[发明专利]一种融合多模态信息的Prophet-DCRNN交通流量预测方法

说明书

本发明公开了一种融合多模态信息的Prophet‑DCRNN交通流量预测方法，属于交通流量预测技术领域。现有基于深度学习的流量预测方法虽然很好的捕捉了交通流量的时空特性，然而，实际城市交通还受天气、节假日等因素的影响，同时往往在恶劣天气、节假日更倾向于出现交通拥堵。本发明的目的在于克服现有技术的不足，提供一种融合多模态信息的Prophet‑DCRNN交通流量预测方法，该方法利用Prophet时序预测算法捕获节假日效应，采用DCRNN捕获交通时空特性，此外基于类stacking技术，融合Prophet算法、DCRNN算法及节假日特性、天气信息，得到最终融合多模态信息的混合模型，实现了在节假日、恶劣天气等场景下交通预测的准确性。

技术领域

本发明属于交通流量预测技术领域，尤其涉及一种融合多模态信息的Prophet-DCRNN交通流量预测方法。

背景技术

交通预测具有非常大的挑战性，一方面，交通信息具有不平稳性、周期性、易受节假日等因素影响的特点；另一方面，在相邻位置相邻时间的观测不是独立的而是动态相关的；此外，交通流具有典型复杂系统的随机性与不确定性,对于长时预测而言,较大的预测时间跨度更加放大了系统的不确定因素。

早期的交通预测模型主要采用线性模型，主要包含差分自回归滑动平均模型、季节自回归求和移动平均模型、卡尔曼滤波模型等。然而线性模型不适合处理存在大量缺失值及方差较高的数据，且交通流数据为随机的、不确定的、非线性的，因此线性交通预测模型预测精度有待提高。

为解决线性模型存在的缺点，数据驱动的非线性模型研究被更多学者所青睐，非线性模型主要包含传统的机器学习模型及深度学习模型。相比传统的机器学习方法，深度学习因为其解决复杂问题的能力越来越受到研究人员的青睐，包括引入时空注意力机制的ASTGCN模型、扩散卷积循环神经网络DCRNN交通预测模型等。

以上深度学习方法虽然很好的捕捉了交通流量的时空特性，然而，实际城市交通还受天气、节假日等因素的影响，同时往往在恶劣天气、节假日更倾向于出现交通拥堵。

发明内容

本发明的目的在于克服现有技术的不足，提供一种融合多模态信息的Prophet-DCRNN交通流量预测方法，该方法利用Prophet时序预测算法捕获节假日效应，采用DCRNN捕获交通时空特性，此外基于类stacking技术，融合Prophet算法、DCRNN算法及天气信息，得到最终融合多模态信息的混合模型，实现了在节假日、恶劣天气等场景下交通预测的准确性。

为了实现上述目的，本发明采用的技术方案为：

一种融合多模态信息的Prophet-DCRNN交通流量预测方法，包括以下步骤：

步骤1：提取目标地域节假日信息以及天气信息；

步骤2：基于步骤1获取的节假日信息设置时序预测模型Prophet的节假日参数，用于捕获交通流量的节假日特性，并结合历史各节点交通流量数据构建时序预测模型Prophet；

步骤3：基于路网结构数据和历史各节点流量数据训练DCRNN流量预测模型；

步骤4：采用类stacking技术，融合天气信息和节假日信息，并混合时序预测模型Prophet和DCRNN流量预测模型的输出，构建融合多模态信息的混合模型，利用混合模型进行交通流量预测。

进一步的，步骤4中所述的融合多模态信息的混合模型包括两层结构，第一层为单一流量预测模型，包括时序预测模型Prophet和DCRNN流量预测模型，第二层以时序预测模型Prophet输出、DCRNN流量预测模型输出、天气信息及节假日信息为输入，基于xgboost算法获取不同节假日和天气特性下模型的影响因子，得到融合多模态信息的混合模型。

本发明相比于现有技术的有益效果在于：