[发明专利]基于深度学习参数优化的短时交通流量预测方法

说明书

本发明公开了一种基于深度学习参数优化的短时交通流量预测方法，用于解决现有基于深度学习的短时交通流量预测方法实时性差的技术问题。技术方案是首先构建连续受限玻尔兹曼机模型，便于交通流连续型数据的输入；其次建立自适应训练步长的学习速率机制，以提高训练的收敛速度；深度信念网模型的学习，最后采用粒子群优化算法为支持向量机的核函数选取合适的参数，保证了实现短时交通流量的预测的快速性和准确性。本发明在深度信任网的基础上，改进第一层受限玻尔兹曼机为连续受限玻尔兹曼机；采用粒子群优化算法对支持向量机核函数中的参数进行优化，使得训练获得的特征信息在该确认的模型下实现对短时交通流的预测，提高了预测的准确性和实时性。

技术领域

本发明涉及一种基于深度学习的短时交通流量预测方法，特别涉及一种基于深度学习参数优化的短时交通流量预测方法。

背景技术

当今社会交通问题成为制约城市和经济发展的重大问题之一，解决该问题最有效的途径是智能交通系统。智能交通系统能够提高现有交通基础设施的运行效率，缓解交通拥堵，缩短出行时间，降低能源消耗与环境污染，提高交通安全性。交通流诱导系统作为智能交通中的关键功能，能够为出行人员提供道路规划和交通诱导，为交管部门提供交通控制和交通规划依据，交通诱导的前提和基础是对交通流信息提供准确实时的预测，所以交通流预测是智能交通的关键技术。交通流预测按照预测周期分为中长期预测和短时预测，中长期交通流预测通常是用于交管部门进行交通规划，短时交通流预测间隔一般不大于15min，用于交通诱导和交通控制。短时交通流的随机性强，在越来越复杂的交通状况下，预测结果的准确性和实时性是预测方法要解决的难题。

传统短时交通流预测模型可分为参数模型和非参数模型。参数模型主要包括时间序列模型和卡尔曼滤波模型。其优点是模型简单，可解释性强，运算速度快，缺点是难以适应交通流的非线性和随机性特征，使得预测结果误差较大。非参数模型如支持向量机模型、高斯过程模型和贝叶斯组合模型等。其优点是在一定程度上适用于交通流的非线性和随机性，预测效果有所提高，缺点是较为复杂，算法收敛慢，模型优化困难，求解容易陷入局部最优。传统短时交通流预测模型由于是浅层结构，无法实现特定函数的有效表征，因而难以获得数据集的本质特征，而且流量预测的高维度数据特征也容易陷入维度灾难，无法充分利用交通数据的多属性特点，从而影响预测模型的构建。由于深度学习的多层表征及灵活学习机制，能够将每一层中简单的非线性模块转换为高层复杂的抽象表征，可以灵活实现复杂的函数来逼近精确地模型，因而成为交通流预测研究的热点。

文献“《基于深度学习的短时交通流预测》(计算机应用研究，2017年1月，第34卷第一期，p91-p97)”公开了一种基于深度学习的短时交通流预测方法，该方法采用深度学习中的深度信任网和支持向量机混合模型，实现对短时交通流预测。首先以深度信任网对数据进行特征学习，经过无监督的逐层特征训练和有监督的参数微调，提取出交通流的规律，再以此作为新的训练和测试样本输入顶层的支持向量回归模型进行预测，对预测结果进行反差分得到道路的交通流量预测值，得到了准确的预测信息。但是本文存在着三个缺点，首先由于深度信任网模型是由多个受限玻尔兹曼机组成，而受限玻尔兹曼机模型只能接受二进制的输入，对于交通流这样的连续值来说是很不方便的；其次是深度信任网在训练网络模型参数时的收敛速度慢，有时难以满足交通流预测的实时性要求；第三，由于支持向量机核函数参数决定了支持向量机的复杂性和泛化性，而该参数的选取经常是根据主观经验或者部分优化来实现，因而选取不当很容易影响预测精度和准确性。

发明内容