[發(fā)明專利]基于時序分解單元的深度交通流預(yù)測方法、介質(zhì)及其設(shè)備

有效

• 申請?zhí)枺?/td>: 202111502174.4
• 申請日: 2021-12-10
• 公開（公告）號: CN114239948B
• 公開（公告）日: 2023-07-21
• 發(fā)明（設(shè)計）人: 蘇杰;金忠富;李炎;湯厚駿;杜逸;羅曦
• 申請（專利權(quán)）人: 浙江省交通投資集團(tuán)有限公司智慧交通研究分公司
• 主分類號: G06F17/00
• 分類號: G06F17/00;G06Q10/04;G06N3/04
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 傅朝棟;張法高

本發(fā)明公開了一種基于時序分解單元的深度交通流預(yù)測方法、介質(zhì)及其設(shè)備。該方法首先獲取所預(yù)測路段的交通流數(shù)據(jù)，由交通流數(shù)據(jù)時序上的自相關(guān)性獲取時序間的自相關(guān)系數(shù)并生成新的時序信息，新的時序信息通過序列分解模塊獲取時序的周期項和趨勢項，然后通過時序分解單元堆疊的方法逐步多次獲取時序完整的周期項、趨勢項，最后加權(quán)周期項和趨勢項預(yù)測交通流。本發(fā)明方法得到的預(yù)測數(shù)據(jù)值與實際測量的真實數(shù)據(jù)值更吻合，能反應(yīng)未來的實際交通流水平，因此本發(fā)明在交通流預(yù)測方面具有較高的預(yù)測精度。

技術(shù)領(lǐng)域

本發(fā)明涉及預(yù)測模型技術(shù)領(lǐng)域，具體涉及一種深度交通流預(yù)測方法。

背景技術(shù)

隨著城市化進(jìn)程的加快和汽車工業(yè)的發(fā)展，道路通行能力與交通需求之間的矛盾日益尖銳，交通擁堵現(xiàn)象日益突出，為人們出行帶來很大不便，因此緩解交通擁堵，提高出行效率成為當(dāng)務(wù)之急。作為為交通管控措施提供參考依據(jù)的交通流數(shù)據(jù)預(yù)測成為當(dāng)前研究的熱點，更準(zhǔn)確的交通流預(yù)測不僅可以助力相關(guān)部門采取更精準(zhǔn)的交通管控措施，也可以為人們出行的路線規(guī)劃提供更可靠的參考依據(jù)。

現(xiàn)有的交通流預(yù)測模型主要包括兩大類，一類是利用交通時間序列方法對交通數(shù)據(jù)進(jìn)行建模，如自回歸移動平均模型(Autoregressive?Integrated?Moving?Average，簡稱ARIMA)，該模型利用差分將時間序列轉(zhuǎn)換為平穩(wěn)的時間序列，然后根據(jù)時間序列間的相關(guān)性和模型對誤差的魯棒性，對歷史數(shù)據(jù)和誤差進(jìn)行加權(quán)實現(xiàn)預(yù)測。第二類是基于深度學(xué)習(xí)的預(yù)測方法，如長短期記憶網(wǎng)絡(luò)(Long?Short-Term?Memory，簡稱LSTM)、深度殘差網(wǎng)絡(luò)(Deep?Belief?Nets，簡稱DBN)?等。第一類方法有特定的數(shù)學(xué)模型，可解釋性強，但對數(shù)據(jù)適應(yīng)性差，基于深度學(xué)習(xí)的預(yù)測方法，應(yīng)用范圍更廣，適用性更強，但可解釋性較差。

發(fā)明內(nèi)容

本發(fā)明的目的在于解決現(xiàn)有技術(shù)中存在的問題，并提供一種基于時序分解單元的深度交通流預(yù)測方法。

本發(fā)明為了獲取單個時序分解單元完整的周期項、趨勢項，設(shè)計并實現(xiàn)了合適的模塊，最后采用加權(quán)的方式對交通流進(jìn)行預(yù)測，最終本發(fā)明提出了一種基于時序分解單元的深度交通流預(yù)測方法，該方法的構(gòu)思是：先通過自相關(guān)模塊獲取時序的自相關(guān)系數(shù)并生成新的時序信息，通過時序分解模塊獲取時序的周期項和趨勢項，然后建立合適的深度模型逐步多次獲取時序中完整的周期項和趨勢項，最終加權(quán)當(dāng)前時序信息的周期項和時序項完成交通流量的預(yù)測。

為了實現(xiàn)上述發(fā)明目的，本發(fā)明具體采用的技術(shù)方案如下：

第一方面，本發(fā)明提供了一種基于時序分解單元的深度交通流預(yù)測方法，其包括以下步驟：

S1、獲取待預(yù)測路段的歷史交通流數(shù)據(jù)，并按照時序排列后獲得交通流數(shù)據(jù)序列X；

S2、將交通流數(shù)據(jù)序列X作為深度模型的輸入，所述深度模型中包含N層逐層堆疊的時序分解單元；每一層時序分解單元結(jié)構(gòu)相同，均由自相關(guān)模塊和序列分解模塊級聯(lián)而成；其中，交通流數(shù)據(jù)序列X作為第1層時序分解單元的單元輸入序列，由自相關(guān)模塊輸出所述單元輸入序列的相關(guān)系數(shù)R，所述相關(guān)系數(shù)R為在一個時序信號周期內(nèi)不斷改變時延間隔并計算自相關(guān)函數(shù)值后得到的最大的前K個自相關(guān)函數(shù)值之和，再基于相關(guān)系數(shù)R由前饋網(wǎng)絡(luò)生成新的時序數(shù)據(jù)X′，然后新的時序數(shù)據(jù)X′輸入序列分解模塊中通過平均池化輸出時序數(shù)據(jù)中的周期項SP₁，再以新的時序數(shù)據(jù)X′和周期項SP₁的差值作為趨勢項TP₁進(jìn)行輸出；對于其余n≥2的任意第n層時序分解單元，以第n-1層時序分解單元輸出的周期項?SP_n-1作為自身的單元輸入序列，由自相關(guān)模塊和序列分解模塊輸出時序數(shù)據(jù)中的周期項SP_n和趨勢項TP_n；所述深度模型的輸出層計算第N層時序分解單元輸出的周期項SP_N以及所有N層時序分解單元輸出的趨勢項TP_n的加權(quán)和，從而得到未來交通流的預(yù)測結(jié)果。