[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

说明书

本发明涉及一种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，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。与现有技术相比，本发明利用了时空阶梯卷积神经网络能够将时间信息与空间输入范围相结合的优势，可以得到更高的预测精度，且对短期、长期预测都有着较高的预测精确度。

技术领域

本发明涉及智能交通技术领域，尤其是涉及一种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。

背景技术

作为智能交通系统(Intelligent Transportation System，ITS)的核心内容之一，智能交通控制与诱导系统一直是智能交通系统研究的热门课题。智能控制与诱导的实现能有效地缓解交通堵塞、减轻环境污染，提供高效安全的道路通行状况。这些实现的前提和关键是能够对短时交通流量进行准确的预测，预测的准确度直接决定了控制和诱导的有效性。

经对现有技术的文献检索发现，已有的模型大致可以分为参数化方法和非参数化方法两类。早期的研究者只考虑历史交通流数据中的时间信息。如Levin等使用差分自回归移动平均(Autoregressive Integrated Moving Average，ARIMA)模型预测高速交通流。然而交通流具有非线性复杂特征，使得参数化模型难以解析交通流的数学公式描述，导致预测准确率不理想。后续研究进一步考虑了交通流中的空间信息。目前研究主要集中在基于机器学习的非参数化模型上。Tang等引入交通流量和多种环境异质信息，使用基于机器学习的异质网络来预测交通流。由于人工智能网络(Artificial Neural Network，ANN)能够学习具有高度抽象层次的特征，与具有非线性、高随机特征的交通流预测任务契合而表现良好，研究者们提出了各种基于人工神经网络的模型和算法。

近几年随着深度学习的提出，也有研究者将深度学习的引入该领域。Yao等和Sun等分别使用卷积长短期记忆网络(Convolution Long Short Term Network，Conv-LSTM)和双向长短期记忆网络(Bidirectional Long Short Term Network，BiLSTM)两种深度学习模型来对交通流进行建模和预测，但这些模型的时间和空间信息未被综合应用，不能动态地捕捉空间范围内的交通流信息，导致它们不能非常有效地动态捕捉交通流非线性、随机性等复杂特征。因此，预测效果仍然不够令人满意。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种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，该方法通过时空阶梯卷积神经网络，将时间信息与空间输入范围相结合，动态地捕捉空间范围内的交通流信息，非常有效地动态捕捉交通流非线性、随机性等复杂特征，对短期、长期预测都有着较高的预测精确度。

本发明的目的可以通过以下技术方案来实现：

根据本发明的第一方面，提供了一种基于时空阶梯卷积网络的交通流预测方法，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。

优选地，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。