基于神经网络的短时交通流量预测方法、系统和存储介质技术方案

本发明专利技术公开了一种基于神经网络的短时交通流量预测方法、系统和存储介质，方法包括以下步骤：根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；通过所述模型输入数据对第一预测模型进行训练；将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；通过所述输入数据对所述第二预测模型进行训练；通过训练后的所述第二预测模型进行实时交通流量预测。本发明专利技术通过训练后的第二预测模型进行实时交通流量预测，以有效提高交通流量的预测精度。本发明专利技术可广泛应用于交通流量预测技术领域。

【技术实现步骤摘要】
基于神经网络的短时交通流量预测方法、系统和存储介质
本专利技术涉及交通流量预测
，尤其是一种基于神经网络的短时交通流量预测方法、系统和存储介质。
技术介绍
随着科技水平的不断提升，交通的智能化程度不断提高，交通数据的采集形式更加丰富多样，海量的交通数据被收集，如何挖掘交通数据的隐含信息并将其应用于对未来交通流量的精准高效地预测，为交通决策者提供理论依据，为出行者提供数据参考也成为了智能交通的新议题。神经网络模型已经被广泛的应用于交通流量的预测工作中，并且是智能交通的热点研究方向，但现有的单一的神经网络模型因为其结构较为简单，难以挖掘数据潜在信息并防止信息在网络流动中的丢失，从而难以提高交通流量的预测精度。
技术实现思路
为解决上述技术问题，本专利技术的目的在于：提供一种基于神经网络的短时交通流量预测方法、系统和存储介质，其能有效提高交通流量的预测精度。第一方面，本专利技术实施例提供了：一种基于神经网络的短时交通流量预测方法，包括以下步骤：根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；通过所述模型输入数据对第一预测模型进行训练；将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；通过所述输入数据对所述第二预测模型进行训练；通过训练后的所述第二预测模型进行实时交通流量预测。进一步地，所述根据获取的原始数据构造模型输入数据，包括：获取原始数据；识别所述原始数据内的异常数据；修复所述原始数据内的异常数据，得到第一数据；对所述第一数据按照预设时间间隔进行数据整合，得到第二数据；对所述第二数据进行大数据预处理，得到第三数据；根据所述第三数据构造模型输入数据。进一步地，所述根据所述第三数据构造模型输入数据，其具体为：根据所述第三数据构造路网结构信息和交通流量信息，将所述路网结构信息和所述交通流量信息作为模型输入数据。进一步地，所述第一预测模型包括时空卷积块、LSTM网络和全连接层；所述通过所述模型输入数据对第一预测模型进行训练，包括：将所述模型输入数据输入所述时空卷积块，通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系；将获取到空间关联关系和时序关联关系的模型输入数据输入到所述LSTM网络，通过所述LSTM网络获取所述模型输入数据的变化规律；根据所述空间关系、所述时序关系和所述变化规律通过所述全连接层预测输出结果。进一步地，所述时空卷积块包括第一时序卷积块、空间卷积块和第二时序卷积块，所述通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系，包括：通过所述第一时序卷积块对所述模型输入数据内相邻两个时刻的数据进行第一时序卷积，得到第一时序关系；通过所述空间卷积块对时序卷积后的模型输入数据进行空间卷积，得到空间关系；通过所述第二时序卷积块对空间卷积后的模型输入数据进行第二时序卷积，得到第二时序关系。进一步地，在所述第一预测模型训练过程中，还包括以下步骤：保存多个模型权重。进一步地，在所述第一预测模型训练过程中，还包括以下步骤：通过余弦退火方式设定模型学习率。第二方面，本专利技术实施例提供了：一种基于神经网络的短时交通流量预测系统，包括：数据构造模块，用于根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；第一训练模块，用于通过所述模型输入数据对第一预测模型进行训练；替换模块，用于将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；第二训练模块，用于通过所述输入数据对所述第二预测模型进行训练；预测模块，用于通过训练后的所述第二预测模型进行实时交通流量预测。第三方面，本专利技术实施例提供了：一种基于神经网络的短时交通流量预测系统，包括：至少一个存储器，用于存储程序；至少一个处理器，用于加载所述程序以执行所述的基于神经网络的短时交通流量预测方法。第四方面，本专利技术实施例提供了：一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现所述的基于神经网络的短时交通流量预测方法。本专利技术的有益效果是：本专利技术通过根据获取的原始数据构造模型输入数据，并通过模型输入数据对第一预测模型进行训练，接着将训练完成后的第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型，并通过输入数据对第二预测模型进行训练，最后通过训练后的第二预测模型进行实时交通流量预测，以有效提高交通流量的预测精度。附图说明图1为本专利技术一种具体实施例的基于神经网络的短时交通流量预测方法的流程图；图2为本专利技术一种具体实施例的第一预测模型的结构示意图；图3为本专利技术一种具体实施例的第二预测模型的结构示意图。具体实施方式下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。参照图1，本专利技术实施例提供了一种基于神经网络的短时交通流量预测方法，本实施例可应用于服务器，所述服务器可与多个终端设备交互。本实施例包括以下步骤：S11、根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；在一些实施例中，所述根据获取的原始数据构造模型输入数据，可通过以下步骤实现：S111、获取原始数据，所述原始数据包括交通数据和道路数据；S112、利用数据分布和历史数据识别所述原始数据内的异常数据；S113、利用K邻近算法修复所述原始数据内的异常数据，得到第一数据；S114、对所述第一数据按照预设时间间隔进行数据整合，得到第二数据；本步骤中的预设时间间隔可以是5分钟、10分钟或者15分钟，具体可以根据实际需求进行调整；S115、通过数据平滑方式对所述第二数据进行大数据预处理，得到第三数据；S116、根据所述第三数据构造模型输入数据；本步骤也可以直接将第三数据作为模型输入数据。本实施例通过对原始数据进行处理后，再构造模型输入数据，以提高后续步骤中模型的训练精度和准确度。在一些实施例中，所述根据所述第三数据构造模型输入数据，其具体为：根据所述第三数据构造路网结构信息和本文档来自技高网...

