[发明专利]一种基于深度残差网络的短时交通流量预测方法

权利要求书

1.一种基于深度残差网络的短时交通流量预测方法，其特征在于：包括如下步骤：

(1)获取某一固定路段的交通流量数据，该数据包含三个维度：速度、流量、占有率；速度为通过车辆的平均速度，流量为车辆通过的数量，占有率是为道路中一个点被车辆占有时间的百分比；

(2)在深度残差网络模型的生成器中，运用正则化的方式得到时空关联性；

利用最小角度回归LARS拟合正则化损失函数LASSO，得到稀疏线性模型，来确定时空关系；

Lasso回归使用L1正则化，Lasso回归的损失函数表达式如下:

其中n为样本个数，α为常数系数，θ为系数，X是自变量，Y为因变量，||θ||₁为L1范数；

要找到数据的时空关联性需要使J(θ)趋近于0：寻找到与因变量Y接近或者相关度最高的自变量X_k，得到残差Y_yes，直接走到出现一个特征值X_t的地方，使得特征值X_t和残差Y_yes的相关度和自变量X_k与残差Y_yes的相关度是一样的，此时残差Y_yes就在特征值X_t和自变量X_k的角平分线上，沿着残差的角平分线走下去，直到出现下一个特征值X_p，满足特征值X_p与残差Y_yes相关度趋近于1，将特征值X_p加入到因变量Y的逼近特征集合，并用因变量Y的逼近特征集合公用的角平分线，作为新的逼近方向，以此循环，直到所有的变量都已经取完了，算法停止；此时对应系数θ为最终结果，将关联性强的值取1，关联性弱的取0，进而得到一个时空关联性的系数稀疏矩阵；

(3)通过深度残差网络与时空关联性相结合，预测出短时交通流量结果；

(4)将步骤(3)的预测结果与当前实际交通流量数值比较，反馈给深度残差网络，进行参数优化，得到更为准确的结果，并将当前实际交通流量数值传入深度残差网络进行迭代。

2.一种基于深度残差网络的短时交通流量预测方法，其特征在于：所述步骤3中深度残差网络与时空关联性相结合具体为：

将步骤(2)得到的参数带入到深度残差网络中，深度残差网络之中自身有个权重，参数为1的得到的权重就高,参数为0的权重就低。