一种用于预测交通流量的方法、装置和存储介质制造方法及图纸

本发明专利技术涉及一种用于预测交通流量的方法、装置和存储介质，所述方法包括获取目标路段历史交通流数据和当前交通流数据；利用邻近算法从所述历史交通流数据中提取与当前交通流状态类似的k组近邻交通流时间序列作为训练数据集，以对最小二乘支持向量回归的交通流预测模型进行训练；根据遗传算法寻找所述交通流预测模型的最佳参数，以得到训练好的交通流预测模型；利用所述训练好的交通流预测模型进行所述目标路段的交通流预测。根据本发明专利技术的方法，解决了目前交通流量预测过程不准确的问题。决了目前交通流量预测过程不准确的问题。决了目前交通流量预测过程不准确的问题。

【技术实现步骤摘要】
一种用于预测交通流量的方法、装置和存储介质


[0001]本专利技术一般地涉及数据处理
更具体地，本专利技术涉及一种用于预测交通流量的方法、装置和存储介质。

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]交通流的时间趋势包括过去一段时间、当下时间以及未来一段时间内的交通流数据。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。对于单一的模型可以在一定程度上提高交通流预测的准确性；但是该模型只是简单地合并了时间和空间特征，并没有考虑到交通流的时间趋势和空间特征之间的内部关系对交通流的影响。
[0004]现有技术中也研究了多种算法对交通流进行预测，例如KNN(K
‑
nearest neighbor)算法。KNN(K
‑
nearest neighbor)算法本质上是一种模式识别的方法，它通过模式匹配算法找到与输入数据相对应的组近邻数据系列，并通过这组近邻数据系列预测下一时刻的交通流状态。它不需要建立复杂且精确的数学模型，不需要先验知识，不需要找到具体的函数关系式，而是一个近似的关系，甚至连这个近似的关系都不是必须的。还有一种方法是LSSVR回归算法，这种方式适用于非线性、小样本和高维度的数据空间中。但是上述这两种算法的缺陷均是依赖经验，需要人工给定参数。若给定参数不合适，将严重影响预测结果的准确性。
[0005]基于此，如何解决目前交通流量预测过程不准确的问题，对于解决城市拥堵情况，缓解城市交通压力具有重要意义。

