一种基于卷积神经网络的短期交通流量预测方法及系统技术方案

本发明专利技术公开了基于卷积神经网络的短期交通流量预测方法及系统，该方法包括接收各个路口的过车记录数据，生成交通流量数据集和轨迹数据集；将轨迹数据集作为CBOW模型的输入，得到路口的向量表达，进而通过计算向量的距离得到路口间的交通流量影响关系；构建特征矩阵并作为预测模型的输入；应用卷积神经网络作为预测模型，对预测模型的参数进行训练，将测试数据集输入至预测模型并计算输出预测值与目标值的平均误差，选择误差最小所对应的参数作为预测模型的最优参数，得到最优预测模型，进而输出交通流量的最佳预测值。本发明专利技术考虑了交通流量在时间和空间上的联系，结合卷积神经网络，提高了短期交通流量的预测准确率。

【技术实现步骤摘要】

本专利技术属于数据挖掘领域，尤其涉及一种基于卷积神经网络的短期交通流量预测方法及系统。
技术介绍
进入21世纪以来，社会经济的高速发展使得人们越来越依赖各类交通工具，也就使得城市的交通问题越来越突出。准确地对各个交通路口路段的车流量进行预测可以指导驾驶员选择驾驶路线，有效地缓解拥堵问题。同时，准确的交通流量预测也是建设智慧城市的重要组成部分。在预测方法上，目前已经有移动平均模型，k近邻模型，自回归模型以及神经网络模型。这些模型在应用时候只针对每个路口的车流量的时间序列数据进行分析，或者利用有相似的流量曲线的路口减少预测误差。而且现有的交通流量预测方法，有的根据地理位置上下游来选择路口，这样存在的问题是：由于限行或者信号灯控制等因素，地理位置相近的路口间交通流量影响不是确定的；更远的上游路口可能对当前路口交通流量数据有重要影响，这样无法发现路口间影响的强弱，即无法通过地理位置直接判断路口间影响强弱；而且现有的交通流量预测时路口数据组合大多数是人为设定，这样无法根据实际数据动态获取。然而，由于交通流数据的统计是基于动态的车辆位置信息，因此不同路口间的流量数据存在复杂的直接或者间接的关系，以上的模型或方法无法有效处理这些关系，预测误差相对较高。
技术实现思路
为了解决现有技术的缺点，本专利技术提供一种基于卷积神经网络的短期交通流量预测方法及系统。本专利技术利用交通网络中各个路口间的交通关系找到各路口流量间的内在联系，并针对数据量巨大的情况采用卷积神经网络来充分利用这些数据，减少预测误差。为实现上述目的，本专利技术采用以下技术方案：一种基于卷积神经网络的短期交通流量预测方法，该方法从服务器侧进行描述，该方法包括：接收各个路口的过车记录数据，生成交通流量数据集和轨迹数据集；将轨迹数据集作为CBOW模型的输入，得到路口的向量表达，进而通过计算向量的距离得到路口间的交通流量影响关系；根据路口间的交通流量影响关系、每个路口的交通流量及其对应的周平均交通流量和周众数交通流量，构建特征矩阵并作为预测模型的输入；应用卷积神经网络作为预测模型，对预测模型的参数进行训练，将测试数据集输入至预测模型并计算输出预测值与目标值的平均误差，选择误差最小所对应的参数作为预测模型的最优参数，得到最优预测模型，进而输出交通流量的最佳预测值。本专利技术的基于卷积神经网路的短期交通流量预测考虑了时间和空间两个维度上的交通流量影响关系，可以实现更加准确的预测。在服务器内设置轨迹长度阈值，删除轨迹数据集内小于轨迹长度阈值的轨迹数据。在大范围的统计数据中无法避免产生部分异常值，因此为了保证预测模型的精确以及预测结果的准确性，需要删除轨迹数据集内小于轨迹长度阈值的轨迹数据。路口间的交通流量影响关系采用相应路口间欧氏距离表示；路口间欧氏距离越小，则相应路口间的交通流量影响越大。所述特征矩阵中的数据包括路口的三种流量数据，分别为路口交通流量，及其对应的周平均交通流量和周众数交通流量；所述特征矩阵的横向为时间轴，每个路口的每种流量数据为一行，自左而右按时间先后排序；纵向为空间轴，每个路口的三种流量数据为一组，自上而下按其他路口对与第一个路口的影响大小排序。每个路口与一组特征矩阵相对应，每个特征矩阵与一个目标值相对应。这一组特征矩阵数据均来自于同一组路口，即第一个路口和对第一个路口影响最大的k(k≥1)个路口。每个特征矩阵及其目标值构成一个训练样本；目标值为与所述特征矩阵中前三行数据对应路口的下一个时间段的真实流量值。