[发明专利]一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法

说明书

本发明是一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法。本发明涉及城市智能交通管理技术领域，选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对不同模型的预测效果进行评估。

技术领域

本发明涉及城市智能交通管理技术领域，是一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法。

背景技术

随着城市化进程加快,智能交通控制技术愈发广泛的应用于城市道路交通合理规划和交通信号控制灯合理高效部署、居民出行规划等实际工程当中，帮助建立完善智能化,动态化和信息化的ITS智能交通控制系统。而该技术的核心基础部分便是短时交通流量的动态分析与预测。实时交通流量的精准预测为交通管理和指导提供了很大的便益,结合交通信号控制灯的合理部署，可以使智能交通系统充分发挥出其高效,方便,快捷的现实作用,智能选择合最优路径,规避交通拥塞,提高用户出行舒适度,最大程度减缓交通环境压力,合理分配道路资源。

常用的交通流量预测方法大体可以分为两类：1.参数方法2.非参数方法。其中最常用的参数方法是自回归积分滑动平均模型(ARIMA)，可以在一定范围内解决一些随机性不大的交通流问题，但是却不能反映出交通流的非线性和随机波动性，不适用于高度动态的城市交通。最近，基于非参数方法的研究由于其随机性和非线性特性而成为ITS的主要焦点。此类研究工作包括随机森林方法、支持向量回归(SVR)技术、贝叶斯网络等。此外，人工神经网络(ANN)及其组合模型也体现了良好的交通预测效果，如深度信念网络等。但是以上方法的模型准确性依赖海量的交通数据，且大部分的交通数据往往非公开，这导致模型的应用受到限制。如何设计一套城市道路交通探测机制，根据算法需求实现道路交通信息的获取，继而进行模型训练，是目前大多数交通流量预测算法研究中较薄弱的一项。

发明内容

本发明针对交通流量预测问题中，可获取的数据集数量有限且地域选择有限问题，不同架构设计以及参数选择对LSTM神经网络训练效果不同的问题，提出一种考虑了城市交通高度动态性、随机性、不稳定性的基于模糊逻辑构建训练集搭建并训练深层LSTM神经网络的FDFP模型，用于实现城市交通拥塞等级实时探测和流量预测，本发明提供了以下技术方案：

一种基于模糊逻辑的深层LSTM的城市交通流量预测方法，包括以下步骤：

步骤1：选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；

步骤2：根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；

步骤3：建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；

步骤4：从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对不同模型的预测效果进行评估。

优选地，所述步骤1具体为：

步骤1.1：选定区域，通过地图网站如谷歌地图、百度地图、Trafficview和INRIX网站获取区域的动态实时交通情况信息；

步骤:1.2：通过时空角度对区域内的交通信息提出一种记录机制，构建周期性更新的数据集；

步骤:1.3：对周期性更新的交通信息图像进行每分钟两次的采样，抓取彩色拥塞图像I_T(t)。

优选地，所述步骤2具体为：