一种基于混合深度学习的交通流量预测方法技术

本发明专利技术属于智能交通技术领域，具体涉及一种基于混合深度学习的交通流量预测方法

【技术实现步骤摘要】
一种基于混合深度学习的交通流量预测方法


[0001]本专利技术属于智能交通
，具体涉及一种基于混合深度学习的交通流量预测方法
。

技术介绍

[0002]交通流量预测根据当前和历史交通流量数据预测目标位置的未来交通流量，有助于规划行车路线，提高道路网络可靠性，缓解交通拥堵，减少二氧化碳排放，提高出行安全
。
近几十年来，交通道路探测器提供了详细全面的道路交通参数，如速度
、
占用率，这些参数有利于感知交通状况和分析交通特性
。
为此，随着新兴技术的发展，越来越复杂的预测模型被构建，以实现准确的交通流量预测
。
[0003]交通流量预测方法主要包括传统的浅层预测方法和基于深度学习方法
。
传统的浅层预测方法包括参数方法
(
如基于时间序列方法和卡尔曼滤波器
)
和非参数方法
(
如贝叶斯网络
)。
然而，现有的参数和非参数方法结构相对简单，但是不能有效地利用交通流量和描述其特殊性
(
如非线性和不确定性
)。
深度学习作为一种新颖的有效方法，已被应用于交通流量预测，并取得了理想结果
。
它可以从历史交通流量数据中获得隐藏的更深刻
、
更有价值的信息，帮助实现更高效
、
更准确的预测
。CNN
和
RNN(RNN
的变体
LSTM
和
>GRU)
在时空数据的建模和预测方面具有独特优势
。
如，单独使用
CNN
或
RNN
及其变体，可以获得数据中的空间或时间相关性
。
随后，学者们提出使用混合深度学习方法预测交通流量
。
这些方法可以结合多个模块，以获得空间
、
时间和周期特征
。
然而，这些模块都是独立工作，以及彼此不相关
。
但是，数据的时空特征相互交织，若仅单独提取某一特征，均不能获得期望的理想结果
。
[0004]上述的交通流量预测方法仍存在一些问题：
[0005](1)
传统的浅层预测模型仅考虑交通流量在某一方面的变化，预测效果不能满足实际需求
。
同时，早期的深度学习方法因其独特性能，无法有效地捕获交通数据的不确定性和非线性
。
[0006](2)
当前深度学习方法无法有效捕捉交通数据的复杂特征，部分结合各种深度学习网络的混合方法可以通过各种模块捕获交通数据特征，但是它们各个部分的工作均为独立，没有任何相关性
。
因此，很难获得精准的预期结果
。
[0007](3)LSTM
和
Bi
–
LSTM
模型提取相关特征
。
虽然
LSTM
和
GRU
在一定程度上可以取得相同的良好效果，但是
GRU
的内部结构比
LSTM
简单，训练速度更快，结果更容易收敛
。
[0008]为了解决传统浅层预测模型和深度学习预测方法存在的上述问题
。
本专利技术提出一种
RSAB
‑
ConvGRU
网络，以预测整个交通网络中每个位置的交通流量
。
该网络主要用于获取交通数据的时间
、
空间和周期三个特征，利用带有残差自注意机制的
Conv
‑
GRU
模块提取时空特征，采用
Bi
‑
GRU
模块提取循环特征
。

