[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

本發明涉及一種基于卷積神經網絡的高速公路交通流預測方法，其特征在于包括以下步驟：1）、對交通流數據和外部因素數據進行預處理，構建時間相鄰性矩陣，日周期性矩陣，周周期性矩陣和外部因素向量作為模型的輸入；2）、采用卷積神經網絡分別對交通流的時間相鄰性，日周期性和周周期性進行建模，同時提取不同的時空特征；3）、基于步驟2）所提取的時空特征融合外部因素，構成融合向量作為全連接層的輸入；4）、利用全連接層融合所有特征，完成最終的交通流預測，其利用深度學習模型對高速路網交通流進行建模，融合了交通流的時空特征和外部影響因素，使模型能夠應對復雜交通流特征，獲得預測結果，解決了對區域全部路段同時預測的問題。

技術領域

本發明涉及一種基于卷積神經網絡的高速公路交通流預測方法，屬于人工智能-智能交通領域。

背景技術

交通流預測是智能交通系統(ITS)不可或缺的組成部分，作為ITS核心的子系統，交通控制和誘導系統需要依賴于準確的交通流預測。交通流預測也是確定道路工程規模、路面保養維護、技術標準以及經濟評價的依據。

為了進行有效的交通流預測，需要一些具有挑戰性的能力，比如能夠形成更加智能和高效的預測來模擬交通流的空間特征和時間特征，能夠應對復雜的外部特征隱私，能夠處理大規模交通數據等。問題是如何構建一個同時結合上述所有條件的交通預測模型。

在現有的文獻中，有兩種最常用的交通流預測模型，統計模型和人工智能模型。統計模型主要是基于交通流歷史數據的周期性變化進行分析預測。具有計算簡單效率高的優點。然而在處理大規模網絡數據及模擬非線性特征方面精度明顯降低。人工智能模型以神經網絡，貝葉斯網絡，模糊和進化技術為代表，與統計模型相比人工智能模型在預測精度和數據處理能力上有無可比擬的優勢。具有更復雜結構的深度學習方法已被成功的應用于交通預測任務中，比傳統方法具有更好的效果。但現有方法大多只針對一條路段進行預測，難以有效利用交通網絡中的空間特征，使得高速公路交通管理部門缺乏對路網交通狀態變化趨勢的整體把握，不利于宏觀對路網的調控。

發明內容

本發明的目的在于提供一種基于卷積神經網絡的高速公路交通流預測方法，其考慮到交通流的時空相關性和計算成本，將網絡交通流轉換為包含時空特征的二維矩陣，并使用卷積神經網絡對整個區域內交通流的三個不同時空特征建模，來預測高速公路一個地區每一條路段交通流。

本發明的技術方案是這樣實現的：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等字段，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；