[发明专利]一种基于深度学习的短时交通流预测方法

权利要求书

1.一种基于深度学习的短时交通流预测方法，其特征在于，包括以下步骤：

步骤1.交通流数据预处理；对观测点所有时刻的交通流数据进行最大最小归一化处理，计算公式为：

其中，x_max和x_min分别表示观测点所有时刻交通流数据的最大值和最小值，x为观测点某个时刻的交通流，f为x最大最小归一化之后的交通流；

将归一化后的交通流数据转换为二维的交通流量输入矩阵，矩阵的两个维度分别为时间维度和空间维度；构建交通流量输入矩阵如下所示：

其中，横向表示所有观测点在一个时刻的交通流数据，s表示观测点的个数，纵向表示一个观测点对应的所有时刻数据，t表示时刻的个数，矩阵中的元素x_ts表示第s个观测点在第t个时刻的交通流量；

步骤2.构建卷积神经网络提取空间特征；为了充分保留特征，不使用池化层对特征矩阵进行压缩，只使用卷积层提取特征；使用一维卷积处理交通流量输入矩阵中的每一行元素，通过滑动一维卷积的卷积核获取相邻观测点的空间特征；使用以下公式表示卷积操作：

c_i＝f(W_cx_i+b_c) (3)

其中，c_i表示第i个卷积核在滑动过程中提取的局部特征，W_c表示卷积核处理输入的权重，b_c为偏置项，x_i表示第i个卷积核对应的输入，f表示Leaky Relu激活函数；

步骤3.构建引入注意力机制的门控循环单元提取时间特征；将步骤2提取的空间特征输入到引入注意力机制的门控循环单元中进行处理，从而提取时间特征；引入注意力机制的门控循环单元的构建过程如下：

步骤3.1构建门控循环单元；门控循环单元的计算过程如公式(4)～(7)所示；其中，z_t和r_t分别表示更新门和重置门，h_t表示门控循环单元在t时刻的隐藏状态，表示h_t的候选状态，x_t表示t时刻输入的特征向量，h_t-1表示t-1时刻的隐藏状态，σ表示Sigmoid激活函数，tanh表示双曲正切激活函数，⊙代表矩阵乘法，W_z，W_r，W_h，U_z，U_r，U_h，b_z，b_r，b_h为需要学习的参数；

z_t＝σ(W_zx_t+U_zh_t-1+b_z) (4)

r_t＝σ(W_rx_t+U_rh_t-1+b_r) (5)

步骤3.2针对门控循环单元引入注意力机制；对于门控循环单元输出的t时刻的隐藏状态h_t，采用以下注意力机制公式进行处理：

e_t＝v_etanh(W_eh_t+b_e) (8)

其中，v_e，W_e，b_e为需要学习的参数，e_t为第t个时刻隐藏状态h_t对应的注意力评分值，tanh为激活函数，T表示时刻总个数，α_t为e_t进行Softmax归一化后得到的权重系数，c对门控循环单元输出的各个时刻隐藏状态进行了加权，表示含有注意力概率分布的交通流特征；

步骤4.利用交通流数据的周期特性提取周期特征；交通流量存在以日、周为单位的相似规律，分别以日、周为周期单位构建周期流量输入矩阵如下所示：

其中，d表示预测时刻在前一天的对应时刻，w表示预测时刻在前一周的对应时刻，n为周期时间步长，s表示需要预测的观测点总数量，x_(d+n)s表示第s个观测点在第d+n个时刻的交通流量，x_(w+n)s表示第s个观测点在第w+n个时刻的交通流量；将周期流量输入矩阵输入到引入注意力机制的门控循环单元中进行处理，以获取交通流数据的周期特征；

步骤5.融合所有特征进行预测；将步骤2和步骤3提取的时空特征和步骤4提取的周期特征进行拼接融合，输入到全连接层中，最后输出所有观测点的预测流量；使用均方误差函数作为模型训练的损失函数，该函数定义如下：

其中，P_st表示第s个观测点在第t个时刻的交通流预测值，F_st表示第s个观测点在第t个时刻的交通流真实值，N是预测值的总个数；根据上述损失函数，通过反向传播算法不断更新模型参数；训练好模型之后，将之前时刻的交通流数据输入到模型中，模型最后输出所有观测点在下一时刻的交通流预测值。