[发明专利]基于深度特征提取网络的交通流量预测时序方法

权利要求书

1.基于深度特征提取网络的交通流量预测时序方法，其特征在于，包括以下步骤：

1)获取随着时间传递的交通流量相关度动态语义图；所述交通流量相关度动态语义图是指定义同一时间周期内，如果一个路段的交通流量在一定程度上影响另一个路段的交通流量，则这两个路段之间具有相关度，把有相关度的路段彼此连接起来，每过一个时间周期动态更新实际观察到的交通流量，即可获得实时的交通流量动态语义图；

2)在步骤1)获得交通流量相关度动态语义图的基础上，应用深度特征提取网络的交通流量时序模型预测下一时间周期的交通流量，具体步骤如下：

2-1)假设某一系列时刻t的交通流量X^t为：

其中，为第i个路段在系列时刻t的交通流量，N表示路段数，n表示时刻数，第k个路段的交通流量受到与它相连的上一个路段的交通流量的影响，假设与它相连的上一个路段有m段，每一段与其相连的交通流量都贡献交通流量给第k个路段，则有：

其中，为第k个路段在系列时刻t预测的交通流量，是与第k个路段相连的所有上一个路段贡献给的交通流量之和，是第j个路段的辅助参数，上标t-1为系列时刻t的前一个系列时刻，是第j个路段在系列时刻t-1的交通流量，ε_t是系列时刻的噪音，ε_t的分布是正态分布，即为方差；

2-2)估计辅助参数和的参数值；

2-3)优化辅助参数并预测交通流量。

2.根据权利要求1所述的基于深度特征提取网络的交通流量预测时序方法，其特征在于，所述时序模型是指对某一个或一组变量进行观察测量，并在一系列时刻t₁,t₂,...,t_n按照时间次序排列，用于解释变量和一系列时刻之间的相互关系的数学表达式。

3.根据权利要求1所述的基于深度特征提取网络的交通流量预测时序方法，其特征在于，所述深度特征提取网络是指从一个输入中产生一个输出所涉及的计算可通过一个流向图来表示，流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算以及一个计算的值，计算的结果被应用到这个节点的子节点的值。

4.根据权利要求1所述的基于深度特征提取网络的交通流量预测时序方法，其特征在于，所述步骤2-2)中，估计辅助参数和的参数值的方法如下：

假设表示第1路段在系列时刻t-1的交通流量，表示第2路段在系列时刻t-1的交通流量，表示第3路段在系列时刻t的交通流量，表示第4路段在系列时刻t的交通流量，第1路段和第2路段与第3路段有相关度，第1路段和第2路段与第4路段有相关度；

设第1路段和第2路段流向第3路段的辅助参数为和第1路段和第2路段流向第4路段的辅助参数为和则根据公式(2)有：

又由于第1路段和第2路段的交通流和都分配给了第3路段和第4路段，则有：

将式(3)两边乘以得：

将式(4)两边乘以得：

则有式(7)＝(8)，将和看成变量，则有：

联立式(5)和(9)得：

联立式(6)和(10)得：

按照这样的方法即可求出参数

是模型残差序列{ε_t}的方差，故有：

估计出即可按上式估计出

5.根据权利要求1所述的基于深度特征提取网络的交通流量预测时序方法，其特征在于，所述优化辅助参数的过程为：将一个系列时刻的与第k路段相连的路段的上一系列时刻t-1的交通流量代入到模型中，计算得到即为第k路段的预测值，选取多天同一系列时刻的数据进行多次预测，每一次预测值与对应的历史观测数据作运算，取的值最小时对应的作为优化后的辅助参数。

6.根据权利要求5所述的基于深度特征提取网络的交通流量预测时序方法，其特征在于，为了不使预测值和历史观测数据完全相等，在公式(2)的基础上，再引进一个常数C来矫正以防过拟合，则有：