[发明专利]基于深度学习的交通流量预测方法

说明书

本发明提供了一种基于深度学习的交通流量预测方法，包括：通过检测器采集交通流量数据信息，将交通信息的离散特征向量输入至DeepFM中的FM部分，得到具有离散特征间隐含关系的FM输出向量；将前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FM输出向量和注意力模型输出向量对交通流量进行预测。该方法可以有效地提高短时交通流量预测的准确性。

技术领域

本发明涉及交通控制领域，尤其涉及一种基于深度学习的交通流量预测方法。

背景技术

近年来，随着城市常驻人口和汽车保有量飞速增长。导致城市交通问题越来越复杂。准确的交通流量预测能够提高交通诱导的准确性和交通控制的有效性。

现有技术中短时流量预测的方法大致可分为参数型和非参数型预测。其中参数方法进行预测包括随机方法和时间序列，典型的方式有卡尔曼滤波和自回归算法等，最为经典常用的参数方法是ARIMA(Autoregressive Integrated Moving Average Model,自回归整数移动平均模型)，同时也有多种基于ARIMA模型进行改进的算法，如加入不同外部输入的ARIMAX或Seasonal ARIMA。在对模型运算效率要求较高的场景下，相较于非参数方法，参数方法更加具有优势，这是由于参数方法不需要大量的时间去训练预测模型。非参数方法包括部分传统机器学习模型如K-Nearest Neighbors(KNN)和Support Vector Machine(SVM)等，神经网络模型如Artificial Neural Networks(ANN)以及近几年使得预测性能极大提高的深度神经网络模型。

由于交通流量变化具有非线性的同时也具有很强的随机性，上述单一的非参数模型容易陷入过拟合的情况。于是研究人员将目光转向多模型融合方式对交通流量进行预测，多模型融合方法可以将多个模型的优势融合起来，通过组合预测模型或作为数据预处理的方法，提高最终预测结果的准确率。如使用小波优化的神经网络使用Morlet小波基函数作为神经网络的中间层激活函数，利用小波变换的特点，提高了模型预测准确度。ZhangH等提出了一种混合模型，采用多种方式对交通特征进行挖掘预测，通过光谱分析、时间序列、统计理论分析等方式，不但构建了一个流量预测模型，还说明了建立动态模型的必要性。