【技术实现步骤摘要】
基于混合深度学习模型的城市区域路网过车流量预测方法及其系统
本专利技术属于模型计算
，具体涉及一种基于ConvLSTM与BiLSTM混合深度学习模型的城市区域路网过车流量预测方法及其系统。
技术介绍
在中大城市，由于机动车数量的增长幅度远远高于交通设施的建设进度，城市交通基础设施的建设无法满足不断增加的交通需求，导致城市交通供需不平衡，矛盾越来越尖锐，并引发经济损失、人员伤亡、生态环境恶化等社会问题，交通拥堵问题已经成为阻碍城市发展的重要原因之一。基于路网上的实时交通信息准确判断交通运行状态，并据此采取科学合理的交通管控措施加以诱导，是应对城市交通拥堵问题的重要手段。因此需要实现实时准确的交通流量预测并识别路网交通运行状态，提前预知道路交通运行状态，为实时交通管控提供有效数据支撑，智能交通研究领域已成为热点。随着交通电子设备的快速发展，道路交通调查手段越来越丰富，指标准确度提高，指标体系扩大，有着收集大样本综合信息能力的交通电子设备被广泛应用，道路高清摄像卡口监控系统就是其中之一。卡口过车数据能够精确识...
【技术保护点】
1.基于混合深度学习模型的城市区域路网过车流量预测方法，其特征在于，包括如下步骤：/nS1：基于卡口过车数据，进行交通流量统计，计算获取到实时过车流量与累积流量；/nS2：基于步骤S1获取的流量数据，对卡口过车流量数据进行时空分布特征分析，并且根据分析结果进行特征提取，获取到时空影响因子；/nS3：根据时空影响因子，构建和训练ConvLSTM与BiLSTM混合深度学习模型；/nS4：通过构建好的ConvLSTM与BiLSTM混合深度学习模型对城市区域路网交通流量进行同步预测，选取预测损失函数与评价指标，并对结果进行可视化表达；/nS5：根据步骤S4的预测结果，通过线性时间序...
【技术特征摘要】
1.基于混合深度学习模型的城市区域路网过车流量预测方法，其特征在于，包括如下步骤：
S1：基于卡口过车数据，进行交通流量统计，计算获取到实时过车流量与累积流量；
S2：基于步骤S1获取的流量数据，对卡口过车流量数据进行时空分布特征分析，并且根据分析结果进行特征提取，获取到时空影响因子；
S3：根据时空影响因子，构建和训练ConvLSTM与BiLSTM混合深度学习模型；
S4：通过构建好的ConvLSTM与BiLSTM混合深度学习模型对城市区域路网交通流量进行同步预测，选取预测损失函数与评价指标，并对结果进行可视化表达；
S5：根据步骤S4的预测结果，通过线性时间序列预测模型Prophet计算交通流量变化度，进行交通状态识别，实现交通状态预判。
2.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法，其特征在于，所述步骤S1具体为：统计不同时间尺度下，每个路口每个时间段的卡口过车数据，计算实时过车流量与累积流量。
3.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法，其特征在于，所述步骤S1具体包括如下步骤：
A1：指定时间尺度的各路口卡口过车流量统计
A2：以每日设定的时间为统计起始时间，统计各路口每日累积交通流量。
4.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法，其特征在于，所述步骤S2中时空分布特征分析包括时间分布周期特征分析、时间分布趋势特征分析、时间分布连续特征分析和空间分布关联特征分析。
5.根据权利要求4所述的基于混合深度学习模型的城市区域路网过车流量预测方法，其特征在于，所述步骤S2的时空分布特征分析中通过功率谱法来分析卡口过车数据的时间分布周期特征；通过DBEST模型分析卡口过车数据的时间分布趋势特征；通过计算车头时距的方法分析卡口过车数据的时间分布连续特征；通过相关性矩阵方法来分析卡口过车数据的空间分布关联特征。
6.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法，其特征在于，所述步骤S3中ConvLSTM与BiLSTM混合深度学习模型的构建和训练方法为：
B1：组织模型数据，将预测点的交通流量数据和预测点临近区域内交通流量数据点映射到一维数据向量中，并将多个时刻的一维向量形成一个二维矩阵以表示短时间内的预测卡口与其上游卡口的交通流量数据；
B2：使用ConvLSTM结构提取交通流量实时数据的时空特征，使用BiLSTM提取交通流量的周期性特征，随后通过特征融合层将两部分提取的...
【专利技术属性】
技术研发人员：张宏，胥鑫，郭飞，王焕栋，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：江苏;32
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。