[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

说明书

本发明公开了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。该方法首先结合外部影响因素对数据集进行剔除与分割，生成初始时间特征集合；基于斯皮尔曼关联性系数法，过滤初始时间特征集合的冗余信息，结合嵌入式时间特征选择策略，获得近似最优时间特征子集；融合目标高速路网形成有效时间、车型等，基于最优时间特征子集，利用嵌入式空间特征选择策略，获得最优时空特征子集；进而结合神经网络构建高速公路目标场景最佳交通流预测模型。本发明能够进行精准的时空特征选择和高速公路路网交通流精准预测，对所选时空特征具有良好的可解释性和可读性，可以为高速公路营运管理工作提供数据支撑。

技术领域

本发明属于特征工程技术领域，具体涉及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。

背景技术

在高速公路智能交通运营管理系统中，高速公路关键节点的交通流预测被认为是缓解交通堵塞和减少交通事故的不可替代的基础。利用交通预测信息提高高速公路的服务水平，对高速公路交通管理部门具有不可估量的价值。例如，高路公路交通管理部门可以利用交通流预测信息，动态调整出入口车辆通行以及车辆区域路线方案，为驾驶员提供最优路径规划策略。交通拥堵会导致交通延误且会增加额外的污染排放，准确的高路公路交通预测信息是大幅减少碳排放，发展低碳经济，构建高速公路智能交通管理系统的关键，可以有效避免城市交通拥堵。

既有的高速公路预测模型缺乏对模型输入集合质量提高开展实质性研究，输入集合数据质量参差不齐和体量过多，会增加高速公路交通流预测模型结构和参数的复杂性，导致整个高速公路交通流预测过程会过度消耗计算力和依赖于设备性能。既有的高速公路交通流预测模型无法在数据体量受到限制的条件下，将当前性能发挥到极致。另外，既有的高速公路预测模型缺乏对预测模型的可解释性，导致既有预测模型难以获取目标预测点和周边点位在时空维度上的关联性信息，无法对实际高速公路运营管理提供数据支撑。

发明内容

为解决上述技术问题，本发明提出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，能够进行精准的时空特征选择和高速公路路网交通流精准预测，对所选时空特征具有良好的可解释性和可读性，可以为高速公路营运管理工作提供数据支撑。

本发明采用以下技术方案：

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，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。

作为本发明的一种优选技术方案，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：