[发明专利]基于机器学习的交通流短时预测方法

权利要求书

1.一种基于机器学习的交通流短时预测方法，其特征在于，所述方法包括：

S1、采集地感线圈数据；

S2、将地感线圈数据按照线圈组的网络拓扑关系划分为不同类型的断面，并基于Daganzo模型对不同类型的断面进行交通流参数标定；

S3、选取时空关联关系为特征向量；

S4、以特征向量为LSTM模型的输入特征，分别对不同类型的断面进行速度值短时预测。

2.根据权利要求1所述的基于机器学习的交通流短时预测方法，其特征在于，所述步骤S2中的Daganzo模型为：

其中，ρ_cri、ρ_jam为临界密度和阻塞密度，v_cri为临界速度，ρ_i、v_i为密度和速度。

3.根据权利要求2所述的基于机器学习的交通流短时预测方法，其特征在于，所述步骤S2中的断面包括正常断面、合流断面、分流断面、匝道断面、交织区断面五种类型。

4.根据权利要求3所述的基于机器学习的交通流短时预测方法，其特征在于，所述正常断面、合流断面、分流断面、匝道断面、交织区断面的临界密度分别为24.82pcu/km/ln、26.87pcu/km/ln、27.12pcu/km/ln、22.74pcu/km/ln、26.95pcu/km/ln，自由流速度分别为71.00km/h、68.00km/h、69.00km/h、51.00km/h、69.00km/h。

5.根据权利要求3所述的基于机器学习的交通流短时预测方法，其特征在于，所述步骤S3中的时空关联关系中，空间跨度为目标节点、至少一个上游节点、及至少一个下游节点，时间跨度为包括本时间节点的前n个周期。

6.根据权利要求5所述的基于机器学习的交通流短时预测方法，其特征在于，所述步骤S3中的特征向量为目标节点、五个上游节点及五个下游节点的前五个周期的速度。

7.根据权利要求1所述的基于机器学习的交通流短时预测方法，其特征在于，所述步骤S1还包括：

对地感线圈数据中的异常数据、内部不一致数据、缺省数据进行清洗。

8.根据权利要求7所述的基于机器学习的交通流短时预测方法，其特征在于，所述步骤S1还包括：

通过插值法或时间序列预测模型对缺省数据进行填充。

9.根据权利要求1所述的基于机器学习的交通流短时预测方法，其特征在于，所述步骤S4后还包括：

对速度的区间进行预测。