[发明专利]一种基于路网有向图和并联长短时记忆网络的交通枢纽节点流量预测方法

说明书

本发明涉及一种基于路网有向图和并联长短时记忆网络的交通枢纽节点流量预测方法。其发明内容主要包括：(1)基于交通路网有向图的枢纽节点判别方法；(2)基于并联长短时记忆网络的交通枢纽节点流量预测方法。通过辨别交通路网枢纽节点并训练枢纽节点交通流量预测模型，来实现交通枢纽节点流量高精度预测。

技术领域

本发明涉及深度学习与智慧交通技术领域，一种基于路网有向图和并联长短时记忆网络的交通枢纽节点流量预测方法。

背景技术

近年来，随着经济的迅速发展和城镇化进程的加快，全国机动车保有量显著增加。截至2020年6月，全国机动车保有量达3.6亿辆，其中汽车2.7亿辆，机动车驾驶人4.4亿人。随着机动车保有量快速上升，交通拥堵问题日益严重，已成为发达国家和发展中国家亟待解决的问题之一。交通枢纽节点作为交通网络结构中交通转换的关键节点，其通行能力的强弱直接关系着交通区域路网的服务水平。因而如果能对交通枢纽节点的车流量进行准确预测可为缓解交通拥堵问题提供有利参考，也可为相关人员出行规划提供有效帮助。因此，如何结合深度学习技术，准确地预测交通枢纽节点流量，从而改善交通拥堵状况，是十分紧迫且具有现实意义的。

交通枢纽节点流量预测应用广泛，目前主要分为三类预测方法：基于统计学的预测方法、基于机器学习的预测方法和基于深度学习的预测方法。基于统计学的预测方法是指ARMA及其变种的ARIMA或SARIMA等典型的时间序列方法。这类方法实现简单、可以捕获时间序列数据中的时间依赖性，但无法建模交通路网的空间依赖关系，预测结果准确性差；此外，这类方法对复杂非线性数据处理不足，因为他们要求数据满足一定的前提条件，但现实生活中的交通流量数据往往很难满足这些假设。基于机器学习的预测方法是指K近邻、支持向量机、贝叶斯网络等非参数模型。这类方法能够有效地对复杂非线性的交通数据进行建模，但无法同时考虑交通数据的时空相关性，在时间维上考虑的不够全面，如忽略了周期性和趋势性等多种固有特性；而且此类算法普遍需要大量的特征工程。对比之下，深度学习预测方法的特征选择过程是通过通用的学习过程自动进行，无需任何人工干预。这类方法可以高效地处理复杂非线性的交通流量数据，而且可以同时捕捉交通流数据的时间依赖性和空间相关性，其预测性能可以得到进一步的提高。

因此利用深度学习方法对交通枢纽节点流量进行预测将得到比较理想的效果。长短时记忆网络LSTM是一种时间循环神经网络，通常用于处理和预测时间序列数据。由于交通枢纽节点流量预测需要对路网中的枢纽节点进行判别，并且枢纽节点的流量存在合流/分流情况，相较于一般节点流量预测更加复杂，因此，本发明通过构建路网有向图并结合并联长短时记忆网络方法，来实现交通枢纽节点流量预测。

发明内容

本发明旨在预测交通枢纽节点流量，改善交通拥堵问题。

为此，本发明提出了一种基于路网有向图和并联长短时记忆网络的交通枢纽节点流量预测方法，主要包括两大内容：

(1)基于交通路网有向图的枢纽节点判别方法；

(2)基于并联长短时记忆网络的交通枢纽节点流量预测方法。

具体内容如下：

采用方法(1)构建交通路网有向图，实现交通枢纽节点的判定；采用方法(2)挖掘枢纽节点时空特征并构建交通枢纽节点流量预测模型，实现对交通枢纽节点未来某一时段流量的预测。具体算法如下：

(1)基于交通路网有向图的枢纽节点判别方法

交通路网有向图构建：交通枢纽节点流量的预测需要根据历史时序数据对整个交通路网的所有枢纽节点的未来某一时段的流量进行预测，而构建交通路网有向图可以清晰地反映出枢纽节点的空间依赖性。