[发明专利]一种基于嵌入式特征选择策略的高速公路交通流预测方法

权利要求书

1.一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，针对目标高速公路区域，执行以下步骤，构建目标场景最佳车流量预测模型，由目标场景最佳车流量预测模型用于预测目标场景下目标高速公路区域上目标观测点在目标日期的目标时间段内各时间粒度的车流量：

步骤A：针对目标高速公路上预设各观测点在预设历史时长段内基于预设时间粒度采集的原始车流量数据，基于目标场景进行初步筛选更新，进而按照预设周期内各日期类型对预设历史时长段内的原始车流量数据进行划分，获得预设各观测点在各日期类型下分别对应的目标场景车流量数据集；

步骤B：针对预设各观测点在各日期类型下分别对应的目标场景车流量数据集，基于目标日期对应的目标日期类型、目标时间段、以及目标观测点，获取目标观测点在目标日期类型下对应的初始时间特征车流量数据集，进而利用嵌入式时间特征搜索策略获得最优时间特征子集；

步骤C：基于预设各观测点在各日期类型下分别对应的目标场景车流量数据集，结合最优时间特征子集，利用嵌入式空间特征搜索策略获得最优空间特征子集；

步骤D：基于最优时间特征子集与最优空间特征子集构成的最优时空特征子集，利用综合权重损失函数，构建并训练获得以目标观测点在目标日期的目标时间段内各时间粒度分别对应的最优时空特征子集为输入、目标观测点在目标日期的目标时间段内各时间粒度的车流量为输出的目标场景最佳车流量预测模型。

2.根据权利要求1所述一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，所述步骤B中，利用具体步骤如下所述的嵌入式时间特征搜索策略，获得最优时间特征子集：

步骤B1：针对目标观测点在目标日期类型下对应的初始时间特征车流量数据集，以初始时间特征车流量数据集内每个日期为起点、预设个数连续日期为跨度进行分割，获得各初始时间特征集合单元，进而生成初始时间特征集合X：

X＝[X₁，X₂，X₃，...，X_u...，X_U]^T

式中，X_u表示第u个初始时间特征集合单元；U表示初始时间特征集合单元总数；d表示初始时间特征车流量数据集中的日期编号，d-1表示日期编号为d的前一日期编号；初始时间特征集合单元中最后一列为目标向量，其余每列均为关联向量，每列关联向量即对应一个候选时间特征；T表示转置标识符；t₁至t_w表示目标时间段下包含的各时间粒度；S_j表示目标观测点对应的观测点编号，e表示行车方向，表示日期编号为d时在时间粒度t_w下行车方向为e时目标观测点s_j的实测车流量；

步骤B2：针对初始时间特征集合内各列关联向量，利用斯皮尔曼关联性系数法对各列关联向量进行剔除，进而基于关联系数从小到大的原则对各列关联向量进行第一次特征排序，即对各候选时间特征进行第一次排序，执行步骤B3；

步骤B3：针对初始时间特征集合内各列关联向量，利用K-medoids聚类方法获得各列关联向量到目标向量的聚类距离，按照聚类距离从大到小的原则，对各列关联向量进行第二次特征排序，即对各候选时间特征进行第二次排序，执行步骤B4；

步骤B4：基于第一次特征排序结合第二次特征排序，结合重排序准则对各候选时间特征进行重排序，获得强相关区间对应的各候选时间特征、中度相关区间对应的各候选时间特征、弱相关区间对应的各候选时间特征，执行步骤B5；

步骤B5：基于重排序后的各候选时间特征，结合目标神经网络对各候选时间特征进行筛选，筛选获得的各候选时间特征作为最优时间特征子集。

3.根据权利要求2所述一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，所述步骤B2中，利用斯皮尔曼关联性系数法计算各列关联向量与目标向量的关联系数，并将关联系数小于0.3的关联向量剔除。