[发明专利]基于卷积长短期记忆神经网络的交通拥堵预测方法及系统

说明书

本发明一种基于卷积长短期记忆神经网络的交通拥堵预测方法，其包括步骤：S1：获取与交通拥堵有关的历史信息；S2：基于历史信息构建交通拥堵指标；S3：构建基于卷积神经网络以及双向长短时间记忆神经网络的预测模型；S4：基于交通拥堵指标训练预测模型；S5；基于历史信息通过预测模型预测未来时间段的交通拥堵情况。此外，本发明还公开了一种基于卷积长短期记忆神经网络的交通拥堵预测系统。本发明基于交通速度构造一个合理且直观的交通拥堵指标，利用卷积神经网络和双向长短期记忆网络充分提取交通数据的时间、空间以及周期特征，使得输出的预测结果与实际交通拥堵情况贴合程度大幅提高。

技术领域

本发明涉及交通运输技术领域，尤其涉及一种用于预测交通路况的预测方法，尤其是涉及一种基于卷积双向长短期记忆神经网络的交通拥堵预测方法。

背景技术

交通拥堵问题严重影响了人们的生活质量，即使交通管理部门推出各种缓解政策，然而随着机动车数量的爆发式增长，交通拥堵依然是我们目前要关注的最重要的交通问题之一。较为准确的短时交通拥堵预测不仅可以为交通管理者提供可靠的管理依据，同时也向道路使用者展示实际道路状态，方便其做出判断，为缓解交通拥堵以及减少交通事故发生起到了巨大的作用。

短时交通拥堵预测作为交通领域的研究热点，近年来取得了丰富的研究成果，预测方法主要可以分为五大类：基于统计理论的预测模型，基于非线性理论的预测模型，基于人工智能理论的预测模型，基于动态交通分配的预测模型以及混合预测模型。统计理论的方法在近几年应用的较少，而智能理论模型预测方法以及组合模型预测方法较为常见，尤其是神经网络与其他模型的组合方法来预测短期交通拥堵逐渐成为研究热点。基于统计理论的方法计算复杂度较低，操作相对简单，但是复杂情况下预测结果的稳健性和精度不高。基于动态交通分配其实就是在交通模型和交通数据的基础上利用交通仿真、计算实验等计算机技术进行的动态交通状态估计和预测的方法，该方法的理论分析比较充分，能考虑各种复杂情况，但是路网数据难以获得，很难适应大规模路网。非线性理论预测方法通常利用混沌吸引子概念、分形概念、相空间重构等概念和方法进行建模，突出了短时交通流预测和复杂交通系统非线性的特征，但是模型计算较为复杂。基于知识发现的智能模型预测方法也是建立在非线性预测的基础之上的，模型主要包括支持向量机、随机树和人工神经网络的方法，具有较强的数据拟合能力，预测精度较高，但所需数据规模庞大，训练中调参过程较为困难。现有的短时交通拥堵预测方法，效率不高，结果不直观，无法很好的在实际交通评价工程中应用。提出两种深度学习方法结合运用，更加全面地提取交通数据的时间和空间特征，提高预测精度，从而提出一种基于深度学习算法的短时交通拥堵预测方法。

预测交通拥堵状况，建立交通拥堵评价指标是首要工作。国内外重大城市已提出的相关的拥堵评价指标主要可以分为基于交通速度的评价指标，基于交通密度的评价指标以及基于交通量的评价指标。如上所述，时间平均车速，平均旅行时间、交通流量、延误指数、饱和率及占有率均可作为判别交通拥堵的参数，其中时间平均车速以及平均旅行时间更加较为直观地反映了道路的拥堵情况，而且速度参数由于实用性较强以及易于理解等特点被广泛使用。然而现有的拥堵评价指标一般比较单一且不直观，因此基于交通速度提出一个直观便于理解的交通拥堵指标应用于交通拥堵预测。

例如：公开号为CN110222873A，公开日为2019年9月10日，名称为“一种基于大数据的地铁站客流量预测方法”的中国专利文献公开了一种基于大数据的地铁站客流量预测方法。然而，该专利文献所公开数据并不基于长短期记忆神经网络进行预测，其预测结果与预测准确性不能满足目前交通拥堵指标。

发明内容

针对现有技术的缺陷，本发明的目的提供一种基于卷积长短期记忆神经网络的交通拥堵预测方法及系统。针对现有的短时交通拥堵预测方法，准确度不高，实时性不够，数据收集冗余复杂，无法很好的在实际交通管理系统中应用。本发明提出基于交通速度构造一个合理且直观的交通拥堵指标，利用卷积神经网络和双向长短期记忆网络充分提取交通数据的时间、空间以及周期特征，使得输出的预测结果与实际交通拥堵情况贴合程度大幅提高。