【技术实现步骤摘要】
交通流预测方法、系统、存储介质及终端
本专利技术属于道路交通监测领域，特别是涉及一种交通流预测方法、系统、存储介质及终端。
技术介绍
随着我国经济的快速发展，车辆的生产和使用大规模增加，越来越多的城市面临着交通拥堵问题，严重影响了城市的生活与发展，交通流预测作为智能交通系统(IntelligentTrafficSystem，简称ITS)的重要组成部分是保证ITS正常工作的重要一环，对于缓解交通压力、保证交通顺畅有着重要意义。目前，针对交通流预测问题现有方法大致可以分为三类，基于数据与统计、浅层神经网络和深度学习神经网络；其中，基于数据与统计的交通流预测模型如历史平均(HistoryAverage)模型和时间序列(ARIMA)模型等不能有效处理交通数据；浅层神经网络模型如贝叶斯神经网络模型和卡尔曼滤波模型容易陷入局部极值、无法有效模拟大规模复杂计算，对交通流预测这类复杂问题不能取得理想效果；至于深度学习神经网络模型在交通流预测方面取得了一定的成果；诸如，郑宇等人使用深度卷积残差网络对交通流的时空特性进行探索；余海洋等人...
【技术保护点】
1.一种交通流预测方法，其特征在于，包括以下步骤：/n根据交通数据构建交通流时空张量；/n搭建基于模糊卷积长短期记忆网络的交通流预测模型；/n基于所述交通流时空张量和所述交通数据训练所述交通流预测模型，获取训练好的交通流预测模型；/n基于实时交通流时空张量、实时交通数据及所述训练好的交通流预测模型预测交通流。/n
【技术特征摘要】
1.一种交通流预测方法，其特征在于，包括以下步骤：
根据交通数据构建交通流时空张量；
搭建基于模糊卷积长短期记忆网络的交通流预测模型；
基于所述交通流时空张量和所述交通数据训练所述交通流预测模型，获取训练好的交通流预测模型；
基于实时交通流时空张量、实时交通数据及所述训练好的交通流预测模型预测交通流。
2.根据权利要求1所述的交通流预测方法，其特征在于，根据交通数据构建所述交通流时空张量的公式为：
其中，和分别表示第i行、第j列所在区域在第t个时间区间内的入流和出流；P表示第t个时间区间内的所有GPS轨迹集合；gk表示轨迹Tr的第k个GPS点的地理位置，gk∈(i,j)表示gk位于第i行、第j列所在的区域内；gk-1表示轨迹Tr的第(k-1)个GPS点的地理位置；表示gk-1不在第i行、第j列所在的区域内；gk+1表示轨迹Tr的第(k+1)个GPS点的地理位置；表示gk+1不在第i行、第j列所在的区域内；
一个城市第t个时间区间内所有区域的交通流用一个2×I×J的三维时空张量表示为：交通流时空张量Xt，Xt∈R2×I×J；其中0表示入流；1表示出流。
3.根据权利要求1所述的交通流预测方法，其特征在于，所述交通流预测模型包括外部因素模块、临近趋势模块、日趋势模块、周趋势模块及融合模块；
其中，所述外部因素模块包括第一全连接层和第二全连接层；所述第二全连接层用于将所述第一全连接层输出的低维的外部因素预测张量映射为高维的外部因素预测张量；
所述临近趋势模块、所述日趋势模块和所述周趋势模块均包括一模糊神经网络、一深度神经网络、一融合层及至少一第三全连接层；所述融合层用于将所述模糊神经网络的输出和所述深度神经网络的输出进行融合；所述第三全连接层用于对所述融合层的融合结果进行继续学习，并输出预测张量；所述临近趋势模块、所述日趋势模块和所述周趋势模块分别输出临近预测张量、日预测张量及周预测张量；
所述融合模块用于将所述临近预测张量、所述日预测张量及所述周预测张量进行第一融合，以产生第一融合结果；及用于将所述第一融合结果与所述高维的外部因素预测张量进行再次融合。
4.根据权利要求3所述的交通流预测方法，其特征在于，所述模糊神经网络包括输入层、模糊化层和模糊规则层；
所述模糊化层中的每个节点代表一个隶属度函数，计算输入节点隶属于模糊集的程度；所述隶属度函数的公式为：
其中，ui表示高斯函数；μi和σi分别表示高斯函数的中心和宽度，μi和σi均是可学习参数；表示l层模糊化层中节点i的输出；表示l-1层中节点k的输出，节点k与节点i相连；
在所述模糊规则层中，执行与操作，公式为...
【专利技术属性】
技术研发人员：蒋昌俊，闫春钢，张亚英，丁志军，余慧云，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31
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。