基于时空相关性和卷积神经网络的短时交通流预测方法技术

本发明专利技术公开了基于时空相关性和卷积神经网络的短时交通流预测方法，挖掘交通流量数据之中的时空相关性，交通流量数据并转化为具有时空交通流量信息的二维矩阵，利用卷积神经网络对矩阵内部交通流的时空特征信息进行提取、处理和学习，最终得出预测结果，此外还采用了时空特征选择算法筛选出最佳输入数据。本发明专利技术深入挖掘交通流数据的随机性与不确定性，充分考虑交通流数据中的时空相关性，从而有效提高了交通流量数据的预测精度。

【技术实现步骤摘要】
基于时空相关性和卷积神经网络的短时交通流预测方法
本专利技术属于交通控制领域，涉及基于时空相关性和卷积神经网络的短时交通流预测方法。
技术介绍
未来交通的变化趋势一直以来都是交通管理部门和出行者所关心的问题。可靠的交通预测信息能够为交通管理部门制定管理方案、合理分配交通资源等提供参考依据；同时，出行者可以根据交通预测信息合理规划行程。精准及时的交通流量数据能够被用来帮助缓解道路拥堵、减少车辆尾气排放、提高道路工作效率。随着智能交通系统的部署，基于短时的交通流量预测模型的研究显得举足轻重，实时、精准的短时交通流预测数据的获取正在让智能交通系统从被动应对转变为主动控制。随着短时交通流分析与预测工作的不断深入，研究人员依据不同的分析角度以及应用条件提出了许多模型。这些模型可以分为两类：第一类是基于传统机器学习理论的交通流量预测模型；第二类是基于神经网络为基础的预测模型。第一类模型方法包括自回归滑动平均(ARIMA)模型、支持向量机(SVM)模型和贝叶斯模型等。第二类模型通常借助神经网络的大规模、多维数据处理能力，利用其模型灵活度高、学习能力、泛化能力、预测能力强等特点，在交通预测领域广泛应用。神经网络预测方法比传统机器学习方法更深入、更复杂,并且往往能够取得更好的预测效果。深度学习中的长短时记忆(LSTM)网络、深度信念网络(DBN)和堆叠自编码(SAE)模型等在交通预测领域都得到应用。然而，对于实际的交通预测问题，上述方法往往未能充分利用交通流数据中的时间和空间相关性。
技术实现思路
为了克服现有技术中存在的不足，本专利技术在于提供了一种基于时空相关性和卷积神经网络的短时交通流预测方法，解决传统模型难以充分利用交通流数据中的固有的时间和空间相关性的问题。通关卷积神经网络对历史交通流数据的学习，提高模型对交通流量数据的分析能力以及时空相关特征的挖掘能力。而后，通过时空特征选择算法对输入网络的交通流量数据进行选择，从而进一步提高模型的预测精度。本专利技术采用的技术方案是：基于时空相关性和卷积神经网络的短时交通流预测方法，其步骤如下：(1)选定需要进行交通流预测的路段以及该路段中的车辆检测点，获取所选路段及其上下游车辆检测点的短时交通流量历史数据；(2)根据获取的短时交通流历史数据，选定短时交通流预测的预测时段；(3)对预测路段检测点的历史交通流数据进行时间相关性分析确定时滞，对同路段的上下游检测点之间的交通流数据进行空间相关性分析确定车辆检测点数目；(4)提取步骤(3)中确定的相关车辆检测点的交通流数据，按照空间上下游顺序和时间顺序，构建历史交通流量数据集；(5)构建卷积神经网络，对历史交通流数据集进行预测模型训练并验证优化。进一步，基于时空相关性和卷积神经网络的短时交通流预测方法，步骤还包括：(6)依据时空特征选择算法对输入交通流数据的最佳时滞和车辆检测点数目进行选定。进一步，步骤(3)中交通流数据的时间相关性分析和空间相关性分析采用皮尔逊相关系数分析两个交通流量序列的相关性。进一步，步骤(4)中的历史交通流量数据集以矩阵形式表示，如下所示：上述矩阵中，Q代表的是输入数据的时滞，P代表的是经过空间相关性分析选取的检测点个数。进一步，步骤(6)中的时空特征选择算法采用包裹式特征选择算法。进一步，包裹式特征选择算法以MAPE为标准进行误差分析，按照误差最小化搜索选择按照误差最小化搜索选择最佳时滞和车辆检测点数目作为输入数据。进一步，包裹式特征选择算法中误差最小化目标函数为：其中R为不同时滞Q和不同空间数据采集点个数P组成的特征集，构成输入空间I，f(R)表示预测模型的输出，y表示实际的交通流量；|d|＝|P|*|Q|表示单次预测过程的输入数据个数；α是折衷系数。本专利技术的有益效果：(1)能够深入交通流数据的短时变化趋势、准确预测交通流量的变化；(2)通过时空特征选择算法对于影响预测路段的交通流量历史数据进行选择，从而进一步提高模型的预测精度。附图说明图1是本专利技术的原理图。图2是检测点单日的流量变化图。图3是本专利技术的交通数据矩阵表示图。图4是本专利技术的卷积神经网络结构图。图5是本专利技术的时空特征选择图。图6是本专利技术的输入数据组织形式展示图。图7是本专利技术的模型结果对比图。具体实施方式下面结合具体实施例来对本专利技术进行进一步说明，但并不将本专利技术局限于这些具体实施方式。本领域技术人员应该认识到，本专利技术涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。参见图1，本实施例提供了基于时空相关性和卷积神经网络的短时交通流预测方法，其步骤如下：(1)选定需要进行交通流预测的路段以及该路段中的车辆检测点，获取所选路段及其上下游车辆检测点的短时交通流量历史数据；在本实施用例中，交通流数据通过线圈采集得到，获取得到的交通流量数据为特定车辆检测点及其上下游路段检测点在一定时间间隔内经过的车辆数目，在本实例中，该时间间隔为5分钟。历史观测数据集合表示为F＝{ft|t＝1,2,...,T}，其中ft表示路网特定断点在t时刻的交通流参数，T时刻与T+1时刻的差值为预测时间间隔，本实例中采用的预测时间间隔为5分钟，如图2展示了一天的交通流量数据。(2)根据获取的短时交通流历史数据，选定短时交通流预测的预测道路路段；(3)对预测路段检测点的交通流数据进行时间相关性分析确定时滞，对同路段的上下游检测点之间的交通流数据进行空间相关性分析确定车辆检测点数目；其中交通流数据的时间相关性分析和空间相关性分析采用皮尔逊相关系数分析两个交通流量序列的相关性，皮尔逊相关系数公式如式(1)所示：其中xi和yi代表两个交通流量序列，皮尔逊相关系数值大小表示两个时间序列的相关性大小，系数ρX,Y的绝对值越接近1表示两个序列的相关程度越高。(4)提取步骤(3)中确定的相关车辆检测点的交通流数据，将车辆检测点的交通流数据按照空间上下游顺序和时间顺序表示为矩阵形式从而构成历史交通流量数据集；历史交通流量数据集的定义如式(2)所示：上述矩阵中，Q代表的是经过时间相关性分析确定的时滞，P代表的是经过空间相关性分析确定的车辆检测点数目；为了获得高质量的学习和预测结果，需要有效地组织交通数据，形成有效的输入数据集，图3展示了数据从检测线圈中提取和组织的过程。以选取过去一个小时也就是12个时滞和8个空间相关点的数据为例，图6中的虚线框内的数据样式展示了神经网络的输入数据格式。以5分钟的交通流量预测为例，假设预测的检测线圈编号为110.04，通过采用包裹式特征选择算法选择2016-01-0100:20:00至2016-01-0101:35:00时段的编号为105.35、107.27、107.92、108.39、109.18、110.04、111.17、112.61、113.07和113.52的十个检测线圈的数据来预测2016-01-0100:40:00时刻的110.04编号线圈的交通流量。本实施例中将数据集划分为训练数据集、验证数据集、测试数据集，将历史交通流量数据集中70％的数据作为训练数据集，10％的数据作为验证数据集，20％的数据作为测试数据集。(5)构建卷积神经网络，对历史交通流数据集进行预测模型训练并验证优化。本实施例中通过训练数据集进行模型训练，然后通过验证数据集对本文档来自技高网...

