[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

本發明提供了一種基于深度學習的交通流量預測方法，包括：通過檢測器采集交通流量數據信息，將交通信息的離散特征向量輸入至DeepFM中的FM部分，得到具有離散特征間隱含關系的FM輸出向量；將前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FM輸出向量和注意力模型輸出向量對交通流量進行預測。該方法可以有效地提高短時交通流量預測的準確性。

技術領域

本發明涉及交通控制領域，尤其涉及一種基于深度學習的交通流量預測方法。

背景技術

近年來，隨著城市常駐人口和汽車保有量飛速增長。導致城市交通問題越來越復雜。準確的交通流量預測能夠提高交通誘導的準確性和交通控制的有效性。

現有技術中短時流量預測的方法大致可分為參數型和非參數型預測。其中參數方法進行預測包括隨機方法和時間序列，典型的方式有卡爾曼濾波和自回歸算法等，最為經典常用的參數方法是ARIMA(Autoregressive Integrated Moving Average Model,自回歸整數移動平均模型)，同時也有多種基于ARIMA模型進行改進的算法，如加入不同外部輸入的ARIMAX或Seasonal ARIMA。在對模型運算效率要求較高的場景下，相較于非參數方法，參數方法更加具有優勢，這是由于參數方法不需要大量的時間去訓練預測模型。非參數方法包括部分傳統機器學習模型如K-Nearest Neighbors(KNN)和Support Vector Machine(SVM)等，神經網絡模型如Artificial Neural Networks(ANN)以及近幾年使得預測性能極大提高的深度神經網絡模型。

由于交通流量變化具有非線性的同時也具有很強的隨機性，上述單一的非參數模型容易陷入過擬合的情況。于是研究人員將目光轉向多模型融合方式對交通流量進行預測，多模型融合方法可以將多個模型的優勢融合起來，通過組合預測模型或作為數據預處理的方法，提高最終預測結果的準確率。如使用小波優化的神經網絡使用Morlet小波基函數作為神經網絡的中間層激活函數，利用小波變換的特點，提高了模型預測準確度。ZhangH等提出了一種混合模型，采用多種方式對交通特征進行挖掘預測，通過光譜分析、時間序列、統計理論分析等方式，不但構建了一個流量預測模型，還說明了建立動態模型的必要性。