(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111617613.6 (22)申请日 2021.12.28 (71)申请人 湖南智慧畅行交通科技有限公司 地址 410000 湖南省长 沙市高新 开发区尖 山路39号中电软件园一期9 栋厂房503 室 (72)发明人 谭瑞香　 (51)Int.Cl. G06Q 10/04(2012.01) G06F 17/18(2006.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06Q 50/26(2012.01) (54)发明名称 一种通过 公交运营数据结合GPS数据预测城 市路况的方法 (57)摘要 本发明提供一种通过 公交运营数据结合GPS 数据预测城市路况的方法， 属于智慧交通大数据 路况预测领域， 方法包括如下步骤， 获取特定城 市所有的交通运营基础数据， 根据车次数据和到 离站数据计算各个 路段历史平均速度， 并将历史 路段平均速度数据集确定为历史路况特征矩阵， 通过实时GPS数据计算路段实时平均速度， 并将 实时平均速度数据集确定为实时路况特征矩阵， 将到离站数据关联线路和站点的基础数据得到 路段位置关系邻接矩阵， 合并历史特征矩阵和实 时特征矩阵， 将合并后的特征矩阵与邻接矩阵输 入到路况预测模 型得到路况预测结果。 该方法既 考虑到路段之间的相互影 响， 也避免因突发情况 产生的干扰， 从而很大程度提高了预测结果的准 确性。 权利要求书2页 说明书6页 附图1页 CN 114330871 A 2022.04.12 CN 114330871 A 1.一种通过公交运营数据 结合GPS数据 预测城市路况的方法， 其特征在于， 所述方法包 括如下步骤： 步骤1： 获取 特定城市所有的交通 运营基础数据； 步骤2： 根据 车次数据和到离站数据计算各个路段历史平均速度， 并将历史路段平均速 度数据集确定为历史路况特征矩阵， 通过实时GPS数据计算路段实时平均速度， 并将实时平 均速度数据集确定为实时路况 特征矩阵； 步骤3： 将到 离站数据关联线路和站点的基础数据得到路段位置关系邻接矩阵； 步骤4： 合并历史特征矩阵和实时特征矩阵， 将合并后的特征矩阵与邻 接矩阵输入到路 况预测模型 得到路况 预测结果。 2.根据权利要求1所述的一种通过公交运营数据 结合GPS数据 预测城市路况的方法， 其 特征在于： 所述步骤1的具体过程为， 从IoT平台实时获取所有 车辆的GPS数据， GPS数据包括 设备唯一标识、 时间戳、 经度、 维度、 速度， 过滤掉时间戳和经纬度相同的GPS， 过滤掉任意字 段为空的GP S； 从数据平台批量获取若干日的车次数据， 对于每个车次包括车次唯一标识、 线路唯一 标识、 车辆 唯一标识、 车次开始时间、 车次结束时间、 车次耗时、 有效状态， 过滤掉有效状态 为无效的记录， 过 滤掉任意字段为空的记录； 从数据平台批量获取多日的到离站数据， 对于每个到离站数据包括设备唯一标识、 经 度、 维度、 到 离站标识、 到 离站时间、 站点序号、 上 下行标识， 过滤掉任意字段为空的记录； 从智慧交通运营系统获取 车辆、 线路、 站点的基础数据。 3.根据权利要求1所述的一种通过公交运营数据 结合GPS数据 预测城市路况的方法， 其 特征在于： 所述步骤2中根据车次数据和到离站数据计算各个路段历史平均速度具体过程 为， 设置平均速度计算公式： 其中， 表示车辆h在路段line最后位置与 第一个位置之间的距离， 表示在line上的最后位置， 表示在 line上的第一个位置， 表示车辆h在line上起点和终点的时间差， m表示时间段内通过l ine的车辆总和， 表示时间段内路段的平均速度。 4.根据权利要求1所述的一种通过公交运营数据 结合GPS数据 预测城市路况的方法， 其 特征在于： 所述步骤3具体过程为： 根据线路、 站 点和线路站 点关系构建有向图， 根据路段有 向图将所有路段映射到网格地图， 并得到所有路段 的线网矩阵， 根据线网矩阵计算路段 的 邻接矩阵。 5.根据权利要求1所述的一种通过公交运营数据 结合GPS数据 预测城市路况的方法， 其 特征在于： 所述步骤4  中， 路况预测模型为神经网络模型， 神经网络模 型包括依次连接的卷 积神经网络模型、 LSTM模型， 卷积神经网络模型为： ， 其中， 为线网速度变化值， A为邻接矩阵， X为拥堵矩阵， 为从卷积神经网路模权　利　要　求　书 1/2 页 2 CN 114330871 A 2型的输入层到卷积神经网络模型的隐藏层的权值矩阵， 为从卷积神经网络模型的隐藏 层到模型的输出层的权值矩阵； LSTM模型中的LSTM拥有三个门， 分别为输入门， 遗忘门， 输出门， 用于保护和控制细胞 状态， 决定 丢失信息： 确定更新的信息： ， 更新细胞状态： 输出信息： ， 获取训练集， 包括路况特征矩阵和路段邻接矩阵， 将训练集输入到路况预测模型进行 训练得到训练好的神经网络模型； 将训练好的模型作为路况 预测模型。权　利　要　求　书 2/2 页 3 CN 114330871 A 3