[發明專利]基于深度學習的交通流量預測方法

在審

• 申請號: 202010641340.8
• 申請日: 2020-07-06
• 公開（公告）號: CN111815046A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 金尚泰;董煦宸
• 申請（專利權）人: 北京交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 姜威

1.一種基于深度學習的交通流量預測方法，其特征在于，包括：

通過檢測器采集交通流量數據信息，并將所述的交通數據信息劃分為離散特征和連續特征，所述的連續特征包括：前t個時刻上游檢測器各個車道的信息序列；前t個時刻檢測器截面信息序列和每個檢測器每天的歷史信息序列，t為正整數；

對所述的離散特征處理得到交通流量數據信息的離散特征向量，將所述的交通信息的離散特征向量輸入至DeepFM中的FM(FactorizationMachine，因子分解機)部分，得到具有離散特征間隱含關系的FM輸出向量；

對當前檢測器的前t個時刻檢測器截面信息序列處理得到前t個時刻的當前檢測器截面信息序列特征向量，并將所述的前t個時刻的當前檢測器截面信息序列特征向量輸入至基于檢測器聚類標簽的具有多層LSTM(LongShortTermMemoryNetwork，長短時記憶網絡)編碼器的LSTM模型，得到LSTM輸出向量；

將前t個時刻的上游檢測器各個車道的信息序列處理得到的前t個時刻的上游檢測器各個車道的信息序列特征向量和所述的LSTM輸出向量輸入至注意力模型，得到具有當前檢測器截面與上游各個車道之間的流量變化關系的注意力模型輸出向量；

根據所述FM輸出向量和所述的注意力模型輸出向量對交通流量進行預測。

2.根據權利要求1所述的方法，其特征在于，所述的基于檢測器聚類標簽的具有多層LSTM編碼器的LSTM模型，根據以下步驟得到：

S21將所述的每個檢測器每天的歷史信息序列，輸入共享參數的LSTM模型中訓練，得到訓練好的基于共享參數的LSTM模型,根據訓練好的基于共享參數的LSTM模型對路網中所有檢測器每天的歷史交通信息序列分別進行編碼，得到不同檢測器節點不同日期的歷史交通信息向量；

S22從不同檢測器節點不同日期的歷史交通信息向量中選取多個交通信息向量作為本次聚類的多個聚類中心；

S23根據不同檢測器節點不同日期的歷史交通信息向量與每個聚類中心的余弦相似度，分別計算不同檢測器節點不同日期的歷史交通信息向量與每個本次聚類中心的余弦相似度，將最大的余弦相似度對應的本次聚類中心作為不同檢測器節點不同日期的歷史交通信息向量在本次聚類中歸屬的聚類中心；

S24將每個不同檢測器節點不同日期的歷史交通信息向量與各自歸屬的聚類中心的余弦相似度之和作為本次聚類總得分；

S25重新選取聚類中心，并重復步驟S24得到聚類總得分并與上一次的聚類總得分比較，為當前檢測器確定當日的聚類標簽：

判斷本次聚類總得分與上次聚類總得分的變化是否小于設定閾值；

若判斷結果為小于設定閾值，則根據本次聚類結果判斷交通狀態，根據交通狀態為當前檢測器確定當日的聚類標簽；

若判斷結果為不小于預設值，則重新聚類，直至相鄰兩次聚類總得分的變化小于設定閾值，根據最后一次的聚類結果判斷交通狀態，根據交通狀態為當前檢測器確定當日的聚類標簽；

S26根據所述的當前檢測器當日的聚類標簽，初始化具有多層LSTM編碼器的LSTM模型，得到基于檢測器聚類標簽的具有多層LSTM編碼器的LSTM模型。

3.根據權利要求2所述的方法，其特征在于，所述的將所述的每個檢測器每天的歷史信息序列，輸入共享參數的LSTM模型中訓練，得到訓練好的基于共享參數的LSTM模型，包括：

對所述的每個檢測器每天的歷史信息序列進行兩兩配對，得到所述檢測器的交通信息序列對；

根據工作日交通流量模式與休息日交通流量模式的差異，為檢測器的交通信息序列對設置標簽，得到具有標簽的交通信息序列對作為訓練樣本；

通過所述訓練樣本對基于共享參數的LSTM模型進行訓練，得到訓練好的基于共享參數的LSTM模型。

4.根據權利要求3所述的方法，其特征在于，所述的根據工作日交通流量模式與休息日交通流量模式的差異，為檢測器的交通信息序列對設置標簽，得到具有標簽的交通信息序列對作為訓練樣本，包括：

為同一檢測器的工作日的交通信息序列與休息日的交通信息序列配對而成的交通信息序列對設置標簽為“0”；

為同一檢測器的兩個工作日的交通信息序列或兩個休息日的交通信息序列配對而成的交通信息序列對設置標簽為“1”。