[發明專利]一種交通流預測方法

在審

• 申請號: 202010033545.8
• 申請日: 2020-01-13
• 公開（公告）號: CN111063194A
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 張璽君;張祺瑞
• 申請（專利權）人: 蘭州理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/04;G06N3/08
• 代理公司: 西安合創非凡知識產權代理事務所(普通合伙) 61248
• 代理人: 惠銀銀

本發明公開了一種交通流預測方法，涉及交通流預測技術領域，方法包括：S1：根據時間特征，對交通數據進行分類，并對每類數據進行訓練集和測試集的劃分；S2：利用多層LSTM模型對所述訓練集的數據進行訓練，并將多層LSTM模型中隱藏層的輸出作為XGBoost模型的輸入，先利用預處理之后的訓練集數據先使用增加Dropout層的LSTM模型進行訓練，再將全連接層獲取到的隱藏層特征作為XGBoost模型的輸入項并對其進行再次訓練。本發明通過構建多層LSTM網絡實現對時間序列數據的訓練，同時為避免LSTM模型中全連接層的過擬合現象，引入了XGBoost模型，利用XGBoost模型替換LSTM模型中的全連接層，并對其進行訓練，以此來提高預測值的精度和模型的泛化能力。

技術領域

本發明涉及交通流預測技術領域，具體涉及一種交通流預測方法。

背景技術

目前，在智能交通系統領域，準確的交通速度預測在交通控制和管理中起著重要的作用。隨著城市智能化的發展，人們對于城市交通的規劃逐漸重視起來，尤其是在交通速度預測方面的研究引起了這一領域眾多研究者的極大關注。近年來，基于深度學習的交通流預測方法在時間序列分析方面表現出了較強的競爭力，而時間序列分析是交通流預測的重要組成部分。這些方法可用于模擬交通特征，如流量、占有率和速度，或出行時間，并產生預期的交通狀況。交通流預測的應用場景十分廣泛，例如，短期航空旅客預測、內河船舶交通流預測、智能交通系統的速度預測、占有率預測和交通流量預測等。以上種種現象說明了交通流預測是一項十分有意義的課題。

目前，對交通流預測方面的研究大多使用機器學習和深度學習相關的方法，如使用CNN、RNN、LSTM等模型可以很好的解決交通預測方面的問題。

隨著研究的深入，現如今只對單一模型研究已經滿足不了社會的需求，因此大量研究者將重點放在了組合模型的研究上并且取得了一定的成果。Rui， Fu 利用LSTM和GRU神經網絡方法進行交通流預測，這是首次將GRU應用于交通流預測；Liu， Yipeng 將卷積和LSTM相結合，利用雙向LSTM模塊對預測點的歷史交通流數據進行分析，此方法雖一定程度提高了預測精度，但對于數據的預處理未深入研究；Yao， Huaxiu 提出了一種深度多視點時空網絡(DMVST-Net)框架來模擬時空關系。此方法雖分析了數據的時空特性，但卻是利用三個方法進行分別研究，未體現組合模型的優勢；王祥雪等人提出基于LSTM-RNN的短時交通流預測模型，此模型雖能根據預測精度進行自適應更新，但未解決模型的過擬合問題；王青松等人提出基于CNN-XGBoost混合模型的短時交通流預測模型，該模型雖然研究了交通流的時間和空間特征，但CNN預測模型相比LSTM模型的劣勢在于難以對交通流進行多步預測。

綜上所述，針對以上模型中存在的不足之處，本文提出了一種基于LSTM和XGBoost兩種網絡的組合模型。通過構建多層LSTM網絡實現對時間序列數據的訓練，同時為避免LSTM模型中全連接層的過擬合現象，引入了XGBoost模型，利用XGBoost模型替換LSTM模型中的全連接層。將多層LSTM模型中隱藏層的輸出作為XGBoost模型的輸入，并對其進行訓練，以此來提高預測值的精度。

發明內容

本發明針對上述問題，提供一種交通流預測方法，所述方法包括：

S1：根據時間特征，對交通數據進行分類，并對每類數據進行訓練集和測試集的劃分；

S2：利用多層LSTM模型對所述訓練集的數據進行訓練，并將多層LSTM模型中隱藏層的輸出作為XGBoost模型的輸入，對其進行訓練。

進一步地，根據時間特征，對交通數據進行分類，并對每類數據進行訓練集和測試集的劃分，包括：

根據時間特征，將交通數據劃分為工作日、周末兩類，并對每類數據進行訓練集和測試集的劃分，將所述訓練集的數據按照時間順序排列成矩陣A，將測試集的數據排列成矩陣B；

對應的輸入矩陣如公式（1）所示：