[发明专利]一种基于LSTM-CNN的城市路网交通状态预测方法

说明书

本发明面向城市路网交通状态的预测，将以路段车速为预测对象进行阐述。首先以路段速度填充路网邻接矩阵，表征某时段的路网交通状态，通过卷积神经网络学习交通状态的空间特征，然后利用长短期记忆神经网络接收不同时段的空间特征，引入时间维度的特征学习，最后结合两种特征信息预测路网各路段的平均行程车速。本发明提出基于路网邻接矩阵的LSTM‑CNN，相比于传统统计学方法，更能把握路网交通状态的时空非线性关系，相比于目前的深度学习方法，构造了基于路网邻接矩阵的交通状态输入，在保留路网交通状态空间特征的同时，减少冗余信息的输入，降低了，通过，有效学习路网交通状态特征，具有较好的预测效果。

技术领域

本发明涉及智能交通领域，更具体的，涉及一种基于LSTM-CNN的城市路网交通状态预测方法。

背景技术

近年来，城市交通拥堵频繁发生，在经济发达城市已具有普遍性，为改善道路运行条件，提高居民生活水平，发展城市智能交通系统(Intelligent Transportation System,简称ITS)成为城市发展的迫切需求。随着信息、传感、通信、以及计算机等技术的水平不断提高，作为这些技术综合运用的产物，ITS正处于高速发展阶段，在调配城市道路资源、提高路网交通效率中扮演越来越重要的角色。对城市路网交通状态的准确预测，是ITS高效运行的关键一环，而路网各路段的平均行程车速是反映其交通状态的重要指标，可靠的路网行程车速预测不仅可以在交通管理，如匝道控制、拥堵收费等方面提供决策支持，同时也促使交通出行者选择合理的出行行为和出行路径，对分配交通资源、缓解道路拥堵具有重要意义。

城市路网中，不同路段之间存在一定的，而同一路段在连续时间内的速度变化也往往具有一定的规律，如何有效挖掘城市路网交通状态的时空特征，并利用这些特征进行城市路网交通状态的预测，是本发明研究的重点和目的所在。

现在的国内外研究和技术现状主要如下[1-6]：

第一，基于传统统计学方法的交通状态预测。国内外学者利用统计学方法进行交通状态预测主要集中在时序模型的应用与卡尔曼滤波算法的应用，时序模型包括ARIMA、SARIMA等仅仅利用数据的时间特征，缺乏考虑交通状态的空间相关性，且不同路段的状态预测一般不能采用同一模型，可推广性较差，不适宜进行城市路网的交通状态预测；卡尔曼滤波算法可以进行一步预测，但是参数选择工作繁重，且对预测效果影响较大，导致方法往往不够健壮。此外，传统统计学方法一般不能利用交通状态演变的非线性关系，导致在预测突发拥堵等交通状态剧变的场景时表现较差。

第二，基于机器学习方法的交通状态预测。机器学习方法包括K近邻、支持向量机以及深度学习等方法。相比于传统统计方法，机器学习方法具有更强的拟合能力，在进行交通状态预测时往往具有更好的效果，但相比于深度学习方法，K近邻与支撑向量机等机器学习模型的缺乏足够强大的特征提取能力，而对于深度学习方法，目前一般只考虑时间维度的特征，缺乏考虑空间特征或考虑过于繁琐。

发明内容

为了解决现有技术中不能利用交通状态演变的非线性关系以及只考虑时间维度的特征的不足，本发明提供了一种基于LSTM-CNN的城市路网交通状态预测方法。

为实现以上发明目的，采用的技术方案是：

一种基于LSTM-CNN的城市路网交通状态预测方法，具体步骤如下：

步骤S1：对路网的历史车速进行估计计算；

步骤S2：基于获得的历史车速信息构建邻接矩阵；

步骤S3：构建LSTM-CNN神经网络；

步骤S4：将邻接矩阵作为输入对LSTM-CNN神经网络进行训练，并利用梯度下降法更新优化LSTM-CNN神经网络的参数；

步骤S5：步骤S5迭代进行直至LSTM-CNN神经网络收敛；