[发明专利]基于卷积神经网络的高速公路交通流预测方法

说明书

本发明涉及一种基于卷积神经网络的高速公路交通流预测方法，其特征在于包括以下步骤：1）、对交通流数据和外部因素数据进行预处理，构建时间相邻性矩阵，日周期性矩阵，周周期性矩阵和外部因素向量作为模型的输入；2）、采用卷积神经网络分别对交通流的时间相邻性，日周期性和周周期性进行建模，同时提取不同的时空特征；3）、基于步骤2）所提取的时空特征融合外部因素，构成融合向量作为全连接层的输入；4）、利用全连接层融合所有特征，完成最终的交通流预测，其利用深度学习模型对高速路网交通流进行建模，融合了交通流的时空特征和外部影响因素，使模型能够应对复杂交通流特征，获得预测结果，解决了对区域全部路段同时预测的问题。

技术领域

本发明涉及一种基于卷积神经网络的高速公路交通流预测方法，属于人工智能-智能交通领域。

背景技术

交通流预测是智能交通系统(ITS)不可或缺的组成部分，作为ITS核心的子系统，交通控制和诱导系统需要依赖于准确的交通流预测。交通流预测也是确定道路工程规模、路面保养维护、技术标准以及经济评价的依据。

为了进行有效的交通流预测，需要一些具有挑战性的能力，比如能够形成更加智能和高效的预测来模拟交通流的空间特征和时间特征，能够应对复杂的外部特征隐私，能够处理大规模交通数据等。问题是如何构建一个同时结合上述所有条件的交通预测模型。

在现有的文献中，有两种最常用的交通流预测模型，统计模型和人工智能模型。统计模型主要是基于交通流历史数据的周期性变化进行分析预测。具有计算简单效率高的优点。然而在处理大规模网络数据及模拟非线性特征方面精度明显降低。人工智能模型以神经网络，贝叶斯网络，模糊和进化技术为代表，与统计模型相比人工智能模型在预测精度和数据处理能力上有无可比拟的优势。具有更复杂结构的深度学习方法已被成功的应用于交通预测任务中，比传统方法具有更好的效果。但现有方法大多只针对一条路段进行预测，难以有效利用交通网络中的空间特征，使得高速公路交通管理部门缺乏对路网交通状态变化趋势的整体把握，不利于宏观对路网的调控。

发明内容

本发明的目的在于提供一种基于卷积神经网络的高速公路交通流预测方法，其考虑到交通流的时空相关性和计算成本，将网络交通流转换为包含时空特征的二维矩阵，并使用卷积神经网络对整个区域内交通流的三个不同时空特征建模，来预测高速公路一个地区每一条路段交通流。

本发明的技术方案是这样实现的：一种基于卷积神经网络的高速公路交通流预测方法，其特征在于：统计各个路段交通流的时间间隔为15分钟，分别称为第i时间段，i是大于等于1的正整数。外部因素数据包含天气，是否为节假日，是否为周末，当天最高气温，当天最低气温，当天最大风速和当天最小风速等字段，外部因素数据以天为单位进行采集，为预测一个区域内p条连续路段在第t时间段内的交通流，t≥1345，具体步骤如下：

步骤1)、将全部路段在所有时间段的交通流做均值归一化处理，均值归一化计算方法如下：

式中，x_max和x_min分别为全部路段在所有时间段的交通流的最大值与最小值，x为一条路段在一个时间段的交通流，u为全部路段在所有时间段的交通流的平均值，x′为归一化后的交通流，取值范围为[-1，1]；

步骤2)构建时间相邻性矩阵A，A为p×n的二维矩阵。A(i，j)是A的第i行第j列元素，A(i,j)表示路段i在t-j时间段的交通流，i＝1,2…,p,j＝1,2,…,n。在本发明的时间相邻性矩阵中，n＝8；

步骤3)构建日周期性矩阵B，B为p×l的二维矩阵。B(i，j)是B的第i行第j列元素,B(i,j)表示路段i在t-j×96时间段的交通流,i＝1,2…,p,j＝1,2,…,l。在本发明的日周期性矩阵中，l＝7；