[发明专利]基于时序交通事件的城市道路拥堵程度预测方法

说明书

本发明涉及一种基于时序交通事件的城市道路拥堵程度预测方法，步骤为：S1：获取城市路段的历史交通事件数据、实时交通事件数据和视频监测数据；S2：通过3D CNN识别视频数据中的交通拥堵前兆事件，结合历史交通事件进行数据时空融合；S3：确立拥堵程度分类标签，构建时序交通拥堵事件数据字典，筛选训练集、验证集和测试集；S4：建立LSTM序列数据分类模型，输入训练集，利用梯度下降法迭代更新模型参数；S5：验证集输入到参数更新后的模型，优化调整超参数，选取最优模型；S6：测试集输入到最优训练模型，检验模型的有效性，并结合实时交通监测数据进行道路拥堵预测。本发明利用LSTM建立序列数据分类模型，基于时序交通事件实现城市道路拥堵程度的预测。

技术领域

本发明属于城市智能交通管理技术领域，涉及一种基于时序交通事件的城市道路拥堵程度预测方法。

背景技术

目前，为有效缓解交通阻塞、减少交通事故、提高路网通行能力、降低能源消耗并减轻环境污染，很多城市已经建成智能交通系统(ITS)，其关键技术是能够对城市道路的未来交通情况进行有效预测，为城市交通控制和道路诱导系统提供决策依据。

国内外针对交通拥堵问题多采用交通流数据定量预测技术，如基于统计理论的方法构建ARIMA模型、卡尔曼滤波模型等线性模型，或基于机器学习算法构建决策树模型、支持向量机模型等非线性模型，但由于交通流的复杂性和不确定性，智能交通各子系统的时效关联性不够强，导致交通控制系统和诱导系统联合实现智能交通目标功能还不够完善。

近年来，计算机视觉领域技术不断革新，视频数据的处理方式从简单的卷积神经网络向三维算法推进；同时，随着深度学习方法在交通领域的不断深入，以处理时间序列数据为特点的循环神经网络也得到广泛应用，使得模型可以结合历史交通数据与当前时刻的输入较好地预测下一时刻的道路交通信息。

发明内容

本发明的目的是提供一种基于时序交通事件的城市道路拥堵程度预测方法，利用LSTM循环神经网络建立LSTM序列数据分类模型，并对模型进行训练优化，实现城市道路拥堵程度的预测，避免多源交通流数据的复杂处理过程。

本发明的技术方案是：基于时序交通事件的城市道路拥堵程度预测方法，包括如下步骤：

S1：分别获取城市路段的历史交通事件数据、在线实时交通事件数据和路网监测点的交通监控视频数据；

S2：通过3D CNN(卷积神经网络)对交通监控视频数据进行拥堵前兆事件特征提取，将CNN模型识别的交通事件与已有的历史交通事件进行数据时空融合，补充各路段部分时间戳的缺失数据；

S3：确立路段拥堵程度分类标签，构建时序交通拥堵事件数据字典，实现路段交通事件数据集合和标签的一一对应；筛选有效集合，按比例构建训练集、验证集和测试集；

S4：基于LSTM循环神经网络建立LSTM(长短时记忆循环神经网络)序列数据分类模型，其中，前向传播阶段通过训练集训练LSTM序列数据分类模型，反向传播阶段基于损失函数利用梯度下降法迭代更新LSTM序列数据分类模型参数；

S5：将验证集输入到参数更新后的模型，优化调整模型的超参数，包括：迭代次数epoch、dropout值、batch_size值，选取最优模型，合并训练集和验证集作为整体训练集训练最优模型；

S6：将测试集输入到最优的LSTM序列数据分类模型中，检验LSTM序列数据分类模型的有效性和泛化能力，并结合不断更新的实时路段交通数据进行道路拥堵预测。

步骤S1中的历史交通事件数据来自于公安内网城市道路交通信息及地图软件用户上传的路段实时拥堵信息；所述交通事件类别包含交通阻塞、道路故障、交通事故、违规行驶或恶劣天气，每一条事件信息包含经纬度和时间戳；视频数据由路段监测点的摄像设备，通过视频传输设备将视频信息传送至信息控制中心。

步骤S2中数据时空融合包括以下两个过程：