[发明专利]一种考虑不良天气的深度学习交通流预测方法

权利要求书

1.一种考虑不良天气的深度学习交通流预测方法，其特征在于，步骤如下：

首先，确定研究的空间范围、预测的时间范围和预测时间间隔，利用该空间范围内的交通流检测器获取交通流历史数据，利用气象站获取天气历史数据；其次，使用CNN和LSTM神经网络构建交通流预测模型；然后，使用历史数据对构建的预测模型进行训练；最后，使用训练好的模型对预测日的交通流进行预测，其具体步骤如下：

(1)交通流和天气数据获取

选定研究的空间范围、预测的时间范围和预测时间间隔，通过交通流检测器获取预测时间之前的原始交通流数据集p为断面编号，o为车型编号，o∈{1,2,3,…,O}，O为车型数，z为任一时刻，a为检测器采样时间间隔；根据预测时间间隔，将原始交通流数据集进行集计后得到断面p第o类车交通流数据的时间序列为第个时间间隔断面p第o类车的交通流数据，为所有时期内获取数据的时间间隔数；根据是否为工作日，将序列分为第i个时期内断面p第o类车交通流数据的时间序列为第i个时期内第tⁱ个时间间隔断面p第o类车的交通流数据，i∈{0,1}，i＝0时，为是非工作日断面p第o类车交通流数据的时间序列，为非工作日第t⁰个时间间隔断面p第o类车的交通流数据，T⁰为非工作日获取数据的时间间隔数；i＝1时，为是工作日断面p第o类车交通流数据的时间序列，为工作日第t¹个时间间隔断面p第o类车的交通流数据，T¹为工作日获取数据的时间间隔数，

通过气象站获取预测时间之前的原始天气数据集w_p＝{w_p(z-a,z)|0＜a≤z}；根据预测时间间隔，将原始天气数据集w_p进行集计后得到断面p天气数据的时间序列为第个时间间隔断面p的天气数据；根据是否为工作日，将序列分为第i个时期内断面p天气数据的时间序列为第i个时期内第tⁱ个时间间隔断面p的天气数据，i∈{0,1}，i＝0时，为是非工作日断面p天气数据的时间序列，为非工作日第t⁰个时间间隔断面p的天气数据；i＝1时，为是工作日断面p天气数据的时间序列，为工作日第t¹个时间间隔断面p的天气数据；

(2)模型构建

首先，基于交通流和天气数据的时间序列构建模型所需输入矩阵；其次，使用LSTM神经网络构建模型第一部分，对所有时期内历史数据的规律进行挖掘；再次，通过组合CNN和LSTM神经网络构建模型第二部分，对某一时期内历史数据的规律进行挖掘；最后，对各部分模型进行权重组合后构建CNNLSTM模型，进而得到交通流数据预测值，包括以下步骤：

(2.1)输入矩阵构建

基于序列和构建模型第一部分所需输入矩阵为第个时间间隔模型第一部分预测断面p第o类车交通流时所输入的向量，为使用模型第一部分进行一次预测时对断面p所选历史数据的个数，其中为断面p的上游检测器获取的第o类车交通流数据的时间序列；基于序列和构建模型第二部分所需输入矩阵为第i个时期内第tⁱ个时间间隔模型第二部分预测断面p第o类车交通流时所输入的向量，其中为断面p的上游检测器在第i个时期内获取的第o类车交通流数据的时间序列，为使用模型第二部分进行一次预测时对断面p所选历史数据的个数；

(2.2)模型第一部分构建

使用LSTM神经网络构建模型第一部分，挖掘所有时期内历史数据的规律，LSTM神经网络由输入层、隐藏层和输出层组成，其中隐藏层包括输入门、遗忘门和输出门；模型第一部分输入为隐藏层的记忆信息为为第个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；第个时间间隔对断面p第o类车输入门的输出记为遗忘门的输出记为输出门的输出记为其表达式分别为

式中：为第个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；σ^F和分别为输入门、遗忘门和输出门所选激活函数；和分别为输入门、遗忘门和输出门对断面p第o类车所选权重；和分别为输入门、遗忘门和输出门对断面p第o类车所选偏置向量；

