[发明专利]基于神经网络的短时交通流量预测方法、系统和存储介质

权利要求书

1.一种基于神经网络的短时交通流量预测方法，其特征在于，包括以下步骤：

根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；

通过所述模型输入数据对第一预测模型进行训练；

保存多个模型权重；其中所述模型权重包括：处于局部最优点的第一预测模型权重；

通过余弦退火方式设定模型学习率；

将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；

通过所述输入数据对所述第二预测模型进行训练；

通过训练后的所述第二预测模型进行实时交通流量预测；

所述第一预测模型包括时空卷积块、LSTM网络和全连接层；所述通过所述模型输入数据对第一预测模型进行训练，包括：

将所述模型输入数据输入所述时空卷积块，通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系；

将获取到空间关联关系和时序关联关系的模型输入数据输入到所述LSTM网络，通过所述LSTM网络获取所述模型输入数据的变化规律；

根据所述空间关系、所述时序关系和所述变化规律通过所述全连接层预测输出结果；

所述时空卷积块包括第一时序卷积块、空间卷积块和第二时序卷积块，所述通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系，包括：

通过所述第一时序卷积块对所述模型输入数据内相邻两个时刻的数据进行第一时序卷积，得到第一时序关系；

通过所述空间卷积块对时序卷积后的模型输入数据进行空间卷积，得到空间关系；

通过所述第二时序卷积块对空间卷积后的模型输入数据进行第二时序卷积，得到第二时序关系。

2.根据权利要求1所述的一种基于神经网络的短时交通流量预测方法，其特征在于，所述根据获取的原始数据构造模型输入数据，包括：

获取原始数据；

识别所述原始数据内的异常数据；

修复所述原始数据内的异常数据，得到第一数据；

对所述第一数据按照预设时间间隔进行数据整合，得到第二数据；

对所述第二数据进行大数据预处理，得到第三数据；

根据所述第三数据构造模型输入数据。

3.根据权利要求2所述的一种基于神经网络的短时交通流量预测方法，其特征在于，所述根据所述第三数据构造模型输入数据，其具体为：

根据所述第三数据构造路网结构信息和交通流量信息，将所述路网结构信息和所述交通流量信息作为模型输入数据。

4.一种基于神经网络的短时交通流量预测系统，其特征在于，包括：

数据构造模块，用于根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；

第一训练模块，用于通过所述模型输入数据对第一预测模型进行训练，并用于保存多个处于局部最优点的第一预测模型权重以及通过余弦退火方式设定模型学习率；

替换模块，用于将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；

第二训练模块，用于通过所述输入数据对所述第二预测模型进行训练；

预测模块，用于通过训练后的所述第二预测模型进行实时交通流量预测；

所述第一预测模型包括时空卷积块、LSTM网络和全连接层；所述通过所述模型输入数据对第一预测模型进行训练，包括：

将所述模型输入数据输入所述时空卷积块，通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系；

将获取到空间关联关系和时序关联关系的模型输入数据输入到所述LSTM网络，通过所述LSTM网络获取所述模型输入数据的变化规律；

根据所述空间关系、所述时序关系和所述变化规律通过所述全连接层预测输出结果；

所述时空卷积块包括第一时序卷积块、空间卷积块和第二时序卷积块，所述通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系，包括：

通过所述第一时序卷积块对所述模型输入数据内相邻两个时刻的数据进行第一时序卷积，得到第一时序关系；

通过所述空间卷积块对时序卷积后的模型输入数据进行空间卷积，得到空间关系；

通过所述第二时序卷积块对空间卷积后的模型输入数据进行第二时序卷积，得到第二时序关系。