技术实现思路

[0009]为了解决上述问题，本专利技术提出一种基于混合深度学习的交通流量预测方法
。
该
网络结合了残差自注意机制和
Conv
‑
GRU
模型以提取时空特征
。
同时，模型中的残余自注意机制选择性地过滤关键信息，忽略较不重要的信息，显著提高了
RSA
‑
ConvGRU
模块的预测精度和捕获时空特征的能力
。
此外，利用
Bi
‑
GRU
提取周期特征
。
[0010]为了实现上述目的，本专利技术所采用的技术方案如下：
[0011]一种基于混合深度学习的交通流量预测方法，包括：
[0012]步骤1：构造交通流量预测模型；
[0013]步骤2：在步骤1的基础上，构建用于交通流量预测的混合时空网络
RSAB
‑
ConvGRU
，进而实现交通流量预测，其中，
RSAB
‑
ConvGRU
由一个
RSA
‑
ConvGRU
模块和两个双向
GRU
模块组成
。
[0014]优选的，所述步骤1具体为：
[0015]在时间
t
，交通流量的预测是通过给定观察位置的历史交通流量序列，预测在给定范围
Δ
和时间间隔
(t+h
Δ
)
的交通流量，其中表示第
s
个时间间隔内第
n
个观测位置的交通流量，基于历史流量数据预测道路网络未来的交通流量，其中，表示
t
时刻预测区域的交通流量，分别表示
t
时刻预测区域具有日周期和周周期的交通数据，定义如公式
(1)、(2)、(3)
，未来的交通流量为
[0016][0017][0018][0019]其中，表示在时间
t
时道路中所有路段的交通流量，
t
d
表示与最后一天的时间
t
相同的时刻，
t
w
表示上周与时间
t
相同的时刻，表示
n
个路段在最后一天与时间
t
相同时刻的交通流量，表示上周与时间
t
在同一时刻
n
个路段的交通流量
。
[0020]优选的，所述步骤2包括：
[0021]步骤
2.1
：利用
Conv
‑
GRU
模块提取时空特征，并利用残差自注意力机制增强
Conv
‑
GRU
性能，其中，
Conv
‑
GRU
模块由
ConvNetwork
和
GRUNetwork
组成；
[0022]步骤
2.2
：利用
Bi
‑
GR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于混合深度学习的交通流量预测方法，其特征在于：包括：步骤1：构造交通流量预测模型；步骤2：在步骤1的基础上，构建用于交通流量预测的混合时空网络
RSAB
‑
ConvGRU
，进而实现交通流量预测，其中，
RSAB
‑
ConvGRU
由一个
RSA
‑
ConvGRU
模块和两个双向
GRU
模块组成
。2.
根据权利要求1所述的一种基于混合深度学习的交通流量预测方法，其特征在于：所述步骤1具体为：在时间
t
，交通流量的预测是通过给定观察位置的历史交通流量序列，预测在给定范围
Δ
和时间间隔
(t+h
Δ
)
的交通流量，其中表示第
s
个时间间隔内第
n
个观测位置的交通流量，基于历史流量数据预测道路网络的交通流量，其中，表示
t
时刻预测区域的交通流量，分别表示
t
时刻预测区域具有日周期和周周期的交通数据，如公式
(1)、(2)、(3)
，未来的交通流量为，未来的交通流量为，未来的交通流量为，未来的交通流量为其中，表示在时间
t
时道路中所有路段的交通流量，
t
d
表示与最后一天的时间
t
相同的时刻，
t
w
表示上周与时间
t
相同的时刻，表示
n
个路段在最后一天与时间
t
相同时刻的交通流量，表示上周与时间
t
在同一时刻
n
个路段的交通流量
。3.
根据权利要求2所述的一种基于混合深度学习的交通流量预测方法，其特征在于：所述步骤2包括：步骤
2.1
：利用
Conv
‑
GRU
模块提取时空特征，并利用残差自注意力机制增强
Conv
‑
GRU
性能，其中，
Conv
‑
GRU
模块由
Conv Network
和
GRU Network
组成；步骤
2.2
：利用
Bi
‑
GRU
提取周期特征；步骤
2.3
：将步骤
2.1 RSA
‑
ConvGRU
模块提取的时空特征和步骤
2.2Bi
‑
GRU
提取的周期
特征融合至特征融合层，并在特征融合后采用两个全连接层以输出预测结果
。4.
根据权利要求3所述的一种基于混合深度学习的交通流量预测方法，其特征在于：所述步骤
2.1
包括：步骤
2.1.1
：将步骤1的交通流量数据输入残差自注意机制模块，计算交通流量数据在不同时刻的相关性和贡献度，最终输出得到具有残差自注意特征图数据；步骤
2.1.2
：将步骤
2.1.1
的残差自注意特征图数据输入到
ConvNetwork
，并利用
ConvNetwork
提取空间相关性；步骤
2.1.3
：将步骤
2.1.2
的
ConvNetwork
处理后的数据输入到
GRUNetwork
，
GRUNetwork
获取时间相关性；同时，使用两个
GRU
捕捉更为详细的交通特征，提高预测性能
。5.
根据权利要求4所述的一种基于混合深度学习的交通流量预测方法，其特征在于：所述步骤
2.1.1
具体为：步骤
2.1.1.1
：输入步骤1的交通流量数据计算自注意力机制的
Q(x)
，
K(x)
，
V(x)
，公式如下：
Q(x)
＝
W
q
X
i
(4)K(x)
＝
W
k
X
i
(5)V(x)
＝
W
v
X
i
(6)
其中
X
i
是输入数据，
W
q
，
W
k
，
W
v
是
1*1
的卷积层，并使用
ReLU
激活函数；步骤
2.1.1.2:
根据
Q(x)
和
K(x)
计算两者的相关性：
Sim
i
＝
Q(x)
T
K(x)(7)
步骤
2.1.1.3:
将步骤
2.1.1.2
的计算结果进行归一化，使用
softmax
得到权重系数：
S(x)
＝

【专利技术属性】
技术研发人员：夏大文，陈艳，李华青，刘海涛，张文勇，王自强，霍雨佳，冯夫健，卢友军，邓丽，吴菁，张凯琳，
申请(专利权)人：贵州民族大学，
类型：发明
国别省市：