[发明专利]一种基于时间卷积神经网络的道路断面交通流量预测方法

权利要求书

1.一种基于时间卷积神经网络的道路断面交通流量预测方法，其特征在于，包括以下步骤：

S1：将采集的历史交通流量数据按指定间隔时间进行合并，并进行归一化处理，将归一化的交通流量数据划分为训练数据集、验证数据集和测试数据集；

S2：建立基于时间卷积神经网络的交通流量预测模型；

S3：利用步骤S1的训练数据集训练步骤S2的基于时间卷积神经网络的交通流量预测模型，得到训练后的预测模型，通过步骤S1的验证数据集验证训练后的预测模型，得到验证结果，根据验证结果筛选出最优的预测模型，在步骤S1的测试数据集上利用筛选出的最优的预测模型进行道路断面交通流量预测，得到预测数据。

2.根据权利要求1所述的基于时间卷积神经网络的道路断面交通流量预测方法，其特征在于，步骤S1中，所述的指定间隔时间为5～15分钟。

3.根据权利要求1所述的基于时间卷积神经网络的道路断面交通流量预测方法，其特征在于，步骤S1中，将采集的历史交通流量数据按指定间隔时间进行合并，并进行归一化处理，将归一化处理后的交通流量数据集划分为训练数据集、验证数据集和测试数据集，具体包括：

将在各观测点采集的交通流量数据按指定间隔时间分别进行累加合并，得到各个指定间隔时间的交通流量数据，选取各个指定间隔时间的交通流量数据中最大的交通流量值，将各个指定间隔时间的交通流量数据与该最大的交通流量值的比值作为归一化处理后的交通流量数据集；将归一化处理后的交通流量数据集的60％～80％作分为训练数据集，将归一化处理后的交通流量数据集的20％～40％作为验证数据集，将归一化处理后的交通流量数据集的剩余的5％～20％作为测试数据集。

4.根据权利要求1所述的基于时间卷积神经网络的道路断面交通流量预测方法，其特征在于，步骤S2中，建立基于时间卷积神经网络的交通流量预测模型，具体包括：

A)建立扩展因果卷积模块，采用扩展因果卷积模块计算；

B)将步骤A)建立的扩展因果卷积模块堆叠多层后输出；

C)将步骤B)输出的结果连接一个全连接层进行线性变换，完成基于时间卷积神经网络的交通流量预测模型的建立。

5.根据权利要求4所述的基于时间卷积神经网络的道路断面交通流量预测方法，其特征在于，步骤A)中，扩展因果卷积模块的计算包括：

a)扩展因果卷积运算；

b)将步骤a)中扩展因果卷积运算中的权值参数标准化；

c)将步骤b)中权值参数标准化后的扩展因果卷积运算的结果输入到ReLU激活函数；

d)将步骤c)中ReLU激活函数输出的结果进行Dropout正则化。

6.根据权利要求1所述的基于时间卷积神经网络的道路断面交通流量预测方法，其特征在于，步骤S3具体包括：

S31，根据步骤S1的训练数据集中的交通流量数据包含的观测点的数目N，确定所述基于时间卷积神经网络的交通流量预测模型中的扩展因果卷积的输入通道数和输出通道数，确定输入通道数和输出通道数均为N，选取网络的深度和卷积核的大小，完成基于时间卷积神经网络的交通流量预测模型的模型参数确定；

S32，预测t时刻的交通流量时，选取前L个时间间隔的交通流量作为所建立模型的输入，将所有观测点的归一化后的数据按照时间顺序依次向后每L个为一页，一个批次中共包含B页，所述基于时间卷积神经网络的交通流量预测模型的输入数据维度为B×N×L；标签数据为要预测的指定间隔时间的数据，标签数据维度为B×N，预测模型输出的数据维度为B×N，完成基于时间卷积神经网络的交通流量预测模型的输入输出数据的格式确定；

S33，根据步骤S31确定的模型参数以及步骤S31确定的输入输出数据的格式，初步确定基于时间卷积神经网络的交通流量预测模型，利用训练数据集训练，得到训练后的预测模型；

S34，将验证数据集输入到步骤S33的训练后的预测模型，当训练轮数达到设定值时，或者误差小于设定阈值时，停止模型训练，保存验证误差最小的预测模型作为最优的预测模型；

S35，将测试数据集输入到步骤S34的最优的预测模型，进行前向计算，得到对应输出数据，将输出值反归一化，得到道路断面交通流量的预测数据。