[发明专利]一种基于长短时记忆的交通拥堵预测方法及装置

说明书

本发明公开了一种基于长短时记忆的交通拥堵预测方法及装置，所述方法包括提取城市道路数据流信息的特征数据；将所述特征数据输入至预构建且训练好的LSTM长短时记忆模型中，获取预测结果；其中，所述LSTM长短时记忆模型的构建和训练方法包括：结合城市道路交通数据流的特点和LSTM长短时记忆的工作方式，构建LSTM长短时记忆模型；通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对LSTM长短时记忆模型进行训练；本发明可以节约道路交通控制的人工成本，并缩短交通拥堵信息反馈时间，且具有较高的准确度。

技术领域

本发明涉及一种基于长短时记忆的交通拥堵预测方法及装置，属于长短时记忆LSTM应用技术领域。

背景技术

城市交通流畅程度是城市经济发展的一个重要因素，因此交通拥堵预测显得十分重要。在交通拥堵预测问题中，需要使用交通的实时信息，实时预测路况信息，为城市路况信息、交通路况反馈、交通控制与交通事故处理提供必要的交通信息并给出相应的处理建议。目前国内的主要交通信息还是由人工实时反馈或者路网图像识别进行的，前者效率低下，费人费力；而后者需要大量数据运算量的实时系统才能实现，所耗成本很高。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于长短时记忆的交通拥堵预测方法及装置，能够高效预测城市道路拥堵信息。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于长短时记忆的交通拥堵预测方法，包括：

提取城市道路数据流信息的特征数据；

将所述特征数据输入至预构建且训练好的LSTM长短时记忆模型中，获取预测结果；

其中，所述LSTM长短时记忆模型的构建和训练方法包括：

结合城市道路交通数据流的特点和LSTM长短时记忆的工作方式，构建LSTM长短时记忆模型；

通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对LSTM长短时记忆模型进行训练。

进一步的，还包括：将所述预测结果用分类器进行分类，根据分类结果及预确定的匹配规则匹配相应的解决建议。

进一步的，还包括：计算所述预测结果的损失函数，记录计算的精确度。

进一步的，所述损失函数的公式如下：

其中：y表示真实值，y'表示预测值，y-y'表示残差；其中模型的损失值越低，表示模型的拟合效果越好，反之越差。

进一步的，还包括：通过所述预测结果判断是否存在拥堵区间，如果存在，则循环遍历，利用加法器计算出拥堵的时长，判断出拥堵的时刻和时长。

第二方面，本发明提供一种基于长短时记忆的交通拥堵预测装置，包括：

特征数据提取单元，用于提取城市道路数据流信息的特征数据；

预测结果获取单元，用于将所述特征数据输入至预构建且训练好的LSTM长短时记忆模型中，获取预测结果；

其中，所述LSTM长短时记忆模型的构建和训练方法包括：

结合城市道路交通数据流的特点和LSTM长短时记忆的工作方式，构建LSTM长短时记忆模型；

通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对LSTM长短时记忆模型进行训练。

进一步的，还包括：分类单元，用于将所述预测结果用分类器进行分类，通过分类结果给出相应的解决建议，便于决策者决策。