1.一种出租车OD流预测模型构建方法,其特征在于,方法包括:
(1)对目标区域一定时间范围内的车辆轨迹数据进行清洗和校正,得到预处理数据;
(2)将目标区域的城市路网划分成多个网格,并对每个网格设置坐标ID,其中任一网格的坐标ID表示为(i,j,k),(i,j)为任一网格坐标,k为城市路网内的任一路段ID;
(3)提取预处理数据的多个时隙的出行次数矩阵和出行时间矩阵,得到出行次数矩阵集合和出行时间矩阵集合;其中任一时隙的出行次数矩阵中的任一元素为n(i,j,k)(i′,j′,k′),n(i,j,k)(i′,j′,k′)为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的出行次数,出行次数矩阵的任一行向量为当前时隙内所有坐标ID中同一路段ID到其它坐标ID的出行次数;其中i≠i′,j≠j′,k≠k′或者,i=i′,j=j′,k=k′;
任一时隙的出行时间矩阵中的任一元素为t(i,j,k)(i′,j′,k′),t(i,j,k)(i′,j′,k′)为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的出行时间;出行时间矩阵中的任一行向量为当前时隙内所有坐标ID中同一路段ID到其它坐标ID的出行时间;
(4)采用出行次数矩阵集合和出行时间矩阵集合对CNN和LSTM混合深度网络进行训练,得到预测模型;
所述CNN和LSTM混合深度网络由两个通道构成,每个通道由依次设置的两层ConvLSTM、一层BatchNormalzition、一层Conv2DTraf、一层Depthwise_Conv2D和一层SeparableConv2D构成;其中一个通道输入出行次数矩阵集合,另一个通道输入出行时间矩阵集合。
2.如权利要求1所述的车辆OD流预测模型构建方法,其特征在于,任意两个坐标ID间的出行时间t(i,j,k)(i′,j′,k′)为当前时隙内坐标ID(i,j,k)到坐标ID(i′,j′,k′)的多次出行时间的平均值。
3.如权利要求1所述的车辆OD流预测模型构建方法,其特征在于,方法还包括:在进行数据训练前对出行次数矩阵集合和出行时间矩阵集合分别进行旋转、裁剪和压缩处理,所述旋转是使得矩阵两条对角线附近非零元素分别处于水平和垂直位置;所述裁剪是删去矩阵中远离矩阵对角线的零值元素缩小矩阵维度。
4.一种出租车OD流预测方法,其特征在于,所述方法包括:
采集目标区域待预测时间段前合理时间段内的车辆轨迹数据;
采用权利要求1中步骤一到步骤三的方法对车辆轨迹数据处理得到多个时隙的出行次数矩阵和出行时间矩阵;
将多个时隙的出行次数矩阵和出行时间矩阵输入到权利要求1构建的模型中,输出待预测时间段内的出行次数矩阵和出行时间矩阵。
5.如权利要求4所述的出租车OD流预测方法,其特征在于,所述合理时间段为至少1周。