公开(公告)号：CN110060471B

公开(公告)日：2020-09-08

申请号：CN201910257476.6

申请日：2019-04-01

Applicant: 长安大学

Inventor： 陈柘 ,  赵斌 ,  张凯 ,  段宗涛 ,  唐蕾 ,  樊娜 ,  杨云 ,  倪圆圆

IPC: G08G1/01 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种车辆OD流预测模型构建方法及车辆OD流预测方法。本发明的方法采用网格和路段嵌套的多粒度空间划分方法，用于表示区域和道路节点级别的车辆OD数据，同时提取OD间的出行次数和出行时间，采用CNN和LSTM混合的深度预测模型LSTM_traf_deepCNN，并联合OD出行时间对OD流进行预测。与传统的OD流预测方法相比，本发明的方法充分考虑了行程时间与OD流的隐关系，联合OD间的行程时间和出行次数对深度网络进行训练，所得模型具有更准确的预测能力。本发明属于交通运输信息工程技术领域，可用于城市规模出租车OD流的预测。

公开(公告)号：CN110060471A

公开(公告)日：2019-07-26

申请号：CN201910257476.6

申请日：2019-04-01

Applicant: 长安大学

Inventor： 陈柘 ,  赵斌 ,  张凯 ,  段宗涛 ,  唐蕾 ,  樊娜 ,  杨云 ,  倪圆圆

IPC: G08G1/01 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种车辆OD流预测模型构建方法及车辆OD流预测方法。本发明的方法采用网格和路段嵌套的多粒度空间划分方法，用于表示区域和道路节点级别的车辆OD数据，同时提取OD间的出行次数和出行时间，采用CNN和LSTM混合的深度预测模型LSTM_traf_deepCNN，并联合OD出行时间对OD流进行预测。与传统的OD流预测方法相比，本发明的方法充分考虑了行程时间与OD流的隐关系，联合OD间的行程时间和出行次数对深度网络进行训练，所得模型具有更准确的预测能力。本发明属于交通运输信息工程技术领域，可用于城市规模出租车OD流的预测。