[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

本發明公開了基于時空相關性和卷積神經網絡的短時交通流預測方法，挖掘交通流量數據之中的時空相關性，交通流量數據并轉化為具有時空交通流量信息的二維矩陣，利用卷積神經網絡對矩陣內部交通流的時空特征信息進行提取、處理和學習，最終得出預測結果，此外還采用了時空特征選擇算法篩選出最佳輸入數據。本發明深入挖掘交通流數據的隨機性與不確定性，充分考慮交通流數據中的時空相關性，從而有效提高了交通流量數據的預測精度。

技術領域

本發明屬于交通控制領域，涉及基于時空相關性和卷積神經網絡的短時交通流預測方法。

背景技術

未來交通的變化趨勢一直以來都是交通管理部門和出行者所關心的問題。可靠的交通預測信息能夠為交通管理部門制定管理方案、合理分配交通資源等提供參考依據；同時，出行者可以根據交通預測信息合理規劃行程。精準及時的交通流量數據能夠被用來幫助緩解道路擁堵、減少車輛尾氣排放、提高道路工作效率。隨著智能交通系統的部署，基于短時的交通流量預測模型的研究顯得舉足輕重，實時、精準的短時交通流預測數據的獲取正在讓智能交通系統從被動應對轉變為主動控制。

隨著短時交通流分析與預測工作的不斷深入，研究人員依據不同的分析角度以及應用條件提出了許多模型。這些模型可以分為兩類：第一類是基于傳統機器學習理論的交通流量預測模型；第二類是基于神經網絡為基礎的預測模型。第一類模型方法包括自回歸滑動平均(ARIMA)模型、支持向量機(SVM)模型和貝葉斯模型等。第二類模型通常借助神經網絡的大規模、多維數據處理能力，利用其模型靈活度高、學習能力、泛化能力、預測能力強等特點，在交通預測領域廣泛應用。神經網絡預測方法比傳統機器學習方法更深入、更復雜,并且往往能夠取得更好的預測效果。深度學習中的長短時記憶(LSTM)網絡、深度信念網絡(DBN)和堆疊自編碼(SAE)模型等在交通預測領域都得到應用。然而，對于實際的交通預測問題，上述方法往往未能充分利用交通流數據中的時間和空間相關性。

發明內容

為了克服現有技術中存在的不足，本發明在于提供了一種基于時空相關性和卷積神經網絡的短時交通流預測方法，解決傳統模型難以充分利用交通流數據中的固有的時間和空間相關性的問題。通關卷積神經網絡對歷史交通流數據的學習，提高模型對交通流量數據的分析能力以及時空相關特征的挖掘能力。而后，通過時空特征選擇算法對輸入網絡的交通流量數據進行選擇，從而進一步提高模型的預測精度。

本發明采用的技術方案是：

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。

進一步，基于時空相關性和卷積神經網絡的短時交通流預測方法，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。

進一步，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。

進一步，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代表的是輸入數據的時滯，P代表的是經過空間相關性分析選取的檢測點個數。