[发明专利]一种交通速度预测方法

说明书

本发明公开了一种交通速度预测方法，属于智能交通领域，该方法通过loop detector来提取交通流数据，使用了整个检测路段获取到的流量、速度、占有率三种属性构建的三维数据矩阵作为输入，通过卷积神经网络对时空特征进行提取和加权操作，最后通过对时空数据进行融合，对将来时间段内的交通速度做出预测。本发明通过对整个路段的交通数据进行整合，可以一次性对多个检测点的速度进行预测，相对单点循环预测提高了效率。此外通过多属性时空特征的融合以及加权操作，有效的加强了交通特征的有效性，提高了预测任务的准确率。

技术领域

本发明涉及智能交通领域，特别是涉及一种基于加权卷积神经网络模型的交通速度预测方法。

背景技术

随着经济的发展，城市居民机动车保有数量不断的增加，道路交通网的负荷也在不断的上升。为了解决高负荷带来的交通问题，智能交通系统被提了出来，其中最为核心、最具有挑战性的部分就是对道路交通流数据预测，这也是实现其他高级功能的基础。短时交通流预测的目标是通过预测传感器所在位置未来的交通状态的指标变量如速度、占有率等评价指标进行的预测，通常时间范围为5至30分钟。交通流有着很复杂的时空依赖关系，除了预测数据本身包含复杂的时间序列特性，其还受到其他不同因素的影响，比如地理位置、交通时段变化、突发事故等。这些因素导致了数据的不稳定变化，使得相关任务极具挑战性。

常用的预测方法多是对单点进行预测，这限制了预测任务中将周边的不同因素的影响纳入模型中。有的模型考虑了时空特征，也只是使用了单一属性，而且无法有效的对时空属性进行利用。

在交通预测任务中，数据的时间顺序与空间分布是非常重要的。不同的时序位置的变量与不同的空间位置的变量对未来的预测任务有着不同程度的影响。然而多数模型都默认为所有的变量有着相同的权重，降低了重要特征的有效性。

发明内容

为解决交通速度预测任务中难以有效提取交通流时空特征的问题，以及如何衡量时空特征有效性的问题，本发明提供一种基于加权卷积神经网络模型的交通速度预测方法。

本发明的技术方案如下：

一种交通速度预测方法，包括以下步骤：

步骤1)：按照固定时间间隔对所选路段的交通流数据进行收集，对收集到的数据进行数据清洗、局部加权散点图平滑以及标准化，得到预处理数据，通过预处理数据构建出基于时空特征的交通流矩阵：其中m_q为基于时空特征的交通流矩阵，其维度大小为(p,n,3)，p为检测点的数量，n为时滞长度；其中在时间{t-n，...，t-2，t-1}的所有历史数据为dr_i＝{r_t-n，...，r_t-2，r_t-1}，每个时刻t记录的检测数据为变量f，s，o分别为流量、速度和占有率，i＝1，2，3…p；

步骤2)：将交通流矩阵输入常规的卷积单元，获取到交通流数据的空间特征图集合，常规卷积单元由卷积层、批标准化以及激活函数组成；

步骤3)：将交通流矩阵输入门限卷积单元，获取到交通流数据的时间特征图集合，门限卷积单元由门限卷积层、激活卷积层、批标准化及激活函数组成；

步骤4)：将交通流数据的空间特征图集合与时间特征图集合分别通过特征图加权模块与特征通道加权模块，对加权后的特征数据进行叠加，得到融合的时空特征集合；

所述特征图加权模块、特征通道加权模块的权值分别通过公式和计算得出，m指的是特征图的位置，m＝1，2，3…k；

步骤5)：通过全连接神经网络进行多检测点的交通速度预测。

作为本发明的优选，所述步骤(2)与步骤(3)为并行处理。

作为本发明的优选，所述步骤5)的多检测点交通速度预测的结果为一次性输出。

本发明的有益效果如下：