基于时空阶梯卷积网络的交通流预测方法、设备及存储介质技术

本发明专利技术涉及一种基于时空阶梯卷积网络的交通流预测方法、设备及存储介质，该方法包括以下步骤：步骤S1、根据交通流的预测时间间隔和所处地理位置，对输入的历史交通流数据进行地理区域划分和聚合，并对聚合后的历史交通流数据进行预处理；步骤S2、使用预处理后的历史交通流数据对构建的时空阶梯卷积神经网络预测模型进行预训练，得到训练好的交通流预测模型；步骤S3、利用已训练好的交通流预测模型对指定时间间隔的交通流进行预测。与现有技术相比，本发明专利技术利用了时空阶梯卷积神经网络能够将时间信息与空间输入范围相结合的优势，可以得到更高的预测精度，且对短期、长期预测都有着较高的预测精确度。较高的预测精确度。较高的预测精确度。

【技术实现步骤摘要】
基于时空阶梯卷积网络的交通流预测方法、设备及存储介质


[0001]本专利技术涉及智能交通
，尤其是涉及一种基于时空阶梯卷积网络的交通流预测方法、设备及存储介质。

技术介绍

[0002]作为智能交通系统(Intelligent Transportation System，ITS)的核心内容之一，智能交通控制与诱导系统一直是智能交通系统研究的热门课题。智能控制与诱导的实现能有效地缓解交通堵塞、减轻环境污染，提供高效安全的道路通行状况。这些实现的前提和关键是能够对短时交通流量进行准确的预测，预测的准确度直接决定了控制和诱导的有效性。
[0003]经对现有技术的文献检索发现，已有的模型大致可以分为参数化方法和非参数化方法两类。早期的研究者只考虑历史交通流数据中的时间信息。如Levin等使用差分自回归移动平均(Autoregressive Integrated Moving Average，ARIMA)模型预测高速交通流。然而交通流具有非线性复杂特征，使得参数化模型难以解析交通流的数学公式描述，导致预测准确率不理想。后续研究进一步考虑了交通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，该方法包括以下步骤：步骤S1、根据交通流的预测时间间隔和所处地理位置，对输入的历史交通流数据进行地理区域划分和聚合，并对聚合后的历史交通流数据进行预处理；步骤S2、使用预处理后的历史交通流数据对构建的时空阶梯卷积神经网络预测模型进行预训练，得到训练好的交通流预测模型；步骤S3、利用已训练好的交通流预测模型对指定时间间隔的交通流进行预测。2.根据权利要求1所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S1中的历史交通流数据为若干个观测点在一定时间间隔内经过的车辆的平均速度。3.根据权利要求1所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S1中对输入的历史交通流数据进行地理区域划分，具体为：按照经纬度对观测点所在地理范围进行网格化划分，并将每项历史交通流数据对应到其中一个特定网格。4.根据权利要求3所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S1中对输入的历史交通流数据进行地理区域聚合，具体为：将对应于同一网格的所有交通流历史数据，将一定时间间隔内的若干历史交通流数据进行求平均值，得到各个网格指定时间间隔的聚合后的历史交通流数据。5.根据权利要求1所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S2包括以下子步骤：步骤S21、将聚合和预处理后的历史交通流数据划分为训练数据集和测试数据集；步骤S22、利用训练数据集，在已设定合理参数的时空阶梯卷积神经网络交通流预测模型上使用历时方向传播BPTT算法进行训练，并计算时空阶梯卷积神经网络预测模型在测试数据集上的平均误差；步骤S23、选择测试数据集上误差最小的...

【专利技术属性】
技术研发人员：高文韬，潘理，张全海，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：