With the continuous development of intelligent transportation system, traffic flow needs to be predicted accurately and effectively. One of the key technologies to realize traffic flow prediction is to mine traffic flow data and learn its data characteristics. However, for complex and changeable traffic flow data, the traditional methods based on traffic flow theory and statistical model are difficult to capture the complex patterns and characteristics of non-linear traffic flow data, so the ability of pattern recognition and prediction of traffic flow parameters is weak; moreover, most of the existing models can only predict traffic flow for a short time, and there is no traffic flow prediction yet. A model method for long-term traffic forecasting. To solve the above problems, the present invention proposes a long-term traffic flow forecasting method based on deep learning based on convolution neural network framework to improve the accuracy and robustness of long-term traffic flow forecasting.
【技术实现步骤摘要】
基于深度学习的长时交通流量预测方法
本专利技术涉及智能交通系统在对交通流量参数进行长时预测的应用。
技术介绍
在深度学习兴起之前,对于交通流量的预测都是基于传统的研究方法,主要分为两类:数据驱动的统计方法和传统的机器学习方法,早期研究中,大多数方法采用传统的统计时间序列方法,如自回归滑动平均模型(ARIMA)和季节自回归滑动平均模型(SARIMA),然而,这些基于参数型的统计学模型受线性估计模型限制,无法适应交通流的非线性变化,故难以准确描述道路运行车流的变化,对大规模交通的预测也不够准确。此外,一些机器学习算法也被提出来对交通流量参数进行预测,其中K-近邻算法(KNN)首先被应用于交通流量的预测。有研究者用贝叶斯推理方法对模型中的参数进行估计,并利用马尔可夫链蒙特卡洛(MCMC)模拟得到最优模型。还有人通过分析灰色模型、自适应粒子群优化算法和支持向量机(SVM)模型的特点,提出了短期交通流预测模型的组合,实现了短期交通流的预测。总的来说,基于非参数等传统机器学习方法诸如KNN、贝叶斯网络、支持向量机等在某种程度上相对于统计学方法在交通流量预测方面的确取得了较好的效果,但对交通流的预测大多是短时预测,且存在预测精度较低的局限性。近年来,深度学习已经引起了越来越多研究者的关注。深度神经网络具有更深、更复杂的结构,能够深入发掘并利用交通数据的特征,因此也有许多深度学习方法应用于交通流量预测,如栈式自编码神经网络(SAE)、深度置信网(DBN)、循环神经网络(RNN)等。有研究者将受限玻尔兹曼机(RBM)与循环神经网络(RNN)结合起来提取交通流量特征。也有研究 ...
【技术保护点】
1.一种基于深度学习的长时交通流量预测方法,具体方法包括如下步骤:(1)输入具有时空特征的交通流量数据,且该数据在时间维度上具有3个不同尺度,每个尺度上融合了历史3天不同的的流量信息;将原始的交通流量数据转化为一个空间‑时间矩阵,该矩阵可以看作是融合了一天的时空信息的矩阵图像,然后在时间维度上生成3种时间间隔不同的矩阵,且同一种时间间隔下又融合了历史不同3天的流量信息;(2)在模型的生成器中,首先使用个性化设计的残差反卷积网络分别对3个尺度下的流量数据进行时空特征的提取;(3)然后将3个不同尺度下学习得到的抽象特征结合起来,最终通过一个全连接层从综合的交通时空特征中解码出预测的流量信息;将生成器中3个残差反卷积网络学习得到的3个尺度的抽象特征结合起来,输入一个全连接层,最中解码出第二天预测的流量值;(4)加入判别器来判定生成器的结果,并将判定结果反馈给生成器,不断调整优化网络的训练过程,最终得到预测结果。
【技术特征摘要】
1.一种基于深度学习的长时交通流量预测方法,具体方法包括如下步骤:(1)输入具有时空特征的交通流量数据,且该数据在时间维度上具有3个不同尺度,每个尺度上融合了历史3天不同的的流量信息;将原始的交通流量数据转化为一个空间-时间矩阵,该矩阵可以看作是融合了一天的时空信息的矩阵图像,然后在时间维度上生成3种时间间隔不同的矩阵,且同一种时间间隔下又融合了历史不同3天的流量信息;(2)在模型的生成器中,首先使用个性...
【专利技术属性】
技术研发人员:臧笛,方杨,卫志华,程久军,凌嘉炜,严诣青,
申请(专利权)人:同济大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。