[0001] 本发明涉及交通流量预测的技术领域，特别涉及一种考虑出行频率的道路交通OD流量短时预测方法。

[0002] 城市交通是一个复杂的系统，总体交通矩阵预测方法难以反映个体的出行频率。人们的出行受到多种因素的影响，以往的研究中发现，工作日的出行人次比周末多，而且工作日的高峰时段比周末更明显，但是对于预测模型而言，全矩阵预测方法会导致OD矩阵中的每一个可能的OD对都涉及到预测中。具体而言，当个体出行OD对突然出现或消失时，预测模型的适用性会下降。

[0003] 针对复杂系统下，使用整个交通OD流量预测进行作为预测模型输入而引起的上述预测误差，未见有针对性的应对方法，并且也未检索到这类方法的发明专利。

[0004] 经对现有技术的文献检索发现，交通OD流量预测方法主要有以下几种：

[0005] 1、基于路段OD反推的实时交通流分布预测。将交通网络中每条路段视为交通小区，即OD矩阵中的O和D。根据获取的出租车GPS数据载客状态字段，判断出行的OD对，进行出行OD点提取，将提取的OD点与交通小区进行路段匹配，进而汇总得到各个交通小区OD对之间的交通量，并构建历史OD交通量数据库。根据预测时刻，在历史OD交通量数据库中选取某几天该预测时刻周围一定范围内的OD数据，取平均后的结果作为基础OD矩阵。根据预测时刻，选取该天预测时刻前几个时刻的OD交通量数据，按照时间序列方法对其进行滚动预测，得到预测时刻各个交通小区O、D的交通量预测值，并将其作为每个O、D的汇总预测值代入OD矩阵中。据此得到基础OD矩阵和O、D汇总预测值，采用平均增长系数法对OD矩阵进行反推，得到预测时刻的各个OD对之间的交通量分配。采用最短路径分配的算法，将各个OD对之间的实时预测交通量分配到路网的各个路段上，得到该预测时刻路网中各个路段的实时交通量分配预测。代表性成果包括《基于路段OD反推的实时交通流分布预测系统》(专利授权号CN201410410008.5)

[0006] 2、基于时序特征的交通OD客流量预测。采集交通客流OD的历史数据，提取顺序时间序列与历史同期序列，将顺序时间序列与历史同期序列结合得到新的时间客流量序列，建立LSTM模型，将0至t时刻新的时间客流量序列作为输入对LSTM模型进行训练，然后再将t时刻新的时间客流量序列输入训练后的LSTM模型，得到t+1时刻的OD客流量。代表性成果包括《一种基于时序特征预测轨道交通OD客流量的方法》(专利授权号CN201810382266.5)、《一种基于深度学习的OD客流预测方法》(专利授权号CN202010861302.3)

[0007] 3、在方法2的基础上，一些研究进一步考虑路网拓扑关系，采用更能表现邻接点的图卷积网络作为骨干模型，依次连接编码器、多通道特征融合模块和解码器。编码器和解码器均是基于超图卷积网络和门控循环单元构建的；编码器用于根据超图集合提取O通道、D通道和OD通道的客流量特征；O通道的客流量特征表征O通道下流出客流的隐含时空近邻关系；D通道的客流量特征表征D通道下流入客流的隐含时空近邻关系；OD通道的客流量特征表征OD通道下OD客流的隐含时空近邻关系和隐含语义近邻关联关系；多通道特征融合模块用于将O通道、D通道和OD通道的客流量特征进行融合，得到OD客流分布特征；解码器用于根据OD客流分布特征得到OD的客流量预测值。代表性的成果有《基于多通道超图卷积网络的交通OD客流预测方法及系统》(专利授权号CN202311797056.X)

[0008] 方法1是利用路段实际流量通过数学方法反推得到OD预测，较难适应复杂路网结构，并且难以充分考虑偶发性活动引起的出行量。

[0009] 方法2是传统的交通OD流量预测方法，将每一个OD对的交通量分别输入时间序列预测模型，但未考虑不同群体出行特征差异性。

[0010] 方法3是在方法2的基础上进一步考虑路网拓扑关系，但是仍然将所有出行者视为同一类群体，在OD预测中没有考虑不同群体出行特征差异性。

[0011] 技术术语：OD：出发地‑目的地

[0037] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0038] 实施例1

[0039] 本发明实施例1中的区域观测点如图4所示，数据输入是中国广西壮族自治区柳州市某一区域2023年12月1日至12月30日采集到的车牌数据。这个地区的面积为3平方公里，存在12个车牌识别卡口设备。每次车辆经过卡口时，记录其车牌号码、车牌颜色、时间戳、设备位置编号和车辆颜色。表1给出车牌识别数据样本。

