基于CNN-LSTM-At神经网络的短时交通流量预测方法技术

本发明专利技术公开了一种基于CNN‑LSTM‑At神经网络的短时交通流量预测方法，以某个地区的出租车数据作为交通流量的代表，先对该地区进行网格化划分，再以一段时间间隔内的交通流量定义为在这个时间间隔内到达和/或离开该方格的出租车订单次数，通过矩阵的方式表示出租车订单，使用滑动窗口的方式提取邻近的矩阵构成数据集，通过卷积神经网络进行卷积运算，再将卷积运算的输出结果输入到LSTM中，同时将输出结果添加一个注意力机制，找到最需要注意的时间步，最后进行样本全连通和整形变换生成预测结果矩阵，由此本发明专利技术可以提取矩阵的时空间关系，并进行实时预测，在能获得足够多数据的情况下，可以实时更新模型，预测交通流量，具备很高的准确性。

【技术实现步骤摘要】
基于CNN-LSTM-At神经网络的短时交通流量预测方法
本专利技术涉及交通流量预测
，特别涉及一种基于CNN-LSTM-At神经网络的短时交通流量预测方法。
技术介绍
交通流量的预测随着城市化的进程加剧，一直是一个经久不衰的热门课题。实时获取城市道路交通流量，准确预测城市道路未来交通流量，可以提升交通管制和引导的效率，提高城市道路出行的质量。车联网技术的发展，例如车与车通信(VehicletoVehicle，V2V)、车与基础设施通信(VehicletoInfrastructure，V2I)、车与外界的信息交换(vehicletoeverything，V2X)等。车联网通过整合全球定位系统(GPS)导航技术、车对车交流技术、获取了大量的信息数据，伴随着大量数据的不断出现，预测交通流量的新方法也不断出现，引发了越来越多的关注。交通流量的预测对于缓解城市交通压力，提高人民生活水平有十分重要的意义。例如，通过准确预测各个路口的交通流量数据，可以提前引导驾驶者选择合适的道路避免在城市车流高峰期产生拥堵。通过预测城市各个时间点的不同位置的交通流量本文档来自技高网...

【技术保护点】
1.基于CNN-LSTM-At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：/nS1：将某一个区域划分为一个a×b的方格，总共有S＝a×b个网格，将整个时间段划分成n个连续相等的时间间隔t，将时间间隔t内的交通流量定义为在这个时间间隔内到达和/或离开该方格的出租车订单次数，以矩阵O(t)表示到达该区域的出租车订单，以矩阵D(t)表示离开该区域的出租车订单：/n

【技术特征摘要】
1.基于CNN-LSTM-At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：
S1：将某一个区域划分为一个a×b的方格，总共有S＝a×b个网格，将整个时间段划分成n个连续相等的时间间隔t，将时间间隔t内的交通流量定义为在这个时间间隔内到达和/或离开该方格的出租车订单次数，以矩阵O(t)表示到达该区域的出租车订单，以矩阵D(t)表示离开该区域的出租车订单：






式中：表示每一个方格的某一个时间间隔内的到达该地区出租车订单，表示每一个方格的某一个时间间隔内的离开该地区出租车订单；
S2：使用滑动窗口的方式提取邻近的矩阵O(t)和/或矩阵D(t)生成数据集，通过卷积神经网络进行卷积运算；
S3：将卷积运算的输出结果作为LSTM的输入序列，将LSTM输出结果添加一个注意力机制，找到最需要注意的时间步，最后进行样本全连通和整形变换生成预测结果矩阵。


2.根据权利要求1所述的基于CNN-LSTM-At神经网络的短时交通流量预测方法，其特征在于：步骤S2中，卷积神经网络的卷积层具有32个和64个2×2大小的卷积核，使用relu激活函数，padding填充时使填充后输出的宽度和高度与输入相同；卷积神经网络的池化层采用MaxPollin...

【专利技术属性】
技术研发人员：徐兴，刘成星，赵芸，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33