【技术实现步骤摘要】
基于时空融合的短时车速预测
[0001]本专利技术涉及短时车速预测领域，具体的是基于时空融合的短时车速预测。
技术介绍
[0002]近年来，随着汽车保有量逐年递增，交通拥堵现象日益严重。精确并且实时的短时车速预测不仅有利于出行者的路径规划和时间安排，有效减少高峰时段的拥堵，也为交管部分制定前瞻性交通管理策略提供有力的支撑。如果可以准确预测道路未来的车速，那么在拥堵发生之前就可以采取一定措施来避免拥堵发生。因此，通过车辆自身的行为信息开发车速预测算法对高速公路车辆的先进控制具有重要现实意义。
[0003]为提高短时车速的预测精度，已有学者进行了大量的研究。短时车速预测模型总结起来可以分为统计模型、机器学习。其中统计模型中典型的代表是差分自回归移动平均(ARIMA)模型，就是通过时间序列数据来确定参数后基于回归函数来预测。但是ARIMA模型适合于线性的数据预测，对于非线性强度较高的交通流预测有一定的局限性。机器学习包括支持向量机(SVM)模型和贝叶斯网络模型等，该方法是从历史数据中发现车速变化的规律，能够很好的反应车速的...
【技术保护点】
【技术特征摘要】
1.一种基于时空融合的短时车速预测，其特征在于，包括以下步骤：步骤1：对GCN进行数学建模GCN能够处理任意图结构数据，可分为基于频谱方法和基于空间方法，选用的是基于频谱方法，在频谱图卷积层中，最能反映图得结构性质的就是图卷积拉普拉斯矩阵L，其公式如式(1)所示，其中，D为度矩阵，A为邻接矩阵，I
N
为单位矩阵，区别与经典卷积算子的卷积操作，图卷积是利用定义在傅里叶域中对角的线性算子来实现卷积操作，其公式如式(2)所示，g
θ
*x＝Ug
θ
U
T
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，g
θ
为卷积核，U是由L的特征向量组成，对于图结构较大的情况，可采用切比雪洛夫多项式近似求解，因此，图卷积的层间传播公式如(3)，其中，为邻接矩阵与单位矩阵之和，为的度矩阵，H
(l)
为第l层的特征矩阵，W
(l)
为第l层的权重矩阵，σ为激活函数，步骤2：对GCN
‑
BiLSTM进行数学建模本发明经过GCN网络来捕捉车速空间特征，得到车速序列的空间特征向量，再将空间特征向量输入到BiLSTM网络中，挖掘时间特征，BiLSTM在LSTM的基础上进一步地改进，由前向LSTM和后向LSTM组成，BiLSTM不仅能够过往状态的记忆性，且具备对未来状态依赖性，BiLSTM结构图如图2所示，序列数据通过输入层进入隐藏层分别进行正向、反向计算，最终输出结果由输出层按照一定的权重融合正向LSTM输出结果和反向LSTM输出结果得到，BiLSTM隐藏输出计算公式如式(4)
‑
(6)所示，(6)所示，(6)所示，其中，和为q时刻的前向和后向隐藏层状态，LSTM为隐藏运算过程，y
q
代表q时刻输入的时空关联向量，h
q
为q时刻BiLSTM隐藏层状态向量，α，β分别代表前向和反向隐藏层输出权重，步骤3：对VMD
‑
GCN
‑
BiLSTM进行数学建模变分模态分解解决了经验模态分解(EMD)中存在的端点效应和模态分量混叠的问题，具有可以确定模态分解的个数的优点，其自适应性表现在根据实际情况...
【专利技术属性】
技术研发人员：卢海鹏，张凯，张龄允，丁昱杰，刘洪，魏明，孙志颖，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
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。