[发明专利]一种基于LSTM-CNN的城市路网交通状态预测方法有效
| 申请号： | 201811278958.1 | 申请日： | 2018-10-30 |
| 公开（公告）号： | CN109544911B | 公开（公告）日： | 2021-10-01 |
| 发明（设计）人： | 陈锐祥;王家伟;何兆成 | 申请（专利权）人： | 中山大学 |
| 主分类号： | G08G1/01 | 分类号： | G08G1/01;G06N3/04 |
| 代理公司： | 广州粤高专利商标代理有限公司 44102 | 代理人： | 林丽明 |
| 地址： | 510275 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明面向城市路网交通状态的预测，将以路段车速为预测对象进行阐述。首先以路段速度填充路网邻接矩阵，表征某时段的路网交通状态，通过卷积神经网络学习交通状态的空间特征，然后利用长短期记忆神经网络接收不同时段的空间特征，引入时间维度的特征学习，最后结合两种特征信息预测路网各路段的平均行程车速。本发明提出基于路网邻接矩阵的LSTM‑CNN，相比于传统统计学方法，更能把握路网交通状态的时空非线性关系，相比于目前的深度学习方法，构造了基于路网邻接矩阵的交通状态输入，在保留路网交通状态空间特征的同时，减少冗余信息的输入，降低了，通过，有效学习路网交通状态特征，具有较好的预测效果。 | ||
| 搜索关键词： | 一种 基于 lstm cnn 城市 路网 交通 状态 预测 方法 | ||
【主权项】：
1.一种基于LSTM‑CNN的城市路网交通状态预测方法，其特征在于，包括以下步骤：步骤S1：对路网的历史车速进行估计计算；步骤S2：基于获得的历史车速信息构建邻接矩阵；步骤S3：构建LSTM‑CNN神经网络；步骤S4：将邻接矩阵作为输入对LSTM‑CNN神经网络进行训练，并利用梯度下降法更新优化LSTM‑CNN神经网络的参数；步骤S5：步骤S5迭代进行直至LSTM‑CNN神经网络收敛；步骤S6：向LSTM‑CNN神经网络输入实时的车速信息的邻接矩阵，对路网交通状态进行预测。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中山大学，未经中山大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811278958.1/，转载请声明来源钻瓜专利网。
