[发明专利]基于时空阶梯卷积网络的交通流预测方法、设备及存储介质

权利要求书

1.一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，该方法包括以下步骤：

步骤S1、根据交通流的预测时间间隔和所处地理位置，对输入的历史交通流数据进行地理区域划分和聚合，并对聚合后的历史交通流数据进行预处理；

步骤S2、使用预处理后的历史交通流数据对构建的时空阶梯卷积神经网络预测模型进行预训练，得到训练好的交通流预测模型；

步骤S3、利用已训练好的交通流预测模型对指定时间间隔的交通流进行预测。

2.根据权利要求1所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S1中的历史交通流数据为若干个观测点在一定时间间隔内经过的车辆的平均速度。

3.根据权利要求1所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S1中对输入的历史交通流数据进行地理区域划分，具体为：按照经纬度对观测点所在地理范围进行网格化划分，并将每项历史交通流数据对应到其中一个特定网格。

4.根据权利要求3所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S1中对输入的历史交通流数据进行地理区域聚合，具体为：将对应于同一网格的所有交通流历史数据，将一定时间间隔内的若干历史交通流数据进行求平均值，得到各个网格指定时间间隔的聚合后的历史交通流数据。

5.根据权利要求1所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S2包括以下子步骤：

步骤S21、将聚合和预处理后的历史交通流数据划分为训练数据集和测试数据集；

步骤S22、利用训练数据集，在已设定合理参数的时空阶梯卷积神经网络交通流预测模型上使用历时方向传播BPTT算法进行训练，并计算时空阶梯卷积神经网络预测模型在测试数据集上的平均误差；

步骤S23、选择测试数据集上误差最小的时空阶梯卷积神经网络预测模型作为指定时间间隔交通流数据的交通流预测模型。

6.根据权利要求5所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S2文中已设定合理参数的时空阶梯卷积神经网络交通流预测模型，具体为：

合理设定时空阶梯卷积神经网络预测模型的以下任一或任多个参数：卷积模块的时间间隔数，卷积模块的区块尺寸，卷积核大小，卷积操作步长，卷积核个数，门控循环单元输入层结点数，隐层层数，每个隐层的结点数，输出层结点数，学习率和优化器种类。

7.根据权利要求1所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S1中的预处理为归一化预处理，所述归一化预处理采用min-max方法。

8.根据权利要求7所述的一种基于时空阶梯卷积网络的交通流预测方法，其特征在于，所述步骤S3包括以下子步骤：

步骤S31、将历史交通流数据激作为输入数据进行指定时间间隔和所属地理区域的聚类和归一化预处理；

步骤S32、将步骤S31获得的聚合和归一化预处理后的数据输入所述时空阶梯卷积神经网络预测模型，进行前向计算，得到对应的输出数据，即对下一指定时间间隔和所属地理区域的交通流数据的归一化预测值；

步骤S33、将步骤S32得到的下一指定时间间隔和所属地理区域的交通流数据的归一化预测值进行反归一化处理，得到对指定时间间隔的交通流数据预测值。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。