[发明专利]一种基于卷积神经网络的短时交通流量预测方法

说明书

技术领域

本发明涉及一种短时交通流量预测方法，通过使用深度学习技术中的卷积神经网络模型，结合预测路段及其相关路段的流量信息，进行精准的短时交通流量预测，属于深度学习和智能交通系统的交叉技术应用领域。

背景技术

智能交通系统(ITS)是一种实时、准确、高效的智能化交通网络管理系统，它有效地集成了先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术，是全方位解决交通拥堵和保障交通网络运输安全的有效手段。国内外大量的应用研究结果表明，ITS在有效解决交通问题方面显示出很大的优越性，因此，我国在交通领域对其进行了大力推广和普及，其核心概念与技术已得到广泛的应用。

目前，构建ITS中的交通流诱导子系统，是解决城市交通拥堵和提高路网通行效率的最有效方式之一，而ITS要实现实时的交通控制和诱导，就必须要有及时、准确的短时交通流预测为其提供支持，因此短时交通流预测已经成为智能交通系统的研究热点。预测未来短期内的交通流量，不仅可以方便出行者选择最优的出行路线，还可以为均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据。这对于缓解交通拥挤和避免资源的浪费有着重要的意义和应用价值。

近年来，人们对神经网络在交通流预测领域中的应用开始了深入的研究。短时交通流预测问题是高度非线性的，可获得的数据通常是大量的、复杂的，而神经网络具有识别复杂非线性系统的特性，因此使用神经网络处理交通流预测问题有着巨大的优越性，国内外大量的研究成果也验证了这一点。虽然神经网络在短时交通流量预测方面的应用已取得一定成效，但由于短时交通流量容易受到天气变化和突发事故等因素的影响，具有高度的不确定性，导致现有的基于神经网络的方法不能获得令人满意的预测效果。而解决这一问题的思路之一，则是采用特征学习能力更加强大的预测模型，以充分获取流量数据中隐含的规律，从而提升预测精度。

深度学习理论由机器学习领域的泰斗Hinton教授和他的学生于2006年共同提出，近年来受到了各行各业研究者的广泛关注。2012年，谷歌的Google Brain项目使用并行计算平台训练深度神经网络模型，在语音和图像识别等领域获得了巨大的成功。2013年4月，深度学习技术被MIT技术评论杂志评为2013年十大突破性技术之首。如今，谷歌、微软、百度等知名高科技公司竞相投入大量资源，以占领深度学习技术的制高点，正是因为他们都看到在这样的大数据时代，只有比浅层模型更加复杂且强大的深度模型，才能深刻揭示海量数据中承载的丰富信息，从而能够对未知事件做出更精准的预测。

卷积神经网络(CNNs)是一种深度监督学习下的机器学习模型，它结合局部感知域、权值共享以及空间或时间上的子采样三种方法，通过充分利用输入数据自身具备的某些特征来优化网络结构，并保证了一定程度上对于输入数据位移变化、尺度变化和形变变化的不变性。CNNs可以通过深层的非线性网络结构，实现复杂函数的逼近，具有非常优异的特征学习能力，学习得到的特征是对数据的本质刻画。CNNs优异的特征学习能力使其在模式识别领域获得了巨大的成功。目前，基于CNNs的模式识别系统是性能最好的系统之一，尤其是在手写字符识别方面，甚至一直被作为机器识别系统性能的评价标准。

将CNNs应用于短时交通流量预测是可行的，主要有以下几方面原因：第一，CNNs具有强大的特征学习能力，并且输入为二维，可获得更多的有效信息，能够学习到历史流量数据中大量的隐含规律，从而作出准确的流量预测；第二，CNNs与传统的多隐含层神经网络不同，通过局部感知和权值共享两种方式使网络中连接权值数量大幅减少，并通过子采样的方式降低了网络的规模，计算量相对较小；第三，CNNs末尾的全连接层通常是一个分类器，而分类毕竟属于回归的一种特殊情况，既然全连接层能够作为分类器使用，那么一般也能用于回归；第四，BP神经网络可看作一种特殊的CNNs，而且它们均使用BP算法训练网络，既然BP神经网络能够用于短时交通流量预测，那么CNNs应该也是可行的。因此，本发明给出一种基于卷积神经网络的短时交通流量预测方法，以获得更好的流量预测效果。

发明内容

技术问题：本发明的目的是提供一种基于卷积神经网络的短时交通流量预测方法，该方法首度将卷积神经网络应用于短时交通流量预测，并使用预测路段及其上下游路段的历史流量数据作为输入，利用卷积神经网络优异的特征学习能力，充分获取流量数据中隐含的规律，一定程度上解决了现有基于神经网络方法预测精度不高的问题，同时也提供了一种短时流量预测的新思路。