[發明專利]一種短時交通流量預測模型構建方法及預測方法

在審

• 申請號: 202010628317.5
• 申請日: 2020-07-01
• 公開（公告）號: CN111882114A
• 公開（公告）日: 2020-11-03
• 發明（設計）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）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: 西安恒泰知識產權代理事務所 61216
• 代理人: 李婷

本發明公開了一種短時交通流量預測模型構建方法及預測方法，針對一段時間內的交通流量數據進行聚類，充分提取數據信息輸入到GRU神經網絡，以短時交通流量模式類別作為輸出，對GRU神經網絡模型進行訓練，訓練完成后得到短時交通流量預測模型，實現對短時交通流量的預測。針對神經網絡的訓練集選取對短時交通流量的預測結果影響顯著，采用K?Means聚類算法將歷史短時交通流量數據進行聚類，有針對性地進行預測，提高了預測結果的準確度。

技術領域

本發明屬于智能交通系統領域，具體涉及一種短時交通流量預測模型構建方法及預測方法。

背景技術

智能交通系統將現代的技術成果應用于交通規劃和管理，建立了一種智能化的交通管理體系，精準、高效、實時是智能交通系統的顯著優勢，通過智能交通系統的反饋，有關部門可以及時掌握所關心地區的交通狀況，從而有效地指導交通運轉，減少甚至避免交通擁堵的發生率，并為城市道路規劃、節能減排提供信息支持。

隨著人工智能研究熱潮的興起，神經網絡模型在短時交通流量預測方面取得了令人矚目的成果。但是由于不同路況、不同天氣、不同日期等因素對短時交通流量時間序列分布存在很大影響，導致現有的神經網絡模型無法準確對交通流量進行預測。

發明內容

針對現有技術中存在的不足，本發明的目的在于，提供一種基于K-Means聚類與GRU網絡的短時交通流量預測方法，解決現有技術無法準確對交通流量進行預測的技術問題。

為了解決上述技術問題，本申請采用如下技術方案予以實現：

一種短時交通流量預測模型構建方法，包括以下步驟：

步驟1，獲取一段時間內的交通流量數據，得到交通流量數據集；對得到的交通流量數據集進行預處理，得到預處理后的交通流量數據集；

步驟2，對步驟1得到的預處理后的交通流量數據集中的數據以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據，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頻率最高的流量模式所對應的交通流量數據組成訓練的數據集；

步驟4，利用GRU神經網絡模型訓練步驟3形成的訓練的數據集，訓練完成后得到短時交通流量預測模型；

所述的GRU神經網絡模型采用堆棧式結構，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。

具體的，步驟1中所述預處理包括數據刪除、數據插補、數據去噪和歸一化。

具體的，步驟2所述對步驟1得到的短時交通流量數據以K-Means算法進行聚類，得到短時交通流量類別，組成短時交通流量類別模式庫具體包括：選取K個點作為初始聚類中心進行聚類，其中，K的取值范圍為2～7。

具體的，步驟3所述的GRU網絡的參數設置包括：預測步長8、隱層神經元個數12、學習率0.02和迭代次數800。

一種短時交通流量預測方法，所述方法包括以下步驟：

步驟1、獲得待預測交通流量數據集并進行預處理，得到得到預處理后的待預測交通流量數據集；

步驟2、將所述的預處理后的待預測交通流量數據集輸入至權利要求1-5任一項權利要求所述的短時交通流量預測模型構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。

本發明與現有技術相比，有益的技術效果是：