[發(fā)明專利]基于混合深度學習模型的城市區(qū)域路網(wǎng)過車流量預測方法及其系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110588265.8
• 申請日: 2021-05-28
• 公開（公告）號: CN113313303A
• 公開（公告）日: 2021-08-27
• 發(fā)明（設(shè)計）人: 張宏;胥鑫;郭飛;王煥棟
• 申請（專利權(quán)）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

本發(fā)明公開了一種基于混合深度學習模型的城市區(qū)域路網(wǎng)過車流量預測方法及其系統(tǒng)，包括：基于卡口過車數(shù)據(jù)，進行交通流量統(tǒng)計；對卡口過車流量數(shù)據(jù)進行時空分布特征分析，并且根據(jù)分析結(jié)果進行特征提取，獲取到時空影響因子；根據(jù)時空影響因子，構(gòu)建和訓練ConvLSTM與BiLSTM混合深度學習模型；對城市區(qū)域路網(wǎng)交通流量進行同步預測，選取預測損失函數(shù)與評價指標，并對結(jié)果進行可視化表達；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(tài)識別，實現(xiàn)交通狀態(tài)預判。本發(fā)明能夠幫助交通管理部門對城市道路進行動態(tài)管理調(diào)度，從全局出發(fā)對城市路網(wǎng)進行優(yōu)化管理，制定管理策略與管理方案，為交通管理者和決策者提供有效的數(shù)據(jù)支撐。

技術(shù)領(lǐng)域

本發(fā)明屬于模型計算技術(shù)領(lǐng)域，具體涉及一種基于ConvLSTM與BiLSTM混合深度學習模型的城市區(qū)域路網(wǎng)過車流量預測方法及其系統(tǒng)。

背景技術(shù)

在中大城市，由于機動車數(shù)量的增長幅度遠遠高于交通設(shè)施的建設(shè)進度，城市交通基礎(chǔ)設(shè)施的建設(shè)無法滿足不斷增加的交通需求，導致城市交通供需不平衡，矛盾越來越尖銳，并引發(fā)經(jīng)濟損失、人員傷亡、生態(tài)環(huán)境惡化等社會問題，交通擁堵問題已經(jīng)成為阻礙城市發(fā)展的重要原因之一。基于路網(wǎng)上的實時交通信息準確判斷交通運行狀態(tài)，并據(jù)此采取科學合理的交通管控措施加以誘導，是應對城市交通擁堵問題的重要手段。因此需要實現(xiàn)實時準確的交通流量預測并識別路網(wǎng)交通運行狀態(tài)，提前預知道路交通運行狀態(tài)，為實時交通管控提供有效數(shù)據(jù)支撐，智能交通研究領(lǐng)域已成為熱點。

隨著交通電子設(shè)備的快速發(fā)展，道路交通調(diào)查手段越來越豐富，指標準確度提高，指標體系擴大，有著收集大樣本綜合信息能力的交通電子設(shè)備被廣泛應用，道路高清攝像卡口監(jiān)控系統(tǒng)就是其中之一。卡口過車數(shù)據(jù)能夠精確識別每一輛通過卡口的機動車信息，可精準計算交通流量，具有易于維護、適用性強的優(yōu)點，已成為城市智能交通的重要數(shù)據(jù)源，并在交通流量預測與交通狀態(tài)識別方面得到了廣泛的應用。已有基于卡口過車數(shù)據(jù)展開交通流量預測與交通狀態(tài)識別的主要方法存在數(shù)據(jù)特征分析不充分、僅適用單一路況場景的缺點。

所以，需要一個新的技術(shù)方案來解決這些問題。

發(fā)明內(nèi)容

發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的數(shù)據(jù)特征分析不充分、僅適用單一路況場景等問題，提供一種基于ConvLSTM與BiLSTM混合深度學習模型的城市區(qū)域路網(wǎng)過車流量預測方法及其系統(tǒng)，實現(xiàn)對交通擁堵的預判。

技術(shù)方案：為實現(xiàn)上述目的，本發(fā)明提供一種基于混合深度學習模型的城市區(qū)域路網(wǎng)過車流量預測方法，包括如下步驟：

S1：基于卡口過車數(shù)據(jù)，進行交通流量統(tǒng)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(shù)據(jù)，對卡口過車流量數(shù)據(jù)進行時空分布特征分析，并且根據(jù)分析結(jié)果進行特征提取，獲取到時空影響因子；

S3：根據(jù)時空影響因子，構(gòu)建和訓練ConvLSTM與BiLSTM混合深度學習模型；

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

S5：根據(jù)步驟S4的預測結(jié)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(tài)識別，實現(xiàn)交通狀態(tài)預判。

進一步地，所述步驟S1具體為：統(tǒng)計不同時間尺度下，每個路口每個時間段的卡口過車數(shù)據(jù)，計算實時過車流量與累積流量。

進一步地，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(tǒng)計

A2：以每日設(shè)定的時間為統(tǒng)計起始時間，統(tǒng)計各路口每日累積交通流量。