[发明专利]一种基于门控神经网络的高速公路交通流参数预测方法及系统

权利要求书

1.一种基于门控神经网络的高速公路交通流参数预测方法，其特征在于，包括：

采集高速公路营运车辆数据信息和收费站经纬度信息，进行路段数据筛选；

将筛选后的所述路段数据按照预设时间定周期计算，得到交通流参数时间序列；

设定门控神经网络预测模型参数，将所述交通流参数时间序列分为训练数据和测试数据，利用所述训练数据训练交通流参数预测模型；

根据所述交通流参数预测模型预测交通流参数。

2.根据权利要求1所述的基于门控神经网络的高速公路交通流参数预测方法，其特征在于，所述进行路段数据筛选，包括：

对获取的路段数据进行异常数据清洗。

3.根据权利要求2所述的基于门控神经网络的高速公路交通流参数预测方法，其特征在于，所述异常数据清洗，包括：

删除重复数据，保留一条有效数据；

若同一车辆在同时刻采集了多条数据，但数据不完全相同，则保留第一条有效数据；

删除同一车辆单次行程中经纬度不变且速度全部为零的数据；

对于同一车辆，采集的车辆经纬度信息正常但是速度全部为零，则利用相邻时刻车辆的经纬度变化信息求得车辆的行驶距离，再利用距离除时间差得到相邻时刻的平均速度，用平均速度填充此类速度全部为零的数据；

对于同一车辆，采集的车辆经纬度信息正常，但是车辆的瞬时速度出现缺失情况，缺失数据的表现形式为速度为零，则利用相邻时刻车辆的经纬度变化信息求得车辆的行驶距离，再利用距离除时间差得到相邻时刻的平均速度，用平均速度填充此类速度为零的数据，并保留原先正常的车辆行驶数据；

车辆的速度明显的高于车辆限速，保留车辆最高限速以下的数据；

收费站附近车辆速度明显的低于道路最低限速，删除收费站附近车辆速度低于道路最低限速的数据；

当道路发生交通事故时，保留事故影响期间所有数据；当道路未发生交通事故时，删除车辆的速度低于道路最低限速的数据。

4.根据权利要求1所述的基于门控神经网络的高速公路交通流参数预测方法，其特征在于，所述方法还包括：

针对交通流参数时间序列数据缺失情况进行缺失数据填充。

5.根据权利要求4所述的基于门控神经网络的高速公路交通流参数预测方法，其特征在于，所述针对交通流参数时间序列数据缺失情况进行缺失数据填充，包括：

根据所述时间序列数据建立初始矩阵，使得第一列数据为采集数据第一天的时间序列数据；以此类推，同时使得历史同一周期数据具有相同的索引；

计算每个预设时间周期历史数据的高斯分布；

若某一预设时间周期数据没有缺失，则计算所述时间周期数据的概率；

若某一预设时间周期数据缺失，则利用相邻不缺失数据的概率进行线性插值，得到缺失数据位置的概率；利用相应的高斯分布反向计算得到缺失数据的填充值。

6.根据权利要求1所述的基于门控神经网络的高速公路交通流参数预测方法，其特征在于，所述门控神经网络预测模型参数至少包括如下至少一个：

输入层节点数、隐层层数、每个隐层的节点数，输出层节点数。

7.根据权利要求1所述的基于门控神经网络的高速公路交通流参数预测方法，其特征在于，所述方法还包括：

利用测试数据和预测数据进行误差分析。

8.根据权利要求7所述的基于门控神经网络的高速公路交通流参数预测方法，其特征在于，所述误差分析包括：

通过平均绝对百分比误差MAPE和均方根误差RMSE来对预测数据进行误差分析，表达式如下：

其中，MAPE(v,v^*)为平均绝对误差；RMSE(v,v^*)为均方根误差；n为预测出一天的时间周期的数量；v_i为i时刻的周期的路段平均速度，为i时刻的预设周期的路段预测速度。