[发明专利]基于3D动态时空残差卷积关联网络的交通流预测方法

说明书

本发明公开了一种基于3D动态时空残差卷积关联网络的交通流预测方法，包括以下步骤：采集城市道路的交通流数据，对原始数据进行预处理；根据城市道路的经纬度将数据转化为欧几里得结构交通栅格数据，对栅格数据进行标准化处理，并将其划分成训练集和测试集；构建基于3D动态时空残差卷积关联网络，该网络由时空关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成；训练基于3D动态时空残差卷积关联网络，用训练好的模型预测城市道路下一时刻的交通流。本发明在对城市道路交通流进行时空关联分析的基础上，同时对城市道路交通流的动态空间和时间特征进行提取，提高对城市道路交通流的时空特征的动态捕获，从而提高城市交通流的预测精度。

技术领域

本发明属于智能交通和深度学习领域，具体为一种基于3D动态时空残差卷积关联网络的交通流预测方法。

背景技术

近年来，智能交通大数据取得了飞速发展，这其中，随着5G的商用和车联网政策的推进，构建智能化交通管理系统被提上日程，交通流预测作为智能交通系统的重要子系统之一，具有重要的研究意义和研究价值。实时准确的交通流预测可以为交管部门提供未来时刻的交通流情况，帮助制定科学合理的交通诱导方案和交通管理策略。通过预先了解未来某一时刻的交通流情况，出行者可以提前规划其出行路线，制定总出行耗时最优的方案。因此，如何提高交通流预测模型的准确度是当前研究热点，提出一种有效的改进措施来提升交通流预测模型的精度至关重要。

目前用于交通流预测的方法有很多，当前针对城市交通流的预测模型主要研究时间和空间特征的提取。当前城市路网可划分为欧几里得结构和非欧几里得结构，针对欧几里得结构路网数据主要由卷积操作进行空间特征提取，针对非欧几里得结构数据主要由图卷积操作进行空间特征提取。本发明研究的路网结构为欧几里得结构，目前研究城市路网交通流预测的模型有很多，但是缺乏对空间和时间特征的动态演变讨论，同时对路网进行时间特征提取时缺乏对其长期时间特征的捕获，导致此类模型无法捕获城市交通流的动态演变规律，无法适应复杂的城市交通流预测。

发明内容

发明目的：针对上述问题，本发明引入一种基于3D动态时空残差卷积关联网络的交通流预测方法。该方法针对传统时空残差模型处理交通栅格数据的预测问题时，存在时空关联性分析少、动态时空特征提取弱和长期时间演变特征挖掘低等不足，分别针对性提出时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件。首先，利用皮尔逊相关系数方法分析交通栅格数据之间关联性，分别得到空间关联序列和时间关联序列。然后，利用3D卷积和残差单元构建动态空间特征提取组件，将空间序列输入该组件得到动态空间特征。其次，利用3D时间卷积操作结合LSTM网络构建动态时间特征提取组件，将时间序列输入该组件得到动态空间特征。最后，将动态空间和时间特征进行加权融合，得到网络的最终预测值。本发明通过对交通栅格数据演变态势的深入挖掘，有效实现了对城市交通流动态时空特征的提取和分析。

技术方案：一种基于3D动态时空残差卷积关联网络的交通流预测方法，包括如下步骤：

步骤1)采集城市道路的交通流数据，并将交通流数据实时传输至智慧城市交通大数据存储中心，对原始的交通流数据进行预处理来降低数据冗余度；

步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据，对欧几里得结构交通栅格数据进行标准化处理，并将其划分成训练集和测试集；

步骤3)构建基于3D动态时空残差卷积关联网络，该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成；

步骤4)用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络，用训练好的模型预测城市道路下一时刻的交通流。