[發明專利]一種基于滑動窗口長短時記憶網絡的交通流量預測方法

在審

• 申請號: 202110326489.1
• 申請日: 2021-03-26
• 公開（公告）號: CN113112791A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 張浪文;張旭;謝巍;門子涵;藍奕東;蔡一婷
• 申請（專利權）人: 華南理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 楊望仙

本發明屬于交通流量預測技術領域，涉及一種基于滑動窗口長短時記憶網絡的交通流量預測方法，包括：對采集的交通流量數據進行預處理，構建城市路網的拓撲結構圖和構建交通流量預測模型的輸入；構建基于滑動窗口長短時記憶網絡的交通流量預測模型，用于同時獲取交通流量的時空相關性；對交通流量預測模型進行訓練，并基于交通數據集評估交通流量預測模型，得到訓練后的交通流量預測模型；基于訓練后的交通流量預測模型進行交通流量預測。本發明提供了一種新的基于滑動窗口長短時記憶網絡的交通流量預測模型，該交通流量預測模型能更好地獲取交通流量的空間和時間相關性，從而獲得更精準的交通流量預測結果。

技術領域

本發明屬于交通流量預測技術領域，涉及一種基于滑動窗口長短時記憶網絡的交通流量預測方法。

背景技術

隨著我國的高速發展，城市化進程逐步加快，我國的機動車數量和交通流量增長速度非常迅猛。由于城市現有道路擴展困難(時間、經濟成本高昂)，道路擁堵緩行已經成為城市的共性難題，擁堵緩行還導致了能源的加速消耗和尾氣污染的加劇。基于智能交通系統的動態交通管理能夠在一定程度上緩解交通擁堵狀況、提升道路通行效率。而智能交通系統的各種調度策略需要實時準確的交通流量數據支撐，因而如何獲取實時準確的交通流量數據成為了一個關鍵問題。

隨著交通數據采集技術的不斷發展，獲取路網中的實時交通數據已成為可能，大量的實時交通信息能夠對路網交通狀況的分析提供保障。然而僅僅使用當前測得的實時數據對下一時段的交通狀況進行預測往往不能取得良好的效果。因而如何使用歷史數據和當前時刻的數據對下一時刻的交通流量進行預測成為了交通領域中的一個重要研究課題。

然而，由于交通流量預測具有復雜的空間和時間依賴性，是一項具有挑戰性的任務。表現在：一、空間相關性：交通流量的變化由城市道路網的拓撲結構決定。上游道路的交通狀況通過轉移效應影響下游道路的交通狀況，下游道路的交通狀況通過反饋效應影響上游道路的交通狀況。二、時間相關性：交通流量隨時間動態變化，主要體現在周期性和趨勢性。

現有的交通流量預測方法中一些考慮了時間相關性，包括：自回歸移動平均(ARIMA)模型、卡爾曼濾波模型、支持向量回歸機模型、k近鄰模型、貝葉斯模型等。上述方法考慮了交通狀況的動態變化卻忽略了空間相關性，因此交通狀況的變化不受路網的限制，無法準確預測交通數據的狀態。為了更好地表征空間特征，一些研究引入卷積神經網絡用于空間建模，然而，卷積神經網絡通常用于歐幾里德數據，例如圖像、規則網格等。卷積神經網絡模型不能在具有復雜拓撲結構的城市道路網絡環境下工作，因此本質上它們不能描述空間相關性。

發明內容

針對現有技術的不足，本發明提供一種基于滑動窗口長短時記憶網絡的交通流量預測方法。

本發明采用如下技術方案實現：

一種基于滑動窗口長短時記憶網絡的交通流量預測方法，其特征在于，包括步驟：

對采集的交通流量數據進行預處理，構建城市路網的拓撲結構圖和構建交通流量預測模型的輸入；構建基于滑動窗口長短時記憶網絡的交通流量預測模型，用于同時獲取交通流量的時空相關性；

對交通流量預測模型進行訓練，并基于真實的交通數據集評估交通流量預測模型，得到訓練后的交通流量預測模型；

基于訓練后的交通流量預測模型進行交通流量預測。

優選地，對采集的交通流量數據進行預處理包括：

首先，使用閾值分析法找到交通流量的異常數據。然后，使用線性插值方法來填充交通流量數據的缺失值。最后，使用最小-最大歸一化方法將交通流量值縮放到范圍[0，1]。

優選地，構建城市路網的拓撲結構圖包括：