【技术保护点】
1.基于时空相关性和卷积神经网络的短时交通流预测方法，其步骤如下：(1)选定需要进行交通流预测的路段以及该路段中的车辆检测点，获取所选路段及其上下游车辆检测点的短时交通流量历史数据；(2)根据获取的短时交通流历史数据，选定短时交通流预测的预测时段；(3)对预测路段检测点的历史交通流数据进行时间相关性分析确定时滞，对同路段的上下游检测点之间的交通流数据进行空间相关性分析确定车辆检测点数目；(4)提取步骤(3)中确定的相关车辆检测点的交通流数据，按照空间上下游顺序和时间顺序，构建历史交通流量数据集；(5)构建卷积神经网络，对历史交通流数据集进行预测模型训练并验证优化。

【技术特征摘要】
1.基于时空相关性和卷积神经网络的短时交通流预测方法，其步骤如下：(1)选定需要进行交通流预测的路段以及该路段中的车辆检测点，获取所选路段及其上下游车辆检测点的短时交通流量历史数据；(2)根据获取的短时交通流历史数据，选定短时交通流预测的预测时段；(3)对预测路段检测点的历史交通流数据进行时间相关性分析确定时滞，对同路段的上下游检测点之间的交通流数据进行空间相关性分析确定车辆检测点数目；(4)提取步骤(3)中确定的相关车辆检测点的交通流数据，按照空间上下游顺序和时间顺序，构建历史交通流量数据集；(5)构建卷积神经网络，对历史交通流数据集进行预测模型训练并验证优化。2.根据权利要求1所述的基于时空相关性和卷积神经网络的短时交通流预测方法，其特征在于：所述步骤还包括：(6)依据时空特征选择算法对输入交通流数据的最佳时滞和车辆检测点数目进行选定。3.根据权利要求1所述的基于时空相关性和卷积神经网络的短时交通流预测方法，其特征在于：步骤(3)中交通流数据的时间相关性分析和空间相关性分析采用皮尔逊相关系数分析两个交通流...

【专利技术属性】
技术研发人员：张伟斌，余英豪，郭海锋，戚湧，
申请(专利权)人：银江股份有限公司，南京理工大学，
类型：发明
国别省市：浙江,33