[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

说明书

本发明属于智能交通领域，具体涉及一种基于混合深度学习的短时交通流量预测方法、系统、装置，旨在解决现有大规模交通流量预测方法精度低的问题。本系统方法包括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；分别将各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；基于归一化后的各交通观测点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时刻归一化的预测结果；将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。本发明提高了大规模交通流量预测的精度。

技术领域

本发明属于智能交通领域，具体涉及一种基于混合深度学习的短时交通流量预测方法、系统、装置。

背景技术

准确有效的交通流量预测对于交通管理和控制至关重要，这有助于缓解城市交通拥堵，节约能源和减少排放。交通流量预测具有长期的研究历史，早在20世纪70年代，ARIMA模型就被用来预测短时交通流量。ARIMA即差分自回归求和滑动平均模型，是一种应用广泛的时间序列模型。该模型应用于短时交通流量的实时预测可以取得较高的预测精度。但是该模型的求解过程是对每个观测点的历史时间序列分别通过离线求解方程实现，求解的参数是相对固定的，不能适应不确定性强的短时交通流量预测要求，不能反映各个交通观测点之间的空间联系。同时，一些非参数的方法也被用来进行交通流量预测，例如k近邻(k-NN)方法，这种方法模型简单，对于较稳定的交通路网具有一定的实用价值，其关键是定义“近邻状态”。近年来，深度学习方法被广泛用于交通预测并且取得了较好的性能。现有的交通流预测方法主要利用浅层交通预测模型，对于较大规模和较大数据量的交通流预测来说，预测效果仍有一定的提升空间。

交通流量变化是典型的空间和时间过程。因此，要实现更为精确的交通流量预测，就需要考虑其空间和时间特征。这使得我们需要重新思考利用交通大数据，研究基于空间和时间特征的交通流量预测问题。本发明针对交通流预测的实际应用需求，提出了一种混合深度学习框架，由图卷积神经网络(Graph Convolution Neural network,GCN)、长短时记忆网络(Long Short-Term Memory,LSTM)和注意力机制(Attention)三种结构组合而成，用于对交通流量的空间和时间特征预测。

发明内容

为了解决现有技术中的上述问题，即为了解决现有大规模交通流量预测方法精度低的问题，本发明第一方面，提出了一种基于混合深度学习的短时交通流量预测方法，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；

其中，

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。

在一些优选的实施方式中，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。

在一些优选的实施方式中，步骤S20中“将各合并数据归一化”，其方法为：