第个时间间隔隐藏层单元的状态为即

式中：为计算时产生的变量；⊙为哈达玛积；tanh为双曲正切函数；和分别为计算时所选权重和偏置向量；

基于和得即

第个时间间隔由模型第一部分LSTM神经网络所得断面p第o类车的交通流数据预测值为即

式中：σ^LS、和分别为计算时所选激活函数以及对断面p第o类车所选权重和偏置向量；

(2.3)模型第二部分构建

模型第二部分先用CNN和LSTM神经网络分别对交通流进行预测，再将两种神经网络的输出作为全连接层的输入，进而得到模型第二部分的交通流数据预测值；先将矩阵输入到CNN和LSTM神经网络中，LSTM神经网络采用式(1)～(6)；CNN包括输入层、卷积和池化层、全连接层、输出层；将矩阵作为CNN第一层的输入；通过卷积和池化层提取输入矩阵的特征，卷积和池化层的输出为

式中：为第l层使用第c_l个卷积核卷积和池化操作后所得第i个时期内断面p第o类车的输出；pool为池化操作；为第i个时期内第tⁱ个时间间隔预测断面p第o类车交通流时第l层所输入的向量，令为卷积运算；和分别为第l层使用第c_l个卷积核时所用激活函数以及对断面p第o类车所选权重和偏置向量；C_l为第l层卷积核的个数；L为CNN的深度；

然后，将卷积和池化层的输出放入全连接层，需先将卷积和池化层的输出进行扁平化操作变换成一维向量，即

式中：为对第L-1层输出进行扁平化操作后所得第i个时期内断面p第o类车的输出；flatten为扁平化操作；为第L-1层使用第c_L-1个卷积核卷积和池化操作后所得第i个时期内断面p第o类车的输出；C_L-1为第L-1层卷积核的个数；

由全连接层计算得到CNN的输出，即

式中：为CNN所得的第i个时期内第tⁱ个时间间隔断面p第o类车的交通流数据预测值；σ^CN、和分别为CNN全连接层所选激活函数以及对断面p第o类车所选权重和偏置向量；

模型第二部分将LSTM神经网络隐藏层的信息和CNN卷积和池化层的输出作为全连接层的输入，所得交通流数据预测值为

式中：为模型第二部分所得的第i个时期内第tⁱ个时间间隔断面p第o类车的交通流数据预测值；为使用LSTM神经网络在第i个时期内第tⁱ个时间间隔预测断面p第o类车交通流时隐藏层的记忆信息；σ^CL、和分别为模型第二部分全连接层所选激活函数以及对断面p第o类车所选权重和偏置向量；

(4)权重组合

为充分挖掘历史数据的规律，提高交通流预测精度，将第一部分预测值和第二部分预测值进行权重组合，进而构建CNNLSTM模型；根据所有时期内前个时间间隔的历史数据预测第i个时期内第Tⁱ+1个时间间隔的交通流数据，即

式中：为CNNLSTM模型所得的第i个时期内第Tⁱ+1个时间间隔断面p第o类车的交通流数据预测值；为模型第一部分所得的第个时间间隔断面p第o类车的交通流数据预测值；为模型第二部分所得的第i个时期内第Tⁱ+1个时间间隔断面p第o类车的交通流数据预测值；a_L和a_H分别为模型第一部分和第二部分的权重系数；

(3)模型训练

为保证所提CNNLSTM模型的预测精度，需使用历史交通流和天气数据对该模型进行训练；选择平均绝对误差(Mean Absolute Error,MAE)作为损失函数，采用Adam算法进行训练，目标为最小化平均绝对误差，激活函数均为relu函数，模型第一部分和第二部分的损失函数分别为

式中：MAE_LS为模型第一部分的平均绝对误差；MAE_CL为模型第二部分的平均绝对误差；

(4)交通流预测

根据训练好的CNNLSTM模型对交通流进行预测，使用平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)、平均绝对误差(MAE)和均方根误差(Root MeanSquare Error,RMSE)评价CNNLSTM模型及对比各模型的预测性能；MAPE越小，MAE越小，RMSE越小，模型的预测精度越高；MAPE、MAE和RMSE的计算公式分别为

式中：和分别为第i个时期内第Tⁱ+t个时间间隔断面p第o类车由CNNLSTM模型所得交通流数据预测值和交通流数据实测值，t∈{1,2,3,…,T}，T为预测时间间隔数。