[0040] 表1车牌识别数据样本

[0041]

[0042]

[0043] 采用本发明方法对该区域的交通OD流量进行预测，具体过程如下：

[0044] 步骤1：历史OD记录提取。首先，所有车牌识别数据按照车牌号码和时间戳排序，然后将连续时间间隔小于30分钟的数据记录为一次出行。例如，一辆车在8:00:00经过地点1，在8:20:00经过地点2，在9:00:00经过地点3，在9:20:00经过地点4，那么记录为两次出行，分别是8:00:00到8:20:00从地点1到地点2，以及9:00:00到9:20:00从地点3到地点4。经过处理从2592519条原始车牌识别数据中，提取201161条OD记录。表2展示了提取的OD记录示例。

[0045] 表2提取的OD记录示例

[0046]

[0047]

[0048] 步骤2：出行频率统计。基于步骤1所提取的历史OD记录，按照每个车牌号码分别统计各自出行频率，如表3所示，并将此作为出行者的出行频率。

[0049] 表3每个车牌号码分别统计各自出行频率

[0050] 车牌号码 出行频率桂B145xxx 138
桂B143xxx 137
桂B142xxx 135
桂BDU2xxx 119

[0051] 步骤3：出行者类别划分。使用K‑means聚类并按照出行频率对所有出行者进行划分，计算不同分类个数所对应的轮廓系数，结果如表4所示。

[0052] 表4不同分类个数所对应的轮廓系数

[0053]分类个数 2 3 4 5 6 7 8
轮廓系数 0.8182 0.7742 0.7538 0.7376 0.7252 0.7282 0.7282

[0054] 取轮廓系数达到最大(0.8182)所对应的分类个数，即将所有出行者按照出行频率分为2类，一类为高频出行者，另一类为低频出行者，分类结果如表5所示。

[0055] 表5分类结果

[0056]出行者类别 出行频率
高频出行者 <10
低频出行者 >＝10

[0057] 步骤4：历史OD矩阵聚合。将2类出行者的历史OD记录分别聚合为每个小时的历史OD矩阵。表6和表7分别示意了高频出行者和低频出行者在某一个小时内的历史OD矩阵，第一列和第一行分别表示出发地和目的地所在编号，表中的数字表示从出发地到目的地的OD[0058] 流量，单位为辆。

[0059] 表6高频出行者在某一个小时内的历史OD矩阵

[0060]

[0061]

[0062] 表7低频出行者在某一个小时内的历史OD矩阵

[0063]

[0064] 步骤5：分类的OD矩阵预测。对两类出行者OD矩阵分别搭建并训练深度学习模型用于短时预测，骨干模型可以选择LSTM、GRU或Transformer等，表8和表9分别展示了高频出行者和低频出行者某一小时OD矩阵预测结果示例。

[0065] 表8高频出行者某一小时OD矩阵预测结果

[0066]

[0067] 表9低频出行者某一小时OD矩阵预测结果

[0068]

[0069]

[0070] 步骤6：汇总的OD矩阵预测。将表8和表9的OD流量相加，得到汇总后所有出行者的OD矩阵预测结果，如表10所示。

[0071] 表10汇总后所有出行者的OD矩阵预测结果

[0072]

[0073]

[0074] 采用MAE、RMSE和R2指标对预测结果进行评价，使用LSTM、GRU和Transformer三种骨干模型，并对比不考虑出行频率分类(用LSTM、GRU和Transformer表示)和考虑出行频率分类(用LSTM‑C、GRU‑C和Transformer‑C表示)的模型预测结果，各项指标如表11所示。分类后的交通OD流量矩阵预测结果优于直接预测整个交通OD流量矩阵的结果。LSTM‑C的三项指标相比LSTM分别提高7.45％、2.80％、1.95％；GRU‑C相比GRU分别提高9.90％、5.04％、34.49％；Transformer‑C相比Transformer分别提高34.09％、42.26％、21.98％。从表11还可以发现，GRU作为骨干预测模型的结果不论是在平均性能、最佳性能、还是性能稳定性方面都优于其它两种模型。

[0075] 表11不同模型预测结果

[0076]

[0077]

[0078] 这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。