[发明专利]一种基于时空信息融合的短时交通数据流预测方法

说明书

本发明公开了一种基于时空信息融合的短时交通数据流预测方法，首先获取多个训练样本及各训练样本的标签,每个训练样本中包括待预测观测点及其上游观测点和下游观测点中采集的历史的多个相同的时间点的数据流量值；将各训练样本作为输入、各训练样本的标签作为输出对LSTM模型进行训练，得到训练后的LSTM模型；在当前时间点要针对待预测观测点的下一时间点的数据流量值进行预测时，获取到由待预测观测点及其上游观测点和下游观测点的当前时间点及其前面多个时间点的数据流量值构成的测试样本，将测试样本输入到上述训练后的LSTM模型，由LSTM模型输出待预测观测点下一时间点的数据流量值。本发明提高了短时交通数据流的预测准确度。

技术领域

本发明涉及一种短时交通数据流预测方法，特别涉及一种基于时空信息融合的短时交通数据流预测方法。

背景技术

随着世界经济的持续稳定发展，在许多国家汽车逐渐成为了主要的交通运输工具之一，随之而来的是严重的交通拥堵和尾气排放问题。而相比于耗费巨大的人力物力扩建交通道路网，充分利用现有交通网络无疑是更快速有效的方法。因此，旨在解决该问题的智能交通系统(Intelligent Transport System)得到了各国政府的重视。在这一系统中，能够用于引导车流的实时且准确的交通流信息至关重要。短时交通流预测就是用于提供着这样的信息。

目前，许多用于短时交通流预测的方法都是只根据某一观测位置过去时刻的交通流观测值，预测该点下一时刻的交通数据流，这种方法由于仅仅考虑观测点本事的历史交通数据流，因此对下一时刻的交通数据流预测准确度会相对比较低。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于时空信息融合的短时交通数据流预测方法，通过该方法能够实现短时交通数据流的准确预测。

本发明的目的通过下述技术方案实现：一种基于时空信息融合的短时交通数据流预测方法，步骤如下：

步骤S1、针对于需要进行交通数据流预测的待预测观测点，首先获取该待预测观测点的上游观测点以及下游观测点；

然后针对于待预测观测点及其上游观测点和下游观测点中的各观测点，分别采集到在历史的多个时间点上各观测点的数据流量值；并且针对于各观测点，将在其中采集到的历史的多个时间点的数据流量值按照时间顺序拼接聚合为一维数组并做归一化处理；

其中，每两个相邻时间点的时间间隔相同，均为T分钟；每个时间点的数据流量值指的是上一时间点至该时间点这段时间间隔内产生的数据流量；

步骤S2、针对于步骤S1中得到的各观测点归一化后的一维数组，进行时间滑窗的加窗处理；各观测点归一化后的一维数组经过加窗处理后，各个时间滑窗得到相同的多个时间点的数据流量值形成一个训练样本，通过各时间滑窗在各观测点归一化后一维数组的滑动处理后得到多个训练样本；针对于每个训练样本，获取到其中对应的最后一个时间点，然后将该最后一个时间点的下一时间点的待预测观测点的数据流量值作为该训练样本的标签；

步骤S3、获取模型参数初始化后的LSTM(Long Short Term Memory，长短时记忆)模型；然后将各训练样本作为输入、各训练样本的标签作为输出对LSTM模型进行训练，得到训练后的LSTM模型；

步骤S4、在当前时间点要针对待预测观测点的下一时间点的数据流量值进行预测时，首先针对于待预测观测点及其上游观测点和下游观测点中的各观测节点，分别通过时间滑窗获取到各观测节点当前时间点及其前面多个时间点归一化后的数据流量值，构成一个测试样本；其中测试样本中，每两个相邻的时间点的时间间隔相同，均为T1分钟；其中T1＝T；需要预测数据流量值的下一时间点和当前时间点的时间间隔也为T分钟；

步骤S5、将步骤S4获取到的一个测试样本输入到步骤S3中训练后的LSTM模型中，通过LSTM模型输出待预测观测点下一时间点的数据流量值。