【技术保护点】
1.一种基于神经网络的短时交通流量预测方法，其特征在于，包括以下步骤：/n根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；/n通过所述模型输入数据对第一预测模型进行训练；/n将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；/n通过所述输入数据对所述第二预测模型进行训练；/n通过训练后的所述第二预测模型进行实时交通流量预测。/n

【技术特征摘要】
1.一种基于神经网络的短时交通流量预测方法，其特征在于，包括以下步骤：
根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；
通过所述模型输入数据对第一预测模型进行训练；
将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；
通过所述输入数据对所述第二预测模型进行训练；
通过训练后的所述第二预测模型进行实时交通流量预测。


2.根据权利要求1所述的一种基于神经网络的短时交通流量预测方法，其特征在于，所述根据获取的原始数据构造模型输入数据，包括：
获取原始数据；
识别所述原始数据内的异常数据；
修复所述原始数据内的异常数据，得到第一数据；
对所述第一数据按照预设时间间隔进行数据整合，得到第二数据；
对所述第二数据进行大数据预处理，得到第三数据；
根据所述第三数据构造模型输入数据。


3.根据权利要求2所述的一种基于神经网络的短时交通流量预测方法，其特征在于，所述根据所述第三数据构造模型输入数据，其具体为：
根据所述第三数据构造路网结构信息和交通流量信息，将所述路网结构信息和所述交通流量信息作为模型输入数据。


4.根据权利要求1所述的一种基于神经网络的短时交通流量预测方法，其特征在于，所述第一预测模型包括时空卷积块、LSTM网络和全连接层；所述通过所述模型输入数据对第一预测模型进行训练，包括：
将所述模型输入数据输入所述时空卷积块，通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系；
将获取到空间关联关系和时序关联关系的模型输入数据输入到所述LSTM网络，通过所述LSTM网络获取所述模型输入数据的变化规律；
根据所述空间关系、所述时序关系和所述变化规律通过所述全连接层预测输出结果。


5.根据权利要求4所述的一种基于神经网络的短时交通流量预测方法，其特...

【专利技术属性】
技术研发人员：陈志军，钟宏亮，章翔，田烜宇，周帅鹏，鲁哲，陈秋实，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42