[发明专利]基于时序分解单元的深度交通流预测方法、介质及其设备

说明书

本发明公开了一种基于时序分解单元的深度交通流预测方法、介质及其设备。该方法首先获取所预测路段的交通流数据，由交通流数据时序上的自相关性获取时序间的自相关系数并生成新的时序信息，新的时序信息通过序列分解模块获取时序的周期项和趋势项，然后通过时序分解单元堆叠的方法逐步多次获取时序完整的周期项、趋势项，最后加权周期项和趋势项预测交通流。本发明方法得到的预测数据值与实际测量的真实数据值更吻合，能反应未来的实际交通流水平，因此本发明在交通流预测方面具有较高的预测精度。

技术领域

本发明涉及预测模型技术领域，具体涉及一种深度交通流预测方法。

背景技术

随着城市化进程的加快和汽车工业的发展，道路通行能力与交通需求之间的矛盾日益尖锐，交通拥堵现象日益突出，为人们出行带来很大不便，因此缓解交通拥堵，提高出行效率成为当务之急。作为为交通管控措施提供参考依据的交通流数据预测成为当前研究的热点，更准确的交通流预测不仅可以助力相关部门采取更精准的交通管控措施，也可以为人们出行的路线规划提供更可靠的参考依据。

现有的交通流预测模型主要包括两大类，一类是利用交通时间序列方法对交通数据进行建模，如自回归移动平均模型(Autoregressive Integrated Moving Average，简称ARIMA)，该模型利用差分将时间序列转换为平稳的时间序列，然后根据时间序列间的相关性和模型对误差的鲁棒性，对历史数据和误差进行加权实现预测。第二类是基于深度学习的预测方法，如长短期记忆网络(Long Short-Term Memory，简称LSTM)、深度残差网络(Deep Belief Nets，简称DBN) 等。第一类方法有特定的数学模型，可解释性强，但对数据适应性差，基于深度学习的预测方法，应用范围更广，适用性更强，但可解释性较差。

发明内容

本发明的目的在于解决现有技术中存在的问题，并提供一种基于时序分解单元的深度交通流预测方法。

本发明为了获取单个时序分解单元完整的周期项、趋势项，设计并实现了合适的模块，最后采用加权的方式对交通流进行预测，最终本发明提出了一种基于时序分解单元的深度交通流预测方法，该方法的构思是：先通过自相关模块获取时序的自相关系数并生成新的时序信息，通过时序分解模块获取时序的周期项和趋势项，然后建立合适的深度模型逐步多次获取时序中完整的周期项和趋势项，最终加权当前时序信息的周期项和时序项完成交通流量的预测。

为了实现上述发明目的，本发明具体采用的技术方案如下：

第一方面，本发明提供了一种基于时序分解单元的深度交通流预测方法，其包括以下步骤：

S1、获取待预测路段的历史交通流数据，并按照时序排列后获得交通流数据序列X；

S2、将交通流数据序列X作为深度模型的输入，所述深度模型中包含N层逐层堆叠的时序分解单元；每一层时序分解单元结构相同，均由自相关模块和序列分解模块级联而成；其中，交通流数据序列X作为第1层时序分解单元的单元输入序列，由自相关模块输出所述单元输入序列的相关系数R，所述相关系数R为在一个时序信号周期内不断改变时延间隔并计算自相关函数值后得到的最大的前K个自相关函数值之和，再基于相关系数R由前馈网络生成新的时序数据X′，然后新的时序数据X′输入序列分解模块中通过平均池化输出时序数据中的周期项SP₁，再以新的时序数据X′和周期项SP₁的差值作为趋势项TP₁进行输出；对于其余n≥2的任意第n层时序分解单元，以第n-1层时序分解单元输出的周期项 SP_n-1作为自身的单元输入序列，由自相关模块和序列分解模块输出时序数据中的周期项SP_n和趋势项TP_n；所述深度模型的输出层计算第N层时序分解单元输出的周期项SP_N以及所有N层时序分解单元输出的趋势项TP_n的加权和，从而得到未来交通流的预测结果。