[发明专利]一种基于三维卷积神经网络的路网状态时空预测方法

权利要求书

1.一种基于三维卷积神经网络的路网状态时空预测方法，通过计算机应用作为预测的工具，其特征在于预测分为六个步骤，具体步骤如下，步骤A:数据处理，对于路网行驶的浮动车数据存在的缺失和失真情况进行识别，完成数据的清洗和补全；步骤B：根据步骤A所得数据进行路段状态的计算，具体针对交通流量、密度、速度参数，以及车辆数、车辆速度、饱和度进行计算；步骤C：根据步骤B所得数据，将数据转化成路网状态时空矩阵；步骤D：路网数据网格化；步骤E:根据步骤D所得网格化数据建立三维卷积神经网络路网状态预测模型，完成数据化表征之后的动态路网状态特征提取；步骤F：对步骤E所得模型相关内容优化，主要调整模型的激活函数、学习率得到更好的模型预测精度。

2.根据权利要求1所述的一种基于三维卷积神经网络的路网状态时空预测方法，其特征在于，步骤A中，对于车辆交通状态的缺失值识别，采用线性插值进行补全，失真识别中，当前后各连续15个时刻内交通状态值为0的个数大于5个时，认为可能是因为路段交通不够繁忙因素造成，不予处理；反之，若只有个别为0，考虑是数据偏差，同缺失值采用线性插值赋非零值。

3.根据权利要求1所述的一种基于三维卷积神经网络的路网状态时空预测方法，其特征在于，步骤B中，其中单个路段单位时间内的车辆运动速度采用计算公式如下：

4.根据权利要求1所述的一种基于三维卷积神经网络的路网状态时空预测方法，其特征在于，步骤C中，对于每个数据采集周期，将此周期中每个时间段对应每个编号路段的状态提取到一个矩阵当中，就得到了一天的时空数据样本，数据转化成路网状态时空矩阵采用的计算公式如下：

5.根据权利要求1所述的一种基于三维卷积神经网络的路网状态时空预测方法，其特征在于，步骤D中，路网数据转化为矩阵，使其符合神经网络的输入形式。

6.根据权利要求1所述的一种基于三维卷积神经网络的路网状态时空预测方法，其特征在于，步骤E中，对每个采样时刻，都有一张对应的路网状态图片，通过卷积神经网络能提取连续时刻图片的状态信息，最终抽象出由权值、偏置参数确定的多个路网状态特征；其中的模型的输入表达公式如下：

X_i＝[xⁱ，xⁱ⁺¹，...，x^i+P-1]，i∈[1，T-P-K+1]。