[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

说明书

本发明涉及一种基于门控神经网络GRU的高速公路交通流参数预测方法及系统，所述方法包括以下步骤：根据采集数据的高速路线信息和路段收费站经纬度信息初筛选研究路段数据；接着针对异常数据的表现形式进行异常数据清洗，然后以一定的时间周期计算得到速度时间序列，接着对时间序列数据缺失情况进行缺失数据填充；将填充后速度时间序列数据分为训练数据和测试数据，并利用训练数据训练得到交通流预测模型，最后利用预测得到的数据与测试数据进行误差分析。本发明利用GRU长时间记忆数据特征的优势，可以得到更高的预测精度，且预测模型参数相对较少，具有良好的可移植性，可以为交通管理部门交通诱导以及交通事故管理调度提供技术支撑。

技术领域

本发明涉及一种交通预测技术领域，尤其涉及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。

背景技术

近年来，随着交通事业快速发展，地区之间的沟通交流得到不断的增强，但随之而来的是高速公路交通拥堵、交通事故事件时有发生，给交通管理部门合理的决策管理带来挑战。

智能交通系统(Intelligent Transport System，ITS)作为一种高效的综合运输和管理系统，在处理交通拥堵和交通事故等方面发挥着不可替代的作用。交通流预测作为智能交通系统重要的组成部分，其预测的结果可以为管理部门提供决策管理依据，提高道路管理效率。

目前，作为交通流预测的机器学习算法主要有卡尔曼滤波算法、BP神经网络、支持向量机、时间序列方法、模式匹配算法等。而随着数据采集技术的发展、大数据的积累和计算机性能的有效提升，以卷积神经网络(CNN)、循环神经网络(RNN)、长短时记忆神经网络(LSTM)等为代表的深度学习算法成为国内外专家、学者研究的重点。深度学习算法会挖掘出数据的更多信息，因此往往会比普通的机器学习算法表现出更好的性能。

上述的交通流预测算法中，深度学习算法一般会优于普通的机器学习算法，而卷积神经网络、循环神经网络在长时间依赖问题上具有一定的劣势，长短期记忆神经网络在长时间记忆问题上表现出良好的性能，但是其模型比较复杂，参数较多。

门控神经网络(Gated Recurrent Unit，GRU)作为一种新兴的深度学习算法，是长短期记忆神经网络的一种变体，在保持了LSTM的良好性能的同时，简化了算法结构，减少了训练参数，大大提高了模型的训练效率。

发明内容

本发明所要解决的技术问题是提供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，用以解决现有技术中高速公路交通流预测不够准确的问题。

根据本发明的一个方面，提供一种基于门控神经网络的高速公路交通流参数预测方法，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。

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。

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；