【技术实现步骤摘要】
本专利技术涉及智慧交通领域，属于新型的交通特征构造及融合，并与循环神经网络结合的高效交通网流量预测方法。
技术介绍
1、基于数理统计的预测模型是早期用于交通流预测的方法，其主要以概率统计为基础，通过挖掘道路交通历史数据和待预测数据的共同特征达到预测的效果。其中时间序列预测、历史平均、卡尔曼滤波和多元线性回归预测是主要基于数理统计的预测方法。
2、基于数理统计的交通流预测方法对道路路况进行探究，具备扎实的数理理论且计算速度快，但大部分预测精度较准的模型受数据的限制，需要依赖完整且平稳的交通数据。早期对交通数据采集并不容易，获取完整的历史数据更是困难，大部分模型只能对单一的路段做粗略的预测，缺乏非线性映射和预测能力，在动态时间特性数据的描述方面存在明显缺陷。
3、近年来，随着人工智能技术迅速发展，在很多领域都取得了显著成果，学者们发现，针对交通数据的随机性和非线性等特性，基于人工智能技术的交通预测方法在非线性激活函数的作用下，可以较好的处理带有非线性特征的数据问题。例如将待训练和待预测的数据分布联合构建高斯混合模型，在贝叶斯网络的基础上通过参数期望竞争最大化来预测交通流。该方法在不完整的交通数据集也能有较好的预测效果。支持向量机用来预测交通流并在真实的公路交通数据进行实验，对比其他基线模型，该方法获得了较好的预测效果。模糊神经网络模型可以来解决交通数据中的非线性问题，其具有极高的预测能力。遗憾的是，模糊神经网络的收敛速度较慢，不能保证收敛到全局极小点。有学者使用时滞循环小波神经网络模型来估算交通流量，并证明周
4、具有误差反馈的循环卷积神经网络，将相邻路段的交通速度整合成矩阵表示，通过网络学习路段间的隐式相关性获得了较为可观的预测精度。基于深度学习的一种正则化和拟合双曲正切函数线性模型，该模型能够捕捉交通数据急剧变化的非线性特征，在高速路数据上得到良好的预测效果。事实上，由于路网随时间的变化产生的非线性和动态性，难以对交通流进行长期预测，使用有向图模拟交通数据随时间的扩散过程，进而提出扩散卷积递归神经网络能够对复杂的路网结构中的交通流进行预测。
5、上述人工智能模型在简单的路网结构中，预测效果良好，但是在复杂的路网结构中，模型预测能力有待提升。针对这个问题，多核支持向量机通过分析交通流的非线性和随机性，采用混合高斯核多项式来构建模型，通过混合权重能够对实时交通流变化情况做自适应调整。注意力卷积序列到序列的多步交通预测模型，使用注意力机制捕获交通流变化的时空特征，由于多步交通流预测存在非平稳时间动态等痛点，该预测模型可解释性不强。具有空间和时间注意力的交通流量预测模型，该模型通过注意力矩阵分别学习路段间的空间依赖性和时间依赖性，对比基线模型，获得显著的预测效果。针对不完整交通数据集，图卷积生成编码器，使用对抗思想从不完整的历史数据中提取路网的空间相关性，该模型能够在线学习，实现实时预测道路的交通速度。
6、由于交通流的随机性和分布不平衡特征，在深度学习算法模型中容易诱发网络过拟合问题，针对上述问题，注意力机制的出现提供了良好的解决方法。在长短期记忆网络中引入注意力机制可以捕获交通流复杂的非线性和随机性等特征，用于交通速度的预测。通过注意力机制为交通时间序列分配不同的权重，并且针对缺失数据做合理的填补，进一步提升了预测精度。通过观察全局路网，可以发现相邻的道路之间有很强的交通依赖性，而相隔较远的道路之间存在某种对应的语义关系，有人提出时间多图卷积网络对全局路网的空间、时间和语义相关性进行建模。该模型将道路之间的空间相关性和语义相关性进行编码，构造多个图表，通过多图卷积对上述相关性进行建模，获得较高的预测精度。2021年出现的基于注意力的时空图神经网络能够捕获交通数据的动态性，并且有利于对交通流的长期预测。
7、本文将短时交通状况预测发展现状分为两大部分，一是基于数理统计的预测方法，二是基于人工智能技术的预测方法，其中后者是新时代智能交通系统的主要支撑技术，尤其是基于深度学习的预测模型。
8、现有的交通网流量预测方法仍具有以下缺陷：
9、1.交通系统的性能低下：数据不足：该模型需要大量的历史数据和实时数据来训练和预测，如果数据不足或者数据质量不好，会影响模型的预测精度，复杂性高：该模型需要使用多种特征和算法进行融合和预测，计算复杂度较高，需要较高的计算能力和时间，模型可解释性差：该模型基于多个特征进行预测，难以解释预测结果的具体原因，可能会影响使用者的信任度，模型鲁棒性待提高：该模型在实际应用中可能受到外部因素的影响，如天气、交通设施维修等，需要进一步提高鲁棒性。
