[发明专利]一种短时交通流预测方法及系统

说明书

本发明公开了一种短时交通流预测方法及系统，所述方法包括：将船舶的GPS数据转换为交通流量的数据，并按照一定的时间尺度进行聚集，得到各个监测点以T为时间间隔的交通流序列{V₁,V₂,V₃,…Vm}，m为监测点数量；待预测监测点p_i的交通流序列为V_i＝{v_i,1,v_i,2,v_i,3,…,v_i,n}，n为时间间隔的个数；将待预测监测点p_i的交通流序列输入预先训练好的交通流预测模型，输出监测点p_i在下一个时间间隔T内的交通流v_i,n+1。本发明的方法对于未来动态交通流的预测的准确率较高。

技术领域

本发明涉及交通管理领域，具体涉及一种短时交通流预测方法及系统

背景技术

由于道路交通流具有非线性、高维度、随机性等特性，不确定因素很多，道路交通流预测难度很大。现有技术的城市道路交通状况预测主要依赖于大量历史数据和实时道路交通流信息，属于模式识别问题，没有真正做到智能预测，目前国内外对于道路交通状况预测的研究，大多是基于时间序列的概率统计方法和对路段之间空间相关性的预测分析，这些方法都没有综合考虑道路交通流的时空变化模式，都是基于交通数据的直接应用或是浅层学习，没有充分利用大量的交通流数据中包含着丰富的动态演变模式与规律。

综合来看，现有技术的交通流预测方法主要存在以下几点缺陷：一是现有技术大量工作是利用道路交通流在时间序列上的演变规律来进行交通流预测，一般采用自回归滑动平均模型，自回归滑动平均模型是道路交通流随时间变化而形成的一个随机序列，这组随机序列具有的时间变化规律体现着交通流数据在时间上的延续性，从而通过挖掘历史数据中的时间序列规律得到待预测时间点的交通流量状态，但是这些基于时间序列特征的交通流预测方法都是仅依赖于交通流数据在时间上的规律的统计方法，交通流预测的准确性和可靠性很低。二是现有技术中还有一些方法是利用道路交通网络中的空间相关性来分析道路交通流的演变趋势，但是这种方法基于一个假设，道路上的交通流量密度只和与它相邻的路段上的交通流量密度有关，所以这种方法仅仅利用了相邻道路和预测道路的关联来预测待预测道路的流量，没有充分考虑较远道路对预测道路的影响以及和待预测道路在时间空间上的相关性。三是现有技术有一些使用强化学习方法利用多层网络结构提取交通流这类复杂数据中的典型特征，但现有技术使用强化学习的方法，都是静态的网络，不能很好的表达道路交通流网络中的动态模式，而且需要将道路交通流数据全部录入进去，并且没有设置指标衡量来区域内路段之间的时空相关性，所以会造成很多冗余，严重影响网络的训练效果和速度，交通流预测时效性低，预测结果滞后严重。

发明内容

本发明的目的在于克服上述技术缺陷，提出了一种短时交通流预测方法，所述方法包括：

将船舶的GPS数据转换为交通流量的数据，并按照一定的时间尺度进行聚集，得到各个监测点以T为时间间隔的交通流序列{V₁,V₂,V₃,…Vm}，m为监测点数量；待预测监测点p_i的交通流序列为V_i＝{v_i,1,v_i,2,v_i,3,…,v_i,n}，n为时间间隔的个数；

将待预测监测点p_i的交通流序列输入预先训练好的交通流预测模型，输出监测点p_i在下一个时间间隔T内的交通流v_i,n+1。

作为上述方法的一种改进，所述交通流预测模型采用自适应卷积神经网络ACNN；