本专利技术采用CBOW模型在轨迹数据上发现路口间的影响关系，并以此为依据组合特征矩阵，可以发现距离较远而影响较大的路口集合；能找出路口间影响的强弱，只考虑影响最强的k(k≥1)个路口；而且路口影响因子可以动态获取，无需人为标注；特征矩阵中包含周平均数据和周众数数据，可以不止依赖实时交通流量进行预测，因此能够有效降低交通流量数据中异常值的不利影响。一种基于卷积神经网络的短期交通流量预测系统，该系统包括服务器，所述服务器包括：数据集生成模块，其用于接收各个路口的过车记录数据，生成交通流量数据集和轨迹数据集；交通流量影响关系计算模块，其用于将轨迹数据集作为CBOW模型的输入，得到路口的向量表达，进而通过计算向量的距离得到路口间的交通流量影响关系；特征矩阵构建模块，其用于根据路口间的交通流量影响关系、每个路口的交通流量及其对应的周平均交通流量和周众数交通流量，构建特征矩阵并作为预测模型的输入；预测模块，其用于应用卷积神经网络作为预测模型，对预测模型的参数进行训练，将测试数据集输入至预测模型并计算输出预测值与目标值的平均误差，选择误差最小所对应的参数作为预测模型的最优参数，得到最优预测模型，进而输出交通流量的最佳预测值。在所述交通流量影响关系计算模块中，路口间的交通流量影响关系采用相应路口间欧氏距离表示；路口间欧氏距离越小，则相应路口间的交通流量影响越大。所述特征矩阵中的数据包括路口的三种流量数据，分别为路口交通流量，及其对应的周平均交通流量和周众数交通流量；所述特征矩阵的横向为时间轴，每个路口的每种流量数据为一行，自左而右按时间先后排序；纵向为空间轴，每个路口的三种流量数据为一组，自上而下按其他路口对与第一个路口的影响大小排序。每个路口与一组特征矩阵相对应，每个特征矩阵与一个目标值相对应。这一组特征矩阵数据均来自于同一组路口，即第一个路口和对第一个路口影响最大的k(k≥1)个路口。每个特征矩阵及其目标值构成一个训练样本；目标值为与所述特征矩阵中前三行数据对应路口的下一个时间段的真实流量值。本专利技术还提供了一种基于卷积神经网络的短期交通流量预测方法，该方法从数据采集装置和服务器混合侧进行描述，包括：数据采集装置采集交通流量数据和轨迹数据分别形成交通流量数据集和轨迹数据集；服务器接收交通流量数据集和轨迹数据集；服务器将轨迹数据集作为CBOW模型的输入，得到路口的向量表达，进而通过计算向量的距离得到路口间的交通流量影响关系；服务器根据路口间的交通流量影响关系、每个路口的交通流量及其对应的周平均交通流量和周众数交通流量，构建特征矩阵并作为预测模型的输入；服务器应用卷积神经网络作为预测模型，对预测模型的参数进行训练，将测试数据集输入至预测模型并计算输出预测值与目标值的平均误差，选择误差最小所对应的参数作为预测模型的最优参数，得到最优预测模型，进而输出交通流量的最佳预测值。在服务器内设置轨迹长度阈值，删除轨迹数据集内小于轨迹长度阈值的轨迹数据。在服务器内设置轨迹长度阈值，删除轨迹数据集内小于轨迹长度阈值的轨迹数据。在大范围的统计数据中无法避免产生部分异常值，因此为了保证预测模型的精确以及预测结果的准确性，需要删除轨迹数据集内小于轨迹长度阈值的轨迹数据。路口间的交通流量影响关系采用相应路口间欧氏距离表示；路口间欧氏距离越小，则相应路口间的交通流量影响越大。所述特征矩阵中的数据包括路口的三种流量数据，分别为路口交通流量，及其对应的周平均交通流量和周众数交通流量；所述特征矩阵的横向为时间轴，每个路口的每种流量数据为一行，自左而右按时间先后排序；纵向为空间轴，每个路口的三种流量数据为一组，自上而下按其他路口对与第一个路口的影响大小排序。每个路口与一组特征矩阵相对应，每个特征矩阵与一个目标本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的短期交通流量预测方法，其特征在于，该方法在服务器内完成，该方法包括：接收各个路口的过车记录数据，生成交通流量数据集和轨迹数据集；将轨迹数据集作为CBOW模型的输入，得到路口的向量表达，进而通过计算向量的距离得到路口间的交通流量影响关系；根据路口间的交通流量影响关系、每个路口的交通流量及其对应的周平均交通流量和周众数交通流量，构建特征矩阵并作为预测模型的输入；应用卷积神经网络作为预测模型，对预测模型的参数进行训练，将测试数据集输入至预测模型并计算输出预测值与目标值的平均误差，选择误差最小所对应的参数作为预测模型的最优参数，得到最优预测模型，进而输出交通流量的最佳预测值。

