一种基于深度学习组合模型的断面车道级短时交通流预测方法技术

本发明专利技术公开了一种基于深度学习组合模型的断面车道级短时交通流预测方法，包括以下步骤：1)对已有交通流数据进行数据预处理；2)提取同一时刻预测车道断面与周围连接路段交通流信息和拓扑连接结构，获取短时交通流的上下游的空间相关性特征；3)提取同一时刻预测车道断面所处路段所有不同断面车道交通流状态，获取目标车道与同一路段不同断面车道空间相关性特征和时间特征；4)通过FC网络将两种空间特征与时间特征相融合，进行交通流的预测；5)使用交通流实际值与预测值进行比较，优化参数，获得最终的FC网络模型；6)采用最终的FC网络模型进行断面车道级短时交通流预测。本发明专利技术方法能有效提升断面车道级别短时交通流预测结果的准确性。

【技术实现步骤摘要】
一种基于深度学习组合模型的断面车道级短时交通流预测方法
本专利技术涉及智能交通技术，尤其涉及一种基于深度学习组合模型的断面车道级短时交通流预测方法。
技术介绍
随着交通需求的与日俱增，大量的交通需求与有限的交通供应之间的不平衡造成了交通拥堵。交通拥堵不仅会导致社会诸项功能的衰退而且还将引发城市生存环境的持续恶化。为了避免拥堵带来的不良后果,根据道路网络的相关信息提前预测下一时段的交通流状况，对缓解城市道路交通拥堵具有重要的现实意义和理论研究价值。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于深度学习组合模型的断面车道级短时交通流预测方法。本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习组合模型的断面车道级短时交通流预测方法，包括以下步骤：1)对已有交通流数据进行数据预处理；2)在已有交通流数据中提取同一时刻预测车道断面与周围连接路段交通流信息和拓扑连接结构，获取短时交通流的上下游的空间相关性特征；3)提取同一时刻预测车道断面所处路段所有不同本文档来自技高网...

【技术保护点】
1.一种基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，包括以下步骤：/n1)对已有交通流数据进行数据预处理；/n2)在已有交通流数据中提取同一时刻预测车道断面与周围连接路段交通流信息和拓扑连接结构，获取短时交通流的上下游的空间相关性特征；/n3)提取同一时刻预测车道断面所处路段所有不同断面车道交通流状态，获取目标车道与同一路段不同断面车道空间相关性特征和时间特征；/n4)通过FC网络将两种空间特征与时间特征相融合，进行交通流的预测；/n5)使用交通流实际值与FC网络预测值进行比较，计算损失值，优化参数，获得最终的FC网络模型；/n6)采用最终的FC网络模型和获取的两种空间特征...

【技术特征摘要】
1.一种基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，包括以下步骤：
1)对已有交通流数据进行数据预处理；
2)在已有交通流数据中提取同一时刻预测车道断面与周围连接路段交通流信息和拓扑连接结构，获取短时交通流的上下游的空间相关性特征；
3)提取同一时刻预测车道断面所处路段所有不同断面车道交通流状态，获取目标车道与同一路段不同断面车道空间相关性特征和时间特征；
4)通过FC网络将两种空间特征与时间特征相融合，进行交通流的预测；
5)使用交通流实际值与FC网络预测值进行比较，计算损失值，优化参数，获得最终的FC网络模型；
6)采用最终的FC网络模型和获取的两种空间特征与时间特征的进行断面车道级短时交通流预测。


2.根据权利要求1所述的基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，所述步骤1)中数据预处理包括数据归一化处理，以及检查所述数据集中测量数据中的缺失值并进行填充。


3.根据权利要求1所述的基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，所述步骤2)中获取短时交通流的上下游的空间相关性特征，具体如下：
2.1)收集目标检测车道和与其有拓扑接连路段交通流数据集，将同一点所有交通流数据映射到一维向量；收集该车道与所述拓扑接连路段的拓扑连接关系，将其接连关系按行进方向分别表示为出邻接矩阵和进邻接矩阵；
2.2)将各点交通流向量表示为各点的特征向量，将出邻接矩阵和相关点特征向量输入两层GCN网络提取出各点间带有空间特...

【专利技术属性】
技术研发人员：张清勇，周天立，刘静，占洋，邹瀚仪，谭美芳，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42