[發明專利]基于卷積神經網絡的高速公路交通流預測方法

有效

• 申請號: 201711474416.7
• 申請日: 2017-12-29
• 公開（公告）號: CN108205889B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 楊迪;李松江;邱寧佳;王鵬;彭周;楊華民;宋小龍;王俊輝
• 申請（專利權）人: 長春理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 吉林長春新紀元專利代理有限責任公司 22100
• 代理人: 王薇

1.一種基于卷積神經網絡的高速公路交通流預測方法，其特征在于：統計各個路段交通流的時間間隔為15分鐘，分別稱為第i時間段，i是大于等于1的正整數；外部因素數據包含天氣，是否為節假日，是否為周末，當天最高氣溫，當天最低氣溫，當天最大風速和當天最小風速字段，外部因素數據以天為單位進行采集，為預測一個區域內p條連續路段在第t時間段內的交通流，t≥1345，具體步驟如下：

步驟1)、將全部路段在所有時間段的交通流做均值歸一化處理，均值歸一化計算方法如下：

式中，x_max和x_min分別為全部路段在所有時間段的交通流的最大值與最小值，x為一條路段在一個時間段的交通流，u為全部路段在所有時間段的交通流的平均值，x′為歸一化后的交通流，取值范圍為[-1，1]；

步驟2)構建時間相鄰性矩陣A，A為p×n的二維矩陣；A(i，j)是A的第i行第j列元素，A(i,j)表示路段i在t-j時間段的交通流，i＝1,2…,p,j＝1,2,…,n；在本發明的時間相鄰性矩陣中，n＝8；

步驟3)構建日周期性矩陣B，B為p×l的二維矩陣；B(i，j)是B的第i行第j列元素,B(i,j)表示路段i在t-j×96時間段的交通流,i＝1,2…,p,j＝1,2,…,l；在本發明的日周期性矩陣中，l＝7；

步驟4)構建周周期性矩陣C，C為p×w的二維矩陣；C(i，j)是C的第i行第j列元素，C(i,j)表示路段i在t-j×7×96時間段的交通流,i＝1,2…,p,j＝1,2,…,w；在本發明的周周期性矩陣中，w＝2；

步驟5)將外部因素數據中的當天最高氣溫，當天最低氣溫，當天最大風速和當天最小風速字段做均值歸一化處理，均值歸一化計算方法如下：

式中，x₁可用來代替外部因素數據中的當天最高氣溫，當天最低氣溫，當天最大風速和當天最小風速字段在某一天的取值；x_1max和x_1min為該字段在全時間段上的最大值和最小值，u₁為該字段在全時間段上的平均值；x₁′表示該字段歸一化后的值，取值范圍為[-1，1]；

步驟6)構建向量H，H為6位一維向量，用來存放外部因素數據中的是否為周末，當天最高氣溫，當天最低氣溫，當天最大風速和當天最小風速字段，H0＝1表示是節假日，H0＝0表示是不是節假日，H1＝1表示是周末，H1＝0表示是不是周末；H2～5用來表示外部因素數據中的當天最高氣溫，當天最低氣溫，當天最大風速和當天最小風速字段歸一化后的值，將外部因素數據中的天氣按照惡劣程從多云，晴，陰，小雪，中雪，大雪，暴雪，小雨，中雨，大雨，暴雨，陣雨，陣雪，雷陣雨分為14個級別，構建天氣向量W，W為14位的一維向量；W1＝1，Wj＝0,j＝2,…,14，表示天氣為多云，以此類推，W14＝1，Wj＝0,j＝1,2,…,13表示天氣為雷陣雨；將向量W和向量H按順序合并成一個長度為20的外部因素向量E；

步驟7)、采用卷積神經網絡作為模型的特征提取層；將時間相鄰性矩陣A，日周期性矩陣B和周周期性矩陣C作為特征提取層的輸入，在本發明中，特征提取層為采用三個卷積層的結構，第一個卷積層和第二個卷積層使用32個卷積核，每個卷積核尺寸為3×3，第三個卷積層使用64個卷積核，每個卷積核尺寸為2×2；采用補零操作，使用relu函數作為激活函數，在卷積層后添加了一層Dropout Layer用來防止過擬合；

步驟8)時間相鄰性矩陣A經過卷積操作后得到65536個時間相鄰性時空特征矩陣，將得到的各個時間相鄰性時空特征矩陣通過Flatten使之以行為基準首尾相連構成一個一維向量，并將每個時間相鄰性時空特征矩陣生成的一維向量按順序合并成一個向量A′，作為特征提取層的輸出之一；

步驟9)日周期性矩陣B經過卷積操作后得到65536個日周期性時空特征矩陣，將得到的各個日周期性時空特征矩陣通過Flatten使之以行為基準首尾相連構成一個一維向量，并將每個日周期性時空特征矩陣生成的一維向量按順序合并成一個向量B′，作為特征提取層的輸出之一；

步驟10)周周期性矩陣C經過卷積操作后得到65536個周周期性時空特征矩陣，將得到的各個周周期性時空特征矩陣通過Flatten使之以行為基準首尾相連構成一個一維向量，并將每個周周期性時空特征矩陣生成的一維向量按順序合并成一個向量C′，作為特征提取層的輸出之一；

步驟11)依次按照向量A′，B′，C′和E的順序合并成一個一維向量M＝{A′，B′，C′，E}，向量M稱為融合向量；

步驟12)輸出層選用全連接層，向量M作為該全連接層的輸入，激活函數選用tanh函數，損失函數選擇均方誤差函數(MSE)，輸出為一維向量O，O(j)表示路網路段中路段j在時間段t內的歸一化后的交通流，j＝1,2,…,p，將輸出結果進行反均值歸一化后得到最終的預測結果。