基于卷积长短期记忆神经网络的交通拥堵预测方法及系统技术方案

本发明专利技术一种基于卷积长短期记忆神经网络的交通拥堵预测方法，其包括步骤：S1：获取与交通拥堵有关的历史信息；S2：基于历史信息构建交通拥堵指标；S3：构建基于卷积神经网络以及双向长短时间记忆神经网络的预测模型；S4：基于交通拥堵指标训练预测模型；S5；基于历史信息通过预测模型预测未来时间段的交通拥堵情况。此外，本发明专利技术还公开了一种基于卷积长短期记忆神经网络的交通拥堵预测系统。本发明专利技术基于交通速度构造一个合理且直观的交通拥堵指标，利用卷积神经网络和双向长短期记忆网络充分提取交通数据的时间、空间以及周期特征，使得输出的预测结果与实际交通拥堵情况贴合程度大幅提高。

【技术实现步骤摘要】
基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
本专利技术涉及交通运输
，尤其涉及一种用于预测交通路况的预测方法，尤其是涉及一种基于卷积双向长短期记忆神经网络的交通拥堵预测方法。
技术介绍
交通拥堵问题严重影响了人们的生活质量，即使交通管理部门推出各种缓解政策，然而随着机动车数量的爆发式增长，交通拥堵依然是我们目前要关注的最重要的交通问题之一。较为准确的短时交通拥堵预测不仅可以为交通管理者提供可靠的管理依据，同时也向道路使用者展示实际道路状态，方便其做出判断，为缓解交通拥堵以及减少交通事故发生起到了巨大的作用。短时交通拥堵预测作为交通领域的研究热点，近年来取得了丰富的研究成果，预测方法主要可以分为五大类：基于统计理论的预测模型，基于非线性理论的预测模型，基于人工智能理论的预测模型，基于动态交通分配的预测模型以及混合预测模型。统计理论的方法在近几年应用的较少，而智能理论模型预测方法以及组合模型预测方法较为常见，尤其是神经网络与其他模型的组合方法来预测短期交通拥堵逐渐成为研究热点。基于统计理论的方法计算复杂度较低，操作相对简单，但本文档来自技高网...

【技术保护点】
1.一种基于卷积长短期记忆神经网络的交通拥堵预测方法，其特征在于，包括步骤：/nS1：获取与交通拥堵有关的历史信息；/nS2：基于历史信息构建交通拥堵指标；/nS3：构建基于卷积神经网络以及双向长短时间记忆神经网络的预测模型；/nS4：基于交通拥堵指标训练预测模型；/nS5；基于历史信息通过预测模型预测未来时间段的交通拥堵情况，根据预测模型的输出的阈值判别交通拥堵级别，并将交通拥堵级别作为所预测的交通拥堵预测结果。/n

【技术特征摘要】
1.一种基于卷积长短期记忆神经网络的交通拥堵预测方法，其特征在于，包括步骤：
S1：获取与交通拥堵有关的历史信息；
S2：基于历史信息构建交通拥堵指标；
S3：构建基于卷积神经网络以及双向长短时间记忆神经网络的预测模型；
S4：基于交通拥堵指标训练预测模型；
S5；基于历史信息通过预测模型预测未来时间段的交通拥堵情况，根据预测模型的输出的阈值判别交通拥堵级别，并将交通拥堵级别作为所预测的交通拥堵预测结果。


2.如权利要求1所述的基于卷积长短期记忆神经网络的交通拥堵预测方法，其特征在于，所述历史信息包括基于道路车辆的交通速度。


3.如权利要求1所述的基于卷积长短期记忆神经网络的交通拥堵预测方法，其特征在于，在所述步骤S2中，还包括以下步骤：
步骤S21：对历史信息进行数据处理，以获得交通数据时间序列数据；
步骤S22：构建交通拥堵判别指标；
步骤S23：时间序列处理：基于时空相关性的三维输入矩阵。


4.根据权利要求3所述的基于卷积长短期记忆神经网络的交通拥堵预测方法，其特征在于，在所述步骤S21中，数据处理包括：
采用将两个相邻时间段内的数据平均值作为历史信息，并将样本数据的最大值与最小值，按照MIN-MAX归一化准则对数据进行归一化处理，具体如下：



其中，x表示样本数据，xmin表示样本数据的最小值，xmax表示样本数据的最大值。


5.根据权利要求3所述的基于卷积长短期记忆神经网络的交通拥堵预测方法，其特征在于，在所述步骤S22中，通过以下公式构建交...

【专利技术属性】
技术研发人员：倪安宁，李桃，俞岑歆，陈钦钦，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31