[发明专利]一种基于三阶段模型的短时交通流预测方法

说明书

一种基于三阶段模型的短时交通流预测方法属于智能交通系统领域，本发明提出了VMD‑GCN‑GRU模型，实现对交通数据的短时预测。与现有的短时交通流预测方法相比，通过对路网交通数据进行变分模态分解(Var i at i ona lMode Decompos it i on，VMD),可以削弱大部分噪声，有效降低原始信号的非平稳性，分解得到多组本征模态函数(I ntr i ns i c Mode Funct i on，I MF)和残差，把分解后的具有相似中心频率的I MF和残差依次输入GCN与GRU模型中进行预测，将得到的预测结果进行重构，从而得到最终的预测结果。实验表明，基于VMD‑GCN‑GRU模型的预测精度相比于其它深度学习预测方法有了较大的提升。

技术领域

本发明属于智能交通系统领域，研究了一种新的短时交通流预测方法。

背景技术

短时交通流预测指的是根据当前及过去的交通信息对未来几秒乃至几小时的交通流进行预测。准确的短期流量预测不仅能提高城市道路的通行效率、减少城市内的道路拥堵现象，还可以方便城市居民对自己的出行路线进行规划以达到规避道路交通流量高峰期的目的。目前传统的短时交通流预测方法存在一定的局限性，包括：不能准确地对交通流量的变化趋势进行拟合；没有考虑路网中不同路段之间的空间依赖性；假设系统模型是静态的，不能反映交通数据的非线性和不确定性，不能克服交通事故等随机事件的干扰等。这些缺陷导致传统方法的预测结果精度较低，使得它们不能被广泛应用。由于交通流的时空相互作用复杂，因此，建立一个准确可靠的交通流预测模型仍然是一项艰巨的任务。

近年来，深度学习的快速发展，为高精度短时交通流预测方法带来了新思路。目前较为多见的基于深度学习的预测模型有：循环神经网络(Recurrent Neural Network,RNN)，以及它的变体长短期记忆网络(Long Short-Term Memory，LSTM)和门控循环单元(Gate Recurrent Unit，GRU)等。由于RNN隐藏层之间的节点是有连接的，网络会对前面的信息进行记忆并应用于当前输出的计算中，隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出，所以比较适合处理序列数据。但是用RNN进行长序列训练过程中会出现梯度消失和梯度爆炸等问题。相比普通的RNN，LSTM能够在更长的序列中有更好的表现。由于LSTM在训练时参数较多，也使得训练难度加大了很多。因此很多时候往往会使用效果和LSTM相当但参数更少的GRU来构建大训练量的模型。用GRU进行短时交通流预测可以捕获交通数据的时间依赖性。为了学习路网中不同路段之间的空间依赖性，通常采用图卷积神经网络(Graph Convolutional Network，GCN)来实现。由于路网是一个动态变化的系统，路网交通数据具有随机性，非平稳等特征。采用上述GCN与GRU结合的预测方法不能完全学习交通数据的上述特征。对于波动性比较强的交通流数据预测结果表现一般。

为了解决上述这些问题，本发明提出了一种基于三阶段模型的短时交通流预测方法，即VMD-GCN-GRU模型，实现对交通数据的短时预测。与现有的短时交通流预测方法相比，通过对路网交通数据进行变分模态分解(Variational Mode Decomposition，VMD),可以削弱大部分噪声，有效降低原始信号的非平稳性，分解得到多组本征模态函数(IntrinsicMode Function，IMF)和残差，把分解后的具有相似中心频率的IMF和残差依次输入GCN与GRU模型中进行预测，将得到的预测结果进行重构，从而得到最终的预测结果。实验表明，基于VMD-GCN-GRU模型的预测精度相比于其它深度学习预测方法有了较大的提升。

发明内容