[发明专利]基于多因素空间选择深度学习算法的短时交通流预测方法

权利要求书

1.基于多因素空间选择深度学习算法的短时交通流预测方法，其特征在于该方法步骤如下：

步骤c1数据预处理，具体是：

c11、对原始交通流数据进行最大最小值标准化处理：

式中x_origin(t)是原始交通流数据，x(t)是标准化后的数据，x_min、x_max分别是多检测器训练集原始数据中的最大值、最小值；

步骤c2时空关联矩阵构造，具体是：

c21:相似检测器选择：对于目标检测器S，选择与其最为相似的q个检测器作为时空关联矩阵的空间维度，令目标检测器待预测时间间隔为t，该时间间隔前p个连续的时间间隔流量序列为G_s：

G_s＝[x_s(t-p),x_s(t-p+1),…,x_s(t-1)]^T (2)

同理构造出其它q个检测器在该段时间间隔内的流量序列G_s-q,G_s-q+1,…,G_s-1,计算G_S与这q个检测器流量序列的欧氏距离：

c22:选出相似性最大的前r个检测器构造时空关联矩阵A；

A＝[G₁,G₂,…,G_r,G_s]_p×(r+1) (4)

步骤c3引入影响因素的Conv-LSTM网络结构构建，具体是：

c31、卷积层设计，网络中加入卷积神经网络来对时空关联矩阵中的空间结构进行特征提取:

X_conv＝F(A·W_conv+B_conv) (5)

式中W_conv为卷积层的权重参数，B_conv为卷积层的偏差参数，F为激活函数，卷积层的输出X_conv是一个向量；

c32、长短期记忆层设计，长短期记忆层用于提取卷积层输出X_conv中的时间特征，它的输出是一个数值h(t)；长短期记忆层由若干个LSTM基础单元组成，每个基础单元是一个LSTM细胞，每个LSTM细胞输入包括三部分：该细胞自身输入量x_conv(t)，上一细胞传递来的细胞状态C(t-1)，上一细胞的输出量h(t-1)；每个LSTM输出包括两部分：该细胞的输出h(t)，该细胞的状态C(t)；每个LSTM细胞包括三个门：遗忘门(f_t)，输入门(l_t)，输出门(o_t)，具体运作公式如(6)所示：

f_t＝σ(W_f*[h(t-1),x(t)]+b_f) (6)

l_t＝σ(W_i*[h(t-1),x(t)]+b_i)

o_t＝σ(W_o*[h(t-1),x(t)]+b_o)

h(t)＝o_t*tanh(C_t)

式中σ为激活函数，W_f，W_i，W_C，W_o分别是遗忘门，输入门，状态单元，输出门的权重矩阵，b_f,b_i,b_C，b_o分别是遗忘门，输入门，状态单元，输出门的偏置项；

步骤c33：输入除了时空关联矩阵还加入影响因素数据包括：星期，时刻，是否周末，是否假期，是否有雨；为了引入影响因素数据，在网络中增加一层合并层，该层将LSTM层输出h(t)与影响因素数据进行合并；

步骤c4引入优化算法训练参数，具体是：

c41:选择Adam优化器处理梯度下降过程，Adam优化器可以将网络中的所有未知参数θ收敛到最优值，具体如公式(7)所示：

式中m_t，n_t分别是偏一阶矩估计，偏二阶矩估计，是修订后的偏一阶矩估计，偏二阶矩估计，ε是平滑项，α是学习速率，μ是偏一阶矩估计的指数衰减率，v是偏二阶矩估计的指数衰减率；

步骤5预测并进行逆标准化处理，具体是：

c51、经过以上步骤已经得到训练好的网络，将待预测的交通流量对应的时空关联矩阵以及影响因素数据输入到网络中，得到预测值g_origin(t)；

c52、对预测值进行逆标准化过程：

g(t)＝x_min+g_origin(t)·(x_max-x_min) (8)

式中g_origin(t)是模型的预测输出，g(t)是逆标准化后的输出值。