[发明专利]一种聚合信息差异的神经网络结合时间序列预测的方法

说明书

本发明公开一种聚合信息差异的神经网络结合时间序列预测的方法，属于深度学习与智能交通领域，能够同时捕获地铁客流数据的时间和空间特征，本发明提出一种新的基于聚合信息差异最大化的方法对图卷积网络的傅里叶域中定义的平滑滤波器进行改进。本发明通过GateRecurrentUnit模型中的门控机制，在捕获当前时刻的客流信息的同时，仍然尽最大可能保留了历史信息的变化趋势，充分考虑了客流信息之间的时间依赖关系，最后，在真实交通网络上海地铁交通网络上进行测试，可以判断出本发明能够有效的抵消图神经网络的傅里叶域中定义的平滑滤波器对预测结果的影响，解决了在预测峰值客流数据时预测结果偏平滑而导致的预测精度不高的问题。

技术领域

本发明涉及深度学习与智能交通领域，尤其涉及一种聚合信息差异的神经网络结合时间序列预测的方法。

背景技术

现今，人工智能技术飞速发展，同时随着廉价交通传感器技术的大量应用，爆炸式增长的交通数据，人类开始进入交通大数据和智能交通时代，智能交通系统旨在建立一套完整的交通信息服务和交通管理控制系统，该系统可以缓解交通拥堵问题，比如近期推广的不停车收费ETC，利用车辆自动识别技术完成车辆通过自动收费，加快了高速公路收费口的过车效率，有效缓解了节假日车辆拥堵问题，智能交通系统还可以对道路交通进行实时监控和预测，并对道路网络的交通状态进行合理规划，进而提高车辆的通行效率、减少交通事故的发生，并且随着经济的快速发展、城市现代化建设的步伐加快和人口的稳定增长，城市交通拥堵问题越来越严重，地铁作为城市轨道交通的重要组成部分，在缓解交通拥堵方面发挥了巨大的作用，在世界范围内迅速发展，智能交通系统中，地铁客流量预测是其中重要的研究方向，利用历史客流量数据对未来地铁站点的客流量进行合理预测，可以为地铁运行规划者提供合理的规划建议，改善并提高地铁网络的运营效率，随着城市中地铁线路的增多，地铁线路结构越来越复杂，地铁运营的安全性和效率面临着严峻的挑战，地铁客流量是影响地铁运营调度的主要因素之一，因此准确的客流预测是应对这种挑战的重要手段，并帮助管理者制定合理的运营计划，缓解交通拥堵，提高地铁运行的效率，根据客流预测的各项数据，可以判断出新建地铁站的基本规模，站台长度，站台疏散人群的能力等，从根源消除地铁站的危险因素，避免地铁站的各种安全问题。精准的客流预测还可以帮助出行者规划最优出行路线，有效避免高峰人流，提高出行效率，保障出行安全，此外基于聚合信息差异的神经网络结合时间序列的客流预测方法，不仅可以用于地铁站点客流量的预测，还可以应用在道路车流预测中。准确的交通流预测对于交通设施的规划、设计、管理和控制具有重要参考价值，比如说，通过预测道路交通的车流量信息，管理者可以通过控制信号灯或者增派交通警察等方式有效缓解高峰路段的拥堵程度；并且为未来规划道路设计提供参考信息，比如道路应该设计成几个车道，哪一部分的道路可以减少车道数，哪一部分需要增加车道数，哪些道路是单行道等等，从而最大可能保证新规划的道路能够有效缓解甚至解决道路拥堵问题；

传统的交通流预测的方法主要分为两大类，基于统计学的方法和基于传统的机器学习的方法，基于统计学的方法由ARIMA及其变体、VAR、卡尔曼滤波，这些方法都有数学基础，具有较强的可解释性，然而，交通数据的高度非线性和动态性，使得这些方法不符合线性和平稳性的假设，所以在实际应用中性能较差，基于传统的机器学习的方法有支持向量机，K近邻等方法，这些方法可以对非线性关系进行建模，并且提取交通数据中的复杂关系，但在大数据的时代背景下，这些方法需要对数据中的特征进行人工提取，当数据集比较庞大时，会耗费大量人力，并且不能保证准确性，因此本发明提出一种聚合信息差异的神经网络结合时间序列预测的方法以解决现有技术中存在的问题。

发明内容