[发明专利]一种考虑扩散过程的短时交通流预测方法

说明书

本发明公开一种考虑扩散过程的短时交通流预测方法，包括：获取当前路段的历史交通流序列并进行平滑操作，得到平滑后的交通流序列F＝{X¹,X²,...,X^t‑1}；采用LSTM‑CNN模型从平滑后的交通流序列中捕获深度时空特征；通过以类PageRank算法进行数学化描述的扩散过程从平滑后的交通流序列中得到当前路段的道路重要性特征，再将道路重要性特征及道路辅助信息共同组成一个一维向量，作为广度特征；将深度时空特征和广度特征融合，得到当前路段在t时刻的交通流量预测值X^t。

技术领域

本发明涉及一种考虑扩散过程的短时交通流预测方法，属于智能交通、计算机与数学交叉领域。

背景技术

随着社会经济的高速发展和城市化进程的加快，有效的交通控制和诱导成为了亟待解决的问题，而实时准确的交通流量预测是至关重要的一步。但目前的研究并未充分考虑交通流在全路网上的动态变化，导致预测精度不能够达到要求。

发明内容

本发明的主要目的在于克服现有技术的不足，提出一种考虑扩散过程的短时交通流预测方法，通过加入道路重要性等特征，来进行准确的短期交通流预测，以解决现有的预测方法在动态全局性上考虑不够全面的问题，进一步提高预测精度。

本发明为达上述目的提出以下技术方案：

一种考虑扩散过程的短时交通流预测方法，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。

更进一步地：

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。

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链从平滑后的交通流序列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链以平滑后的交通流序列F以及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。

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。

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：

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。需要说明的是，利用LSTM处理时间序列数据以及利用CNN处理空间序列数据的原理和详细处理过程已是本领域的公知技术，在此不再赘述。

以类PageRank算法进行数学化描述的扩散过程包括：