[发明专利]基于决策树和多元辅助信息的高速公路流量预测方法

权利要求书

1.基于决策树和多元辅助信息的高速公路流量预测方法，其特征在于该方法包括以下步骤：

步骤(1)，采集高速公路路段的微波车检器和气象仪检测器数据，构建多元辅助信息数据集；

步骤(2)，在步骤(1)的基础上进行特征提取；

步骤(3)，在步骤(2)的基础上，设置不同时间跨度的滑动窗口大小，构建不同类别信息的时间序列，结合多元信息感知的LSTM模型对时间序列进行特征学习，获取多元信息的特征表示，所述的多元信息涉及流量、天气以及时间；

步骤(4)，建立基于时间窗口的特征序列，具体如下：

步骤(4.1)，设所有时间间隔可获取的多元信息序列为s₁,s₂,...,s_t，其中s_t表示第t个时间间隔的多元信息，并且s_t由交通流、气象和时间三种信息组成；

步骤(4.2)，基于时间窗口的特征序列将多个时间间隔的多元信息序列按时间顺序进行拼接；

步骤(5)，以基于时间窗口的特征序列为基础，构建结合多元辅助信息的多特征梯度提升决策树模型，对多元辅助信息特征表示进一步训练学习；

步骤(6)，基于步骤(5)训练的决策树模型，输入待预测道路的历史流量信息、气象信息和时间信息，即可获取流量预测结果；

所述步骤(3)具体包括：

步骤(3.1)，对于流量信息和天气信息，分别以天和周两个时间跨度划分时间滑动窗口的大小，构建不同时间跨度的流量时间序列；

步骤(3.2)，设时间序列长度为T，以天和周为跨度的时间序列长度分别为24和168；

对于总车流量tr_t、小、中、大型车型的车流量tr_s、tr_m、tr_l、平均车速s、平均车长l以及天气特征能见度w_v、路面湿滑程度w_p，分别作为LSTM模型的输入进行特征学习；

得到以天和周为时间跨度的特征表示为小、中、大型车型的车流量平均车速平均车长以及天气特征能见度路面湿滑程度

步骤(3.3)，针对两个时间跨度的特征表示进行融合，最终得到流量信息和气象信息的特征表示：tr_t^′,tr_s^′,tr^′_m,tr_l^′,s^′,l^′,w_p^′,w_v^′；以及时间特征表示ti^′_h,ti^′_d,ti^′_w,ti^′_m。

2.根据权利要求1所述的基于决策树和多元辅助信息的高速公路流量预测方法，其特征在于：步骤(1)具体包括：

微波车检器每隔5分钟记录一次信息，包括时间戳、分车道的车总流量、分车型的车流量、平均车速、平均车长度和平均车间距；

气象仪检测器每隔5分钟记录一次信息，包括降水量、能见度、路面湿滑度、风速和风向。

3.根据权利要求2所述的基于决策树和多元辅助信息的高速公路流量预测方法，其特征在于：对5分钟采集的数据进行汇聚操作，即以12个记录点为一组取均值作为一个时间点的数据，在此基础上构建数据集。