[發明專利]一種基于機器學習的綜合模型的交通行為預測方法

在審

• 申請號: 201710504173.0
• 申請日: 2017-06-28
• 公開（公告）號: CN107451599A
• 公開（公告）日: 2017-12-08
• 發明（設計）人: 徐文進
• 申請（專利權）人: 青島科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N99/00
• 代理公司: 青島智地領創專利代理有限公司37252
• 代理人: 種艷麗

技術領域

本發明屬于交通行為預測領域，具體涉及一種基于機器學習的綜合模型的交通行為預測方法。

背景技術

單一機器學習算法對行人交通行為的挖掘和預測有了不錯的實例，但是由于交通行為本身是由于多變量決定的，針對不同類型的交通行為很難用一種算法對其進行預測和挖掘，同時很多算法不能進行實時的挖掘和預測。

發明內容

針對現有技術中存在的上述技術問題，本發明提出了一種基于機器學習的綜合模型的交通行為預測方法，設計合理，克服了現有技術的不足，具有良好的效果。

為了實現上述目的，本發明采用如下技術方案：

一種基于機器學習的綜合模型的交通行為預測方法，采用基于機器學習的綜合模型用戶的交通行為進行預測，具體包括如下步驟：

步驟1：數據輸入；

步驟2：對數據類型進行分類；

不同種類的交通數據包括交通用戶類型數據、時段性數據、歷史數據以及外部輸入數據在內的數據；

步驟3：對不同類型的數據進行機器學習；

根據交通理論和行人交通行為，對不同類型的交通數據，使用不同的機器學習算法對交通行為進行挖掘，并根據歷史記錄和交通理論進行預測；

步驟4：根據交通歷史記錄和當前交通狀況進行智能加權綜合；

利用不同種類的機器學習算法對處理不同類型交通數據的能力的不同，選擇最優的算法處理對應的交通數據，有經過可調整的加權整合層對不同算法處理后的結果進行加權整合，以達到最優化的結果；

步驟5：輸出預測結果。

優選地，在步驟3中，不同的機器學習算法包括K-means聚類算法(K-means clustering algorithm，K均值聚類算法)、ANN(Artificial Neural Network，人工神經網絡)算法、SVM(Support Vector Machine，支持向量機)算法；其中，K-means聚類算法用于對交通用戶類型數據進行處理，人工神經網絡算法用于對時段性數據進行處理，支持向量機算法用于對歷史數據處理。

本方法將不同種類的機器學習算法智能融合，其中對趨勢判別類型的數據進行處理的臨近算法是機器學習中的無監督學習聚類算法，對時段性數據處理的人工神經元網絡是深度學習算法，處理歷史數據的SVM支持向量機算法是監督學習中的分類算法，這些算法是機器學習中的不同種類的算法，應用場景和算法結構都有很大差異；同時，這些算法所對應處理的數據本身在交通數據中時空分布，結構和作用都是有很大的不同的；本方法的智能融合就是利用不同種類的機器學習算法對處理不同類型交通數據的能力的不同，選擇最優的算法處理對應的交通數據，又經過可調整的加權整合層對不同算法處理后的結果進行加權整合，達到最優化的效果。

本發明所帶來的有益技術效果：

1、基于交通實際對數據進行分類，同時又創新性的將交通用戶類型數據、時段性數據、歷史數據以及外部輸入數據四類數據利用最合理的機器學習算法分別獨立處理，保持了數據的相互獨立性，從而最大限度的保留了交通信息，為預測提供最好的信息服務；

2、本發明將幾種機器學習算法綜合在一起對交通行為進行挖掘和預測，不僅僅是幾種算法的疊加，是基于交通理論基礎上的智能融合平臺，可以對交通行為進行實時的預測；又進行了智能加權，可以使不同數據的機器學習結果整合后達到最大化。

附圖說明

圖1為本發明方法融合成5層的結構平臺示意圖。

具體實施方式

下面結合附圖以及具體實施方式對本發明作進一步詳細說明：

如圖1所示，本專利方法一共有5層結構組成，第一層是數據輸入層，第二層是數據類型分類層，第三層是對應不同類型的數據的機器學習算法層，第四層是根據交通歷史記錄和當前交通狀況而進行的智能加權綜合層，第五層是輸出層。

第二層劃分了不同種類的交通數據，包括趨勢判別類型的數據、時段性數據、歷史數據等三大種類；劃分的依據是對大量交通數據處理后發現以上三種是影響交通的最主要的數據，這種劃分辦法也是包含數據最廣泛的方式。

第三層是根據交通理論和行人交通行為，對不同類型的交通數據，使用不同的機器學習算法對交通行為進行挖掘和并根據歷史記錄和交通理論進行預測其中趨勢判別類型的數據由K-means聚類算法進行處理，時段性數據由ANN人工神經元網絡進行處理，歷史數據由SVM支持向量機算法處理；