[发明专利]基于层次聚类和分层注意力机制的交通速度预测方法

说明书

基于层次聚类和分层注意力机制的交通速度预测方法，首先采用层次聚类方法将历史交通速度数据进行划分和聚类；然后，设计基于分层注意力机制的神经网络模型，该模型充分考虑了交通速度数据的时空关联性，有效利用分层注意力机制来捕捉时空特征，并对不同路段和不同历史时间段赋予不同的影响权重。最后，选择合适的簇数据来训练和测试神经网络模型，训练好的模型可以预测目标路段未来若干个时间段的平均交通速度。本发明方法采用了层次聚类方法对历史数据进行了划分和聚类，簇内数据具有较高相似度，更适合于神经网络模型的训练；同时，采用了分层注意力机制来设计神经网络模型，有效地捕捉了交通速度数据的时空特性，更好地提高了预测准确性。

技术领域

本发明涉及智能交通的交通速度预测，可以预测未来若干个时间段的路段平均速度，交通速度预测可以用于路径规划，也可以用于交通控制、交通诱导和交通管理。

背景技术

随着交通环境的日益复杂、道路交通车流量的急剧增加，城市道路交通拥堵问题愈加严重。在智能交通系统(Intelligent Transportation System，ITS)中，交通速度预测具有重要意义，如果能有效地预测未来一段时间内各个路段的交通速度，便可以提前进行有效的交通管控，能大大缓解甚至避免交通拥堵。在智能交通系统中，交通速度是描述交通流的基本参数，交通速度预测是指预测未来一段时间内通过某条路段的平均速度。交通速度预测方法的研究，不仅有利于旅行者进行路径规划，也有利于交通管理者进行交通信号控制、交通诱导和交通管理。

常用的交通速度预测方法主要有自回归差分移动平均模型(AutoregressiveIntegrated Moving Average Model,ARIMA)、卡尔曼滤波、贝叶斯模型(Bayesian)、支持向量机(Support Vector Machine,SVM)等。这些方法虽然易于实现，操作简单，但没有充分利用交通流的周期性和时序性，受数据扰动影响较大。

近些年，深度学习的迅速发展为交通速度预测提供了更多有效的方法。循环神经网络(Recurrent Neural Network,RNN)具有更优的序列数据处理能力，可以对交通速度的时间依赖性进行分析，获得较优的预测精度。卷积神经网络(Convolutional NeuralNetwork,CNN)和RNN综合使用，可以在考虑时序特性的同时，实现利用CNN来提取交通流的空间特性。另外，深度信念网络(Deep Belief Network,DBN)也在短时交通流预测中取得了不错的效果。虽然现有的深度学习方法在算法效率与预测精度上有所提高，但由于没有考虑历史数据对当前时间段的影响，这些基于深度学习的交通速度预测方法仍具有一定的局限性。交通速度预测作为序列预测任务，历史数据中不同时间段的速度对未来时间段的预测具有不同的影响效果，然而各种深度学习模型并未挖掘这种内在的特征，从而在一定程度上影响了预测精度。

目前，现有的交通速度预测方法主要存在以下问题：1)常用的各种预测方法，如ARIMA模型、卡尔曼滤波、贝叶斯模型和支持向量机等，没有充分利用交通流的周期性和时序性，受数据扰动影响较大，预测准确性有限；2)基于深度学习的预测方法，虽然在一定程度上提高了算法效率和预测精度，但忽略了历史数据的影响，影响了预测精度；

发明内容

本发明要克服现有技术的上述不足之处，提供基于层次聚类和分层注意力机制的交通速度预测方法。