技术实现思路

[0006]为解决上述一个或多个技术问题，本专利技术提出通过采用GA算法优化近邻值、核函数参数和正则化参数，既能构建实时的、动态的、大量的数据库，又能弥补LSSVR模型在训练数据集确定和参数优化方面的不足，从而有效提升了交通流量预测的准确性。为此，本专利技术在如下的多个方面中提供方案。
[0007]在第一方面中，本专利技术提供了一种用于预测交通流量的方法，包括：获取目标路段历史交通流数据和当前交通流数据；利用邻近算法从所述历史交通流数据中提取与当前交通流状态类似的k组近邻交通流时间序列作为训练数据集，以对最小二乘支持向量回归的交通流预测模型进行训练；根据遗传算法寻找所述交通流预测模型的最佳参数，以得到训
练好的交通流预测模型；利用所述训练好的交通流预测模型进行所述目标路段的交通流预测。
[0008]在一个实施例中，所述利用邻近算法从所述历史交通流数据中提取与当前交通流状态类似的k组近邻交通流时间序列作为训练数据集包括：根据临近算法构建历史交通流数据库；选取与当前交通流状态类似的k组近邻交通流时间序列；根据所述k组近邻交通流时间序列构建训练数据集。
[0009]在一个实施例中，所述交通流预测模型包括基于邻近算法和最小二乘支持向量回归的组合模型。
[0010]在一个实施例中，所述根据遗传算法寻找所述交通流预测模型的最佳参数，以得到训练好的交通流预测模型包括：对所述训练数据集进行预处理，以得到预处理结果；根据预处理结果计算适应度函数值；更新种群后进行迭代计算，以重新计算适应度函数值；响应于所述迭代计算满足终止条件，确定优化后的模型参数，以作为交通流预测模型的最佳参数；根据所述最佳参数构建训练好的交通流预测模型。
[0011]在一个实施例中，所述预处理包括对所述训练数据集进行归一化处理。
[0012]在一个实施例中，所述更新种群后进行迭代计算包括：确定选择算子、交叉算子和变异算子，以更新种群。
[0013]在一个实施例中，所述根据预处理结果计算适应度函数值还包括对所述交通流预测模型的模型参数进行编码，所述确定优化后的模型参数还包括对所述模型参数进行解码，以得到解码后的最佳参数。
[0014]在一个实施例中，所述模型参数包括k值、正则化参数和核函数参数。
[0015]在第二方面中，本专利技术还提供了一种用于预测交通流量的装置，包括：处理器；以及存储器，其存储有用于预测交通流量的计算机指令，当所述计算机指令由所述处理器运行时，使得所述设备执行根据前文一个或多个实施例中所述的用于预测交通流量的方法。
[0016]在第三方面中，本专利技术还提供了一种计算机可读存储介质，其存储有用于预测交通流量的程序指令，当所述程序指令由处理器执行时，实现根据前文一个或多个实施例中所述的用于预测交通流量的方法。
[0017]根据本专利技术的方案，利用临近算法的搜索机制，重建历史数据库，并利用历史数据库对最小支持向量机进行训练，从历史数据库中寻找与当前交通流状态类似的组近邻交通流时间序列作为LSSVR训练数据集，通过选取遗传算法实现对模型参数的选择和优化，构建优化后的LSSVR模型，以提高交通流预测模型的学习能力和泛化能力，实现实时准确快速的短期交通流预测。
附图说明
[0018]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
[0019]图1是示意性示出根据本专利技术的实施例的用于预测交通流量的方法的流程图；
[0020]图2是示意性示出根据本专利技术的实施例的训练数据集的获取方式的示意图；
[0021]图3是示意性示出根据本专利技术的实施例的训练交通流预测模型的方法的流程图；
[0022]图4是示意性示出根据本专利技术的实施例的组合预测模型的获取方法的流程图；
[0023]图5a是示意性示出其中应用本专利技术的方法在未来5min内的预测结果与实测结果比较的示意图；
[0024]图5b是示意性示出其中应用本专利技术的方法在未来10min内的预测结果与实测结果比较的示意图；
[0025]图5c是示意性示出其中应用本专利技术的方法在未来15min内的预测结果与实测结果比较的示意图；
[0026]图5d是示意性示出其中应用本专利技术的方法在不同预测时段的预测结果与实测结果精度比较的示意图；
[0027]图6a是示意性示出现有组合模型预测数据与真实数据比较结果的示意图；
[0028]图6b是示意性示出现有组合模型预测数据与真实数据比较的残差的示意图；
[0029]图7a是示意性示出其中应用本专利技术的方法得到的预测数据与真实数据比较结果的示意图；
[0030]图7b是示意性示出其中应用本专利技术的方法得到的预测数据与真实数据比较的残差的示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测交通流量的方法，其特征在于，包括：获取目标路段历史交通流数据和当前交通流数据；利用邻近算法从所述历史交通流数据中提取与当前交通流状态类似的k组近邻交通流时间序列作为训练数据集，以对最小二乘支持向量回归的交通流预测模型进行训练；根据遗传算法寻找所述交通流预测模型的最佳参数，以得到训练好的交通流预测模型；利用所述训练好的交通流预测模型进行所述目标路段的交通流预测。2.根据权利要求1所述的用于预测交通流量的方法，其特征在于，所述利用邻近算法从所述历史交通流数据中提取与当前交通流状态类似的k组近邻交通流时间序列作为训练数据集包括：根据临近算法构建历史交通流数据库；选取与当前交通流状态类似的k组近邻交通流时间序列；根据所述k组近邻交通流时间序列构建训练数据集。3.根据权利要求1所述的用于预测交通流量的方法，其特征在于，所述交通流预测模型包括基于邻近算法和最小二乘支持向量回归的组合模型。4.根据权利要求1所述的用于预测交通流量的方法，其特征在于，所述根据遗传算法寻找所述交通流预测模型的最佳参数，以得到训练好的交通流预测模型包括：对所述训练数据集进行预处理，以得到预处理结果；根据预处理结果计算适应度函数值；更新种群后进行迭代计算，以重新计算适应度函数值；响应于所述迭代计算满足终止条件，确定优化后的模型参数，以作为交通流预...

【专利技术属性】
技术研发人员：周新波，孙晓红，李怀峰，谢军，丁晓岩，程雷，穆明浩，
申请(专利权)人：交通运输部公路科学研究院，
类型：发明
国别省市：