[发明专利]基于深度学习的交通流量预测方法

权利要求书

1.一种基于深度学习的交通流量预测方法，其特征在于，包括：

通过检测器采集交通流量数据信息，并将所述的交通数据信息划分为离散特征和连续特征，所述的连续特征包括：前t个时刻上游检测器各个车道的信息序列；前t个时刻检测器截面信息序列和每个检测器每天的历史信息序列，t为正整数；

对所述的离散特征处理得到交通流量数据信息的离散特征向量，将所述的交通信息的离散特征向量输入至DeepFM中的FM(FactorizationMachine，因子分解机)部分，得到具有离散特征间隐含关系的FM输出向量；

对当前检测器的前t个时刻检测器截面信息序列处理得到前t个时刻的当前检测器截面信息序列特征向量，并将所述的前t个时刻的当前检测器截面信息序列特征向量输入至基于检测器聚类标签的具有多层LSTM(LongShortTermMemoryNetwork，长短时记忆网络)编码器的LSTM模型，得到LSTM输出向量；

将前t个时刻的上游检测器各个车道的信息序列处理得到的前t个时刻的上游检测器各个车道的信息序列特征向量和所述的LSTM输出向量输入至注意力模型，得到具有当前检测器截面与上游各个车道之间的流量变化关系的注意力模型输出向量；

根据所述FM输出向量和所述的注意力模型输出向量对交通流量进行预测。

2.根据权利要求1所述的方法，其特征在于，所述的基于检测器聚类标签的具有多层LSTM编码器的LSTM模型，根据以下步骤得到：

S21将所述的每个检测器每天的历史信息序列，输入共享参数的LSTM模型中训练，得到训练好的基于共享参数的LSTM模型,根据训练好的基于共享参数的LSTM模型对路网中所有检测器每天的历史交通信息序列分别进行编码，得到不同检测器节点不同日期的历史交通信息向量；

S22从不同检测器节点不同日期的历史交通信息向量中选取多个交通信息向量作为本次聚类的多个聚类中心；

S23根据不同检测器节点不同日期的历史交通信息向量与每个聚类中心的余弦相似度，分别计算不同检测器节点不同日期的历史交通信息向量与每个本次聚类中心的余弦相似度，将最大的余弦相似度对应的本次聚类中心作为不同检测器节点不同日期的历史交通信息向量在本次聚类中归属的聚类中心；

S24将每个不同检测器节点不同日期的历史交通信息向量与各自归属的聚类中心的余弦相似度之和作为本次聚类总得分；

S25重新选取聚类中心，并重复步骤S24得到聚类总得分并与上一次的聚类总得分比较，为当前检测器确定当日的聚类标签：

判断本次聚类总得分与上次聚类总得分的变化是否小于设定阈值；

若判断结果为小于设定阈值，则根据本次聚类结果判断交通状态，根据交通状态为当前检测器确定当日的聚类标签；

若判断结果为不小于预设值，则重新聚类，直至相邻两次聚类总得分的变化小于设定阈值，根据最后一次的聚类结果判断交通状态，根据交通状态为当前检测器确定当日的聚类标签；

S26根据所述的当前检测器当日的聚类标签，初始化具有多层LSTM编码器的LSTM模型，得到基于检测器聚类标签的具有多层LSTM编码器的LSTM模型。

3.根据权利要求2所述的方法，其特征在于，所述的将所述的每个检测器每天的历史信息序列，输入共享参数的LSTM模型中训练，得到训练好的基于共享参数的LSTM模型，包括：

对所述的每个检测器每天的历史信息序列进行两两配对，得到所述检测器的交通信息序列对；

根据工作日交通流量模式与休息日交通流量模式的差异，为检测器的交通信息序列对设置标签，得到具有标签的交通信息序列对作为训练样本；

通过所述训练样本对基于共享参数的LSTM模型进行训练，得到训练好的基于共享参数的LSTM模型。

4.根据权利要求3所述的方法，其特征在于，所述的根据工作日交通流量模式与休息日交通流量模式的差异，为检测器的交通信息序列对设置标签，得到具有标签的交通信息序列对作为训练样本，包括：

为同一检测器的工作日的交通信息序列与休息日的交通信息序列配对而成的交通信息序列对设置标签为“0”；

为同一检测器的两个工作日的交通信息序列或两个休息日的交通信息序列配对而成的交通信息序列对设置标签为“1”。