[发明专利]一种语境特征注入的多尺度交通流预测模型建立方法及使用方法

说明书

本申请属于交通技术领域，特别是涉及一种语境特征注入的多尺度交通流预测模型及方法。传统的交通流预测方法具有一定的片面性，在预测精度和稳定程度上不能达到很好的效果。本申请提供了一种语境特征注入的多尺度交通流预测模型，所述模型依次包括输入层，学习层、注入融合层和输出层，所述学习层包括深度循环神经网络分层和深度置信网络分层，所述输入层、所述深度循环神经网络分层和所述注入融合层依次排列，所述输入层、所述深度置信网络分层和所述注入融合层依次排列。通过将语境特征注入到时间序列特征之中，提高现有交通流预测模型的准确率，实现对交通流模式全面地仿真、评估和预测。

技术领域

本申请属于交通技术领域，特别是涉及一种语境特征注入的多尺度交通流预测模型建立方法及使用方法。

背景技术

交通流是指汽车在道路上连续行驶形成的车流。广义上还包括其他车辆的车流和人流。在某段时间内，在不受横向交叉影响的路段上，交通流呈连续流状态；在遇到路口信号灯管制时，呈断续流状态。交通流预测作为智能交通系统重要的组成部分，对预测道路拥堵和事故发生以及交通信号控制等起着十分重要的作用。特别是对于固定时间的信号控制策略，交通流预测是至关重要的。交通流预测模式、合适的历史数据等对预测精度都有很大的影响。随着社会的发展，人民生活水平提高，私家车逐渐进入平常家庭，但是也带来了很多的问题，如交通拥堵问题，严重影响了市民出行，因此交通流预测对于选择出行路线、先进的运输管理和旅行者路线规划至关重要。

传统的交通流预测方法要么只考虑了外部环境的影响因素，要么只考虑了内部运行的时间规律，都只涉及了影响交通流预测的其中一个方面，具有一定的片面性，在预测精度和稳定程度上不能达到很好的效果。

发明内容

1.要解决的技术问题

基于传统的交通流预测方法要么只考虑了外部环境的影响因素，要么只考虑了内部运行的时间规律，都只涉及了影响交通流预测的其中一个方面，具有一定的片面性，在预测精度和稳定程度上不能达到很好的效果的问题，本申请提供了一种语境特征注入的多尺度交通流预测模型建立方法及使用方法。

2.技术方案

为了达到上述的目的，本申请提供了一种语境特征注入的多尺度交通流预测模型的建立方法，所述模型依次包括输入层、学习层、注入融合层和输出层，所述学习层包括深度循环神经网络分层和深度置信网络分层，所述输入层、所述深度循环神经网络分层和所述注入融合层依次排列，所述输入层、所述深度置信网络分层和所述注入融合层依次排列；

所述输入层，用于输入历史时间序列数据和语境因素；

所述深度循环神经网络分层，用于学习交通流序列特征；

所述深度置信网络分层，用于学习交通流语境特征；

所述注入融合层，用于将提取到的语境特征注入到序列特征中，生成新的融合特征；

所述输出层，用于未来交通流的预测和输出。

本申请提供的另一种实施方式为：所述序列数据包括交通流序列，所述语境因素包括年、月、日、星期、节日、假日、时、分和每日数据时间点。

本申请提供的另一种实施方式为：所述注入融合层将提取到的语境特征注入到时间序列特征中，使用所述语境特征进一步挖掘交通流内部规律和发展趋势，预测未来交通流。

本申请提供的另一种实施方式为：所述输入层包括时间序列预测分层和语境因素预测分层，所述时间序列预测分层根据实际要求选择采集时间间隔。

本申请提供的另一种实施方式为：所述时间间隔包括5分钟、10分钟、15分钟、20分钟、30分钟和1小时。

本申请还提供一种使用语境特征注入的多尺度交通流预测方法，所述方法包括如下步骤：