：

25、

26、式中，为各入口收费站流量的均值，为时间点为时目标站点d的流量，为目标站点d各时间点的流量均值；设定关联阈值0.8，筛选出关联系数大于关联阈值的入口收费站，完成对入口收费站数据的时空一致化处理。

27、作为本发明的一种优选技术方案：步骤s4所述的基于收费数据的预测模型采用gcn模型，gcn模型表示为：

28、

29、x为特征矩阵，e为单位矩阵，d为度矩阵，a为邻接矩阵，w表示权重，b表示训练过程中的偏差，relu()为激活函数，f(x,a)表示图的卷积过程；

30、tgcn模型中各参数计算过程如下，f(a,xt)表示图卷积过程,ht-1为t-1时刻的输出：

31、ut＝σ(wu[f(a,xt),ht-1]+bu)

32、rt＝σ(wr[f(a,xt),ht-1]+br)

33、ct＝tanh(wc[f(a,xt),(rt*ht-1)]+bc)

34、ht＝ut*ht-1+(1-ut)*ct

35、基于收费数据的预测模型的输出为预测的出口收费站流量，输出形式为按照5min的时间维度进行聚合的流量序列；

36、基于车辆牌照识别数据的预测模型采用lstm模型，通过随机搜索算法得到lstm模型的最优超参数，所述模型的最优超参数包括隐藏层大小和学习率，隐藏层大小搜索范围为[32，512]，学习率的搜索范围为[0.0001，0.5]，所述模型的输出为预测的出口收费站流量，形式为按照5min的时间维度的出口收费站流量序列。

37、作为本发明的一种优选技术方案：步骤s5中采用bp神经网络，针对基于收费数据的预测模型和基于车辆牌照识别数据的预测模型所输出的预测的出口收费站流量进行融合，bp神经网络结构如下：

38、j＝m+n+a

39、式中：j,m,n分别为隐藏层、输入层、输出层神经元个数，a为常数。

40、本发明还设计多源数据融合的高速公路收费站出口流量预测系统，包含多源检测器模块、特征提取模块、时空一致化模块、单源数据预测模块、多源数据融合预测模块，以实现所述的多源数据融合的高速公路收费站出口流量预测方法：

41、多源检测器模块获取高速公路收费数据和车辆牌照识别数据；特征提取模块提取各单源数据流量特征；时空一致化模块统一各单源时空维度；单源数据预测模块构建基于收费数据的预测模型和基于车辆牌照识别数据的预测模型；将两个单源预测模型的输出作为多源数据融合预测模块的输入，基于多源数据融合预测模块获取预测的出口收费站流量。

42、有益效果：相对于现有技术，本发明的优点包括：

43、与基于单一数据源的高速公路收费站出口流量预测方法相比，本发明提供的方法利用多源数据间的互补性和冗余性，弥补了基于单一数据源存在的检测范围小，数据特征少的局限性。在高速公路大数据中，多源数据具有数据种类齐全，数据量大的特点，通过多源数据融合能够有效提高交通预测的准确率。