[发明专利]基于机器学习的交通流短时预测方法

说明书

本发明公开了一种基于机器学习的交通流短时预测方法，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。本发明基于机器学习的交通流短时预测方法通过对断面进行分类，根据预测节点的上下游节点的历史交通流特征，采用LSTM模型进行速度预测，保证预测精度和预测速度。

技术领域

本发明涉及智能交通技术领域，特别是涉及一种基于机器学习的交通流短时预测方法。

背景技术

随着现代化社会的高速发展，城市内的机动车保有量不断增加，现有的道路网络已经不堪重负，交通拥堵愈发严重。为了减缓交通拥堵，可以考虑以下两种途径：其一是通过增加现有道路上的车道数量来增加路网总容量，然而，这需要用于建设基础设施的巨额财政支出以及土地资源，这一点往往在许多城区是行不通的，而且极有可能会诱增新的交通量；另一种途径是通过交通控制策略来合理组织交通流，最大限度地利用现有的路网，这种方法不需要太多支出，因此在实践中更为实用与常见。控制策略通常涉及到交通流短期预测技术，它预测潜在的拥堵，从而可以发布相关交通信息诱导人们制定更合适的出行路线，达到缓解交通拥堵的目的。因此，准确的交通流短时预测对于交通控制尤为重要，它是智能交通系统(ITS)关键的一部分。

短期交通预测仅预测不久的将来的交通流，时间间隔从几分钟到几十分钟不等。由于基础设施的限制，缺乏用于获取实时交通信息的检测设备，早期的研究短期交通预测仅仅利用有限的历史交通流数据。因此，与实际交通数据相比，预测结果往往有明显的偏差。如果能够及时获取包括交通量，车速，道路维护和交通控制在内的更多实时交通信息，预测结果显然将更加准确。幸运的是，随着交通基础设施和数据传输技术的发展，形成了交通信息网络，可以获取各种实时交通信息，这些海量的交通数据有助于更准确的交通预测。因此，如何利用海量交通数据来提高预测精度已成为近年来的热点。在过去的几十年中，许多数据分析模型已经被提出来用于交通流短期预测，包括历史平均和平滑、统计和回归方法、基于交通流理论的方法和机器学习方法，这些预测方法可以分为参数方法和非参数方法两大类。

机器学习模型是由多个领域的知识综合后产生的一种方法，涉及概率论、统计学等多门学科，严格意义上来说神经网络模型也是机器学习模型的一种。

随着全国各大城市智能交通系统的加速推动，大量的交通检测器被布置在城市的各个角落，如何分析这些海量的数据给交通管理者带来了很大的挑战。本文上述介绍的方法通常具有固定的模型结构，难以处理大量不同类型的交通数据。此外，数据的质量也由于数据缺失和噪声干扰等原因而有所降低，这要求我们提出更有效、更有针对性的交通数据分析方法。

近几年，机器学习已经在数据挖掘、人工智能、模式识别等领域成功落地并取得了很好的效果，现在一些机器学习方法已经开始在交通领域逐步运用，其使用后的结果在交通状态的判别和预测上都有很大的进步。

随着机器学习算法的改进和创新，计算机硬件的不断提升，云计算与并行处理的逐步应用，机器学习在交通信息提取和交通数据分析方面的应用前景十分广阔。究其原因，机器学习方法不受限于固定的模型结构，能够从数据中自动提取特征进行分析，并利用数据不断改善学习的效果，其准确性和适用性均较好。

最近几年用于短时预测的机器学习方法主要注重于模型结构和输入特征的创新，并取得了不错的效果。模型结构既可以是一种全新的结构，或者也可以是一种组合结构，即将多种机器学习模型组合在一起或者同一种机器学习模型组合起来，许多神经网络变体表现尤为突出，其中循环神经网络(Recurrent Neural Network，RNN)等被广泛认为是捕捉交通流时空演变的合适方法，RNN是一类具有短期记忆能力的神经网络。在循环神经网络中，神经元不但可以接受其它神经元的信息，也可以接受自身的信息，形成具有环路的网络结构，和前馈神经网络相比，循环神经网络更加符合生物神经网络的结构。