[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

说明书

本发明公开一种基于决策树和多元辅助信息的高速公路流量预测方法。本发明首先建立多尺度时间跨度的多元辅助信息时间序列，使用多元信息感知的LSTM模型学习流量、天气等信息的特征表示，然后构建具有多元信息的时间序列，使用梯度提升决策树进行模型的训练，提高高速公路场景下流量预测的准确度。本发明使用真实的高速公路微波车检器和气象检测仪数据集构建了多元信息的数据集，使用滑动窗口综合考虑多种影响交通流量的特征因子，并且使用基于梯度提升决策树的模型对高速公路场景下的流量进行预测，具有更高的准确率。

技术领域

本发明属于数据挖掘与智能交通领域，具体涉及一种基于决策树和多元辅助信息的高速公路流量预测方法。

背景技术

近年来，我国在交通运输方面取得了历史性成就，其中，据中国交通运输部的数据，截至2020年底，中国高速公路里程达16.10万公里，居世界第一。随着经济的快速发展，我国机动车数量也在快速增加，高速管理部门进行日常维护、拥塞管理等工作的难度日益增加。为了缓解管理难度，已经有越来越多的高速公路路段安装微波车检器等智能传感器设备，用于记录固定时间段内的车道级的总车流量、平均车速、平均车间距、平均车长以及分小、中、大型车型的车流量等数据。这些记录数据能反映当前高速公路的车流规律，是为高速管理部门提供科学决策的重要基础。

目前国内外的研究人员对道路的流量预测做了许多有价值的研究工作。现有的道路流量预测算法基于时间序列数据主要分为两类：基于统计学习的模型和基于机器学习的模型。相关统计学习方法包括差分自回归移动平均(ARIMA)、卡尔曼滤波、线性回归等，机器学习方法包括支持向量机(Support Vector Machine，SVM)、K近邻算法(K-NearestNeighbor)、梯度提升决策树(XGBoost)等。此外，随着深度学习的迅速发展，也有一些研究使用循环神经网络(Recurrent Neural Network，RNN)、卷积神经网络(ConvolutionalNeural Network，CNN)等神经网络模型来提升道路流量预测的准确性。例如长短期记忆网络(LSTM)通过引入记忆单元(memory unit)，随着时间序列的增加而不会衰减已有的信息，可以捕获更长时间跨度内的时间序列特征，具有更好的性能。

然而，高速公路流量的时间序列往往是多种因素共同作用产生的结果，仅依靠道路流量的历史数据难以提供高准确度的流量预测，导致道路管理部门无法获取对未来道路流量状况预判的数据支撑。同时，高速公路的流量数据存在以下特点，导致预测过程更具挑战性：1)流量受时间、节假日和气象情况等因素的影响较大，预测难度大，2)微波车检器的设施不够完善、运行不稳定，存在大量缺失或者独立的记录，影响流量预测的准确率。现有的道路流量预测方法大多针对城市道路场景下，缺乏对于高速公路的应用场景的流量预测方法。

发明内容

本发明针对因高速公路场景下的多种复杂因素以及大量缺失车检器流量记录而导致流量预测困难和准确率不高的问题，提出了一种基于决策树和多元辅助信息的高速公路流量预测方法，本发明可以提高高速公路场景下流量预测的准确度。

本发明的具体步骤是：

步骤(1).考虑高速公路场景下影响流量预测因素的多元性，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与数据预处理，包括以下子步骤：

步骤(2.1).提取高速公路车道级的总车流量tr_t、区分小、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等；

步骤(2.2).提取气象仪检测信息，包括高速路段一定范围内的能见度w_v、路面湿滑程度w_p；