[發明專利]一種基于深度學習的短時交通流預測方法

有效

• 申請號: 202010083361.2
• 申請日: 2020-02-09
• 公開（公告）號: CN111210633B
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 李壯壯;桂智明;郭黎敏;姚思佳
• 申請（專利權）人: 北京工業大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

一種基于深度學習的短時交通流預測方法屬于交通預測領域。本發明首先使用卷積神經網絡提取交通流的空間特征；然后使用引入注意力機制的門控循環單元提取時間特征，通過注意力機制計算不同時刻交通流特征的重要性，使模型更關注重要性大的特征；接著利用交通流數據的周期特性提取周期特征；最后融合所有特征進行預測。該方法解決了現有預測方法無法充分利用交通流數據時空特征的缺點，提高了交通流的預測精度，可以更好地解決短時交通流預測問題。

技術領域

本發明屬于交通預測領域，具體涉及一種基于深度學習的短時交通流預測方法。

背景技術

隨著全國機動車保有量的不斷增加，城市交通擁堵問題越來越嚴重。交通擁堵不僅耽誤人們出行，減少社會活動效率，還會浪費大量資源，造成城市空氣污染。為了解決交通擁堵問題，智能交通系統(Intelligent Transport System，ITS)應運而生。ITS通過綜合運用大數據、人工智能等技術手段，對道路交通數據進行收集和分析，提高現有交通設施的運行效率，緩解城市交通壓力。交通流預測是ITS的核心功能之一。

由于交通流具有時變性，所以一般采用短時預測來對交通系統進行誘導。短時交通流預測是指利用地磁、傳感線圈等設備實時獲取的交通流數據去預測未來半小時內的交通流量。通過預測交通流不僅可以為公眾出行提供服務，改善導航系統，還可以為交通管理部門提供有效技術支持，提高道路資源的利用率。因此，利用交通大數據進行短時交通流預測已成為智能交通領域的研究熱點。

國內外學者針對短時交通流預測提出的方法主要分為三類，一是統計理論模型，主要包括歷史平均模型、卡爾曼濾波模型和自回歸差分移動平均模型(ARIMA)；二是以支持向量回歸(SVR)為代表的機器學習模型；三是新興的深度學習模型。道路交通系統是一個典型的復雜系統，周末節假日、交通出行早晚高峰、天氣狀況等因素以非線性方式相互作用，導致傳統的淺層預測模型在實際應用中往往失效。近年來，深度學習在圖像識別、自然語言處理等研究領域取得了一系列突破，交通流數據與深度學習常用領域中的研究數據類似，具有豐富的時空特征，結合深度學習進行短時交通流預測具有很大的研究價值。

交通流數據具有時空特征。在時間上，由于道路上車輛的聚集和發散是一個漸進過程，所以之前時刻的交通流量會影響下一時刻的交通流量；在空間上，相鄰觀測點之間的交通流量是密切相關的，單個道路上下游觀測點的交通流量存在時延關系，分叉道路不同觀測點的交通流量存在和差關系。門控循環單元(GRU)只關注交通流數據的時間特征，忽略了空間特征，而卷積神經網絡(CNN)更關注空間特征，將兩者結合可以充分提取交通流數據的時空特征。

本發明將卷積神經網絡、門控循環單元以及注意力機制技術應用到交通流預測領域，提出了一種新穎的短時交通流預測方法。通過結合卷積神經網絡和門控循環單元提取交通流數據的時空特征，并利用注意力機制優化網絡結構。與現有預測方法相比，本發明具有更高的預測精度，可以更好地解決短時交通流預測問題。

發明內容

為了解決現有短時交通流預測方法未能充分利用交通流數據的時空特征以實現準確預測的問題，本發明提出一種基于深度學習的短時交通流預測方法。首先使用卷積神經網絡提取交通流的空間特征，然后使用引入注意力機制的門控循環單元提取時間特征，同時利用交通流數據的周期特性提取周期特征，最后融合所有特征進行預測。注意力機制可以自適應地捕獲不同時刻輸入特征的影響，從而提升交通流的預測精度。

為實現上述發明目的，本發明采用以下技術方案：

步驟1.交通流數據預處理。對觀測點所有時刻的交通流數據進行最大最小歸一化處理，計算公式為：

其中，x_max和x_min分別表示觀測點所有時刻交通流數據的最大值和最小值，x為觀測點某個時刻的交通流，f為x最大最小歸一化之后的交通流。