[发明专利]基于深度学习的长时交通流量预测方法

摘要

随着智能交通系统的不断发展，对交通流量需要进行准确而有效的预测。实现对交通流量的预测，其关键技术之一是对交通流量数据的挖掘并对其数据特征进行学习。然而，对于复杂多变的交通流数据，基于交通流理论和统计学模型的传统方法难以捕捉非线性交通流量数据的复杂模式及其特征，故而对交通流量参数进行模式识别和预测的能力较弱；此外，现有的模型大多只能对交通流量进行短时的预测，目前暂时还没有对交通流量进行长时预测的模型方法。针对以上问题，本发明基于卷积神经网络框架，提出了一种基于深度学习的长时交通流量预测方法以提高对交通流量进行长时预测的准确性和鲁棒性。

主权项

1.一种基于深度学习的长时交通流量预测方法，具体方法包括如下步骤：(1)输入具有时空特征的交通流量数据，且该数据在时间维度上具有3个不同尺度，每个尺度上融合了历史3天不同的的流量信息；将原始的交通流量数据转化为一个空间‑时间矩阵，该矩阵可以看作是融合了一天的时空信息的矩阵图像，然后在时间维度上生成3种时间间隔不同的矩阵，且同一种时间间隔下又融合了历史不同3天的流量信息；(2)在模型的生成器中，首先使用个性化设计的残差反卷积网络分别对3个尺度下的流量数据进行时空特征的提取；(3)然后将3个不同尺度下学习得到的抽象特征结合起来，最终通过一个全连接层从综合的交通时空特征中解码出预测的流量信息；将生成器中3个残差反卷积网络学习得到的3个尺度的抽象特征结合起来，输入一个全连接层，最中解码出第二天预测的流量值；(4)加入判别器来判定生成器的结果，并将判定结果反馈给生成器，不断调整优化网络的训练过程，最终得到预测结果。