科创中国

本发明公开了一种基于时空关系抽取的区域交通状况集成预测方法。该方法包括：针对目标区域，构建道路的路网拓扑图和停车场的停车场拓扑图，对于路网拓扑图，道路作为图节点，节点之间的连接规则遵循道路的自然连接规则，每条路上的平均车速信息作为节点的特征，对于停车场拓扑图，停车场作为节点，采用最短路径作为节点的连接规则，停车场车位占用数量作为节点特征；基于路网拓扑图和停车场拓扑图，利用构建的多任务模型获得各条道路的平均车速预测结果以及各个停车场车位占用的预测结果，其中所述多任务模型架构包括时空抽取网络、异构图神经网络和时间序列模型。本发明能够实现交通流与停车状况的集成预测，提升了预测精度。

一种基于时空关系抽取的区域交通状况集成预测方法，包括以下步骤： 针对目标区域，构建道路的路网拓扑图和停车场的停车场拓扑图，其中，对于路网拓扑图，将道路作为图节点，节点之间的连接规则遵循道路的自然连接规则，每条路上的平均车速信息作为节点的特征，对于停车场拓扑图中，将停车场作为节点，采用最短路径法作为节点的连接规则，将停车场车位占用数量作为节点特征； 基于所述路网拓扑图和所述停车场拓扑图，利用构建的多任务模型架构获得路网中各条道路的平均车速预测结果以及停车场网络中各个停车场车位占用的预测结果，其中所述多任务模型架构包括时空抽取网络、异构图神经网络和时间序列模型。

1. 数据收集和预处理：收集区域交通数据，包括交通流量、速度、道路网络拓扑等。对数据进行预处理，包括数据清洗、去噪、填充缺失值等。

2. 时空关系抽取：利用时空关系抽取技术，分析交通数据中的时空特征和关系。例如，可以使用空间插值方法来填充缺失的交通数据，使用时间序列分析方法来提取交通流量的周期性和趋势等。

3. 特征选择和提取：根据时空关系的抽取结果，选择和提取相关的特征。这些特征可以包括交通流量、速度、道路拥堵指数、时间、天气等。

4. 模型训练和集成：使用机器学习或统计模型，训练预测模型。可以使用回归模型、时间序列模型、深度学习模型等。同时，可以考虑使用集成学习方法，如随机森林、梯度提升树等，来提高预测性能。

5. 交通状况预测：使用训练好的模型，对未来的交通状况进行预测。可以根据需要进行不同时间尺度的预测，如分钟级、小时级、日级等。

6. 模型评估和优化：评估预测模型的性能，并根据评估结果进行模型的优化和调整。可以使用评价指标，如均方根误差（RMSE）、平均绝对百分比误差（MAPE）等。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生AC态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

1. 数据收集和预处理：收集区域交通数据，包括交通流量、速度、道路网络拓扑等。对数据进行预处理，包括数据清洗、去噪、填充缺失值等。

2. 时空关系抽取：利用时空关系抽取技术，分析交通数据中的时空特征和关系。例如，可以使用空间插值方法来填充缺失的交通数据，使用时间序列分析方法来提取交通流量的周期性和趋势等。

3. 特征选择和提取：根据时空关系的抽取结果，选择和提取相关的特征。这些特征可以包括交通流量、速度、道路拥堵指数、时间、天气等。

4. 模型训练和集成：使用机器学习或统计模型，训练预测模型。可以使用回归模型、时间序列模型、深度学习模型等。同时，可以考虑使用集成学习方法，如随机森林、梯度提升树等，来提高预测性能。

5. 交通状况预测：使用训练好的模型，对未来的交通状况进行预测。可以根据需要进行不同时间尺度的预测，如分钟级、小时级、日级等。

6. 模型评估和优化：评估预测模型的性能，并根据评估结果进行模型的优化和调整。可以使用评价指标，如均方根误差（RMSE）、平均绝对百分比误差（MAPE）等。

技术转让

基于时空关系抽取的区域交通状况集成预测方法可以帮助交通管理部门和驾驶员预测未来的交通状况，以便做出相应的决策和调整。它可以提高交通流畅性、减少拥堵，并提供更有效的交通管理策略。