[發明專利]基于時空相關性和卷積神經網絡的短時交通流預測方法

在審

• 申請號: 201910089338.1
• 申請日: 2019-01-30
• 公開（公告）號: CN109754126A
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 張偉斌;余英豪;郭海鋒;戚湧
• 申請（專利權）人: 銀江股份有限公司;南京理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/04
• 代理公司: 杭州千克知識產權代理有限公司 33246
• 代理人: 趙芳;張瑜

1.基于時空相關性和卷積神經網絡的短時交通流預測方法，其步驟如下：

(1)選定需要進行交通流預測的路段以及該路段中的車輛檢測點，獲取所選路段及其上下游車輛檢測點的短時交通流量歷史數據；

(2)根據獲取的短時交通流歷史數據，選定短時交通流預測的預測時段；

(3)對預測路段檢測點的歷史交通流數據進行時間相關性分析確定時滯，對同路段的上下游檢測點之間的交通流數據進行空間相關性分析確定車輛檢測點數目；

(4)提取步驟(3)中確定的相關車輛檢測點的交通流數據，按照空間上下游順序和時間順序，構建歷史交通流量數據集；

(5)構建卷積神經網絡，對歷史交通流數據集進行預測模型訓練并驗證優化。

2.根據權利要求1所述的基于時空相關性和卷積神經網絡的短時交通流預測方法，其特征在于：所述步驟還包括：(6)依據時空特征選擇算法對輸入交通流數據的最佳時滯和車輛檢測點數目進行選定。

3.根據權利要求1所述的基于時空相關性和卷積神經網絡的短時交通流預測方法，其特征在于：步驟(3)中交通流數據的時間相關性分析和空間相關性分析采用皮爾遜相關系數分析兩個交通流量序列的相關性。

4.根據權利要求3所述的基于時空相關性和卷積神經網絡的短時交通流預測方法，其特征在于：步驟(4)中的歷史交通流量數據集以矩陣形式表示，如下所示：

上述矩陣中，Q代表的是經過時間相關性分析確定的時滯，P代表的是經過空間相關性分析確定的車輛檢測點數目。

5.根據權利要求2所述的基于時空相關性和卷積神經網絡的短時交通流預測方法，其特征在于：步驟(6)中的時空特征選擇算法采用包裹式特征選擇算法。

6.根據權利要求5所述的基于時空相關性和卷積神經網絡的短時交通流預測方法，其特征在于：所述包裹式特征選擇算法以MAPE為標準進行誤差分析，按照誤差最小化搜索選擇最佳時滯和車輛檢測點數目作為輸入數據。

7.根據權利要求6所述的基于時空相關性和卷積神經網絡的短時交通流預測方法，其特征在于：所述包裹式特征選擇算法中的誤差最小化目標函數為：

其中R為不同時滯Q和不同車輛檢測點數目P組成的特征集，構成輸入空間I，f(R)表示預測模型的輸出，y表示實際的交通流量，|d|＝|P|*|Q|表示單次預測過程的輸入數據個數，α是折衷系數。