The invention discloses a multi-factor short-term traffic flow forecasting method, which comprises the following steps: 1) calculating the distance between a specific detector and a meteorological station, screening out the nearest meteorological station, and using the weather data of the meteorological station as the weather data of the detector; 2) preprocessing the historical traffic flow data of the detector and the historical weather data respectively, and then merging them according to the time; Various features are screened based on LightGBM; 4) LSTM is used to model the temporal and periodic characteristics of traffic flow data; 5) Fusion of the temporal and periodic characteristics of traffic flow with the full-connected network of neural network; 6) Training model and prediction of short-term traffic flow. The invention overcomes the shortcoming that the existing method can not make full use of the existing data, can mine and analyze traffic flow data more deeply, has high prediction accuracy and good robustness.
【技术实现步骤摘要】
一种多因素的短时交通流预测方法
本专利技术涉及智能交通系统的
,特别涉及一种多因素的短时交通流预测方法。
技术介绍
随着经济的不断发展,交通压力日渐增大,交通事故频发,交通环境日益恶化。如何提高道路通行能力,缓解交通拥堵,是学术界及工业界关注的焦点。智能交通系统(ITS,IntelligentTransportSystem)将“人-路-车”紧密结合,建立起一个准确、实时、高效的交通管理系统。在ITS中,交通控制和实时交通流诱导尤为重要。而实现交通控制与诱导的关键就是实时准确的短时交通流预测。短时交通流预测起步阶段是使用古典统计方法预测单点交通状况;随后求和自回归移动平均(ARIMA,AutoregressiveIntegratedMovingAverage)等参数模型在一段时间内成为研究人员关注的焦点;由于交通流数据呈现出的随机性以及非线性,研究人员尝试使用非参数模型进行预测,如卡尔曼滤波法、最近邻算法、支持向量回归等,并取得一定的预测效果;但随着交通系统越来越复杂,数据规模逐渐膨胀,这些浅层模型已经逐渐不能满足预测需求。这促使我们思考如何充分挖掘交通流数据的隐含信息,深度信念网络、堆叠自编码器等深度网络结构相继应用于短时交通流预测领域。有研究人员利用长短时记忆网络(LSTM,LongShortTermMemoryNetworks)学习时序数据之间的关联关系,并获取长时依赖关系,但现有的方法没有充分考虑其他因素对预测结果的影响。本专利技术提出一种多因素的短时交通流预测方法,创新性地使用两个LSTM模块分别提取交通流的时序特征与周期性特征;并构建天气、 ...
【技术保护点】
1.一种多因素的短时交通流预测方法,其特征在于,包括以下步骤:1)计算特定检测器与气象站之间的距离,筛选出距离最近的气象站,将该气象站的天气数据作为检测器的天气数据;2)分别对检测器的历史交通流数据与历史天气数据进行预处理,再根据时间合并;其中,所述检测器的历史交通流数据为特定观测点在一段时间间隔内经过的车辆数;3)构建多种特征,基于LightGBM进行特征筛选;4)利用长短时记忆网络LSTM对交通流数据的时序特征与周期性特征进行建模;5)使用神经网络中的全连接网络将交通流的时序特征、周期性特征与步骤3)筛选出来的多种特征进行融合;6)训练模型并对短时交通流进行预测。
【技术特征摘要】
1.一种多因素的短时交通流预测方法,其特征在于,包括以下步骤:1)计算特定检测器与气象站之间的距离,筛选出距离最近的气象站,将该气象站的天气数据作为检测器的天气数据;2)分别对检测器的历史交通流数据与历史天气数据进行预处理,再根据时间合并;其中,所述检测器的历史交通流数据为特定观测点在一段时间间隔内经过的车辆数;3)构建多种特征,基于LightGBM进行特征筛选;4)利用长短时记忆网络LSTM对交通流数据的时序特征与周期性特征进行建模;5)使用神经网络中的全连接网络将交通流的时序特征、周期性特征与步骤3)筛选出来的多种特征进行融合;6)训练模型并对短时交通流进行预测。2.根据权利要求1所述的一种多因素的短时交通流预测方法,其特征在于:在步骤1)中,需要根据经纬度计算检测器与不同气象站在地球表面的两点间距,选取距离检测器最近的气象站数据作为检测器天气数据,具体计算公式为:式中,d为检测器与气象站的距离,r为地球半径,和为检测器与气象站的纬度,λ1和λ2为检测器与气象站的经度。3.根据权利要求1所述的一种多因素的短时交通流预测方法,其特征在于:在步骤2)中,分别对检测器的历史交通流数据与历史天气数据进行预处理,再根据时间合并的具体过程如下:2.1)填充交通流数据缺失值,按照周一至周日将各天的交通流数据归为七类,计算每一类中一天所有时刻的平均值,用该平均值填充缺失值;2.2)填充天气数据缺失值,使用近邻时刻天气数据填充缺失值;2.3)对填充后的历史交通流数据进行归一化处理,提取最大交通流Fmax与最小交通流Fmin,使用最大最小归一化方法对历史交通流数据进行归一化处理,使得历史交通流数据映射到[0,1]的区间,归一化后的交通流数据Xt定义如以下公式所示:式中,Ft为t时刻的真实交通流;2.4)对填充后的历史天气数据初步筛选出温度、可见度、云层情况、风速、风向、降雨量和天气类型特征共七个特征;其中,对温度、风速、降雨量这些连续型特征按照步骤2.3)相同方法进行数据归一化处理,对可见度、云层情况、风向、天气类型这些离散型特征使用独热编码处理;2.5)根据时间将历史交通流数据与历史天气数据进行合并。4.根据权利要求1...
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。