10、2.对路况的预测准确性和速度低下：交通拥堵加剧：如果智能交通系统的预测不准确或者预测速度慢，可能会导致交通流的不协调，进而导致交通拥堵的加剧，交通事故增加：如果交通流量不协调，可能会导致交通事故的增加，进而导致交通压力的增大，出行时间延长：如果智能交通系统不能快速准确地预测路况，人们的出行时间可能会延长，进而导致人们的不满和抱怨，能源消耗增加：如果交通流不协调，可能会导致车辆的燃油消耗增加，进而导致能源消耗的增大。
技术实现思路
1、本专利技术为了提升协调交通系统的性能，提出一种基于城市交通基础流量、周期性特征、天气特征的多特征融合和短时交通流预测模型，提升智能交通系统对路况的预测准确性和速度，利于协调交通流，提升城市交通流畅度，减轻城市高峰期间的交通压力，具体步骤如下：
2、步骤s1：连续时间序列数据集的清洗与缺失值填充；
3、步骤s2：交通流数据周期性分析及周期特征编码；
4、步骤s3：注意特征融合模块实现多特征融合；
5、步骤s4：循环神经网络训练及评估。
6、进一步的，在步骤s1中，步骤s1能够完成对连续时间序列数据集的清洗和缺失值填充，为后续的步骤提供完整、准确的数据支持，首先需要收集包含城市交通基础流量、周期性特征、天气特征等多类别的数据，形成一个连续的时间序列数据集。这些数据可能来源于不同的传感器、数据采集设备或者历史数据记录，在收集到数据后，需要对其进行清洗，以去除异常值和无效数据。这些异常值和无效数据可能是由于设备故障、数据传输错误等原因产生的。数据清洗的目的是确保数据集的准确性和完整性，在数据集中，可能会出现一些缺失值，即某些数据点没有记录或者无法获取。为了本文档来自技高网...
【技术保护点】
1.一种基于多特征融合的交通流预测方法，具体步骤如下：
2.根据权利要求1所述的一种基于多特征融合的交通流预测方法，其特征在于：在步骤S1中，一种基于多特征融合的交通流预测方法，该方法相比于基于交通路况的时间序列预测方法，添加了路网信息特征、交通的周期性特征以及天气信息并使用注意特征融合模块实现特征融合，结合循环神经网络实现了短时交通流预测的准确性和时效性的提升，对于增强智慧交通能力、减轻交通压力有一定帮助。
3.根据权利要求1所述的一种基于多特征融合的交通流预测方法，其特征在于：在步骤S2中，对于每个路段的交通路况体现，除了选取当前路段的交通流信息之外，还选择了上游的依赖路况信息辅助体现该路段的路况信息，即将汇入当前路段的交通流信息可以协助提升短时交通流预测性能。
4.根据权利要求1所述的一种基于多特征融合的交通流预测方法，其特征在于：在步骤S3中，根据人的出行习惯构造了交通的周期性特征，并使用one-hot进行特征编码，将日周期性、周周期性以及节假日周期性的特征进行组合生成不同特征编码作为交通流数据集的特征之一，辅助模型进行短时交通流预测，
5.根据权利要求1所述的一种基于多特征融合的交通流预测方法，其特征在于：在步骤S4中，加入了天气特征并使用注意特征融合模块完成多特征融合，包括交通流特征、周期性特征、天气特征，特征融合的结果作为循环神经网络的输入，注意特征融合模块的参数与循环神经网络一起参与模型训练，通过多次对比实验调整网络参数得到最优性能模型。
...【技术特征摘要】
1.一种基于多特征融合的交通流预测方法，具体步骤如下：
2.根据权利要求1所述的一种基于多特征融合的交通流预测方法，其特征在于：在步骤s1中，一种基于多特征融合的交通流预测方法，该方法相比于基于交通路况的时间序列预测方法，添加了路网信息特征、交通的周期性特征以及天气信息并使用注意特征融合模块实现特征融合，结合循环神经网络实现了短时交通流预测的准确性和时效性的提升，对于增强智慧交通能力、减轻交通压力有一定帮助。
3.根据权利要求1所述的一种基于多特征融合的交通流预测方法，其特征在于：在步骤s2中，对于每个路段的交通路况体现，除了选取当前路段的交通流信息之外，还选择了上游的依赖路况信息辅助体现该路段的路况信息，即将汇入当前路段的交通流信息可...
【专利技术属性】
技术研发人员：刘丛爱，秦钰骅，张晓晶，
申请(专利权)人：浪潮通信信息系统天津有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。