[发明专利]一种基于交通状态时序性的道路交通状态预测系统

说明书

本发明公开了一种基于交通状态时序性的道路交通状态预测系统。该系统包括数据采集模块、数据处理模块、预测模块、网络通信模块。首先收集某一路段交通信息检测设备历史若干天的车流量、车速信息；通过判断数据异常点、离群点，以及重新调整数据采样频率等数据处理方式，清洗原始数据；然后将处理后的数据输入预测模块中进行模型的迭代训练；最后通过交通状态信息预测得到未来若干时刻的预测数据，预测的交通状态数据可通过网络通讯模块传输到交通管理部门。本发明综合考虑交通状态的前后时序性特征，准确把握时序之间的内在关联，达到预测交通状态的目的，最终将数据传输到相关交通管理部门，并为其提供了一种新的管理依据。

技术领域

本发明属于智能交通技术领域，具体涉及一种考虑交通状态时序性的城市道路交通状态 预测系统，为交通部门提供了良好的管理依据。

背景技术

当前广泛使用的道路控制主要包括定时控制、感应控制和自适应控制，往往是已经产生 一定时间拥堵时，才开始控制优化，也就是说这些控制方法无法对未来路段状态进行预测， 那么当得到了未来若干时刻路段的状态信息后，可及时安排应急措施和提前执行控制方法。 交通状态预测是交通管理部门采取交通诱导措施主要依据，是智能交通系统研究的核心问题。 所以将交通状态预测装置应用到路段，对于缓解城市交通拥堵有着非常重要意义。

发明内容

针对当前道路交通控制存在的不足，本发明通过对大量交通状态历史数据的挖掘，结合 预测模块，可实现对道路交通状态的预测，同时通过网络通讯模块，将预测的数据发送给交 通管理部门。具体采用的技术方案如下：

系统包括数据采集模块，通过与路口信号机交互，读取信号机通信协议，得到路段交通 状态历史数据信息；数据处理模块，首先将采集后的数据分为工作日和非工作日两类，再对 数据进行平稳性分析，如果数据时序不平稳，则通过缺失值处理，以及异常点和离群点判别 来清洗数据；如果数据时序平稳，则对数据可视化描述并进行归一化处理；预测模块，将数 据处理模块输出的数据分为工作日和非工作日数据，工作日和非工作日数据的90％作为训 练数据，分别存入矩阵TrainDi[]和TrainUDi[]中，将工作日和非工作日数据剩下的10％作为 测试数据，分别存入矩阵TestDi[]和TestUDi[]中，并将以上四个矩阵分成若干MINI-Batch 矩阵；将训练数据输入到LSTM-EF预测模型中进行训练，确定模型各节点权重参数W矩 阵，然后用测试数据进行模型测试，最终得到预测结果；网络通信模块，用于系统各模块之 间的信号传输与通信交互。

优选地，所述LSTM-EF预测模型的预测方法为：

(1)建立遗忘门输出矩阵FG_t，通过Sigmoid函数控制上一时刻的神经元状态S_t-1保留 到这一个时刻的神经元状态S_t中的数量：

FG_t＝Sigmoid(W_f*[y_t-1,x_t]+B_f)

其中，W_f是遗忘门权重矩阵，B_f是遗忘门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前 时刻的输入；Sigmoid函数取值范围为[0,1]，当Sigmoid(x)无限接近于0时，遗忘所有信息； 当Sigmoid(x)无限接近于1时，不遗忘信息；当0<Sigmoid(x)<1，遗忘部分信息；

(2)建立输入门矩阵IG_t，上一时刻的状态矩阵通过与遗忘门输出矩阵FG_t相乘，确定 需要忘记的上一时刻的信息，同时加上此时需要记忆的信息得到当前神经元的状态 S_t：