[發(fā)明專利]一種多因素的短時(shí)交通流預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910001441.6
• 申請(qǐng)日: 2019-01-02
• 公開(kāi)（公告）號(hào): CN109658695B
• 公開(kāi)（公告）日: 2020-09-22
• 發(fā)明（設(shè)計(jì)）人: 陳澤濠;袁華
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 馮炳輝

1.一種多因素的短時(shí)交通流預(yù)測(cè)方法，其特征在于，包括以下步驟：

1)計(jì)算特定檢測(cè)器與氣象站之間的距離，篩選出距離最近的氣象站，將該氣象站的天氣數(shù)據(jù)作為檢測(cè)器的天氣數(shù)據(jù)；

2)分別對(duì)檢測(cè)器的歷史交通流數(shù)據(jù)與歷史天氣數(shù)據(jù)進(jìn)行預(yù)處理，再根據(jù)時(shí)間合并；其中，所述檢測(cè)器的歷史交通流數(shù)據(jù)為特定觀測(cè)點(diǎn)在一段時(shí)間間隔內(nèi)經(jīng)過(guò)的車輛數(shù)；

3)構(gòu)建多種特征，基于LightGBM進(jìn)行特征篩選；

4)利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM對(duì)交通流數(shù)據(jù)的時(shí)序特征與周期性特征進(jìn)行建模，具體過(guò)程如下：

4.1)利用LSTM對(duì)交通流數(shù)據(jù)的時(shí)序特征進(jìn)行建模，根據(jù)預(yù)設(shè)值T設(shè)定LSTM的時(shí)間步，同時(shí)將交通流的長(zhǎng)序列數(shù)據(jù)以滑動(dòng)窗口的方式處理成適用于LSTM的輸入格式，即預(yù)測(cè)t時(shí)刻交通流時(shí)，選取t-T,t-(T-1),...,t-1時(shí)刻的交通流作為L(zhǎng)STM輸入；

4.2)利用LSTM對(duì)交通流數(shù)據(jù)的周期性特征進(jìn)行建模，根據(jù)預(yù)設(shè)值N設(shè)定LSTM的時(shí)間步，同時(shí)將交通流的長(zhǎng)序列數(shù)據(jù)以滑動(dòng)窗口的方式處理成適用于LSTM的輸入格式，即預(yù)測(cè)t時(shí)刻交通流時(shí)，選取t-NM,t-(N-1)M,...,t-M時(shí)刻的交通流作為L(zhǎng)STM輸入，M為一周的數(shù)據(jù)點(diǎn)個(gè)數(shù)；

5)使用神經(jīng)網(wǎng)絡(luò)中的全連接網(wǎng)絡(luò)將交通流的時(shí)序特征、周期性特征與步驟3)篩選出來(lái)的多種特征進(jìn)行融合；

6)訓(xùn)練模型并對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種多因素的短時(shí)交通流預(yù)測(cè)方法，其特征在于：在步驟1)中，需要根據(jù)經(jīng)緯度計(jì)算檢測(cè)器與不同氣象站在地球表面的兩點(diǎn)間距，選取距離檢測(cè)器最近的氣象站數(shù)據(jù)作為檢測(cè)器天氣數(shù)據(jù)，具體計(jì)算公式為：

式中，d為檢測(cè)器與氣象站的距離，r為地球半徑，和為檢測(cè)器與氣象站的緯度，λ₁和λ₂為檢測(cè)器與氣象站的經(jīng)度。

3.根據(jù)權(quán)利要求1所述的一種多因素的短時(shí)交通流預(yù)測(cè)方法，其特征在于：在步驟2)中，分別對(duì)檢測(cè)器的歷史交通流數(shù)據(jù)與歷史天氣數(shù)據(jù)進(jìn)行預(yù)處理，再根據(jù)時(shí)間合并的具體過(guò)程如下：

2.1)填充交通流數(shù)據(jù)缺失值，按照周一至周日將各天的交通流數(shù)據(jù)歸為七類，計(jì)算每一類中一天所有時(shí)刻的平均值，用該平均值填充缺失值；

