[发明专利]基于混合深度学习模型的城市区域路网过车流量预测方法及其系统

说明书

本发明公开了一种基于混合深度学习模型的城市区域路网过车流量预测方法及其系统，包括：基于卡口过车数据，进行交通流量统计；对卡口过车流量数据进行时空分布特征分析，并且根据分析结果进行特征提取，获取到时空影响因子；根据时空影响因子，构建和训练ConvLSTM与BiLSTM混合深度学习模型；对城市区域路网交通流量进行同步预测，选取预测损失函数与评价指标，并对结果进行可视化表达；通过线性时间序列预测模型Prophet计算交通流量变化度，进行交通状态识别，实现交通状态预判。本发明能够帮助交通管理部门对城市道路进行动态管理调度，从全局出发对城市路网进行优化管理，制定管理策略与管理方案，为交通管理者和决策者提供有效的数据支撑。

技术领域

本发明属于模型计算技术领域，具体涉及一种基于ConvLSTM与BiLSTM混合深度学习模型的城市区域路网过车流量预测方法及其系统。

背景技术

在中大城市，由于机动车数量的增长幅度远远高于交通设施的建设进度，城市交通基础设施的建设无法满足不断增加的交通需求，导致城市交通供需不平衡，矛盾越来越尖锐，并引发经济损失、人员伤亡、生态环境恶化等社会问题，交通拥堵问题已经成为阻碍城市发展的重要原因之一。基于路网上的实时交通信息准确判断交通运行状态，并据此采取科学合理的交通管控措施加以诱导，是应对城市交通拥堵问题的重要手段。因此需要实现实时准确的交通流量预测并识别路网交通运行状态，提前预知道路交通运行状态，为实时交通管控提供有效数据支撑，智能交通研究领域已成为热点。

随着交通电子设备的快速发展，道路交通调查手段越来越丰富，指标准确度提高，指标体系扩大，有着收集大样本综合信息能力的交通电子设备被广泛应用，道路高清摄像卡口监控系统就是其中之一。卡口过车数据能够精确识别每一辆通过卡口的机动车信息，可精准计算交通流量，具有易于维护、适用性强的优点，已成为城市智能交通的重要数据源，并在交通流量预测与交通状态识别方面得到了广泛的应用。已有基于卡口过车数据展开交通流量预测与交通状态识别的主要方法存在数据特征分析不充分、仅适用单一路况场景的缺点。

所以，需要一个新的技术方案来解决这些问题。

发明内容

发明目的：为了克服现有技术中存在的数据特征分析不充分、仅适用单一路况场景等问题，提供一种基于ConvLSTM与BiLSTM混合深度学习模型的城市区域路网过车流量预测方法及其系统，实现对交通拥堵的预判。

技术方案：为实现上述目的，本发明提供一种基于混合深度学习模型的城市区域路网过车流量预测方法，包括如下步骤：

S1：基于卡口过车数据，进行交通流量统计，计算获取到实时过车流量与累积流量；

S2：基于步骤S1获取的流量数据，对卡口过车流量数据进行时空分布特征分析，并且根据分析结果进行特征提取，获取到时空影响因子；

S3：根据时空影响因子，构建和训练ConvLSTM与BiLSTM混合深度学习模型；

S4：通过构建好的ConvLSTM与BiLSTM混合深度学习模型对城市区域路网交通流量进行同步预测，选取预测损失函数与评价指标，并对结果进行可视化表达；

S5：根据步骤S4的预测结果，通过线性时间序列预测模型Prophet计算交通流量变化度，进行交通状态识别，实现交通状态预判。

进一步地，所述步骤S1具体为：统计不同时间尺度下，每个路口每个时间段的卡口过车数据，计算实时过车流量与累积流量。

进一步地，所述步骤S1具体包括如下步骤：

A1：指定时间尺度的各路口卡口过车流量统计

A2：以每日设定的时间为统计起始时间，统计各路口每日累积交通流量。