[发明专利]基于道路历史数据的车流量预测方法、系统及存储介质

说明书

本发明提供了一种基于道路历史数据的车流量预测方法，其特征在于，包括以下步骤：获取历史车流量数据构建历史车流量数据集；针对所述历史车流量数据集进行预处理；对所述历史车流量数据集进行不平衡处理，得到目标训练数据；使用注意力模块对所述目标训练数据的特征向量进行处理，得到目标特征向量；利用目标训练数据和目标特征向量，使用支持向量机进行训练，得到预测模型；将实时车流量数据输入所述预测模型，输出预测结果；其中，所述预测模型设置有优化目标函数，所述优化目标函数用于对所述目标训练数据具有最小间隔的车流量数据样点进行间隔最大化，以使预测模型得到对应所述目标训练数据的分隔超平面。

技术领域

本发明属于城市交通流量预测技术领域，具体涉及基于道路历史数据的车流量预测方法、系统及存储介质。

背景技术

在智慧城市建设过程中，随着车载传感器增加，车辆行驶过程中将产生大量的交通车流量数据，如何充分挖掘隐含在车流量数据中的普遍规律从而进一步推动智慧交通系统的发展，是一个非常值得关注的问题。准确的车流量预测不仅有利于城市道路的规划建设，还有助于提高车辆的通行效率，缓解城市交通拥堵，减少资源浪费和环境污染。为了提高交通流量的预测精度，研究人员做了大量探索。但现有的方法及模型模型容易产生滞后现象，难以适应日益复杂的城市路网结构。此外，在面对车流量数据小样本场景下，尤其是车流量数据集车流量数据样本不平衡的情况下，效果欠佳；另外，由于所提出的算法模型对训练车流量数据样本的数量和质量要求较高，鲁棒性和泛化能力有待提升。

发明内容

为了克服现有技术的不足，本发明提供一种基于道路历史数据的车流量预测方法、系统及存储介质，以解决现有技术中的问题。

本发明其中一个实施例提供了一种基于道路历史数据的车流量预测方法，包括以下步骤：

获取历史车流量数据构建历史车流量数据集；

针对所述历史车流量数据集进行预处理；

对所述历史车流量数据集进行不平衡处理，得到目标训练数据；

使用注意力模块对所述目标训练数据的特征向量进行处理，得到目标特征向量；

利用目标训练数据和目标特征向量，使用支持向量机进行训练，得到预测模型；

将实时车流量数据输入所述预测模型，输出预测结果；

其中，所述目标训练数据包括历史车流量数据集的不平衡率、新车流量数据样本总数和不平衡类别的新车流量数据样本；

所述预测模型设置有优化目标函数，所述优化目标函数用于对所述目标训练数据具有最小间隔的车流量数据样点进行间隔最大化，以使预测模型得到对应所述目标训练数据的分隔超平面。

在其中一个实施例中，所述预处理包括：

对车流量数据集进行批量归一化处理；

对车流量数据集进行PCA降维和去噪。

在其中一个实施例中，所述批量归一化处理：

y_i＝γ_zi+β

其中，N_batch表示每个预设批次的车流量数据样本的个数；

g_i表示某一批处理中第i个车流量数据样本的车流量数据特征；

ε是趋近零的常量，用于保持车流量数据的稳定性；

γ和β为可学习重构参数，通过自适应学习减少车流量数据特征分布间的差异；