[发明专利]一种基于深度学习的短时交通流预测方法

权利要求书

1.一种基于深度学习的短时交通流预测方法，其特征在于：包括如下步骤，

步骤S1：提取同一时刻预测点与临近点之间的交通流状态，计算短时交通流的空间相关性特征；

步骤S2：处理时间序列内不同时刻的各点的交通流状态，计算交通流变化趋势和时空特征；所述时间序列是通过将不同时间交通流的空间相关性特征汇聚而成；

步骤S3：提取预测点前一天同一时刻和前一周同一时刻时的交通流数据，提取交通流的周期性特征；

步骤S4：将时空特征和周期性特征融合；

步骤S5：使用交通流实际值与框架预测值进行比较，计算损失值，不断优化框架。

2.根据权利要求1所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S1中，短时交通流的空间相关性特征通过如下方式获取：

步骤S11：收集目标检测点和其临近点的交通流数据集，将同一时刻该区域内点的交通流数据映射到一维向量，以预测点为基准点，将预测点的交通流数据放在向量的中心，以南北为衡量标准，设置数据点在向量中是预测点之前还是之后，北在前，南在后，并且按照与基准点之间的距离远近来填充向量；

步骤S12：对向量进行卷积处理，采用卷积核尺寸为3，滑动步长为1，提取相同时刻的区域内的交通流相关性，产生交通流数据卷积特征向量，卷积可理解为局部的加权求和，公式为g(i)＝f(Aw+B)

其中A表示卷积核的输入，W表示卷积核对输入处理的权重，B表示偏置项，i表示卷积滑动的步数，也就是生成卷积特征向量中的第i个元素；

步骤S13：对上一步所产生的卷积特征向量进行平均池化处理。

3.根据权利要求1所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S2中，利用长短期记忆网络(LSTM)来处理时间序列数据，分析不同时间交通流的空间相关性特征变化，将时间特征和空间特征融合，获取交通流变化趋势和时空特征，具体即：交通流的空间相关特性特征。

4.根据权利要求2所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S3中，交通流的周期性特征通过收集预测点前一天同一时刻的交通流数据，和前一周同一时刻的交通流数据，将数据分别输入到双向LSTM之中，提取天周期特征和周周期特征。

5.根据权利要求4所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S4中，使用神经网络中的全连接网络将收集到的交通流的时空特征和周期性特征进行融合。

6.根据权利要求1所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S5中，将框架所输出的预测值与交通流实际值进行比较，计算损失值，不断对框架进行优化，采用均方误差为损失函数，计算框架输出的预测值和实际交通流数据之间的特征，然后使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用RMSprop不断自适应学习率，RMSprop能够根据之前的梯度变化的情况来更新学习率，RMSprop算法使用变量MeanSquare(w，t)来保存第t次更新学习率时每个权值前一段时间的梯度平方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解：其中，

均方误差函数：

RMSprop公式：

为变量W在t时刻的梯度值。