[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

说明书

本发明提供了一种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。该方法的核心思想是筛选历史交通流量数据，找到与目标检测器空间相似最大的其他检测器，共同构造出时空关联矩阵，同时加入影响因素数据作为网络的第二个输入共同训练的网络参数，进一步用训练好的网络预测下一时间间隔内目标检测器的车流量。本发明可将路口短时间的流量序列进行良好预测，为提高流量预测的智能性与科学性、提升交叉口交通流的运行效率提供技术支持。

技术领域

本发明提出了一种基于多因素空间选择深度学习算法的短时交通流量的预测方法，对交通路网中目标检测器下一个周期内通过的车流量进行预测，支撑交通管理及信号控制策略制定与方案优化，属于智能交通研究领域。

背景技术

短时交通流预测方法主要包括统计学习方法以及机器学习方法，近年来机器学习方法分支之一的深度学习方法得到广泛应用，这是由于面对交通大数据时，深度网络架构能够从大量数据中提取相关性强的特征用于训练网络中的参数，并且通常情况下训练时的数据量越大，网络结构越合理，在预测时得到结果就会越精准。深度学习也从简单的前馈神经网络(NNs)，循环神经网络(RNNs)，长短期记忆神经网络(LSTM)，逐步发展到卷积-长短期记忆神经网络(Conv-LSTM)，研究者已经证明Conv-LSTM能够较好的提取交通流量的时空关联性并得到精准的预测结果，本方案的网络架构设计选择Conv-LSTM模型。

然而，大部分研究把目光放在网络架构的设计上，却忽视了对输入数据的选择，常见的Conv-LSTM输入是一个时空关联的矩阵，矩阵包括两个维度：时间维度和空间维度，时间维度是若干个连续时间间隔内流过某一检测器的车流量，空间维度包含目标检测器及其上下游若干检测器，其中上下游检测器按照与目标检测器距离远近进行排列并纳入矩阵中，然而这种输入矩阵的构造方式忽视了实际的路网结构，实际路网中要考虑检测器间的连通性，限速要求，车道数等，简单的按照与目标检测器距离来构造矩阵会使一些低相关性的历史数据训练到网络，从而对预测模型带来负面影响，因此本方案提出一种基于空间尺度的历史数据选择方法。除了输入矩阵外，大多研究忽视了影响因素对交通流预测的作用，影响因素会对交通模式带来改变，进而影响交通流变化，因此将影响因素考虑到输入中对于预测精度具有重要意义。

发明内容

本发明的目的在于提出一种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。该方法的核心思想是筛选历史交通流量数据，找到与目标检测器空间相似最大的其它检测器，共同构造出时空关联矩阵，同时加入影响因素数据作为网络的第二个输入共同训练的网络参数，进一步用训练好的网络预测下一时间间隔内目标检测器的车流量。

为实现上述目标，本发明提出一种网络模型的输入选择方法，本发明包括如下步骤：

c1、数据预处理

c2、时空关联矩阵构造

c3、引入影响因素的Conv-LSTM网络结构构建

c4、引入优化算法训练参数

c5、预测并进行逆标准化处理

步骤c1包括：

c11、为了避免不同检测器交通流量值范围不同带来的影响，需要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包括：

c21：相似检测器选择：对于目标检测器S，需要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：