[发明专利]一种基于道路聚类和双层双向LSTM的交通流量预测方法

说明书

本发明公开了一种基于道路聚类和双层双向LSTM的交通流量预测方法，包括：1)提出了一种对训练数据存在缺失值时，对丢失值采取周围平均化的方式填补缺失数据，提高预测精度；2)提出了一种根据历史流量数据对道路进行相关性聚类，将道路分成若干组，并在数据预处理阶段同时利用时间信息和空间信息，提高预测精度；3)设计了一种双层双向LSTM深度神经网络模型，提高模型的预测精度；4)提出了一种对网络模型进行批量训练和测试的方法，加快神经网络模型的训练和测试速度；5)提出了一种多模型融合方法，提高预测精度。本发明同时提高了深度神经网络在交通流量预测方面的预测速度和精度。

技术领域

本发明涉及深度学习、交通流量预测、神经网络设计、神经网络模型的集群训练等技术，特别是一种基于道路聚类和双层LSTM(Long Short-Term Memory，长短期记忆)深度神经网络模型的交通流量预测方法，对于提高交通流量预测精度及速度方面有着指导意义。

背景技术

随着大数据时代的到来，大城市实时的交通网络数据逐渐增加，人工智能交通预测作为当前热门的无人驾驶技术中最关键的应用之一，可以在考虑时空关系后对交通情况作出合理预测，帮助车辆选择最合适的路线，特别是在城市拥堵情况下的路线选择更具有现实意义，提高交通流量预测精度和速度的意义也就不言而喻。

为了提高预测准确度，出现了各种复杂的神经网络和预测算法，例如：基于SVM(supportvector machine，支持向量机)道路车流量预测模型，基于LSTM(Long Short-TermMemory，长短期记忆)的交通流量预测方法，基于卷积神经网络的短期交通流量预测方法等，但这些模型忽视了数据本身隐藏的信息：在数据预处理阶段，没有充分挖掘和利用路网的拓扑结构建立空间信息，在设计神经网络方面，也忽视了某些重要信息的复用，比如需要预测某条路某时刻的交通流量，那么该条路在上一时刻的交通流量至关重要，可适当作为多个网络层的输入实现信息的复用，在训练神经网络模型时，大多数的设计都是将所有的数据统统输入到一个神经网络模型中让它去学习数据隐藏的规律和信息，这样的方式直接忽视了道路之间的差异性，默认道路之间数据的规律几乎是一致的，实际上在交通预测的大量数据中，某些道路的交通流量序列差异非常大，而有些序列差异却很小，导致训练出来的模型在预测精度上很难有较大的提高。本发明采用道路聚类的方式很好的解决了上述道路之间的交通流量序列差异大的问题，在设计神经网络时，也充分利用了数据隐含的路网拓扑结构信息，使得本发明的预测精度相对于现有技术的预测精度有较大的提高。

为了加快神经网络模型在集群中训练和测试的速度，出现了许多加速的方式，例如通过小输入学习大输入的基于深度神经网络的模型加速方法，通过小网络学习大网络的基于深度神经网络的模型加速方法，ShuffleNet:An Extremely EfficientConvolutional Neural Network for Mobile Devices，Self-Normalizing NeuralNetworks等，但这些方式都是以改变神经网络模型本身为前提来加速集群训练的速度，而忽视了深度学习框架本身的集群训练时间的限制，而且目前的神经网络集群训练方式大多使用深度学习框架自带的集群训练，但传统的深度学习框架自带的集群训练都需要神经网络模型在节点之间频繁地通信和同步，比如PaddlePaddle，这使得集群训练的速度很难有较大的提高。

发明内容

针对目前神经网络对交通流量预测的精度和速度较难提高的现状以及现有设计存在的一些不足，提出了一种基于道路聚类和双层双向LSTM深度神经网络模型的交通流量预测方法，充分利用数据隐藏的信息并实现重要信息的复用，对道路进行相关性聚类，提高了交通流量预测的精度，同时避免了神经网络模型在集群训练时在节点之间的通信和同步，提高了集群训练的速度。