[发明专利]一种考虑扩散过程的短时交通流预测方法

权利要求书

1.一种考虑扩散过程的短时交通流预测方法，其特征在于，包括：

获取当前路段的历史交通流序列O＝{x¹,x²,…,x^m}并进行平滑操作，得到平滑后的交通流序列F＝{X¹,X²,…,X^t-1}；其中，Xⁿ代表对原始的历史交通流序列O进行平滑后得到的当前路段在n时刻的交通流量，n＝1,2,…,t-1；

采用LSTM-CNN模型从交通流序列F中捕获当前路段的交通流的深度时空特征；

通过以类PageRank算法进行数学化描述的扩散过程从交通流序列F中得到当前路段的道路重要性特征，再将道路重要性特征以及当前路段的道路辅助信息共同组成一个一维向量，作为当前路段的交通流的广度特征；

将所述深度时空特征和所述广度特征进行融合，得到当前路段在t时刻的交通流量预测值X^t；

以类PageRank算法进行数学化描述的扩散过程包括：

(1)利用公式计算当前路段i在t时刻的拥挤系数con_i,t，其中，和分别表示当前路段i的历史最大交通流量和历史最小交通流量，表示当前路段i在t时刻的交通流量；路段的拥挤程度与拥挤系数成反比；

(2)对当前路段i所在的路网，构建以路段为节点，以路段间的交通流转移关系为边的带权有向图G＝(E,V)，E表示节点的集合，V表示边的集合；其中，节点i指向节点j的边在t时刻的权重系数为：

(3)由权重系数w_i→j,t计算t时刻交通流从节点i转移至节点j的转移概率p_i→j,t：

其中，i→k表示由节点i指向相邻节点k的边；

(4)运用类PageRank算法计算当前路段i在t时刻的扩散分数值PR(i,t)：

其中，扩散分数值PR(i,t)即为当前路段i的道路重要性特征，d为当前路段的阻尼系数，(1-d)表示车辆由当前路段产生的概率。

2.如权利要求1所述的短时交通流预测方法，其特征在于，所述平滑操作包括按均值平滑、按边界值平滑和按中值平滑；平滑操作时的采样间隔为5～30分钟。

3.如权利要求1所述的短时交通流预测方法，其特征在于，所述深度时空特征为包含两个元素的一维向量[a1,a2]，该一维向量的两个元素a1、a2分别由LSTM-CNN模型的两条LSTM链输出；

其中一条LSTM链从交通流序列F中提取到交通流的时间周期性特征作为输出a1；另一条LSTM链以交通流序列F和交通流的空间相关性特征作为输入，提取到包含交通流的时间平滑性特征和空间相关性特征的融合特征作为输出a2。

4.如权利要求3所述的短时交通流预测方法，其特征在于，所述时间周期性特征用于表征当前路段当前时刻t的交通流与之前t_d天相同时刻交通流的相关性，表现形式为：

其中，l_p表示周期间隔。

5.如权利要求3所述的短时交通流预测方法，其特征在于，所述时间平滑性特征用于表征当前路段当前时刻t的交通流与之前t_h个时刻交通流的相关性，表现形式为：

6.如权利要求3所述的短时交通流预测方法，其特征在于，所述空间相关性特征是通过CNN网络从当前路段的交通流序列F以及当前路段的相邻路段的交通流序列中提取得到，用于表征当前路段与相邻路段之间交通流的相关性。

7.如权利要求1所述的短时交通流预测方法，其特征在于，所述道路辅助信息包括天气信息和道路突发事件信息。

8.如权利要求1所述的短时交通流预测方法，其特征在于，采用全连接层对深度特征和广度特征进行融合。