[发明专利]一种基于深度学习的高速公路交通拥堵预测方法

权利要求书

1.一种基于深度学习的高速公路交通拥堵预测方法，其特征在于，包括以下步骤：

步骤1、令相邻两个时间的间隔为Δt，则任意一个时间间隔的序号记为t；将当前高速公路分成T路段，并通过电子地图获取第t个时间间隔内第j辆车在第i路段的速度V_i,j(t)，其中，j＝1,2,...,N_i，i＝1,2,...,T；N_i表示第i路段上的车辆总数；

对第i路段上所有车辆在第t个时间间隔内的速度统计后得到第t个时间间隔内第i路段的交通量f_i(t)；

按照车辆行驶的方向，定义车辆在当前高速公路行驶的上游有交叉口；

通过电子地图上第i路段的中心位置与上游交叉口之间的距离，测得第i路段的中心位置与上游交叉口之间的距离s_i；

步骤2、根据式(1)计算第t个时间间隔内第i路段的速度V_i(t)；

步骤3、根据式(2)计算第t个时间间隔内第i路段的密度K_i(t)；

步骤4、求得第i路段的交通拥堵指数；

步骤4.1、根据式(3)计算第t个时间间隔内第i路段归一化后的平均速度V_i¹(t)；

式(3)中，V_max表示高速公路的最大速度；V_min表示高速公路的最小速度；

步骤4.2、根据式(4)计算第t个时间间隔内第i路段归一化后的交通量f_i¹(t)；

式(4)中，f_max表示高速公路的最大交通量；f_min表示高速公路的最小交通量；E(f)表示期望流量f；

步骤4.3、根据式(5)计算第t个时间间隔内第i路段归一化后的密度

式(5)中，K_max表示高速公路的最大密度；K_min表示高速公路的最小密度；

步骤4.4、根据式(6)计算第i路段的权重W_i；

步骤4.5、根据式(7)计算第t个时间间隔内第i路段的道路交通拥堵指数C_i(t)；

式(7)中，b₁表示第t个时间间隔内第i路段归一化后的平均车速的加权参数；b₂表示第t个时间间隔内第i路段归一化后的交通量的加权参数；b₃表示第t个时间间隔内第i路段归一化后的密度的加权参数；

步骤5、构建基于深度学习的短时交通流预测模型；

步骤5.1、利用式(8)所示的滑动窗口法构建第i路段的道路输入特征向量X_i；

X_i＝(C_i(t),C_i(t-Δt),...,C_i(t-(n-1)Δt)) (8)

式(8)中，n表示滑动窗口法选择的窗口大小；C_i(t-(n-1)Δt)表示第t-(n-1)Δt个时间间隔内第i路段的道路交通拥堵指数；C_i(t-Δt)表示第t-Δt个时间间隔内第i路段的道路交通拥堵指数；

步骤5.2、构建短时交通流预测模型，包括：输入层、卷积层Cov1D、LSTM模型、ATTENTION模型和全连接层；

所述道路输入特征向量X_i输入所述输入层中并划分为两个时间序列，其中，一个时间序列输入所述卷积层Cov1D中进行处理，得到拥堵局部特征；另一个时间序列输入所述LSTM模型中进行处理，得到时间序列步长；

所述时间序列步长输入所述ATTENTION模型中进行处理，得到添加注意力机制的时间序列步长；

将拥堵局部特征和添加注意力机制的时间序列步长一起输入所述全连接层中进行处理，并输出下一时刻拥堵预测指数

利用式(9)建立短时交通流预测模型的损失函数MAE：

式(9)中，表示第t+Δt个时间间隔内第i路段的道路交通拥堵指数的预测值；C_i(t+Δt)表示第t+Δt个时间间隔内第i路段的道路交通拥堵指数的真实值；

利用梯度下降法对短时交通流预测模型进行训练，并计算损失函数以更新网络模型，直至损失函数收敛为止，从而得到训练好的短时交通流预测模型用于实现交通拥堵预测。