一种城市交通流量预测方法技术

本发明专利技术涉及交通预测技术领域，具体是一种城市交通流量预测方法，首先采集实时数据，接着对采集的数据进行预处理；构建预测模型并输入经过预处理后的数据，数据处理后形成初步的预测模型；使用训练集对预测模型进行反复的训练，通过误差函数计算预测误差并相应的将权重系数更新至最优值，进而更新得到最优的预测模型；本发明专利技术通过Informer模型和LightGBM模型的融合，能够有效的提高交通流量预测的准确性。能够有效的提高交通流量预测的准确性。能够有效的提高交通流量预测的准确性。

【技术实现步骤摘要】
一种城市交通流量预测方法


[0001]本专利技术涉及交通预测
，具体是一种城市交通流量预测方法。

技术介绍

[0002]随着生产制造业的快速发展，汽车的产量与日俱增，过多的汽车也给城市的交通带来了极大的压力，交通拥堵的问题日益严重。为了有效的解决这一问题，对城市交通情况进行预测以使得人们可以根据预测结果进行出行的有效规划就显得尤为重要。
[0003]现阶段，通常使用机器学习架构或者是深度学习架构来预测城市交通的情况；并且在深度学习已经取得了较好的效果，即可以构成交通流预测的非线性模型，如卷积神经网络（CNN）已经被证明可以适应交通流的空间依赖性。但是由于交通流受到多种因素的影响，导致单一的机器学习架构或者是深度学习架构无法充分且准确的对交通流进行预测。面对这种情况，在专利CN112927510A中采用了时间和空间的混合模型进行预测，并且公开了以下技术特征：“步骤1，沿时间轴在已有的交通流量数据中截取至少一个长度为预测窗口的整数倍的时间序列片段；针对各时间序列片段分别执行步骤2～步骤7后，执行步骤8；步骤2，将交通网络定义为无向图G本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市交通流量预测方法，其特征在于，包括以下步骤：S1、采集实时数据：采集指定路段处的实时交通流量数据，并打包形成实时数据包；S2、数据预处理：使用卡尔曼滤波器对实时数据包中的数据进行实时分析，准确的获取车辆的最优估计运动状态，进而生成实时交互数据集；S3、构建预测模型的输入数据：利用DAI
‑
DAO技术将各个实时交互数据集融合，以形成原始流量序列；S4、建立初步的预测模型：将原始流量序列加入到特征序列中以构建多维数组，并对多维数组进行标准化处理；将处理后的多维数组按预设比例分成训练集和验证集；将训练集导入Informer模型和LightGBM模型中训练并生成初步的预测模型；S5、更新权重系数，得到最优的预测模型：将验证集导入初步的预测模型中，通过误差函数计算预测误差并相应的将权重系数更新至最优值，进而更新得到最优的预测模型。2.根据权利要求1所述的一种城市交通流量预测方法，其特征在于，步骤S2具体如下：S21、从获取的实时交通视频流中观测车辆在t
‑
1时刻服从多维高斯分布的观测运动状态X
t
‑1，X
t
‑1服从t
‑
1时刻的多维高斯分布N(μ
t
‑1,P
t
‑1)，μ
t
‑1为t
‑
1时刻该多维高斯分布的维度，P
t
‑1为t
‑
1时刻该多维高斯分布的协方差矩阵；S22、根据车辆在t
‑
1时刻的观测运动状态对车辆在t时刻服从多维高斯分布的预测运动状态进行初步的预测，服从t时刻的多维高斯分布，μ
t
为t时刻该多维高斯分布的维度，为t时刻该多维高斯分布的协方差矩阵；S23、在车辆运动的过程中，外界的干扰因素会对车辆的运动状态造成影响，进而建立t时刻该影响产生且服从多维高斯分布的系统误差W
