[发明专利]一种基于深度学习的交通状态预测方法及装置

说明书

本发明提供了一种基于深度学习的交通状态预测方法、装置、终端设备及可读存储介质，所述方法包括：获取目标区域的交通流量历史数据，并按预设的格式将所述交通流量历史数据转化为训练集数据；构建深度信念网络模型，并基于所述训练集数据对所述深度信念网络模型进行训练；将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连，得到深度学习混合模型；基于实时采集的所述目标区域的交通流量数据，利用所述深度学习混合模型对所述目标区域进行交通状态预测。本发明能够通过深度学习技术对交通状态信息数据进行有效处理，从而快速、准确地对目标区域的交通状态进行预测，进而能够为交通控制与管理提供参考依据。

技术领域

本发明涉及交通预测技术领域，尤其是涉及一种基于人工智能的交通状态预测方法、装置、终端设备及可读存储介质。

背景技术

随着经济的不断发展，人们对交通的需求原来越高，驾车出行的频率也越来越高，随之而来的问题就是交通拥堵日渐严重。为了缓解交通拥堵，如何有效处理交通状态信息数据已经成为当前的研究热点。其中，交通状态预测是交通数据处理的一种方式，越来越多研究学者提出了一些交通流预测模型及方法：

回归预测分析法：回归预测分析法是一种通过分析自变量与因变量之间的关系进行预测的方法，该方法经常被用于多路段交通量的预测，但要求数据量规模大。

时间序列预测法：它对时间序列进行外延预测，通常用来处理动态随机数据。它包括线性模型和非线性模型。线性模型。该方法预测精度严重依赖样本量，并且在测试时，数据样本很容易遗漏，成本较高。

卡尔曼滤波法：此方法是一种利用线性系统状态方程，对时变信号状态的线性最小方差估计，调整权重和参数，使误差达到最小或在一定范围内的算法。它基于卡尔曼线性滤波理论的状态空间模型，不要求保留历史观测数据，可不断加入新的数据，采用地推算法对滤波器的最佳状态作进行估计。但是该方法对确定相关参数尤为复杂，运量大。

BP神经网络预测：该网络是由一层及以上的隐含层组成的神经网络模型，从输入层传入原始样本数据，经多层隐含层训练，到达顶层时，再与期望输出数据对比计算误差，再将误差传回隐含层，根据误差调整网络的权值等。但是该方法一般都是根据经验选取相关参数，并且收敛速度慢。

支持向量机等：该方法使低维空间内现行不可分的样本在高维空间中进行分类，针对二分类任务设计的，可以用来做分类和回归等任务，在高维模式识别中比较有优势。

综上所述，目前对于各种交通状态预测方法存在的缺陷尚未得到有效的解决。

发明内容

本发明提供一种基于深度学习的交通状态预测方法、装置、终端设备及可读存储介质，以解决上述技术问题，从而能够对交通状态信息数据进行有效处理。

为了解决上述技术问题，本发明实施例提供了一种基于深度学习的交通状态预测方法，包括：

获取目标区域的交通流量历史数据，并按预设的格式将所述交通流量历史数据转化为训练集数据；

构建深度信念网络模型，并基于所述训练集数据对所述深度信念网络模型进行训练；

将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连，得到深度学习混合模型；

基于实时采集的所述目标区域的交通流量数据，利用所述深度学习混合模型对所述目标区域进行交通状态预测。

进一步地，所述构建深度信念网络模型，并基于所述训练集数据对所述深度信念网络模型进行训练，具体包括：

构建深度信念网络模型；其中，所述深度信念网络模型包括若干层受限玻尔兹曼机；

基于所述训练集数据，依次对每一层所述受限玻尔兹曼机进行训练，以得到所述训练后的深度信念网络模型。