[发明专利]基于融合时空特征的深度网络的交通流预测方法

权利要求书

1.一种基于融合时空特征的深度网络的交通流预测方法，其特征在于，包括以下步骤：

步骤A：获取包含时空信息的历史交通流数据,并构建交通流数据训练集；

步骤B：对交通流数据训练集进行预处理，得到历史交通流数据的时空矩阵表征；

步骤C：以时空矩阵表征作为深度学习网络的输入，训练深度学习网络TSNN；

步骤D：将待预测的交通流数据序列输入到训练好的深度学习网络中，得到预测结果；

所述步骤A具体为：

步骤A1：从交通平台中获取交通流量监测点的监测数据,其中每个交通流量监测点的数据表示为：

M_i＝{(p_i,t_i,1,x_i,1),(p_i,t_i,2,x_i,2),...,(p_i,t_i,k,x_i,k),...,(p_i,t_i,T,x_i,T),i＝1,2,...,N}

其中,M_i表示第i个监测点的交通流数据序列，p_i表示第i个监测点的位置、t_i,k表示第i个监测点的第k个时刻的时间信息、x_i,k表示第i个监测点的第k个时刻的交通流量，i＝1,2,...,N表示监测点序号，k＝1,2,...,T表示每个监测点所需的历史监测数据数量；

步骤A2：将获取到的各监测点的交通流数据序列以监测点为单位，构成包含时空信息的交通流数据训练集SE＝(M₁,M₂,...,M_N)；

所述步骤B具体为：

步骤B1：遍历交通流数据训练集SE中的所有监测点的交通流数据；

步骤B2：对每一个监测点M_i,遍历其交通流数据序列，以第k个时刻对应的监测数据信息M_i,k＝(p_i,t_i,k,x_i,k)为中心，计算SE中其他监测点M_q,(q＝1,2,...,i-1,i+1,...,N)与当前监测点M_i的距离，构造一维空间向量

其中SE中其他监测点M_q,(q＝1,2,...,i-1,i+1,...,N)与当前监测点M_i的距离计算公式如下：

步骤B3：将第i个监测点不同时刻对应的一维空间信息向量组合在一起，得到如下的时空矩阵：

其中，T表示时刻数；

步骤B4：按照步骤B2和步骤B3遍历将训练集SE中的所有监测点，结束遍历后得到所有监测点的时空矩阵集合SF＝(F₁,F₂,...,F_N)。

2.根据权利要求1所述的基于融合时空特征的深度网络的交通流预测方法，其特征在于，所述步骤B2具体为；

步骤B21:将当前监测点的第k个时刻的监测数据M_i,k＝(p_i,t_i,k,x_i,k)中的x_i,k作为元素

步骤B22:选择与当前监测点M_i距离较小的s-1个监测点，依照距离升序将s-1个监测点的第k个时刻的交通流量数据作为元素其中j表示监测点序号，得到一维空间信息向量

3.根据权利要求1所述的基于融合时空特征的深度网络的交通流预测方法，其特征在于，所述TSNN由线性整流函数控制的卷积层、双层Bi-GRU、记忆网络以及注意力机制构成。