[发明专利]基于混合深度学习的短时交通流量预测方法、系统、装置

权利要求书

1.一种基于混合深度学习的短时交通流量预测方法，其特征在于，该方法包括：

步骤S10，获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；

步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；

步骤S30，基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻的归一化的预测结果；所述混合深度学习模型由图卷积神经网络、LSTM网络和注意力机制组合而成，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据；

其中，“采用混合深度学习模型获取各交通观测点t时刻的归一化的预测结果”，其方法为：

基于所述图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特征；

根据所述空间关系特征，通过所述LSTM网络得到各交通观测点的历史交通流量数据的时空关系特征；

基于注意力机制得到各所述时空关系特征对应的权重，根据所述权重对其对应的时空关系特征进行加权平均，得到各交通观测点t时刻归一化的预测结果；

步骤S40，将各交通观测点t时刻归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值。

2.根据权利要求1所述的基于混合深度学习的短时交通流量预测方法，其特征在于，步骤S20中“分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的各合并数据”，其方法为：分别将各所述交通流量数据集合中的历史交通流量数据进行累加，得到对应的各合并数据。

3.根据权利要求1或2所述的基于混合深度学习的短时交通流量预测方法，其特征在于，步骤S20中“将各合并数据归一化”，其方法为：

其中，为合并数据，i为交通观测点的下标值，q_max为最大的合并数据，q_min为最小的合并数据，为归一化后的合并数据。

4.根据权利要求1所述的基于混合深度学习的短时交通流量预测方法，其特征在于，“基于图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特征”，其方法为：

以每个交通观测点为节点，基于各节点之间的欧氏距离，通过核方法计算各节点之间的连接关系，并构建邻接矩阵；

基于所述邻接矩阵，通过图卷积神经网络得到各观测点之间的空间关系特征。

5.根据权利要求3所述的基于混合深度学习的短时交通流量预测方法，其特征在于，“根据所述权重对其对应的时空关系特征进行加权平均，得到各交通观测点t时刻的归一化的预测结果”，其方法为：

其中，Y为归一化的预测结果，H_k为时空关系特征，α_k为特征权重，T为时空关系特征的个数，k为自然数，表示下标。

6.根据权利要求5所述的基于混合深度学习的短时交通流量预测方法，其特征在于，步骤S40中“将各交通观测点t时刻的归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值”，其方法为：

其中，为反归一化后的交通流量预测值。