[发明专利]一种多因素的短时交通流预测方法

说明书

本发明公开了一种多因素的短时交通流预测方法，包括步骤：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；3)构建多种特征，基于LightGBM进行特征筛选；4)利用LSTM对交通流数据的时序特征与周期性特征进行建模；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。本发明克服了现有方法不能充分利用已有数据的不足，能对交通流数据进行更深入的挖掘分析，预测准确性高，鲁棒性好。

技术领域

本发明涉及智能交通系统的技术领域，特别涉及一种多因素的短时交通流预测方法。

背景技术

随着经济的不断发展，交通压力日渐增大，交通事故频发，交通环境日益恶化。如何提高道路通行能力，缓解交通拥堵，是学术界及工业界关注的焦点。智能交通系统(ITS，Intelligent Transport System)将“人-路-车”紧密结合，建立起一个准确、实时、高效的交通管理系统。在ITS中，交通控制和实时交通流诱导尤为重要。而实现交通控制与诱导的关键就是实时准确的短时交通流预测。

短时交通流预测起步阶段是使用古典统计方法预测单点交通状况；随后求和自回归移动平均(ARIMA，Autoregressive Integrated Moving Average)等参数模型在一段时间内成为研究人员关注的焦点；由于交通流数据呈现出的随机性以及非线性，研究人员尝试使用非参数模型进行预测，如卡尔曼滤波法、最近邻算法、支持向量回归等，并取得一定的预测效果；但随着交通系统越来越复杂，数据规模逐渐膨胀，这些浅层模型已经逐渐不能满足预测需求。

这促使我们思考如何充分挖掘交通流数据的隐含信息，深度信念网络、堆叠自编码器等深度网络结构相继应用于短时交通流预测领域。有研究人员利用长短时记忆网络(LSTM，Long Short Term Memory Networks)学习时序数据之间的关联关系，并获取长时依赖关系，但现有的方法没有充分考虑其他因素对预测结果的影响。本发明提出一种多因素的短时交通流预测方法，创新性地使用两个LSTM模块分别提取交通流的时序特征与周期性特征；并构建天气、时间等特征，筛选出其中重要度高的特征；使用全连接层(FC，FullyConnected Layer)将交通流的时序特征、周期性特征与筛选出来的多种特征进行融合，从而达到提高预测准确性的目的。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种多因素的短时交通流预测方法，该方法创新性地使用两个LSTM模块分别提取交通流的时序特征与周期性特征，同时与天气特征、时间特征等融合，可克服现有方法不能充分利用已有数据的缺点，从而提高交通流预测的准确性。

为实现上述目的，本发明所提供的技术方案为：一种多因素的短时交通流预测方法，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；

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。

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：