[发明专利]一种考虑不良天气的深度学习交通流预测方法

说明书

本发明属于智能交通控制技术领域，提供一种考虑不良天气的深度学习交通流预测方法，首先，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，通过气象站获取预测时间之前的原始天气数据集，根据预测时间间隔，将原始天气数据进行集计；其次，基于交通流时间序列和天气数据时间序列构建模型输入矩阵；然后，使用长短期记忆神经网络构建模型第一部分，对所有时期内的历史数据的规律进行挖掘，通过组合卷积神经网络和长短期记忆神经网络构建模型第二部分，对某一时期内的历史数据的规律进行挖掘；最后，将模型第一部分和第二部分进行权重组合后构建CNNLSTM模型，得到交通流数据预测值。

技术领域

本发明属于智能交通控制技术领域，涉及一种考虑不良天气的深度学习交通流预测方法。

背景技术

为预防交通拥堵和事故的发生，准确实时的路况信息至关重要，因此智能交通系统应运而生。准确的交通流预测是智能交通系统提供可靠实时信息的重要前提。鉴于此，交通流预测越来越受到研究者的重视。交通流预测发展至今已有几十年，正常天气下道路交通流预测已经趋于成熟，涉及很多方法，包括卡尔曼滤波、马尔可夫模型、K近邻(K-NearestNeighbor，KNN)算法、支持向量机、随机森林、神经网络等。因深度学习能从海量数据中深入挖掘和捕捉数据序列的相应规律，深度学习也被应用于正常天气下道路交通流预测，包括深度信念网络、深度自编码器、循环神经网络和卷积神经网络(Convolutional NeuralNetwork，CNN)等。还有一些学者将天气数据作为模型输入，基于支持向量机、多元回归函数、深度信念网络、门控神经网络、长短期记忆(Long Short-Term Memory，LSTM)神经网络、CNN等提出了各种交通流预测模型。

目前，不良天气下道路交通流预测的研究还较少。不良天气包括冰雪、雨、雾、大风、沙尘暴、高低温、潮湿等，均可能对道路交通安全及运行产生负面影响。有研究表明，不良天气会使能见度降低、视距减小、驾驶环境感知能力下降，从而影响驾驶员的驾驶行为，进而影响道路交通流特性，如若管理不当可能会引发交通拥堵和事故等一系列连锁反应。针对降雨条件，有学者利用模糊神经网络构建了一种快速路交通流预测方法。还有学者基于深度神经网络提出了一种考虑暴风雪的交通流预测方法。

正常天气下交通流预测的研究相对成熟，那些方法可对正常天气下道路交通流进行准确的预测。尽管有部分研究将天气数据作为模型输入，但却没有对不良天气下道路交通流进行预测。有研究指出，在雨、雪、雾等不良天气下事故数约占总事故数的85％。但是，不良天气下道路交通流预测的研究十分有限。因此，急需针对不良天气深入探讨道路交通流预测。

发明内容

本发明针对上述现有研究存在的问题，基于深度学习，在区分车型的基础上，考虑不良天气对交通流特性的影响，提出一种考虑不良天气的深度学习交通流预测方法，称之为CNNLSTM模型。相比传统交通流预测方法，该模型能结合不同深度学习方法的优点，可以更深入地挖掘历史交通流数据的内在规律，针对不良天气预测所得交通流数据具有更高的准确性。

本发明技术方案：

一种考虑不良天气的深度学习交通流预测方法，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