[发明专利]基于CNN-LSTM-At神经网络的短时交通流量预测方法

说明书

本发明公开了一种基于CNN‑LSTM‑At神经网络的短时交通流量预测方法，以某个地区的出租车数据作为交通流量的代表，先对该地区进行网格化划分，再以一段时间间隔内的交通流量定义为在这个时间间隔内到达和/或离开该方格的出租车订单次数，通过矩阵的方式表示出租车订单，使用滑动窗口的方式提取邻近的矩阵构成数据集，通过卷积神经网络进行卷积运算，再将卷积运算的输出结果输入到LSTM中，同时将输出结果添加一个注意力机制，找到最需要注意的时间步，最后进行样本全连通和整形变换生成预测结果矩阵，由此本发明可以提取矩阵的时空间关系，并进行实时预测，在能获得足够多数据的情况下，可以实时更新模型，预测交通流量，具备很高的准确性。

技术领域

本发明涉及交通流量预测技术领域，特别涉及一种基于CNN-LSTM-At神经网络的短时交通流量预测方法。

背景技术

交通流量的预测随着城市化的进程加剧，一直是一个经久不衰的热门课题。实时获取城市道路交通流量，准确预测城市道路未来交通流量，可以提升交通管制和引导的效率，提高城市道路出行的质量。车联网技术的发展，例如车与车通信(Vehicle to Vehicle，V2V)、车与基础设施通信(Vehicle to Infrastructure，V2I)、车与外界的信息交换(vehicle to everything，V2X)等。车联网通过整合全球定位系统(GPS)导航技术、车对车交流技术、获取了大量的信息数据，伴随着大量数据的不断出现，预测交通流量的新方法也不断出现，引发了越来越多的关注。交通流量的预测对于缓解城市交通压力，提高人民生活水平有十分重要的意义。例如，通过准确预测各个路口的交通流量数据，可以提前引导驾驶者选择合适的道路避免在城市车流高峰期产生拥堵。通过预测城市各个时间点的不同位置的交通流量，可以帮助出租车公司预先分配出租车。通过预测城市不同位置的人流量，可以为共享单车服务商提供预先提供共享单车。

交通流量的预测方法种类繁杂，预测交通流量是典型的是时空间问题。近年来，技术的发展衍生出很多的方法，常用的方法有遗传算法，神经网络，数据挖掘，灰色理论，支持向量机的方法等。比如，李会超等提出一种基于遗传算法优化小波神经网络的短时交通流量预测。罗向龙提出了一种基于K-最近邻与长短时记忆网络模型相结合的短时交通流预测模型。高忠文等基于大数据对交通流量进行了分析。景辉鑫等将灰色模型与神经网络结合进行交通流量预测。刘昆等采用粒子群对支持向量机的方法进行优化，为交通流量预测提供了新思路。伴随着时间的发展，人工智能理论的越加成熟，深度学习的各种框架工具也越来越多。深度学习为交通流量预测赋予了新的生命力。交通流量预测的模型大致分为四种。第一种是增长率模型，这种模型计算简单，但是预测误差较大。第二种是回归分析，可以解决多个问题，但是无法考虑非定量指标因素对于交通生成的影响。第三种是类别生成率模型，能考虑多个交通生成。但是当影响因素过多或变化较大时，该模型不适合。第四种是时间序列模型，要求一定的数学功底，且借助计算机。目前神经网络在交通流量预测领域起到的作用越来越大，其不需要建立深度的数学模型，通过卷积的方法进行交通流量预测，精准且高效。因此，如何在现有的神经网络基础上进一步地进行短时交通流量预测以及展示成为了申请人亟待解决的技术问题。

发明内容

本发明的目的在于，提供基于CNN-LSTM-At神经网络的短时交通流量预测方法。本发明可以预测交通流量，具备很高的准确性，此外本发明可以将交通流量进行充分的可视化，便于展示。

本发明的技术方案：基于CNN-LSTM-At神经网络的短时交通流量预测方法，包括以下步骤：

S1：将某一个区域划分为一个a×b的方格，总共有S＝a×b个网格，将整个时间段划分成n个连续相等的时间间隔t，将时间间隔t内的交通流量定义为在这个时间间隔内到达和/或离开该方格的出租车订单次数，以矩阵O(t)表示到达该区域的出租车订单，以矩阵D(t)表示离开该区域的出租车订单：