[发明专利]基于Encoder-Decoder的长时交通流预测方法

说明书

本发明公开了一种基于Encoder‑Decoder的长时交通流预测方法，步骤如下：计算各路段交通流与目标路段交通流的皮尔逊相关系数，选取相关性最高的路段数据作为输入参数，然后将交通流数据进行标准化处理，并按比例将标准化处理后的数据集划分为训练集、验证集和测试集；接着构建基于Encoder‑Decoder的长时交通流预测模型，并使用训练集训练基于Encoder‑Decoder的长时交通流预测模型，以训练过程中验证集表现最优的模型参数作为最终的模型参数，最后通过测试集的数据预测目标路段后一天的交通流数据来验证模型的实际效果。本发明使用GRU作为Encoder部分的基本单元，将LSTM作为Decoder部分的基本单元，同时引入soft attention机制对编码向量C的数值进行动态调整，从而提高了Encoder‑Decoder模型的长期记忆能力，有较好的预测精度。

技术领域

本发明属于交通流预测领域，具体为一种基于Encoder-Decoder的长时交通流预测方法。

背景技术

近年来，随着国民经济的快速发展，人均车辆保有量不断增长，城市路网压力越来越大，全国各大城市拥堵问题相继爆发，严重地影响到了城市居民的正常生活出行。因此，合理的规划道路、合理的布置交通设施和及时的车流诱导成为道路交通部门和运输控制管理中心的首要任务。而高精度、实时的交通流预测是其中的关键，它不仅为交通流诱导和分流提供理论基础和数据支持，而且还可以帮助出行者做出更好的出行决策，缓解交通拥堵，减少碳排放，提高交通运营效率。

根据交通流预测周期，交通流预测分为短时交通流预测与长时交通流预测，短时交通流预测指预测周期小于1小时的交通流预测，主要应用于实时交通控制，如红绿灯自动配时，车载导航等。长时交通流预测指预测周期为数小时、一天、甚至更长的交通流预测，可以帮助管理者及早做出决策、采取措施、统筹安排，对提高交通管理和服务质量起到积极作用。相较于短时预测，长时预测不仅可以为提高有限交通管理资源的效率提供有益的参考，而且可以帮助出行者提前制定计划，避免拥堵。因此，提供更高精度的长时预测，将为决策提供更多的数据支持，对科学管理具有重要意义。然而目前的交通流预测方案大多针对短时交通流预测，缺乏有效的长时交通流预测方案。

Encoder-Decoder是一个典型的序列到序列的模型框架，早期主要用于机器翻译，自然语言处理等领域，由于模型的预测结果是一个序列，因此在长时交通流预测等预测结果为序列的问题中不会像LSTM多歩预测模型一样出现随着预测步长的增加预测效果快速下降的现象。

发明内容

发明目的：针对上述问题，本发明引入一种基于Encoder-Decoder的长时交通流预测方法。该方法在Encoder-Decoder模型的基础上，引入Soft attention机制对编码向量C的数值进行动态调整，从而提高了Encoder-Decoder模型的长期记忆能力，提高了预测精度。

技术方案：一种基于Encoder-Decoder的长时交通流预测方法，包括如下步骤：

步骤1)获取交通流数据，计算不同路段的交通流数据与目标路段的交通流数据之间的皮尔逊相关系数，选取相关系数高于阈值的多个路段的交通流数据作为输入数据；

步骤2)将所述输入数据进行标准化处理，使用处理好的输入数据集构建训练集、验证集和测试集；

步骤3)构建基于Encoder-Decoder的长时交通流预测模型，确定长时交通流预测模型的基本结构参数；

步骤4)使用步骤2)构建的训练集训练基于Encoder-Decoder的长时交通流预测模型，预测目标路段后一天的交通流数据。

进一步地，所述步骤1中，通过下式计算路段i的交通流数据与目标路段O的交通流数据之间的皮尔逊相关系数R_i：