[發(fā)明專利]一種短時交通流量預測模型構(gòu)建方法及預測方法

在審

• 申請?zhí)枺?/td>: 202010628317.5
• 申請日: 2020-07-01
• 公開（公告）號: CN111882114A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計）人: 孫朝云;李偉;郝雪麗;鳳少偉;曹磊;裴莉莉;戶媛姣
• 申請（專利權(quán)）人: 長安大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06K9/62;G06N3/04;G08G1/01
• 代理公司: 西安恒泰知識產(chǎn)權(quán)代理事務所 61216
• 代理人: 李婷

1.一種短時交通流量預測模型構(gòu)建方法，其特征在于，包括以下步驟：

步驟1，獲取一段時間內(nèi)的交通流量數(shù)據(jù)，得到交通流量數(shù)據(jù)集；對得到的交通流量數(shù)據(jù)集進行預處理，得到預處理后的交通流量數(shù)據(jù)集；

步驟2，對步驟1得到的預處理后的交通流量數(shù)據(jù)集中的數(shù)據(jù)以K-Means算法進行聚類，得到短時交通流量模式類別，并建立短時交通流量模式庫；

步驟3，確定預測日期，獲取該預測日期的前N個時刻的短時交通流量數(shù)據(jù)，依次確定N個時刻短時交通流量模式的特征向量，利用分類方法分別確定N個時刻特征向量對應的短時交通流量模式，選取N個時刻對應的短時交通流量模式出現(xiàn)頻率最高的流量模式所對應的交通流量數(shù)據(jù)組成訓練的數(shù)據(jù)集；

步驟4，利用GRU神經(jīng)網(wǎng)絡(luò)模型訓練步驟3形成的訓練的數(shù)據(jù)集，訓練完成后得到短時交通流量預測模型；

所述的GRU神經(jīng)網(wǎng)絡(luò)模型采用堆棧式結(jié)構(gòu)，包括依次連接的輸入層、第一GRU單元層、第二GRU單元層和第三GRU單元層，且第三GRU單元層后連接有用于防止過擬合的dropout層。

2.如權(quán)利要求1所述的短時交通流量預測模型構(gòu)建方法，其特征在于，步驟1中所述預處理包括數(shù)據(jù)刪除、數(shù)據(jù)插補、數(shù)據(jù)去噪和歸一化。

3.如權(quán)利要求1所述的短時交通流量預測模型構(gòu)建方法，其特征在于，步驟2所述對步驟1得到的短時交通流量數(shù)據(jù)以K-Means算法進行聚類，得到短時交通流量類別具體包括：所述K-Means算法的初始聚類中心K的取值范圍為2～7。

4.如權(quán)利要求1所述的短時交通流量預測模型構(gòu)建方法，其特征在于，步驟4所述的GRU網(wǎng)絡(luò)的參數(shù)設(shè)置包括：預測步長8、隱層神經(jīng)元個數(shù)12、學習率0.02和迭代次數(shù)800。

5.一種短時交通流量預測方法，其特征在于，所述方法包括以下步驟：

步驟1、獲得待預測交通流量數(shù)據(jù)集并進行預處理，得到得到預處理后的待預測交通流量數(shù)據(jù)集；

步驟2、將所述的預處理后的待預測交通流量數(shù)據(jù)集輸入至權(quán)利要求1-4任一項權(quán)利要求所述的短時交通流量預測模型構(gòu)建方法獲得的短時交通流量預測模型中，獲得待預測短時交通流量類別。