【技术实现步骤摘要】
本专利技术属于交通流预测，尤其涉及基于cnn-lstm-at的交通流预测方法及系统。
技术介绍
1、目前，交通流预测相关方法可以分为参数模型、深度学习模型和组合模型三类。参数模型包括传统的统计模型和集成方法，其中经典的有自回归移动平均模型(arima)、线性回归和逻辑回归等回归模型。然而，arima这类参数模型常常依赖于大量假设，并需要大量历史数据进行模型训练，其预测结果受样本量影响较大，因此研究人员逐渐将卷积神经网络、递归神经网络等深度学习方法引入交通流预测领域。
2、考虑到交通流的时间和空间变化特性，长短期记忆网络作为一种特殊的rnn方法在交通流预测领域得到了广泛应用。目前基于lstm的交通流预测方法已经相对成熟，但仍需针对以下问题进行进一步研究：
3、1)在每个交通流预测过程中平等对待特征参数可能会忽略某些对预测产生的重要影响的因素；
4、2)大部分交通流预测模型采用线圈传感器、车辆gps数据和仿真数据等，利用线圈、雷达等断点无标识的采集设备获取的数据不便于对交通数据中更多参数进行精准化分析研究
5、本文档来自技高网...
【技术保护点】
1.基于CNN-LSTM-At的交通流预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于CNN-LSTM-At的交通流预测方法，其特征在于，通过车辆经过高速公路的唯一通行标识passID，实现车辆驶入收费站、经过门架、驶出收费站的行驶全轨迹的连接还原：
3.如权利要求2所述的基于CNN-LSTM-At的交通流预测方法，其特征在于，还包括：
4.如权利要求1所述的基于CNN-LSTM-At的交通流预测方法，其特征在于，原始数据的格式为N×M的矩阵，其中N表示原始数据的时间序列长度，M表示每个时间段的交通特征信息。
...【技术特征摘要】
1.基于cnn-lstm-at的交通流预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于cnn-lstm-at的交通流预测方法，其特征在于，通过车辆经过高速公路的唯一通行标识passid，实现车辆驶入收费站、经过门架、驶出收费站的行驶全轨迹的连接还原：
3.如权利要求2所述的基于cnn-lstm-at的交通流预测方法，其特征在于，还包括：
4.如权利要求1所述的基于cnn-lstm-at的交通流预测方法，其特征在于，原始数据的格式为n×m的矩阵，其中n表示原始数据的时间序列长度，m表示每个时间段的交通特征信息。
5.如权利要求4所述的基于cnn-lstm-at的交通流预测方法，其特征在于，通过包含卷积层、池化层和全连接层的cnn模型来提取原始数据的空间特征。
6.如权利要求1所述的基于cnn-lstm-at的...
【专利技术属性】
技术研发人员：栗剑，王旭，吴睿涵，孙浩文，刘庆元，薛冰冰，于迪，
申请(专利权)人：山东高速集团有限公司，
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。