[发明专利]一种基于深度学习的短时交通流预测方法

说明书

本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。

技术领域

本发明涉及智能交通领域和深度学习领域，特别是一种基于深度学习方法的短时交通流预测方法。

背景技术

随着经济的不断发展和城镇化水平的不断提高，人们对交通的需求原来越高，驾车出行的频率也越来越高，随之而来的问题就是交通拥堵日渐严重，如何掌握交通信息，参考交通信息对出行时间和出行路线进行规划是一个需要当前解决的问题，为用户提供准确实时的交通流变化预测，可以为用户节省出行时间，减少不必要的浪费，同时准确的交通流信息对维护交通拥护和交通管理中也有很大的帮助，具有很大的商业价值。

国内外业已提出的交通流预测方法主要有时间序列法、卡尔曼滤波、混沌理论、神经网络和支持向量机(SVM)等。交通流的数据信息具有很强的时间相关性和周期性，同时也会受到临近车道车流量的影响，交通流预测通过对传感器收集到的数据进行分析预测出接下来短时间内的交通流量趋势、传感器主要包括手机，智能手环，平板电脑等具有传感器的可移动设备，也包括道路固定设备，道路固定设备的不断完善，手机等可移动设备数量的不断提升，所收集到的数据越来越多，随着大数据的爆炸，可以用来分析的数据也越来越多，如何从数据中获得我们想要的信息变得越来越重要，在之前的交通流预测模型中存在很多缺点，包括没有添加空间特性，没有添加时间特性，特征提取不充分，或者时间空间信息融合不好，造成了交通流预测误差大的问题。本发明提出了一种融合时空特性并结合交通流数据周期性等特点对短时交通流量进行预测。

发明内容

本发明的目的在于提供一种基于深度学习的短时交通流预测方法，该方法利用城市道路交通流时空关联信息进行预测，可克服现有方法不能充分利用交通流数据的时空特征和周期性特征的缺点，同时进一步将交通流数据不同特征进行融合，从而提高短时交通流预测的准确性。

为实现上述目的，本发明的技术方案是：一种基于深度学习的短时交通流预测方法，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；

步骤S3：提取预测点前一天同一时刻和一周前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。

在本发明一实施例中，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，通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)