[发明专利]一种强化递阶学习驱动的时空交通流预测方法

说明书

本发明提供的一种强化递阶学习驱动的时空交通流预测方法，充分利用相关路段在时间和空间上的相互关联，通过强化递阶学习网络动态模拟出非线性的、高维度的、随机的道路交通流演变模式，设计并实现了基于受限玻尔兹曼机模型的道路交通流特征提取，对录入层道路交通流数据进一步的降维，将降维后的道路交通流特征用SVM方法分类，得到最后的交通流预测结果，经过试验和实地检测表明，当样本可靠性在75％时，预测结果准确性在85.6％以上，当样本可靠性在90％时，预测结果准确性在96.3％以上，交通流预测的准确性和可靠性大幅提升，交通流预测方法的理论根基很强，交通流预测时效性好，预测结果实时性强，有广阔的应用空间。

技术领域

本发明涉及一种时空交通流预测方法，特别涉及一种强化递阶学习驱动的时空交通流预测方法，属于交通流预测技术领域。

背景技术

随着城市道路交通的高速发展，交通压力越来越大，道路交通拥堵越来越严重，智能道路交通系统对于缓解城市道路交通压力、、提高城市生活工作质量、减少环境污染等方面具有重要的作用，道路交通状况特别是交通流预测是其中非常重要的一环。由于道路交通流具有非线性、高维度、随机性等特性，大量的道路交通流信息中蕴含着丰富的信息，对交通流的预测起着非常关键的作用，因此全面挖掘交通流特征对于提高道路交通流预测速度和精度具有重要意义，准确的交通流状况预测可以帮助人们更好的规划出行路线，提高工作生活质量和效率，减少环境污染和能源消耗。

由于道路交通流具有非线性、高维度、随机性等特性，不确定因素很多，道路交通流预测难度很大。现有技术的城市道路交通状况预测主要依赖于大量历史数据和实时道路交通流信息，属于模式识别问题，没有真正做到智能预测，目前国内外对于道路交通状况预测的研究，大多是基于时间序列的概率统计方法和对路段之间空间相关性的预测分析，这些方法都没有综合考虑道路交通流的时空变化模式，都是基于交通数据的直接应用或是浅层学习，没有充分利用大量的交通流数据中包含着丰富的动态演变模式与规律。

综合来看，现有技术的交通流预测方法主要存在以下几点缺陷：一是现有技术大量工作是利用道路交通流在时间序列上的演变规律来进行交通流预测，一般采用自回归滑动平均模型，自回归滑动平均模型是道路交通流随时间变化而形成的一个随机序列，这组随机序列具有的时间变化规律体现着交通流数据在时间上的延续性，从而通过挖掘历史数据中的时间序列规律得到待预测时间点的交通流量状态，但是这些基于时间序列特征的交通流预测方法都是仅依赖于交通流数据在时间上的规律的统计方法，交通流预测的准确性和可靠性很低。二是现有技术中还有一些方法是利用道路交通网络中的空间相关性来分析道路交通流的演变趋势，但是这种方法基于一个假设，道路上的交通流量密度只和与它相邻的路段上的交通流量密度有关，所以这种方法仅仅利用了相邻道路和预测道路的关联来预测待预测道路的流量，没有充分考虑较远道路对预测道路的影响以及和待预测道路在时间空间上的相关性。三是现有技术有一些使用强化学习方法利用多层网络结构提取交通流这类复杂数据中的典型特征，但现有技术使用强化学习的方法，都是静态的网络，不能很好的表达道路交通流网络中的动态模式，而且需要将道路交通流数据全部录入进去，并且没有设置指标衡量来区域内路段之间的时空相关性，所以会造成很多冗余，严重影响网络的训练效果和速度，交通流预测时效性低，预测结果滞后严重。

发明内容

针对现有技术的不足，本发明提供的一种强化递阶学习驱动的时空交通流预测方法，充分利用相关路段在时间和空间上的相互关联，通过强化递阶学习网络动态模拟出非线性的、高维度的、随机的道路交通流演变模式，设计并实现了基于受限玻尔兹曼机模型的道路交通流特征提取，对录入层道路交通流数据进行进一步的降维，将降维后的道路交通流特征用SVM方法分类，得到最后的预测结果，经过试验和实地检测表明，当样本可靠性在75％时，预测结果准确性在85.6％以上，当样本可靠性在90％时，预测结果准确性在96.3％以上，交通流预测的准确性和可靠性大幅提升，动态智能性明显提高，交通流预测方法的理论根基很强，交通流预测时效性好，预测结果实时性强，有广阔的应用空间。

为达到以上技术效果，本发明所采用的技术方案如下：