[發明專利]一種多因素的短時交通流預測方法

有效

• 申請號: 201910001441.6
• 申請日: 2019-01-02
• 公開（公告）號: CN109658695B
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 陳澤濠;袁華
• 申請（專利權）人: 華南理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

本發明公開了一種多因素的短時交通流預測方法，包括步驟：1)計算特定檢測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據作為檢測器的天氣數據；2)分別對檢測器的歷史交通流數據與歷史天氣數據進行預處理，再根據時間合并；3)構建多種特征，基于LightGBM進行特征篩選；4)利用LSTM對交通流數據的時序特征與周期性特征進行建模；5)使用神經網絡中的全連接網絡將交通流的時序特征、周期性特征與步驟3)篩選出來的多種特征進行融合；6)訓練模型并對短時交通流進行預測。本發明克服了現有方法不能充分利用已有數據的不足，能對交通流數據進行更深入的挖掘分析，預測準確性高，魯棒性好。

技術領域

本發明涉及智能交通系統的技術領域，特別涉及一種多因素的短時交通流預測方法。

背景技術

隨著經濟的不斷發展，交通壓力日漸增大，交通事故頻發，交通環境日益惡化。如何提高道路通行能力，緩解交通擁堵，是學術界及工業界關注的焦點。智能交通系統(ITS，Intelligent Transport System)將“人-路-車”緊密結合，建立起一個準確、實時、高效的交通管理系統。在ITS中，交通控制和實時交通流誘導尤為重要。而實現交通控制與誘導的關鍵就是實時準確的短時交通流預測。

短時交通流預測起步階段是使用古典統計方法預測單點交通狀況；隨后求和自回歸移動平均(ARIMA，Autoregressive Integrated Moving Average)等參數模型在一段時間內成為研究人員關注的焦點；由于交通流數據呈現出的隨機性以及非線性，研究人員嘗試使用非參數模型進行預測，如卡爾曼濾波法、最近鄰算法、支持向量回歸等，并取得一定的預測效果；但隨著交通系統越來越復雜，數據規模逐漸膨脹，這些淺層模型已經逐漸不能滿足預測需求。

這促使我們思考如何充分挖掘交通流數據的隱含信息，深度信念網絡、堆疊自編碼器等深度網絡結構相繼應用于短時交通流預測領域。有研究人員利用長短時記憶網絡(LSTM，Long Short Term Memory Networks)學習時序數據之間的關聯關系，并獲取長時依賴關系，但現有的方法沒有充分考慮其他因素對預測結果的影響。本發明提出一種多因素的短時交通流預測方法，創新性地使用兩個LSTM模塊分別提取交通流的時序特征與周期性特征；并構建天氣、時間等特征，篩選出其中重要度高的特征；使用全連接層(FC，FullyConnected Layer)將交通流的時序特征、周期性特征與篩選出來的多種特征進行融合，從而達到提高預測準確性的目的。

發明內容

本發明的目的在于克服現有技術的不足，提出了一種多因素的短時交通流預測方法，該方法創新性地使用兩個LSTM模塊分別提取交通流的時序特征與周期性特征，同時與天氣特征、時間特征等融合，可克服現有方法不能充分利用已有數據的缺點，從而提高交通流預測的準確性。

為實現上述目的，本發明所提供的技術方案為：一種多因素的短時交通流預測方法，包括以下步驟：

1)計算特定檢測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據作為檢測器的天氣數據；

2)分別對檢測器的歷史交通流數據與歷史天氣數據進行預處理，再根據時間合并；其中，所述檢測器的歷史交通流數據為特定觀測點在一段時間間隔內經過的車輛數；

3)構建多種特征，基于LightGBM進行特征篩選；

4)利用長短時記憶網絡LSTM對交通流數據的時序特征與周期性特征進行建模；

5)使用神經網絡中的全連接網絡將交通流的時序特征、周期性特征與步驟3)篩選出來的多種特征進行融合；

6)訓練模型并對短時交通流進行預測。

在步驟1)中，需要根據經緯度計算檢測器與不同氣象站在地球表面的兩點間距，選取距離檢測器最近的氣象站數據作為檢測器天氣數據，具體計算公式為：