[发明专利]一种基于深度学习的短时交通流预测方法

说明书

首先对天气数据和交通路口过车数据进行分析和预处理，输入到门限循环神经网络(GRU)中提取到交通流的高阶特征，之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。本发明可以对交通流数据进行更加深入的挖掘分析，而且把输出层改为GBDT后，可以有效的提高短时交通流预测的准确率。

技术领域

本发明属于交通预测技术领域，特别涉及一种基于深度学习的短时交通流预测方法。

背景技术

随着社会各界与日俱增的交通运输需求，交通运输在经济发展中的作用越来越明显，交通拥堵问题成为制约社会发展的一个瓶颈，因而，如何有效地解决交通拥堵问题已成为世界各国政府最棘手的也是最急需解决的难题之一。

短时交通流预测是交通管理和控制部门采取交通诱导措施的主要依据，为了更好的实时性反映交通状态，基于短时交通流量预测模型的研究成为近几十年来流量预测研究的重点。随着新技术的不断发展，智能化系统的广泛应用，对于大数据的处理和交通预测模型的精度提出了更高的要求。实时、准确的交通流预测，可以有效的提高交通的通行效率和安全性，并且方便管理部门主动的进行交通规划，并采取合理的交通诱导措施。

传统的交通流预测方法有支持向量机，决策树，卷积神经网络，循环神经网络等，这些交通流预测方法大部分都是只提取交通流的时空特征，而忽略了影响交通流的潜在特征，比如天气特征，速度特征，节假日时间特征等，而且没有对交通流数据进行深入的分析，从而无法获得更加准确的预测。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于深度学习的短时交通流预测方法，加入了影响交通流的潜在特征，可以对交通流数据进行更加深入的挖掘，使得预测出来的效果更加精准。

为了实现上述目的，本发明采用的技术方案是：

一种基于深度学习的短时交通流预测方法，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。

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；