[发明专利]预测车流量的方法、装置及电子设备

说明书

本发明公开了一种预测车流量的方法，包括：根据预设车流量的时滞值和预设参数组合规则配置神经网络参数，得到时滞池，时滞池包括多个神经网络，神经网络的输入节点数等于时滞值；对每一个时滞池执行预测训练，确定每一个时滞池中的最优网络组；预测训练包括：根据神经网络的输入节点数抽取车流样本数据，训练每一个神经网络的第一层预测器和每一个神经网络的第二层预测器；根据第一层预测器的第一预测结果和第二层预测器的第二预测结果确定时滞池的最优网络组；在预测精度提升的情况下，集成所有时滞池的最优网络组，得到堆栈神经网络集成预测模型，并利用堆栈神经网络集成预测模型预测车流量。本发明还公开了一种预测车流量的装置及电子设备。

技术领域

本发明涉及智能交通技术领域，尤其涉及一种预测车流量的方法、装置及电子设备。

背景技术

近年来，随着汽车行业的发展以及汽车的普及，国内交通拥堵情况越来越严重；及时准确的预测车流量是解决拥堵问题、实现智慧交通的关键。

为此，相关技术中车流量预测方法通常有两种：参数法和非参数法。参数法预测车流量包括采用自回归移动平均(Autoregressive Integrated Moving Average Model，ARIMA)模型、自回归综合移动平均(Autoregressive Integrated Moving Average Model，ARIMA)模型或卡尔曼滤波模型进行车流量预测；这类方法的模型是根据一些理想的假设预先确定的，但在实现过程中，交通数据复杂多变，难以满足这些假设；导致在实际应用中，难以准确预测车流量。非参数法包括高斯模型、贝叶斯网络、马尔科夫链、最近邻近算法等机器学习法，虽然能够帮助理解数据生成的机制，但难以描述交通数据复杂的非线性变化，预测性能很大程度上依赖于手工特征，而这些特征有高度依赖于问题和经验，通用性较差。

因此，提出一种在模型设计阶段较少人工干预，提高预测模型的泛化能力和预测精度的车流量预测方法称为亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种预测车流量的方法、装置及电子设备，以解决相关技术中对车流量进行预测很大程度上依赖于手工特征，通用性较差的问题。

为实现上述发明目的，根据本发明的第一个方面，提供了一种预测车流量的方法，包括：

根据预设车流量的时滞值和预设参数组合规则配置神经网络参数，得到时滞池，所述时滞池包括多个神经网络，所述神经网络的输入节点数等于所述时滞值；

对每一个所述时滞池执行预测训练，确定每一个所述时滞池中的最优网络组；所述预测训练包括：根据所述神经网络的输入节点数抽取车流样本数据，训练每一个所述神经网络的第一层预测器和每一个所述神经网络的第二层预测器；根据所述第一层预测器的第一预测结果和所述第二层预测器的第二预测结果确定所述时滞池的最优网络组；

在预测精度提升的情况下，集成所有所述时滞池的最优网络组，得到堆栈神经网络集成预测模型，并利用所述堆栈神经网络集成预测模型预测车流量。

在一种可选实施方式中，所述在预测精度提升的情况下，集成所有所述时滞池的最优网络组，得到堆栈神经网络集成预测模型，包括：

以任一所述时滞池的所述最优网络组为基网络组，执行集成循环，直至所有所述时滞池的所述最优网络组均与所述基网络组执行一次集成，得到所述堆栈神经网络集成预测模型；

其中，所述集成循环包括：所述最优网络组与所述基网络组集成，得到集成预测网络；判断所述集成预测网络的预测精度；在所述预测精度提升的情况下，集成所述最优网络组与所述基网络组；在所述预测精度未提升的情况下，抛弃所述最优网络组。

在一种可选实施方式中，在所述对每一个所述时滞池执行第一预测训练，确定每一个所述时滞池中的最优网络组之前，所述方法还包括：

获取车流数据；