[發(fā)明專利]基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110277593.6
• 申請(qǐng)日: 2021-03-15
• 公開（公告）號(hào): CN112966871B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計(jì)）人: 倪安寧;李桃;俞岑歆;陳欽欽
• 申請(qǐng)（專利權(quán)）人: 上海交通大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/0639;G06Q50/30;G06F30/27;G06N3/0442;G06N3/0464;G06N3/08
• 代理公司: 上海段和段律師事務(wù)所 31334
• 代理人: 李佳俊;郭國(guó)中

1.一種基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)方法，其特征在于，包括步驟：

S1：獲取與交通擁堵有關(guān)的歷史信息；

S2：基于歷史信息構(gòu)建交通擁堵指標(biāo)；

S3：構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)以及雙向長(zhǎng)短時(shí)間記憶神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型；

S4：基于交通擁堵指標(biāo)訓(xùn)練預(yù)測(cè)模型；

S5；基于歷史信息通過預(yù)測(cè)模型預(yù)測(cè)未來時(shí)間段的交通擁堵情況，根據(jù)預(yù)測(cè)模型的輸出的閾值判別交通擁堵級(jí)別，并將交通擁堵級(jí)別作為所預(yù)測(cè)的交通擁堵預(yù)測(cè)結(jié)果；

在所述步驟S2中，還包括以下步驟：

步驟S21：對(duì)歷史信息進(jìn)行數(shù)據(jù)處理，以獲得交通數(shù)據(jù)時(shí)間序列數(shù)據(jù)；

步驟S22：構(gòu)建交通擁堵判別指標(biāo)；

步驟S23：時(shí)間序列處理：基于時(shí)空相關(guān)性的三維輸入矩陣；

在所述步驟S21中，數(shù)據(jù)處理包括：

采用將兩個(gè)相鄰時(shí)間段內(nèi)的數(shù)據(jù)平均值作為歷史信息，并將樣本數(shù)據(jù)的最大值與最小值，按照MIN-MAX歸一化準(zhǔn)則對(duì)數(shù)據(jù)進(jìn)行歸一化處理，具體如下：

其中，x表示樣本數(shù)據(jù)，x_min表示樣本數(shù)據(jù)的最小值，x_max表示樣本數(shù)據(jù)的最大值；

在所述步驟S21中，數(shù)據(jù)處理包括：

采用將兩個(gè)相鄰時(shí)間段內(nèi)的數(shù)據(jù)平均值作為歷史信息，并將樣本數(shù)據(jù)的最大值與最小值，按照MIN-MAX歸一化準(zhǔn)則對(duì)數(shù)據(jù)進(jìn)行歸一化處理，具體如下：

其中，x表示樣本數(shù)據(jù)，x_min表示樣本數(shù)據(jù)的最小值，x_max表示樣本數(shù)據(jù)的最大值；

在所述步驟S23中，所述時(shí)間序列處理根據(jù)相鄰的p個(gè)時(shí)間段，相鄰的o個(gè)路段以及相鄰q個(gè)時(shí)間周期以下式1、2進(jìn)行折疊，以獲得輸入所述預(yù)測(cè)模型的輸入矩陣[p,o+1,q]：

X＝[X¹,X²,…,X^q]??式2。

2.如權(quán)利要求1所述的基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)方法，其特征在于，所述歷史信息包括基于道路車輛的交通速度。

3.根據(jù)權(quán)利要求1所述的基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)方法，其特征在于，在所述步驟S3中，所述預(yù)測(cè)模型中的第一層卷積網(wǎng)絡(luò)用于對(duì)步驟S23所獲得的輸入矩陣進(jìn)行空間特征提取，對(duì)輸入矩陣中的輸入數(shù)據(jù)進(jìn)行降維；第二層雙向長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行時(shí)間以及周期特征提取，最終輸出閾值。

4.根據(jù)權(quán)利要求1所述的基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)方法，其特征在于，在所述步驟S3中，所述預(yù)測(cè)模型的隱含層為五層，各個(gè)隱含層神經(jīng)元個(gè)數(shù)為50個(gè)，正則項(xiàng)lambda_L1設(shè)置為0.5，lambda_L2設(shè)置為0.2。

5.根據(jù)權(quán)利要求1所述的基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)方法，其特征在于，在所述步驟S5中，所述交通擁堵級(jí)別包括暢通、基本暢通、輕度擁堵、中度擁堵以及重度擁堵。

6.一種基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的交通擁堵預(yù)測(cè)系統(tǒng)，其特征在于，所述交通擁堵預(yù)測(cè)系統(tǒng)采用如權(quán)利要求1-5中任意一項(xiàng)所述的交通擁堵預(yù)測(cè)方法對(duì)交通擁堵進(jìn)行預(yù)測(cè)。