【技术特征摘要】
1.一种基于卷积神经网络的短期交通流量预测方法，其特征在于，该方法在服务器内完成，该方法包括：接收各个路口的过车记录数据，生成交通流量数据集和轨迹数据集；将轨迹数据集作为CBOW模型的输入，得到路口的向量表达，进而通过计算向量的距离得到路口间的交通流量影响关系；根据路口间的交通流量影响关系、每个路口的交通流量及其对应的周平均交通流量和周众数交通流量，构建特征矩阵并作为预测模型的输入；应用卷积神经网络作为预测模型，对预测模型的参数进行训练，将测试数据集输入至预测模型并计算输出预测值与目标值的平均误差，选择误差最小所对应的参数作为预测模型的最优参数，得到最优预测模型，进而输出交通流量的最佳预测值。2.如权利要求1所述的一种基于卷积神经网络的短期交通流量预测方法，其特征在于，在服务器内设置轨迹长度阈值，删除轨迹数据集内小于轨迹长度阈值的轨迹数据。3.如权利要求1所述的一种基于卷积神经网络的短期交通流量预测方法，其特征在于，路口间的交通流量影响关系采用相应路口间欧氏距离表示；路口间欧氏距离越小，则相应路口间的交通流量影响越大。4.如权利要求1所述的一种基于卷积神经网络的短期交通流量预测方法，其特征在于，每个路口与一组特征矩阵相对应，每个特征矩阵与一个目标值相对应。5.如权利要求4所述的一种基于卷积神经网络的短期交通流量预测方法，其特征在于，所述特征矩阵中的数据包括路口的三种流量数据，分别为路口交通流量，及其对应的周平均交通流量和周众数交通流量；所述特征矩阵的横向为时间轴，每个路口的每种流量数据为一行，自左而右按时间先后排序；纵向为空间轴，每个路口的三种流量数据为一组，自上而下按其他路口对与第一个路口的影响大小排序。6.如权利要求5所述的一种基于卷积神经网络的短期交通流量预测方法，其特征...

【专利技术属性】
技术研发人员：于东海，陈勐，
申请(专利权)人：济南观澜数据技术有限公司，
类型：发明
国别省市：山东;37