[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

说明书

本发明涉及一种基于深度残差网络的短时交通流量预测方法，属于智能交通系统领域。本发明采用一种基于深度残差网络的短时间交通流量预测方法，充分考虑了交通流量的时空特征。考虑到较强的时间相关性，模型进行了时空关联性分析。在模型的生成器中，使用了深度残差网络，利用残差思想在精确提取非线性交通流量数据的时空特征的同时解决了深度神经网络的梯度消失问题。并且，该模型可以根据数据量的大小将网络从18层拓展到152层。通过利用深度残差网络与时空关联性结合提高了对短时交通流预测的能力，使得模型的预测的效果更加精确，也使模型具有更好的鲁棒性和适用性。

技术领域

本发明涉及一种基于深度残差网络的短时交通流量预测方法，属于智能交通系统领域。

背景技术

近年来，社会经济持续快速发展、城市化进程加快、汽车日益普及，导致交通拥挤加剧，交通事故频发，交通环境恶化。交通问题在发展中国家和发达国家都成为亟待解决的问题之一。因此，智能交通系统作为一种能有效解决交通问题的手段便成为了人们研究的热点。研究ITS的目的是使人、汽车、道路和环境和谐相处，所以智能交通系统被认为是解决道路交通阻塞、减少环境污染和降低交通事故发生等交通问题的有效方法之一。道路交通的短时流量预测是智能交通系统研究的核心部分之一，其主要内容是利用适当的方法进行实时动态预测，为给出行者提供最佳行驶路线、均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据。因为短时交通流量的预测的时间跨度较小易受天气、特殊事件、交通事故等影响，具有非线性、非周期性等特点。如何对短时交通流量进行实时、动态和精准的预测，进而提高城市管理和运行效率是个重大挑战。

交通领域一直保持着稳定的发展与创新，新技术不断推陈出新，交通领域的问题的研究方法也应该与时俱进，不断尝试新的理论与新的技术来解决交通问题。城市问题中关键的一环就是交通问题，大量的监控视频，感应线圈，GPS定位技术会产生海量数据源，这给应用大数据技术来预测短时交通流量提供了数据基础。现有的短时交通流量预测大多都是基于历史数据给出的预测结果，如果遇到突发事件，如暴风雪、车祸等，预测结果会与实际结果有很大的偏差，本发明就是在此背景下运用深度残差网络技术对路口的短时交通流量进行预测。

发明内容

本发明要解决的技术问题是提供一种基于深度残差网络的短时交通流量预测模型方法，用于提高智能交通系统中短时交通流量预测的问题。

本发明采用的技术方案是：一种基于深度残差网络的短时交通流量预测方法，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；