[发明专利]一种基于深度学习的短时交通流预测方法

摘要

本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。

主权项

1.一种基于深度学习的短时交通流预测方法，其特征在于：包括如下步骤，步骤S1：提取同一时刻预测点与临近点之间的交通流状态，计算短时交通流的空间相关性特征；步骤S2：处理时间序列内不同时刻的各点的交通流状态，计算交通流变化趋势和时空特征；所述时间序列是通过将不同时间交通流的空间相关性特征汇聚而成；步骤S3：提取预测点前一天同一时刻和前一周同一时刻时的交通流数据，提取交通流的周期性特征；步骤S4：将时空特征和周期性特征融合；步骤S5：使用交通流实际值与框架预测值进行比较，计算损失值，不断优化框架。