[发明专利]一种基于NMF-BiLSTM的城市路网短时交通流预测方法

说明书

本发明提出了一种基于NMF‑BiLSTM的城市路网短时交通流预测方法，步骤为：提取城市路网交通流的历史状态数据，基于NMF分解获取历史状态数据的基矩阵和系数矩阵；构建BiLSTM系数矩阵预测模型，将历史状态数据的系数矩阵作为BiLSTM系数矩阵预测模型的输入，实现BiLSTM系数矩阵预测模的训练获得训练后BiLSTM模型；将实时的城市路网交通流序列数据进行NMF分解，获取实时的路网交通流序列数据的基矩阵和系数矩阵；将实时的系数矩阵作为训练后BiLSTM模型的输入，通过历史状态数据的基矩阵进行预测，得到预测的路网交通流数据。本发明结合历史数据的基矩阵，实现了路网实时数据的交通流预测，降低数据处理量的同时提高了预测精度。

技术领域

本发明属于城市路网交通流数据预测的技术领域，涉及城市路网交通数据的处理和数学建模的方法，尤其涉及一种基于NMF-BiLSTM的城市路网短时交通流预测方法。

背景技术

城市路网拥堵严重影响着城市的运行和可持续发展。交通拥堵的本质问题是交通供给能力与交通运行需求的不平衡，从而造成部分区域交通流量过于集中、交通资源浪费的现象。城市路网交通流的预测是进行交通管理和控制的前提，是实现交通流系统诱导、制定交通管控策略的关键。城市路网交通流的预测是实现智能交通和智慧城市的重要组成部分，可预测未来整个路网的交通状态，对缓解交通拥堵、有效利用交通资源和合理优化交通基础设施配置具有重要作用。

在已有的交通流预测方法中，基于数理统计的预测方法构建便捷，但是非线性捕捉能力不强，适应性能力较差，预测精度不高；基于机器学习的预测模型虽然具有较好的非线性捕捉能力，但不适用于大数据；而深度学习预测模型虽然具有较好的数据特征捕捉能力，但存在一定的模型过拟合问题且模型构建较为复杂。此外，庞大的城市路网包含海量的交通状态数据，大部分交通流预测研究停留在道路的层面而没有考虑路网的整体运行状态。

申请号为201911219004.8的发明专利公开了一种城市路网短期交通运行状态估计与预测方法，包括：(1)获取异构数据并进行预处理，以城市两信号交叉口之间路段为研究单元，利用GASM算法对研究单元的速度场重构；(2)构建城市路网空间权重矩阵，计算各路段间的时空相关性并采用TOPSIS识别并量化脆弱路段；(3)依据重构后的研究单元速度场取速度的平均值及选取合理脆弱路段构建城市路网的时空特征矩阵；(4)根据Bi-ConvLSTM对全路网的交通状态进行估计与预测。本发明通过融合异构数据重构研究单元速度场，解决单一数据源导致的预测局限性，同时采用Bi-ConvLSTM考虑研究单元上游和下游的交通速度影响，充分挖掘交通流的时空特性，进一步提高了预测的准确率等优点。但是，该方法难以对海量的城市路网交通数据进行快速、有效的处理和分析。

发明内容

针对已有交通流预测方法预测精度不高和运行效率低的技术问题，本发明提出一种基于NMF-BiLSTM的城市路网短时交通流预测方法，通过NMF分解的方式对海量数据进行分解，仅通过对分解后的数据进行BiLSTM建模实现路网交通流的预测，大大降低了时间复杂度和计算成本，且具有预测精度高、实时性良好的特点。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于NMF-BiLSTM的城市路网短时交通流预测方法，其步骤如下：

步骤1)：提取城市路网交通流的历史状态数据，基于NMF分解获取历史状态数据的基矩阵和系数矩阵；

步骤2)：构建BiLSTM系数矩阵预测模型，将历史状态数据的系数矩阵作为BiLSTM系数矩阵预测模型的输入，定义BiLSTM系数矩阵预测模型的损失函数，实现BiLSTM系数矩阵预测模的训练获得最优的参数，作为训练后BiLSTM模型；

步骤3)：提取实时的城市路网交通流序列数据按步骤1)中的历史状态数据的分解结构进行NMF分解，获取实时的路网交通流序列数据的基矩阵和系数矩阵；