[发明专利]一种多因素的短时交通流预测方法

权利要求书

1.一种多因素的短时交通流预测方法，其特征在于，包括以下步骤：

1)计算特定检测器与气象站之间的距离，筛选出距离最近的气象站，将该气象站的天气数据作为检测器的天气数据；

2)分别对检测器的历史交通流数据与历史天气数据进行预处理，再根据时间合并；其中，所述检测器的历史交通流数据为特定观测点在一段时间间隔内经过的车辆数；

3)构建多种特征，基于LightGBM进行特征筛选；

4)利用长短时记忆网络LSTM对交通流数据的时序特征与周期性特征进行建模，具体过程如下：

4.1)利用LSTM对交通流数据的时序特征进行建模，根据预设值T设定LSTM的时间步，同时将交通流的长序列数据以滑动窗口的方式处理成适用于LSTM的输入格式，即预测t时刻交通流时，选取t-T,t-(T-1),...,t-1时刻的交通流作为LSTM输入；

4.2)利用LSTM对交通流数据的周期性特征进行建模，根据预设值N设定LSTM的时间步，同时将交通流的长序列数据以滑动窗口的方式处理成适用于LSTM的输入格式，即预测t时刻交通流时，选取t-NM,t-(N-1)M,...,t-M时刻的交通流作为LSTM输入，M为一周的数据点个数；

5)使用神经网络中的全连接网络将交通流的时序特征、周期性特征与步骤3)筛选出来的多种特征进行融合；

6)训练模型并对短时交通流进行预测。

2.根据权利要求1所述的一种多因素的短时交通流预测方法，其特征在于：在步骤1)中，需要根据经纬度计算检测器与不同气象站在地球表面的两点间距，选取距离检测器最近的气象站数据作为检测器天气数据，具体计算公式为：

式中，d为检测器与气象站的距离，r为地球半径，和为检测器与气象站的纬度，λ₁和λ₂为检测器与气象站的经度。

3.根据权利要求1所述的一种多因素的短时交通流预测方法，其特征在于：在步骤2)中，分别对检测器的历史交通流数据与历史天气数据进行预处理，再根据时间合并的具体过程如下：

2.1)填充交通流数据缺失值，按照周一至周日将各天的交通流数据归为七类，计算每一类中一天所有时刻的平均值，用该平均值填充缺失值；

2.2)填充天气数据缺失值，使用近邻时刻天气数据填充缺失值；

2.3)对填充后的历史交通流数据进行归一化处理，提取最大交通流F_max与最小交通流F_min，使用最大最小归一化方法对历史交通流数据进行归一化处理，使得历史交通流数据映射到[0,1]的区间，归一化后的交通流数据X_t定义如以下公式所示：

式中，F_t为t时刻的真实交通流；

2.4)对填充后的历史天气数据初步筛选出温度、可见度、云层情况、风速、风向、降雨量和天气类型特征共七个特征；其中，对温度、风速、降雨量这些连续型特征按照步骤2.3)相同方法进行数据归一化处理，对可见度、云层情况、风向、天气类型这些离散型特征使用独热编码处理；

2.5)根据时间将历史交通流数据与历史天气数据进行合并。

4.根据权利要求1所述的一种多因素的短时交通流预测方法，其特征在于：在步骤3)中，构建多种特征，基于LightGBM进行特征筛选，具体过程如下：

3.1)根据历史交通流数据产生时间生成以下特征：

一小时内的第几分钟、一天内的第几小时、一周内的星期几、一月内的第几天、一年内的第几月、是否是节假日、是否是节假日前一天、是否是周末、是否是高峰期；

3.2)获取检测器前一天同一时刻与前一周同一时刻的交通流数据；

3.3)从历史天气数据中提取特征，包括是否是恶劣天气、是否是高温天气；

3.4)利用LightGBM计算所有特征的重要度，剔除重要度低的特征。

5.根据权利要求1所述的一种多因素的短时交通流预测方法，其特征在于：在步骤6)中，将预处理后的数据按照时间顺序分为两组，时间靠前的一组为训练集数据，时间靠后的一组为测试集数据；在训练集上进行训练，根据损失函数，计算模型所输出的预测值与交通流真实值的损失值，不断对模型进行迭代优化，得到最优模型；在测试集上，利用最优模型进行预测，验证模型有效性；将预测结果反归一化，得到预测值P_t，公式为：

P_t＝Y_t(F_max-F_min)+F_min

式中，F_max和F_min分别为最大和最小交通流，Y_t为模型预测结果；

使用平均绝对百分比误差MAPE来验证模型的有效性，具体计算公式为：

式中，n为预测总数，P_t为预测交通流，F_t真实交通流。