[發明專利]基于混合深度學習模型的城市區域路網過車流量預測方法及其系統

在審

• 申請號: 202110588265.8
• 申請日: 2021-05-28
• 公開（公告）號: CN113313303A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 張宏;胥鑫;郭飛;王煥棟
• 申請（專利權）人: 南京師范大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G08G1/01
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 向文

1.基于混合深度學習模型的城市區域路網過車流量預測方法，其特征在于，包括如下步驟：

S1：基于卡口過車數據，進行交通流量統計，計算獲取到實時過車流量與累積流量；

S2：基于步驟S1獲取的流量數據，對卡口過車流量數據進行時空分布特征分析，并且根據分析結果進行特征提取，獲取到時空影響因子；

S3：根據時空影響因子，構建和訓練ConvLSTM與BiLSTM混合深度學習模型；

S4：通過構建好的ConvLSTM與BiLSTM混合深度學習模型對城市區域路網交通流量進行同步預測，選取預測損失函數與評價指標，并對結果進行可視化表達；

S5：根據步驟S4的預測結果，通過線性時間序列預測模型Prophet計算交通流量變化度，進行交通狀態識別，實現交通狀態預判。

2.根據權利要求1所述的基于混合深度學習模型的城市區域路網過車流量預測方法，其特征在于，所述步驟S1具體為：統計不同時間尺度下，每個路口每個時間段的卡口過車數據，計算實時過車流量與累積流量。

3.根據權利要求1所述的基于混合深度學習模型的城市區域路網過車流量預測方法，其特征在于，所述步驟S1具體包括如下步驟：

A1：指定時間尺度的各路口卡口過車流量統計

A2：以每日設定的時間為統計起始時間，統計各路口每日累積交通流量。

4.根據權利要求1所述的基于混合深度學習模型的城市區域路網過車流量預測方法，其特征在于，所述步驟S2中時空分布特征分析包括時間分布周期特征分析、時間分布趨勢特征分析、時間分布連續特征分析和空間分布關聯特征分析。

5.根據權利要求4所述的基于混合深度學習模型的城市區域路網過車流量預測方法，其特征在于，所述步驟S2的時空分布特征分析中通過功率譜法來分析卡口過車數據的時間分布周期特征；通過DBEST模型分析卡口過車數據的時間分布趨勢特征；通過計算車頭時距的方法分析卡口過車數據的時間分布連續特征；通過相關性矩陣方法來分析卡口過車數據的空間分布關聯特征。

6.根據權利要求1所述的基于混合深度學習模型的城市區域路網過車流量預測方法，其特征在于，所述步驟S3中ConvLSTM與BiLSTM混合深度學習模型的構建和訓練方法為：

B1：組織模型數據，將預測點的交通流量數據和預測點臨近區域內交通流量數據點映射到一維數據向量中，并將多個時刻的一維向量形成一個二維矩陣以表示短時間內的預測卡口與其上游卡口的交通流量數據；

B2：使用ConvLSTM結構提取交通流量實時數據的時空特征，使用BiLSTM提取交通流量的周期性特征，隨后通過特征融合層將兩部分提取的特征數據拼接，最后通過全連接網絡進行特征回歸完成模型構建；

B3：將路網中實時卡口過車流量數據、卡口空間關聯矩陣、卡口歷史周期過車流量數據輸入模型進行訓練，計算得到訓練結果模型。

7.根據權利要求1所述的基于混合深度學習模型的城市區域路網過車流量預測方法，其特征在于，所述步驟S4中預測損失函數具體為：

其中，F_p為過車流量的深度神經網絡預測值，F_t為過車流量實際值，W_i是模型的參數；

評價指標包括絕對平均誤差、均方根誤差和平均絕對誤差百分比。