[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

说明书

本发明公开了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，包括以下步骤：对采集的历史交通流量数据按指定时间间隔进行合并，并进行归一化处理，将归一化的交通流数据划分为训练数据集、验证数据集和测试数据集；建立基于时间卷积神经网络的的交通流量预测方法，利用训练数据集训练时间卷积神经网络预测模型，利用验证数据集筛选出最优的预测模型，在测试集上利用时间卷积神经网络模型进行交通流量预测；对比预测数据和实际数据，进行误差分析。本发明基于时间卷积神经网络结构，考虑交通流的时空相关性，训练时间短、预测精度高。

技术领域

本发明涉及智能交通系统领域，具体涉及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。

背景技术

随着城市化进程的不断推进，智能交通系统在城市治理中获得了越来越 多的关注。交通信息预测系统是智能交通系统的重要组成部分。准确、及时 的交通信息可以帮助我们做出更好的出行决策，缓解交通拥堵，减少城市环 境污染，提升城市居住的幸福感。随着各种传感器、摄像头的日益普及，我 们获得交通运行的数据越来越丰富，如何挖掘利用丰富的交通大数据进行准 确及时的交通预测，为城市交通拥堵治理提供支持是一个重要的课题。

经过对现有交通流预测模型的文献检索发现，现有的预测模型大致可以 分为两类：经典的统计方法模型和机器学习方法模型。大部分的基于统计方 法的交通流模型都是多年之前提出的，当时的交通状态较为简单，交通数据 量规模较小，差分自回归移动平均(ARIMA)模型及其变体是常用的有效方 法，但这类模型不适用于高维的、时空相关的复杂数据。随着交通数据规模 越来越大，由于机器学习方法和深度学习方法在处理复杂高维、非线性问题 上的优势，很多研究者开始将机器学习深度学习方法应用于交通流预测。循环神经网络(RNN)及其变体长短时记忆网络(LSTM)等在交通流预测方面取 得了良好的表现，但这类模型只能捕捉交通流数据的时间相关性，忽视了交 通网络的空间相关性，且这类模型训练费时。目前还没有基于时间卷积神经 网络模型的交通流量预测方法。

发明内容

针对现有技术中的不足，本发明同时考虑交通流数据的时间相关性和 交通网络的空间相关性，提供了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，能够对道路断面交通流量预测并提高了预测精度。

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，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。

步骤S1中，所述的指定间隔时间为5～15分钟，如每隔5分钟将历史 交通流量数据合并一次。

所述的历史交通流量数据是指：在某一观测点某一间隔时间经过的车 辆数(断面车流量)。

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：