The invention discloses a traffic speed prediction method, which belongs to the field of intelligent transportation. The method extracts traffic flow data by loop detector, uses three-dimensional data matrix constructed by three attributes of traffic flow, speed and occupancy obtained from the whole detection section as input, and carries out space-time characteristics by convolutional neural network. Extraction and weighting operations, and finally through the fusion of spatio-temporal data, the traffic speed in the future period is predicted. By integrating the traffic data of the whole section, the method can predict the speed of multiple detection points at one time, and improves the efficiency relative to the single point cycle prediction. In addition, through the fusion of multi-attribute spatial and temporal features and weighted operation, the validity of traffic features is effectively enhanced, and the accuracy of forecasting tasks is improved.
【技术实现步骤摘要】
一种交通速度预测方法
本专利技术涉及智能交通领域,特别是涉及一种基于加权卷积神经网络模型的交通速度预测方法。
技术介绍
随着经济的发展,城市居民机动车保有数量不断的增加,道路交通网的负荷也在不断的上升。为了解决高负荷带来的交通问题,智能交通系统被提了出来,其中最为核心、最具有挑战性的部分就是对道路交通流数据预测,这也是实现其他高级功能的基础。短时交通流预测的目标是通过预测传感器所在位置未来的交通状态的指标变量如速度、占有率等评价指标进行的预测,通常时间范围为5至30分钟。交通流有着很复杂的时空依赖关系,除了预测数据本身包含复杂的时间序列特性,其还受到其他不同因素的影响,比如地理位置、交通时段变化、突发事故等。这些因素导致了数据的不稳定变化,使得相关任务极具挑战性。常用的预测方法多是对单点进行预测,这限制了预测任务中将周边的不同因素的影响纳入模型中。有的模型考虑了时空特征,也只是使用了单一属性,而且无法有效的对时空属性进行利用。在交通预测任务中,数据的时间顺序与空间分布是非常重要的。不同的时序位置的变量与不同的空间位置的变量对未来的预测任务有着不同程度的影响。然而多数模型都默认为所有的变量有着相同的权重,降低了重要特征的有效性。
技术实现思路
为解决交通速度预测任务中难以有效提取交通流时空特征的问题,以及如何衡量时空特征有效性的问题,本专利技术提供一种基于加权卷积神经网络模型的交通速度预测方法。本专利技术的技术方案如下:一种交通速度预测方法,包括以下步骤:步骤1):按照固定时间间隔对所选路段的交通流数据进行收集,对收集到的数据进行数据清洗、局部加权散点图平滑以及 ...
【技术保护点】
1.一种交通速度预测方法,其特征在于,包括以下步骤:步骤1):按照固定时间间隔对所选路段的交通流数据进行收集,对收集到的数据进行预处理,通过预处理数据构建出基于时空特征的交通流矩阵;步骤2):将交通流矩阵输入常规的卷积单元,获取到交通流数据的空间特征图集合;步骤3):将交通流矩阵输入门限卷积单元,获取到交通流数据的时间特征图集合;步骤4):将交通流数据的空间特征图集合与时间特征图集合分别通过特征图加权模块与特征通道加权模块,对加权后的特征数据进行叠加,得到融合的时空特征集合;步骤5):通过全连接神经网络进行多检测点的交通速度预测。
【技术特征摘要】
1.一种交通速度预测方法,其特征在于,包括以下步骤:步骤1):按照固定时间间隔对所选路段的交通流数据进行收集,对收集到的数据进行预处理,通过预处理数据构建出基于时空特征的交通流矩阵;步骤2):将交通流矩阵输入常规的卷积单元,获取到交通流数据的空间特征图集合;步骤3):将交通流矩阵输入门限卷积单元,获取到交通流数据的时间特征图集合;步骤4):将交通流数据的空间特征图集合与时间特征图集合分别通过特征图加权模块与特征通道加权模块,对加权后的特征数据进行叠加,得到融合的时空特征集合;步骤5):通过全连接神经网络进行多检测点的交通速度预测。2.根据权利要求1所述的一种交通速度预测方法,其特征在于,所述步骤1)中对收集到的数据进行预处理具体为:数据清洗、局部加权散点图平滑以及标准化。3.根据权利要求1所述的一种交通速度预测方法,其特征在于,所述步骤2)中常规卷积单元由卷积层、批标准化以及激活函数组成。4.根据权利要求1所述的一种交通速度预测方法,其特征在于,所述步骤3)中门...
【专利技术属性】
技术研发人员:刘擎超,蔡英凤,陈龙,江浩斌,王博宸,梁军,陈小波,
申请(专利权)人:江苏大学,
类型:发明
国别省市:江苏,32
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。