[发明专利]一种神经网络模型预测道路交通流量的方法

说明书

本发明涉及大数据相关技术领域，具体为一种神经网络模型预测道路交通流量的方法，根据设定的时间间隔进行统计道路交通流量基础数据，并对数据进行清洗预处理；基于最短路径算法进行空间路网中相邻两个观测点间的距离计算；分析获取对道路交通流量预测有影响因素并量化处理；构建预测模型，并利用历史数据对MSTSGCN模型进行预测训练分析优化筛选；通过模型对各个观测点未来交通流量预测分析，最后通过计算机绘制显示得到交通流量预测曲线图。本发明提供了一种有效降低预测滞后性影响、预测因素考虑全面、预测快速准确且可基于历史数据训练优化的基于多变量时空同步图卷积网络模型预测道路交通流量的方法。

技术领域

本发明属于交通信息技术领域，具体涉及一种神经网络模型预测道路交通流量的方法。

背景技术

随着经济社会的高速发展，人民生活水平得到了显著提高，我国机动车数量也在逐年递增，道路所承担的压力越来越大，尽可能准确预测道路交通流量对于交通出行、调度及管制等工作具有重要的指导意义。

时空网络是一种涉及时间和空间两个维度的数据结构，可用于描述例如交通网络、城市水系统以及移动式基站网络等现实世界中的数据。近年来，发展迅速的图卷积网络（Graph Convolutional Network，GCN）及其变体已在时空网络的数据预测中获得大量应用，但仍然缺乏有效的方法来刻画空间和时间方面的相关性和异质性。在交通流量预测的应用中往往只考虑交通流量与空间位置两个因素，而没有考虑天气、事故及节假日等因素对交通流量预测造成的影响；因此需要提出一种考虑天气、事故及节假日等影响因素在交通流量预测中的量化方法并将其与改进滞后性的STSGCN模型结合起来对空间路网各个观测点未来一段时间内的交通流量进行预测，并且基于此做出实时决策以减轻道路压力，有效提升道路管理水平及通行效率。

发明内容

本发明的目的在于提供一种有效降低预测滞后性影响、预测因素考虑全面、预测快速准确且可基于历史数据训练优化的神经网络模型预测道路交通流量的方法。

为实现上述目的，本发明提供如下技术方案：一种神经网络模型预测道路交通流量的方法，具体包括如下步骤：

步骤S1：根据设定的时间间隔t进行统计道路交通流量基础数据，并对数据进行清洗预处理，得到标准化道路交通流量数据；

步骤S2：基于最短路径算法进行空间路网中相邻两个观测点间的距离计算，得到观测点间距离数据；

步骤S3：分析获取对道路交通流量预测有影响因素，并对各个影响因素进行量化处理，进而采用熵权法对各个影响因素的关联程度进行评估并赋权，得到影响因素数据；

步骤S4：基于道路交通流量数据、观测点间距离数据以及影响因素数据，构建MSTSGCN预测模型，并利用不同时间段历史数据基于平均绝对误差（MAE）、均方根误差（RMSE）以及平均绝对百分比误差（MAPE）对MSTSGCN模型进行预测训练分析，然后再对预测结果与实际交通流量数值对比，经过调整各个输入参数对预测模型进行优化筛选；

步骤S5：通过利用所述步骤S4中筛选优化后MSTSGCN模型对各个观测点未来一段时间内的交通流量进行预测分析，最后通过计算机绘制显示得到交通流量预测曲线图。

作为本发明的进一步改进，所述步骤S1中的数据清洗预处理主要包括缺失数据及异常数据的处理，其中异常数据首先被识别并转化为缺失数据进行处理，数据标准化采用消除均值并缩小至单位方差的方法进行处理。

作为本发明的进一步改进，所述步骤S2中的距离计算，首先获取空间路网的n个观测点的经纬度坐标；再获取n个观测点在路网空间内的拓扑图，计算得到路网空间内给定的n个观测点中，任意相邻的两个观测点沿着空间拓扑的最短路径。

作为本发明的进一步改进，所述步骤S3中的影响因素包括但不限于节假日、交通事故、天气状况，上述影响道路交通流量预测的因素属于分类变量，即数据为类别的变量，量化处理的方法采用等级化方法。