一种基于深度学习的高速公路短时交通流预测方法技术

本发明专利技术公开了一种基于深度学习的高速公路短时交通流预测方法。本发明专利技术首先获取雷达实时检测的多个断面交通流数据，结合历史与实时交通流数据进行预处理，并根据交通流数据的周期特征，划分交通模式为工作日、双休日和节假日三种模式；然后使用傅里叶变换提取交通流数据的时间特征，通过添加注意力层提取多断面交通流数据的空间特征，进而构建门控循环单元时序预测神经网络模型；最后使用同一交通模式的时空特征进行模型训练与预测，并验证了预测结果的准确度。本发明专利技术充分提取交通流数据时间特征与多断面空间特征，并基于单步长与多步长进行预测，实现短时交通流高精度预测，该方法适用于高速公路主线及干线公路。用于高速公路主线及干线公路。用于高速公路主线及干线公路。

【技术实现步骤摘要】
一种基于深度学习的高速公路短时交通流预测方法


[0001]本专利技术涉及一种基于深度学习的高速公路短时交通流预测方法，属于高速公路短时交通流预测


技术介绍

[0002]近年来，人们往返于城市之间日趋频繁，高速公路上的运行车辆日益增加，导致高速公路拥堵情况愈加严重，由此所引发的交通事故、能源浪费、环境污染等问题也日趋恶化。
[0003]短时交通流预测作为一种有效的未来交通状态评估方法，对于缓解交通拥堵、提高交通运行效率具有重要意义，其预测结果有助于交通管理部门更科学合理地制定交通治理方案及管控措施。
[0004]深度学习是一种数据驱动的模型，在时序数据预测领域，深度学习在模型精度和预测的鲁棒性方面优于传统预测模型。目前基于深度学习的短时交通预测模型已有大量科研成果，但受制于各研究的不同交通情形，各模型和场景之间并不完全通用，模型精度参差不齐。

技术实现思路

[0005]本专利技术的目的是：考虑交通流数据时间特征与多断面空间特征的提取，提出一种新颖的基于深度学习的高速公路短时交通流预测方法。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高速公路短时交通流预测方法，其特征在于，包括以下步骤：步骤S
‑
1：获取实时检测的多个断面交通流数据；步骤S
‑
2：结合历史与实时断面交通流数据进行预处理，包括以下步骤：步骤S
‑
2.1：使用算术平均滤波对交通流量的时变曲线进行平滑处理；步骤S
‑
2.2：识别缺失交通流数据的时间片段，并使用历史平均法进行填充；步骤S
‑
3：根据交通流数据的周期特征，将交通流数据归类为不同的交通模式；步骤S
‑
4：使用傅里叶变换提取交通流数据的时间特征，计算公式为：4：使用傅里叶变换提取交通流数据的时间特征，计算公式为：式中，Day_sin为时间特征的正弦分量；Day_cos为时间特征的余弦分量；intTime为时间戳；步骤S
‑
5：考虑上游交通流数据对下游未来交通流数据存在相关性，空间特征提取选择预测断面上游方向依次布设的毫米波雷达检测断面，添加注意力层提取多断面交通流数据的空间特征，使空间特征具有注意力概率分布，计算公式为：e
p
＝v
e
tanh(W
e
h
p
+b
e
))式中，e
p
为第p个断面隐藏状态h
p
对应的注意力评分值；v
e
、W
e
、b
e
分别为需要学习的参数；α
p
为第p个断面的注意力评分值e
p
进行Softmax函数归一化后得到的权重系数；K表示断面总个数；c为具有注意力概率分布的交通流特征；步骤S
‑
6：构建门控循环单元时序神经网络模型，包括一个更新门z
t
和重置门r
t
，其中，更新门z
t
的计算公式为：z
t
＝σ(W
z
x
t
+U
z
h
t
‑1+b
z
)式中，σ为Sigmoid激活函数；W
z
、U
z
、b
z
为需要学习的参数；x
t
为第t个时刻输入的特征向量，包括通过步骤S
‑
4提取的时...

【专利技术属性】
技术研发人员：严敏，周伟健，
申请(专利权)人：上海电科智能系统股份有限公司，
类型：发明
国别省市：