t
，W
t
服从t时刻的多维高斯分布N(f
t
,Q
t
)；f
t
为t时刻该多维高斯分布的维度，Q
t
为t时刻该多维高斯分布的协方差矩阵；将W
t
导入所述中，进而得到车辆更新后的完整的预测运动状态；S24、从获取的实时交通视频流中观测车辆在t时刻服从多维高斯分布的观测运动状态，服从t时刻的多维高斯分布N(δ0,Σ0)，δ0为t时刻该多维高斯分布的维度，Σ0为t时刻该多维高斯分布的协方差矩阵；S25、建立车辆在t时刻的观测运动状态和预测运动状态之间的关系矩阵H
t
，并通过H
t
将车辆的观测运动状态和预测运动状态关联在一起；S26、由于在观测的过程中也会存在观测误差，因此将车辆在t时刻的观测运动状态和预测运动状态之间存在的重叠区域的中心点设为Z
t
；建立车辆服从多维高斯分布的真实运动状态，服从t时刻的多维高斯分布N(Z
t
,R
t
)，Z
t
为t时刻该多维高斯分布的维度，R
t
为t时刻该多维高斯分布的协方差矩阵；S27、将车辆在t时刻观测运动状态的多维高斯分布和在t时刻真实运动状态的多维高斯分布进行相乘，相乘得到的乘积即为卡尔曼滤波器的最优估计运动状态，服从t时刻的多维高斯分布N(δ,Σ)，δ为t时刻该多维高斯分布的维度，Σ为t时刻该多维高斯分布的协方差矩阵；
S28、将放到下一个车辆运动状态更新过程中进行不断的迭代，得出车辆在当前时刻下的最优估计运动状态，即最优的实时运动状态；使用存储器存储各个车辆的最优估计运动状态，进而形成实时交互数据集。3.根据权利要求2所述的一种城市交通流量预测方法，其特征在于，所述X
t
‑1的表达式如下：其中，X
t
‑1为车辆在t
‑
1时刻的观测运动状态；v
t
‑1为车辆在t
‑
1时刻的观测运动状态中的速度，v
x,t
‑1为车辆在t
‑
1时刻的观测运动状态中x轴上的分速度，v
y,t
‑1为车辆在t
‑
1时刻的观测运动状态中y轴上的分速度，v
z,t
‑1为车辆在t
‑
1时刻的观测运动状态中z轴上的分速度；p
t
‑1为车辆在t
‑
1时刻的观测运动状态中的位置，p
x,t
‑1为车辆在t
‑
1时刻的观测运动状态中x轴上的分位置，p
y,t
‑1为车辆在t
‑
1时刻的观测运动状态中y轴上的分位置，p
z,t
‑1为车辆在t
‑
1时刻的观测运动状态中z轴上的分位置。4.根据权利要求3所述的一种城市交通流量预测方法，其特征在于，所述车辆在t时刻的预测运动状态计算如下：其中，为车辆在t时刻的预测运动状态；B
t
为车辆在t时刻的状态控制矩阵；U
t
为车辆在t时刻的状态控制向量；F
t
为车辆在t时刻的状态转移矩阵；Δt为时间变化量，即时间差；a
t
为车辆在t时刻的加速度；将W
t
导入上述中，进而得到更新后的完整的预测运动状态如下所示：
其中，W
t
为车辆在t时刻的系统误差，W
t
为矩阵形式；Q
t
为系统误差W
t
在t时刻的多维高斯分布的协方差矩阵；车辆在t时刻的预测运动状态中的协方差矩阵；P
t
‑1为车辆在t
‑
1时刻的观测运动状态中的协方差矩阵；由于预测误差的存在，车辆的预测运动状态和车辆的观测运动状态之间存在差距；因此假设车辆在t时刻的观测运动状态和预测运动状态之间具备一种对应关系，并使用车辆在t时刻的观测运动状态和预测运动状态之间的关系矩阵...

【专利技术属性】
技术研发人员：徐礼前，朱利强，吴康杰，高羽佳，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：