一种用于高速公路的智能流量预测方法技术

本发明专利技术提出了一种用于高速公路的智能流量预测方法，包括：采集单位时间内高速公路门架的通行信息数据、气象数据和高速公路修路拥堵信息，并在数据预处理后构建高速公路交通流量时序信息数据集和多参数时序数据集；根据高速公路门架的相对地理位置信息建立门架网络结构拓扑图；构建Informer神经网络模型，对高速公路路网拓扑结构和交通流量时序信息进行编码并学习数据的时间空间依赖特征信息；构建XGBoost回归模型，对气象、拥堵等特征进行学习，并与Informer模型结果做加权。本发明专利技术通过结合深度学习和机器学习来提高模型的高速公路交通流量预测能力。路交通流量预测能力。路交通流量预测能力。

【技术实现步骤摘要】
一种用于高速公路的智能流量预测方法


[0001]本专利技术涉及交通流量预测
，具体是一种基于Informer模型和XGBoost算法的高速公路交通流量预测方法。

技术介绍

[0002]对于高速公路流量的预测和路况的评价的研究一直是交通领域的一个重要研究课题，对高速公路道路规划、收费决策、人民出行有重要的意义。交通流量预测已经有几十年的研究历史，然而以往的研究往往以城市道路为研究对象，对于高速公路的研究相对不充分。高速公路和普通城市道路有着巨大的差别，不能同一而论，高速公路具有封闭性高，覆盖范围广，更特殊的时空特性，受外部环境影响造成的波动大等特点。以往的交通流量研究大致可分为两大类：一类是基于统计方法的模型，包括但不限于使用自回归滑动平均法(Autoregressire
‑
integrated moving average，ARIMA)、卡尔曼滤波理论(Kalman filtering,KF)和自适应时空K近邻模型(adaptive
‑
STKNN)，基于自适应邻居数量、时间窗大小、时空权重等参数综合考虑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于高速公路的智能流量预测方法，其特征在于，基于Informer模型和XGBoost方法预测高速公路交通流量，包括以下步骤：步骤1、采集单位时间内高速公路门架和收费站的通车信息数据建立交通流量时序信息数据集X；采集外部影响数据结合X，数据预处理后组合为表征时间特征的特征数据集W；步骤2、根据车辆行驶方向用有向无环图G(V,E)建立路网拓扑结构，生成表征空间特征的各门架节点的邻接关系矩阵A；步骤3、构建Informer神经网络模型，将时间、空间特征信息输入Informer层进行训练并学习长时间序列依赖特征信息，实现对未来高速公路交通流量的预测；步骤4、在Informer层后构建XGBoost回归模型，将步骤1得到的特征数据集和步骤3得到的未来高速公路流量预测结果作为回归算法的输入，并将回归算法的输出和神经网络模型的输出加权相加，得到最终的未来高速公路流量预测结果。2.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述通车信息包括通行时间、门架号、计费；所述外部影响数据包括气象数据、修路及拥堵数据。3.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述数据预处理采取数据清洗方法对单位时间间隔内的所有数据进行一致性检查，删除异常值、缺失值，对数据归一化处理，划分为训练集、验证集和测试集。4.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述高速公路交通流量时序信息数据集X∈R
N*T
，其中N为门架编号维度，T为时间序列节点编号维度；所述高速公路交通流量特征数据集W∈R
N*C
，其中N为门架编号维度，C为特征编号维度。5.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述建立路网拓扑结构包括：步骤2.1、根据门架通行记录计算路段长度距离：其中，dist(i,j)表示门架节点i与节点j之间的距离，fee表示收费费用，charge
i
表示车型i对应的收费标准；步骤2.2、构建所有门架的高速公路路网拓扑节点的邻接矩阵A∈R
N*N
，其中N为门架编号维度，邻接矩阵A的计算公式为：6.根据权利要求1所述的一种用于高速公路的智能流量预测方法，其特征在于，所述构建Informer神经网络模型如下：步骤3.1：将步骤1和步骤2的时间和空间数据映射到一个高维向量空间中，第t个序列输入被重塑为一个矩阵L
y
是预测序列长度，d
model
是模型维度；将和系数矩阵W
Q
,W
K
,W
V
做乘法分别得到Q,K,V三个维度为d
model
的权重矩阵；...

【专利技术属性】
技术研发人员：展恩宁，朱瑞新，李超凡，侯晓旭，张航，马天明，陈玲，
申请(专利权)人：辽宁高速通智慧出行有限责任公司，
类型：发明
国别省市：