[发明专利]一种基于深度学习的短时交通流预测方法

权利要求书

1.一种基于深度学习的短时交通流预测方法，其特征在于，首先对交通流数据进行预处理，然后将预处理的数据输入到门限循环神经网络(GRU)中进行训练，提取得到交通流数据的高阶特征，最后将所述高阶特征输入到梯度提升决策树回归模型(GBDT)中进行短时交通流预测；其中，所述交通流数据包括天气数据和交通路口过车数据，以车辆速度特征、前一时刻的交通流量特征、节假日时间特征和天气特征作为交通流特征，所述交通路口过车数据包括车辆速度、车辆id、监测点id和车辆行驶时间，所述预处理方法是：假设一个城市某个区域有n个路口，路口集合R＝{r₁,r₂,...,r_i,...,r_n}，将一天的24个小时划分为288个5分钟长的时间片t₁,t₂,...,t_j,...,t₂₈₈，第i个路口r_i在第j个时间片t_j的交通流量为num_ij；所述车辆速度特征是路口每5分钟的车辆速度平均值；所述前一时刻的交通流量特征是按照时间序列排列的某一时刻前4个时间片的交通流量，所述天气特征包括天气状况和风力两个因素，所述天气状况划分为3类，分别为晴或者多云，雨，雾，用W1，W2，W3表示，所述风力划分为4个级别，分别为微风，大风，暴风，台风，用A1，A2，A3，A4表示；所述节假日时间特征中，将工作日记为W，将节假日记为H，工作日里的工作时间记为WWT，工作日里的上下班高峰时间记为WGT，工作日的早高峰前和晚高峰后时间记为WQT，其余时间记为WDT；节假日的日间时间记为HFT，其余时间记为HRT；所述将预处理的数据输入到门限循环神经网络(GRU)中进行训练的过程是：

1)将交通流数据集输入到门限循环神经网络(GRU)中；

2)计算各层的更新门、重置门、当前记忆内容和最终记忆内容的值；

3)使用AdaMax优化算法训练网络模型；

4)将训练好的门限循环神经网络(GRU)模型的输出层改为梯度提升决策树回归算法，将训练好的门限循环神经网络(GRU)模型中隐含层最后一层的特征提取出来输入到梯度提升决策树回归算法对短时交通流进行预测。

2.根据权利要求1所述基于深度学习的短时交通流预测方法，其特征在于，所述2)中，在时间片t，更新门z_t＝σ(w_z·[h_t-1,x_t])，其中σ为Sigmoid激活函数，x_t为输入的交通流特征向量，h_t-1保存的是前一个时间片t-1的信息，x_t和h_t-1均经过一个与权重矩阵w_z相乘的线性变换，之后相加投入Sigmoid激活函数以输出激活值；

重置门r_t＝σ(w_r·[h_t-1,x_t])，x_t和h_t-1均经过一个与权重矩阵w_r相乘的线性变换，之后相加投入Sigmoid激活函数以输出激活值；

当前记忆内容其中tanh为双曲正切激活函数，为当前记忆内容的权重，h_t-1为前一时间片隐藏层的值，x_t为输入的交通流特征向量，为当前记忆内容的偏置，输入x_t先与h_t-1经过一个与权重矩阵相乘的线性变换，计算重置门r_t与h_t-1的乘积，即r_t与h_t-1的对应元素乘积，然后再投入tanh；

当前时间片的最终记忆