[發明專利]一種考慮擴散過程的短時交通流預測方法

有效

• 申請號: 201910446878.0
• 申請日: 2019-05-27
• 公開（公告）號: CN110047291B
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 張凱;趙雪芳;董宇涵
• 申請（專利權）人: 清華大學深圳研究生院
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 江耀純

本發明公開一種考慮擴散過程的短時交通流預測方法，包括：獲取當前路段的歷史交通流序列并進行平滑操作，得到平滑后的交通流序列F＝{X¹,X²,...,X^t?1}；采用LSTM?CNN模型從平滑后的交通流序列中捕獲深度時空特征；通過以類PageRank算法進行數學化描述的擴散過程從平滑后的交通流序列中得到當前路段的道路重要性特征，再將道路重要性特征及道路輔助信息共同組成一個一維向量，作為廣度特征；將深度時空特征和廣度特征融合，得到當前路段在t時刻的交通流量預測值X^t。

技術領域

本發明涉及一種考慮擴散過程的短時交通流預測方法，屬于智能交通、計算機與數學交叉領域。

背景技術

隨著社會經濟的高速發展和城市化進程的加快，有效的交通控制和誘導成為了亟待解決的問題，而實時準確的交通流量預測是至關重要的一步。但目前的研究并未充分考慮交通流在全路網上的動態變化，導致預測精度不能夠達到要求。

發明內容

本發明的主要目的在于克服現有技術的不足，提出一種考慮擴散過程的短時交通流預測方法，通過加入道路重要性等特征，來進行準確的短期交通流預測，以解決現有的預測方法在動態全局性上考慮不夠全面的問題，進一步提高預測精度。

本發明為達上述目的提出以下技術方案：

一種考慮擴散過程的短時交通流預測方法，包括：獲取當前路段的歷史交通流序列O＝{x¹,x²,...,x^m}并進行平滑操作，得到平滑后的交通流序列F＝{X¹,X²,...,X^t-1}；其中，Xⁿ代表對原始的歷史交通流序列O進行平滑后得到的當前路段在n時刻的交通流量，n＝1,2,...,t-1；采用LSTM-CNN模型從交通流序列F中捕獲當前路段的交通流的深度時空特征；通過以類PageRank算法進行數學化描述的擴散過程從交通流序列F中得到當前路段的道路重要性特征，再將道路重要性特征以及當前路段的道路輔助信息共同組成一個一維向量，作為當前路段的交通流的廣度特征；將所述深度時空特征和所述廣度特征進行融合，得到當前路段在t時刻的交通流量預測值X^t。

更進一步地：

所述平滑操作包括按均值平滑、按邊界值平滑和按中值平滑；平滑操作時的采樣間隔為5～30分鐘。

所述深度時空特征為包含兩個元素的一維向量[a1,a2]，該一維向量的兩個元素a1、a2分別由LSTM-CNN模型的兩條LSTM鏈輸出；其中一條LSTM鏈從平滑后的交通流序列F中提取到交通流的時間周期性特征作為輸出a1；另一條LSTM鏈以平滑后的交通流序列F以及交通流的空間相關性特征作為輸入，提取到包含交通流的時間平滑性特征和空間相關性特征的融合特征作為輸出a2。

所述時間周期性特征用于表征當前路段當前時刻t的交通流與之前t_d天相同時刻交通流的相關性，表現形式為：其中，l_p表示周期間隔。

所述時間平滑性特征用于表征當前路段當前時刻t的交通流與之前t_h個時刻交通流的相關性，表現形式為：

所述空間相關性特征是通過CNN網絡從當前路段的交通流序列F以及當前路段的相鄰路段的交通流序列中提取得到，用于表征當前路段與相鄰路段之間交通流的相關性。需要說明的是，利用LSTM處理時間序列數據以及利用CNN處理空間序列數據的原理和詳細處理過程已是本領域的公知技術，在此不再贅述。

以類PageRank算法進行數學化描述的擴散過程包括：