[发明专利]一种基于Inception-CNN的城市快速路行程速度短时预测方法

说明书

本发明涉及一种基于Inception‑CNN的城市快速路行程速度短时预测方法，该方法包括：训练阶段：(A1)构建历史的断面级行程速度信息时空矩阵，组建训练样本；(A2)构建Inception‑CNN深度神经网络模型，模型输入为历史时间段的断面级行程速度信息时空矩阵，模型输出为未来短时时间段的断面级行程速度信息时空矩阵；(A3)基于训练样本对模型进行训练；预测阶段：(B1)构建实时的断面级行程速度信息时空矩阵；(B2)将实时的断面级行程速度信息时空矩阵输入至训练好的模型，完成行程速度短时预测。与现有技术相比，本发明能有效学习具有不同尺度、影响范围的交通拥堵与交通事件模式，预测精度高。

技术领域

本发明涉及智能交通技术领域，尤其是涉及一种基于Inception-CNN的城市快速路行程速度短时预测方法。

背景技术

随着城市快速发展，交通拥堵已逐渐成为制约城市经济增长和社会发展的瓶颈。快速路作为城市道路交通的骨架和动脉，承担大量的通勤和过境交通需求，在城市交通系统中发挥举足轻重的作用，是城市交通拥堵治理的核心环节。近年来，智能交通运输系统(Intelligent Transportation System,ITS)服务于缓解城市交通拥堵、提升居民出行质量等交通强国建设需求，而准确高效的交通状态预测技术不仅是ITS的关键环节，同时也是交通管理部门提高城市交通运行效率的基础。其中，短时行程速度能有效反映实时交通状态，服务于更可靠的动态交通管理和信息服务，以避免或缓解城市交通拥堵。故城市快速路行程速度短时预测方法的研究对于城市交通智能化与交通治理具有重大意义。

目前，国内外关于交通状态预测的研究可大致分为两类：一是基于统计学的方法，二是基于神经网络的学习类方法。传统的统计学模型以差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)为主，适用于数据量充足且扰动较小的场景，但计算过程中涉及较多参数标定，导致模型泛化性较差，难以适应短时交通流随机性强、稳定性弱的特征；非参数模型较传统统计学模型在解决非线性、高维识别任务方面有所提升，模型可移植性较优，并可结合有关交通状态预测任务的相关参数，如气象数据等。神经网络支持大尺寸、高维度的输入数据，并具有高维非线性特征提取能力，从而能提高模型的精度与鲁棒性，其中，循环神经网络(Recurrent Neural Networks,RNN)可高效准确地识别交通数据的时间序列特征；近年来，在图像识别领域取得成功的卷积神经网络(Convolutional Neural Networks,CNN)也应用于交通状态预测任务，可提取交通数据中的时空关联特征，从而克服以往模型仅从时间或空间单一维度进行研究分析的不足。但在交通拥堵状态下，交通流的拥堵模式、交通事件的影响范围具有多样性，目前的深度学习方法对此缺乏足够的考虑。因此，建立高效的适应复杂交通模式的城市快速路行程速度短时预测方法具有重要的现实意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于Inception-CNN的城市快速路行程速度短时预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于Inception-CNN的城市快速路行程速度短时预测方法，该方法包括：

训练阶段：

(A1)构建历史的断面级行程速度信息时空矩阵，组建训练样本；

(A2)构建Inception-CNN深度神经网络模型，模型输入为历史时间段的断面级行程速度信息时空矩阵，模型输出为未来短时时间段的断面级行程速度信息时空矩阵；

(A3)基于训练样本对Inception-CNN深度神经网络模型进行训练得到最优模型参数，完成训练；

预测阶段：

(B1)构建实时的断面级行程速度信息时空矩阵；