[发明专利]基于平稳化长短期记忆网络模型预测交叉口交通流量方法

说明书

本发明公开了一种基于平稳化长短期记忆网络模型预测交叉口交通流量方法，包括：基于深度学习网络采用Tensorflow框架逐层构建形成平稳化长短期记忆网络；输入时间序列数据至平稳化长短期记忆网络，并对时间序列数据做预处理；将预处理后的时间序列数据输入平稳化长短期记忆网络，计算输入时间序列数据的权重和偏向，并保存权重和偏向；基于权重和偏向计算获得平稳化长短期记忆网络的训练结果，并设定一判断阈值，基于判断阈值判断训练结果是否满足条件；若判断结果满足条件则构建基于平稳化长短期记忆网络的交叉口交通流量预测模型，输入测试样本至交叉口交通流量预测模型，输出预测结果；本发明对交叉口交通流的预测误差小，有效提升了预测准确率。

技术领域

本发明属于交通技术领域，主要应用于交叉口交通流量的预测方法，具体涉及一种基于平稳化长短期记忆网络模型预测交叉口交通流量方法。

背景技术

道路交叉口是城市道路中最为常见的交通组织形式，对交通管理与控制有着极为重要的意义。道路交叉口交通状况复杂多变，但也呈现出明显的时间、空间特性。如何结合交通流的时空特性，借助现有的车辆检测器对交叉口交通状况进行分析，从而保障交叉口的交通安全、充分发挥交叉口的通行能力，是每一个交通人最为关心的问题。主要工作体现在借助交叉口历史交通流量数据对未来时段的交通流量进行预测。

现有技术中，对于提高短时交通流量预测精度的主要方法是优化调整模型和改进模型，如：沈夏炯等采用基于梯度提升回归树模型不断调整弱学习器的权重从而纠正模型的残差，很好的提高了预测模型的准确性；罗向龙等结合深度信念网路模型与支持矢量回归分类器作为预测模型,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持矢量回归模型进行流量预测等等。但是在实际情况中，具体的车辆运行情况也会对交通流量的预测精度产生很大的影响，因此仅从对模型调整和改进来实现交通流量的预测，无法实现对交通流量预测精度的实质提升。

发明内容

针对上述现有技术仅从模型的改善来预测交通流量无法从实质情况提升预测精度的问题，本发明于提出一种基于平稳化长短期记忆网络模型预测交叉口交通流量方法；该方法的具体技术方案如下：

一种基于平稳化长短期记忆网络模型预测交叉口交通流量方法，所述方法包括：

S1、基于深度学习网络采用Tensorflow框架逐层构建形成平稳化长短期记忆网络；

S2、输入时间序列数据至所述平稳化长短期记忆网络，并对所述时间序列数据做预处理；

S3、将预处理后的所述时间序列数据输入所述平稳化长短期记忆网络，计算所述输入时间序列数据的权重和偏向，并保存所述权重和偏向；

S4、基于所述权重和偏向计算获得所述平稳化长短期记忆网络的训练结果，并设定一判断阈值，基于所述判断阈值判断所述训练结果是否满足条件；

S5、若所述判断结果满足条件则构建基于平稳化长短期记忆网络的交叉口交通流量预测模型，输入测试样本至所述交叉口交通流量预测模型，输出预测结果。

进一步的，所述时间序列数据为指定交叉口指定时间间隔的连续交通流量构成的训练样本集。

进一步的，所述测试样本集为指定交叉口指定时间间隔在设定日期的交通流量。

本发明的基于平稳化长短期记忆网络模型预测交叉口交通流量方法，该方法在深度学习网络的框架下，基于深度学习网络构建平稳化长短期记忆网络，根据平稳化长短期记忆网络构建交叉口交通流量预测模型，通过交叉口交通流量预测模型实现对交通流量的预测；与现有技术相比，本发明的方法能够减小车流量预测的误差，提升预测精度。

附图说明

图1为本发明实施例中所述基于平稳化长短期记忆网络模型预测交叉口交通流量方法的流程图示意；