[发明专利]基于LSTM模型的信号交叉口运行状态预测方法和系统

说明书

本发明提供了一种基于LSTM模型的信号交叉口运行状态预测方法和系统，包括：通过移动互联网获取某区域的浮动车数据；根据浮动车数据，提取出某段时间内的与某个信号交叉口匹配的相关数据，并对所述数据进行筛选；对筛选后的数据进行归一化处理，并分为训练数据集和测试数据集，并通过LSTM模型对所述的训练数据集中的数据进行训练，对训练好的模型通过测试数据集进行测试，得到所述信号交叉口的预测模型；根据得到的所述信号交叉口的预测模型通过新采集的实时数据对信号交叉口的运行状态进行预测。本发明通过移动互联浮动车数据对信号交叉口运行状态进行预测，提升信号交叉口区域的交通运行效率。

技术领域

本发明涉及智能交通技术管理领域，尤其涉及一种基于LSTM模型的信号交叉口运行状态预测方法和系统。

背景技术

随着移动互联网的发展，根据浮动车车主的智能手机来收集浮动车数据变的更加的方便，依此可以获得海量的浮动车数据用于交通拥堵识别，交通状态判定，以及制定交通管控策略。

目前国内对信号交叉口的管理控制方法主要包括定时控制、感应控制和自适应控制。然而上述现有的管理控制方法经常会导致信号交叉口在出行较高的延误后，才开始控制优化。即目前的控制手段缺乏对信号交叉口的运行进行预测的方法，亟需相应的预测系统来弥补信号交叉口运行状态的预测空缺，达到提前预知信号交叉口的运行状态来及时制定管控方案。

发明内容

本发明提供了一种基于LSTM模型的信号交叉口运行状态预测方法和系统，以采用移动互联浮动车数据对信号交叉口运行状态进行预测，提升信号交叉口区域的交通运行效率。

为了实现上述目的，本发明采取了如下技术方案。

本发明的一方面提供了一种基于LSTM模型的信号交叉口运行状态预测方法，包括：

通过移动互联网获取某区域的浮动车数据；

根据所述的浮动车数据，提取出某段时间内的与某个信号交叉口匹配的相关数据，并对所述数据进行筛选；

对筛选后的数据进行归一化处理，并分为训练数据集和测试数据集，并采用训练数据集对LSTM模型进行训练，对训练好的模型通过测试数据集进行测试，得到对应信号交叉口的预测模型；

根据得到的所述信号交叉口的预测模型通过新采集的实时数据对信号交叉口的运行状态进行预测。

进一步地，通过移动互联网获取某区域的浮动车数据包括：浮动车的经度、纬度、速度和浮动车车头与南北向的夹角。

进一步地，根据所述的浮动车数据，提取出某段时间内的与某个信号交叉口匹配的相关数据，并对所述数据进行筛选，包括：根据所述浮动车的经度和纬度数据，提取到与信号交叉口位置匹配的相关数据，并对提取到的数据中的坏值和偏值进行删除。

进一步地，提取到与信号交叉口位置匹配的相关数据包括：浮动车通过交叉口的时间、停车次数、平均速度和平均延误时间。

进一步地，对筛选和剔除后的数据进行归一化处理，所述的归一化处理方法如下式(1)所示：：

其中，x′为归一化后的数据；x为被归一化的数据，x_min是数据中的最小值，x_max是数据中的最大值。

进一步地，将处理后的数据分为训练数据集和测试数据集，包括：所述的训练数据集和测试数据集的数据比例为7:3。

进一步地，采用训练数据集对LSTM模型进行训练，对训练好的模型通过测试数据集进行测试，得到对应信号交叉口的预测模型，包括如下步骤：