[发明专利]一种基于深度残差网络的短时交通流量预测方法

摘要

本发明涉及一种基于深度残差网络的短时交通流量预测方法，属于智能交通系统领域。本发明采用一种基于深度残差网络的短时间交通流量预测方法，充分考虑了交通流量的时空特征。考虑到较强的时间相关性，模型进行了时空关联性分析。在模型的生成器中，使用了深度残差网络，利用残差思想在精确提取非线性交通流量数据的时空特征的同时解决了深度神经网络的梯度消失问题。并且，该模型可以根据数据量的大小将网络从18层拓展到152层。通过利用深度残差网络与时空关联性结合提高了对短时交通流预测的能力，使得模型的预测的效果更加精确，也使模型具有更好的鲁棒性和适用性。

主权项

1.一种基于深度残差网络的短时交通流量预测方法，其特征在于：包括如下步骤：(1)获取某一固定路段的交通流量数据，该数据包含三个维度：速度、流量、占有率；速度为通过车辆的平均速度，流量为车辆通过的数量，占有率是为道路中一个点被车辆占有时间的百分比；(2)在深度残差网络模型的生成器中，运用正则化的方式得到时空关联性；利用最小角度回归LARS拟合正则化损失函数LASSO，得到稀疏线性模型，来确定时空关系；Lasso回归使用L1正则化，Lasso回归的损失函数表达式如下:其中n为样本个数，α为常数系数，θ为系数，X是自变量，Y为因变量，||θ||₁为L1范数；要找到数据的时空关联性需要使J(θ)趋近于0：寻找到与因变量Y接近或者相关度最高的自变量X_k，得到残差Y_yes，直接走到出现一个特征值X_t的地方，使得特征值X_t和残差Y_yes的相关度和自变量X_k与残差Y_yes的相关度是一样的，此时残差Y_yes就在特征值X_t和自变量X_k的角平分线上，沿着残差的角平分线走下去，直到出现下一个特征值X_p，满足特征值X_p与残差Y_yes相关度趋近于1，将特征值X_p加入到因变量Y的逼近特征集合，并用因变量Y的逼近特征集合公用的角平分线，作为新的逼近方向，以此循环，直到所有的变量都已经取完了，算法停止；此时对应系数θ为最终结果，将关联性强的值取1，关联性弱的取0，进而得到一个时空关联性的系数稀疏矩阵；(3)通过深度残差网络与时空关联性相结合，预测出短时交通流量结果；(4)将步骤(3)的预测结果与当前实际交通流量数值比较，反馈给深度残差网络，进行参数优化，得到更为准确的结果，并将当前实际交通流量数值传入深度残差网络进行迭代。