[发明专利]交通流量预测方法及系统

权利要求书

1.一种交通流量预测方法，其特征在于，包括如下步骤：

获取PeMS数据，以构建交通路网拓扑图；

按预设时长跨度划分时间段，并对划分的每个时间段根据所述交通路网拓扑图分别建立网络分支；

提取所述网络分支的空间特征和时间特征；

聚合提取的所述空间特征和所述时间特征，以获取能够预测交通流量的神经网络模型。

2.根据权利要求1所述的交通流量预测方法，其特征在于，所述的获取PeMS数据，以构建交通网络拓扑图包括如下步骤：

获取所述PeMS数据；

将所述PeMS数据集中的传感器作为所述交通路网的拓扑图的节点；

将所述传感器收集到的路网车流量、车速、车道占有率作为所述节点的特征向量，以得到所述交通网络拓扑图。

3.根据权利要求2所述的交通流量预测方法，其特征在于，所述预设时长跨度至少包括如下时长跨度：

最近2小时；

最近6小时；

一日；

一周。

4.根据权利要求3所述的交通流量预测方法，其特征在于，所述最近2小时对应了交通流量的具有随机特征的短时预测；

所述最近6小时对应交通流量的具有周期性特征的短时预测；

所述一日对应交通流量的中长期预测；

所述一周对应交通流量的长期预测。

5.根据权利要求1所述的交通流量预测方法，其特征在于，所述的提取网络分支的空间特征和时间特征包括如下步骤：

在空间维度上，聚合所述网络分支的节点特征，以形成空间卷积模块，提取得到所述空间特征；

在时间维度上，利用长短期记忆网络，以提取得到所述网络分支的时间特征。

6.根据权利要求5所述的交通流量预测方法，其特征在于，在提取所述空间特征时，采用多头注意力机制提高网络模型的聚合效率；

采用空洞卷积扩大感受视野。

7.根据权利要求1所述的交通流量预测方法，其特征在于，所述的聚合提取的空间特征和时间特征，以获取能够预测交通流量的神经网络模型包括如下步骤：

初始化超参数；

利用反向传播更新网络参数，并计算损失函数；

调整所述超参数，使所述损失函数的数值达到设定阈值，以得到所述神经网络模型。

8.根据权利要求7所述的交通流量预测方法，其特征在于，采用随机梯度下降法来计算所述损失函数的数值。

9.根据权利要求8所述的交通流量预测方法，其特征在于，采用均方误差MSE和平均绝对误差MAE作为损失函数，其中，

所述均方误差的计算公式：

所述平均绝对误差的计算公式：

10.一种交通流量预测系统，其特征在于，用于实现权利要求1至9中任一项所述的交通流量预测方法的步骤；所述系统包括：

数据搭建模块，用于获取PeMS数据，以构建交通路网拓扑图；

数据划分模块，用于按预设时长跨度划分时间段，并对划分的每个时间段根据所述交通路网拓扑图分别建立网络分支；

特征提取模块，用于提取所述网络分支的空间特征和时间特征；

特征处理模块，用于聚合提取的所述空间特征和所述时间特征，以获取能够预测交通流量的神经网络模型。