[发明专利]一种基于深度学习的短时交通流预测方法

说明书

一种基于深度学习的短时交通流预测方法属于交通预测领域。本发明首先使用卷积神经网络提取交通流的空间特征；然后使用引入注意力机制的门控循环单元提取时间特征，通过注意力机制计算不同时刻交通流特征的重要性，使模型更关注重要性大的特征；接着利用交通流数据的周期特性提取周期特征；最后融合所有特征进行预测。该方法解决了现有预测方法无法充分利用交通流数据时空特征的缺点，提高了交通流的预测精度，可以更好地解决短时交通流预测问题。

技术领域

本发明属于交通预测领域，具体涉及一种基于深度学习的短时交通流预测方法。

背景技术

随着全国机动车保有量的不断增加，城市交通拥堵问题越来越严重。交通拥堵不仅耽误人们出行，减少社会活动效率，还会浪费大量资源，造成城市空气污染。为了解决交通拥堵问题，智能交通系统(Intelligent Transport System，ITS)应运而生。ITS通过综合运用大数据、人工智能等技术手段，对道路交通数据进行收集和分析，提高现有交通设施的运行效率，缓解城市交通压力。交通流预测是ITS的核心功能之一。

由于交通流具有时变性，所以一般采用短时预测来对交通系统进行诱导。短时交通流预测是指利用地磁、传感线圈等设备实时获取的交通流数据去预测未来半小时内的交通流量。通过预测交通流不仅可以为公众出行提供服务，改善导航系统，还可以为交通管理部门提供有效技术支持，提高道路资源的利用率。因此，利用交通大数据进行短时交通流预测已成为智能交通领域的研究热点。

国内外学者针对短时交通流预测提出的方法主要分为三类，一是统计理论模型，主要包括历史平均模型、卡尔曼滤波模型和自回归差分移动平均模型(ARIMA)；二是以支持向量回归(SVR)为代表的机器学习模型；三是新兴的深度学习模型。道路交通系统是一个典型的复杂系统，周末节假日、交通出行早晚高峰、天气状况等因素以非线性方式相互作用，导致传统的浅层预测模型在实际应用中往往失效。近年来，深度学习在图像识别、自然语言处理等研究领域取得了一系列突破，交通流数据与深度学习常用领域中的研究数据类似，具有丰富的时空特征，结合深度学习进行短时交通流预测具有很大的研究价值。

交通流数据具有时空特征。在时间上，由于道路上车辆的聚集和发散是一个渐进过程，所以之前时刻的交通流量会影响下一时刻的交通流量；在空间上，相邻观测点之间的交通流量是密切相关的，单个道路上下游观测点的交通流量存在时延关系，分叉道路不同观测点的交通流量存在和差关系。门控循环单元(GRU)只关注交通流数据的时间特征，忽略了空间特征，而卷积神经网络(CNN)更关注空间特征，将两者结合可以充分提取交通流数据的时空特征。

本发明将卷积神经网络、门控循环单元以及注意力机制技术应用到交通流预测领域，提出了一种新颖的短时交通流预测方法。通过结合卷积神经网络和门控循环单元提取交通流数据的时空特征，并利用注意力机制优化网络结构。与现有预测方法相比，本发明具有更高的预测精度，可以更好地解决短时交通流预测问题。

发明内容

为了解决现有短时交通流预测方法未能充分利用交通流数据的时空特征以实现准确预测的问题，本发明提出一种基于深度学习的短时交通流预测方法。首先使用卷积神经网络提取交通流的空间特征，然后使用引入注意力机制的门控循环单元提取时间特征，同时利用交通流数据的周期特性提取周期特征，最后融合所有特征进行预测。注意力机制可以自适应地捕获不同时刻输入特征的影响，从而提升交通流的预测精度。

为实现上述发明目的，本发明采用以下技术方案：

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。