一种基于动态记忆图的多层级特征表示的交通流预测方法技术

本发明专利技术涉及智能交通技术领域，提供了一种基于动态记忆图的多层级特征表示的交通流预测方法，包括：步骤1、数据采集及预处理；步骤2、构建基于图卷积及LSTM的动态记忆图下采样特征提取单元LSTGM；步骤3、基于U‑Net的时间序列多步特征提取与融合；步骤4、构建基于U‑Net的LSTGM时空特征动力学模型；步骤5、未来交通状态预测；步骤6、建立预测模型，利用随机梯度下降算法，通过训练不断优化模型超参数，得到交通状态预测方案。本发明专利技术能较佳地预测交通流。

【技术实现步骤摘要】

本专利技术涉及智能交通，具体地说，涉及一种基于动态记忆图的多层级特征表示的交通流预测方法。

技术介绍

1、交通流预测是智能交通系统中的核心问题，对于改善交通管理、缓解交通拥堵、提升出行效率具有重要意义。随着交通数据量的日益增多，如何有效地预测交通流成为当前研究的重点。现有的交通流预测方法主要分为基于传统统计模型的参数模型和以机器学习及深度学习为代表的非参数模型。

2、统计模型在交通流预测中具有广泛应用，通常依赖于历史数据和时间序列分析方法。常见的统计模型包括历史平均法（ha）、自回归积分滑动平均模型（arima）、结构时间序列模型（stm）和卡尔曼滤波（kf）。这些方法在处理短期预测时较为有效，尤其是简单易实现的 ha 和 arima 模型。然而，这些方法在应对突发事件、非周期性变化时表现不足，且对大量历史数据依赖较强。kf 模型在实时预测中较为有效，特别是在处理不确定性和噪声数据时表现良好，但其长期预测效果有限。总体来看，统计模型对复杂、非线性的交通流数据难以建模，尤其在应对随机性强、时空依赖性复杂的交通流时，其预测能力不足。

3本文档来自技高网...

【技术保护点】

1.一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：步骤1中，对数据集划分和归一化处理具体如下：

3.根据权利要求2所述的一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：步骤1中，静态探测器图A的构建具体如下：

4.根据权利要求3所述的一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：步骤2中，具体如下：

5.根据权利要求4所述的一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：...

【技术特征摘要】

1.一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：步骤1中，对数据集划分和归一化处理具体如下：

3.根据权利要求2所述的一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：步骤1中，静态探测器图a的构建具体如下：

4.根据权利要求3所述的一种基于动态记忆图的多层级特征表示的交通流预测方法，其特征在于：步骤2中，具体如...

【专利技术属性】
技术研发人员：章超，苏凌云，嵇昂，刘卓，孔明明，孙湛博，
申请(专利权)人：四川警察学院，
类型：发明
国别省市：