[发明专利]一种基于深度学习的城市道路交通状态预测系统

说明书

一种基于深度学习的城市道路交通状态预测系统，利用如下模块实现预测：交通环境模块、记忆库模块、神经网络模块、训练提升网络模块、可视化模块、交互模块；所述交通环境模块包括采集模块、预处理模块，所述采集模块采集城市道路位置信息、高峰期平均车速信息、气温信息、降水概率信息、拥堵长度信息；所述预处理模块基于拉格朗日插值方法与归一化方法进行交通数据预处理，获取用于交通预测的可靠数据，所得数据存入记忆库模块，并根据所述可靠数据构建神经网络，从而构建交通状态的深度循环学习网络。

技术领域

本发明属于城市交通系统分析与交通状况预测领域，具体涉及一种基于深度学习的城市道路交通状态预测系统。

背景技术

随着城市化发展，交通基础设施与汽车保有量之间的矛盾更加严峻，拥堵问题更加严重，不可避免地导致经济损失、出行时间耗费并加剧环境污染。交通拥堵的治理首在预防，根据道路的现有交通状态预测出短时间内的交通状态变化趋势，并对可能出现的拥堵现象进行预警；然后利用交通广播、微博等信息平台发出预警，疏导车辆合理选择行驶路线、加强秩序管理，以避免拥堵或缓解拥堵程度。因此，如何建立长效模型对交通拥堵进行及时预警是城市智能交通系统优化的研究热点。

国内外对于交通拥堵预测的研究成果诸多，主要有基于时间序列相关的预测分析、机器学习预测以及多分类组合预测等方法，但都存在不同程度的缺陷。如非参数回归方法是基于大量的历史数据并构建诸多假设条件，因此难于适用于具有非线性特性的交通流；基于多层感知神经网络和反向传播神经网络模型有效性有所提升，但训练过程时间长且容易陷入局部最优；基于机器学习的预测方法大多在处理大数据上缺少鲁棒性，导致模型普遍缺乏长效性和扩展能力；基于深度学习来模拟人脑的多层感知结构来认识数据模式的学习方法，一方面加快了数据处理的速度，一方面未考虑到交通流参数高维状态引起的维度灾难问题。

城市交通状态的预测是一个高维度问题。随着交通数据指数级上升，对模型提出更高的要求。基于一种改进的时间循环神经网络(Recurrent Neural Network,RNN)，长短时记忆(Longshort-term memory,LSTM)可以学习时间序列的长期依赖信息，其深度除了体现在输入和输出之间，还体现在跨时间步上，适合于捕获交通流、速度等交通状态参数中的时空演变规律。该模型的使用，将完美解决数据维度高、量级大、分析速度慢等问题。

发明内容

本发明要解决的技术问题是提出一种基于深度学习的城市道路交通状态预测系统，利用历史的数据预测未来的交通状态及延迟指数的方法，克服数据量过大、梯度爆炸、梯度消失等问题，综合考虑交通多维数据的应用，进一步提升交通延迟预测的效率。

为实现上述目的，本发明的技术方案是：一种基于深度学习的城市道路交通状态预测系统，利用如下模块实现预测：交通环境模块、记忆库模块、神经网络模块、训练提升网络模块、可视化模块、交互模块；

所述交通环境模块包括采集模块、预处理模块，所述采集模块采集城市道路位置信息、高峰期平均车速信息、气温信息、降水概率信息、拥堵长度信息；所述预处理模块基于拉格朗日插值方法与归一化方法进行交通数据预处理，获取用于交通预测的可靠数据，所得数据存入记忆库模块，并根据所述可靠数据构建神经网络，从而构建交通状态的深度循环学习网络；具体预处理方法如下：

通过拉格朗日插值方法进行异常值插补，删除部分无效数据、异常数据，从而提升数据的价值性，将数据转换成列表，构成矩阵，实现将tensor转成3维，作为LSTM cell进行输入；拉格朗日插值函数公式如下：

式中，y_i表示为i-1次的多项式，x_i表示对应i点的参数。

通过归一化函数实现数据的精确化处理，用于避免数据在分析过程中不同属性之间的小数据被大数据受到较大影响，由此保证测试结果的准确性和可靠性，归一化函数表达式如下：