[发明专利]一种基于混合特征挖掘的交通流量预测方法

说明书

本发明公开了一种基于混合特征挖掘的交通流量预测方法，在该方法中，在交通流量数据的基础上引入混合特征数据，具体包括时间特征数据和交通态势特征数据，根据交通流量预测目标从混合特征中挖掘出相应的重要性高且特征之间差异大、相互独立的特征，而剔除相关性低、冗余重复的特征，将挖掘出的特征结合交通流量数据作为模型输入，构建交通流量预测模型，通过模型实现交通流量预测。在实现丰富特征引入的同时，构建了复杂度更低、解释性更强的预测模型，显著提升了模型的预测精准度。

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于混合特征挖掘的交通流量预测方法。

背景技术

近年来，智慧交通飞速发展，使用交通预测模型对未来交通状态进行预测，通过提前预知交通状态，促使交通管理者尽早采取有效的交通管控手段，提升交通运输效率和出行体验。现有的交通状态预测模型大多使用历史交通流量信息对未来交通状态进行预测，而缺乏其他的有效信息，使得流量预测的精准度达到一个瓶颈，难以继续提升。

针对以上问题，本发明提出了一种基于混合特征挖掘的交通流量预测方法，在交通流量数据的基础上引入混合特征，具体包括时间特征，交通态势特征等。根据交通流量预测目标从混合特征中挖掘出相应的重要性高且特征之间差异大、相互独立的特征，而去除相关性低、冗余重复的特征，将挖掘出的特征结合交通流量数据作为模型输入。在实现丰富特征引入的同时，构建了复杂度更低、解释性更强的预测模型，显著提升了模型的预测精准度。

发明内容

本发明目的在于针对现有技术的不足，提出一种基于混合特征挖掘的交通流量预测方法，解决现有的交通状态预测模型大多使用历史交通流量信息对未来交通状态进行预测，而缺乏其他的有效信息，使得流量预测的精准度达到一个瓶颈，难以继续提升的问题，在交通流量的基础上引入了混合特征，具体包括时间特征，交通态势特征。根据交通流量预测目标从混合特征中挖掘出相应的重要性高且特征之间差异大、相互独立的特征，将挖掘出的特征结合交通流量数据作为模型输入。在实现丰富特征引入的同时，构建了复杂度更低、解释性更强的预测模型，显著提升了模型的预测精准度。

本发明的目的是通过以下技术方案来实现的：一种基于混合特征挖掘的交通流量预测方法，该方法包括以下步骤：

步骤（1）：构建多维初始化原始数据；

初始化原始数据由多维数据组成，包括交通流量数据和混合特征数据，所述交通流量数据为车流量或车速数据；所述混合特征数据包括时间数据和交通态势数据；多维数据中，假设某个当前时间点是T，预测T+t₁, T+t₂,…, T+t_K的K个时间点的交通流量，则多维数据具体获取方式如下：

1.1）交通流量数据为T时刻之前的Y个小时的历史数据和相应的预测T+t₁, T+t₂,…, T+t_K的K个时间点的交通流量数据；历史数据的采样时间间隔均匀，时间间隔为，采样交通流量数据量为；

1.2）所述混合特征数据，其中时间数据与要预测的未来交通流量的时间点T+t_i相关，为对应的具体时间戳，1≤i≤K，且为整数；交通态势数据反映道路状况，为采样历史Y小时时间内是否发生交通事故、事故等级、拥堵程度以及拥堵持续时长；

步骤（2）：解析步骤（1）中得到的混合特征数据，并将解析后的特征数据向量化；具体步骤如下：

2.1）对混合特征数据中的时间数据进行分解；将时间数据分解为离散值数据特征；