2.2)填充天氣數(shù)據(jù)缺失值，使用近鄰時(shí)刻天氣數(shù)據(jù)填充缺失值；

2.3)對(duì)填充后的歷史交通流數(shù)據(jù)進(jìn)行歸一化處理，提取最大交通流F_max與最小交通流F_min，使用最大最小歸一化方法對(duì)歷史交通流數(shù)據(jù)進(jìn)行歸一化處理，使得歷史交通流數(shù)據(jù)映射到[0,1]的區(qū)間，歸一化后的交通流數(shù)據(jù)X_t定義如以下公式所示：

式中，F(xiàn)_t為t時(shí)刻的真實(shí)交通流；

2.4)對(duì)填充后的歷史天氣數(shù)據(jù)初步篩選出溫度、可見(jiàn)度、云層情況、風(fēng)速、風(fēng)向、降雨量和天氣類型特征共七個(gè)特征；其中，對(duì)溫度、風(fēng)速、降雨量這些連續(xù)型特征按照步驟2.3)相同方法進(jìn)行數(shù)據(jù)歸一化處理，對(duì)可見(jiàn)度、云層情況、風(fēng)向、天氣類型這些離散型特征使用獨(dú)熱編碼處理；

2.5)根據(jù)時(shí)間將歷史交通流數(shù)據(jù)與歷史天氣數(shù)據(jù)進(jìn)行合并。

4.根據(jù)權(quán)利要求1所述的一種多因素的短時(shí)交通流預(yù)測(cè)方法，其特征在于：在步驟3)中，構(gòu)建多種特征，基于LightGBM進(jìn)行特征篩選，具體過(guò)程如下：

3.1)根據(jù)歷史交通流數(shù)據(jù)產(chǎn)生時(shí)間生成以下特征：

一小時(shí)內(nèi)的第幾分鐘、一天內(nèi)的第幾小時(shí)、一周內(nèi)的星期幾、一月內(nèi)的第幾天、一年內(nèi)的第幾月、是否是節(jié)假日、是否是節(jié)假日前一天、是否是周末、是否是高峰期；

3.2)獲取檢測(cè)器前一天同一時(shí)刻與前一周同一時(shí)刻的交通流數(shù)據(jù)；

3.3)從歷史天氣數(shù)據(jù)中提取特征，包括是否是惡劣天氣、是否是高溫天氣；

3.4)利用LightGBM計(jì)算所有特征的重要度，剔除重要度低的特征。

5.根據(jù)權(quán)利要求1所述的一種多因素的短時(shí)交通流預(yù)測(cè)方法，其特征在于：在步驟6)中，將預(yù)處理后的數(shù)據(jù)按照時(shí)間順序分為兩組，時(shí)間靠前的一組為訓(xùn)練集數(shù)據(jù)，時(shí)間靠后的一組為測(cè)試集數(shù)據(jù)；在訓(xùn)練集上進(jìn)行訓(xùn)練，根據(jù)損失函數(shù)，計(jì)算模型所輸出的預(yù)測(cè)值與交通流真實(shí)值的損失值，不斷對(duì)模型進(jìn)行迭代優(yōu)化，得到最優(yōu)模型；在測(cè)試集上，利用最優(yōu)模型進(jìn)行預(yù)測(cè)，驗(yàn)證模型有效性；將預(yù)測(cè)結(jié)果反歸一化，得到預(yù)測(cè)值P_t，公式為：

P_t＝Y(jié)_t(F_max-F_min)+F_min

式中，F(xiàn)_max和F_min分別為最大和最小交通流，Y_t為模型預(yù)測(cè)結(jié)果；

使用平均絕對(duì)百分比誤差MAPE來(lái)驗(yàn)證模型的有效性，具體計(jì)算公式為：

式中，n為預(yù)測(cè)總數(shù)，P_t為預(yù)測(cè)交通流，F(xiàn)_t真實(shí)交通流。