[发明专利]基于混合神经网络的交通流预测方法、设备和介质

说明书

本发明公开了一种基于混合神经网络的交通流预测方法、设备和介质，该方法应用于一包括基于混合神经网络的交通流预测模型的基于混合神经网络的交通流预测系统，该方法包括：获取待预测道路的交通流数据，对交通流数据进行修正处理；通过基于混合神经网络的交通流预测模型对修正后的交通流数据进行处理，获得待预测道路的交通流预测结果，其中，基于混合神经网络的交通流预测模型包括卷积神经网络、双向长短期记忆神经网络和注意力机制，修正后的交通流数据依次经过卷积神经网络、双向长短期记忆神经网络和注意力机制处理。通过该方法，基于混合神经网络的交通流预测模型生成的交通流预测结果更接近真实的交通流，预测精度高。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于混合神经网络的交通流预测方法、设备和介质。

背景技术

随着经济的高速发展和人民生活水平的普遍提高，机动车拥有量和道路交通量急剧增加。为了解决城市交通问题，许多城市纷纷引入城市公路交通流预测系统。

交通部门对交通流控制和诱导的前提就是道路交通流预测结果，城市公路交通流预测系统对道路交通流进行预测得到道路交通流预测结果，这样可以让出行者制定更好的出行计划，方便相关部门对交通具有方向性的管控，大幅度提高了道路的使用率。交通流预测技术可有效地缓解交通问题，对于智能交通来说是一项关键的技术。

本申请发明人在实现本申请实施例技术方案的过程中，至少发现现有技术中存在如下技术问题：

现有的交通流预测方法没有充分利用交通流数据的时空特性，其预测精度准确性不高，不能对交通流进行很好的预测。

综上，现有的交通流预测方法存在预测精度低的技术问题。

发明内容

本申请实施例提供一种基于混合神经网络的交通流预测方法、设备和介质，解决了现有的交通流预测方法存在的预测精度低的技术问题。

本申请实施例一方面提供了一种基于混合神经网络的交通流预测方法，应用于一基于混合神经网络的交通流预测系统，所述基于混合神经网络的交通流预测系统具有基于混合神经网络的交通流预测模型，所述方法包括：获取待预测道路的交通流数据，对于交通流数据中的异常的数据进行剔除，并且采用相邻补齐法补齐，选取相邻时间段的数据，并对这些数据求平均值，将得到的修正值替换故障数据，对所述交通流数据进行修正处理，公式如下：，其中是修正后的值，，是异常数据前后时刻的值；通过所述基于混合神经网络的交通流预测模型对修正后的交通流数据进行处理，获得待预测道路的交通流预测结果，其中，所述基于混合神经网络的交通流预测模型包括卷积神经网络、双向长短期记忆神经网络和注意力机制，所述修正后的交通流数据依次经过所述卷积神经网络、所述双向长短期记忆神经网络和所述注意力机制处理。

可选的，所述通过所述基于混合神经网络的交通流预测模型对修正后的交通流数据进行处理，具体包括：所述卷积神经网络提取所述修正后的交通流数据的空间特性；所述双向长短期记忆神经网络提取所述修正后的交通流数据的时间特性；所述注意力机制选择所述修正后的交通流数据的关键信息进行处理。

可选的，所述卷积神经网络提取所述修正后的交通流数据的空间特性，具体为：所述卷积神经网络包括卷积层和池化层，所述卷积层处理所述修正后的交通流数据，获得每个位置的特征图；所述池化层基于所述每个位置的特征图，进行特征选择和信息过滤。

可选的，在所述卷积神经网络提取所述修正后的交通流数据的空间特性之前，所述方法还包括：所述卷积神经网络通过Dropout防止神经网络过拟合。

可选的，在所述对所述交通流数据进行修正处理之后，所述方法还包括：对所述修正后的交通流数据进行归一化。

可选的，在所述获取待预测道路的交通流数据之后，所述方法还包括：将所述交通流数据分为训练集和测试集；将所述训练集放入所述基于混合神经网络的交通流预测模型进行预测，对预测值与真实值进行损失函数计算；使用梯度下降算法进行混合神经网络参数优化；将所述测试集输入所述基于混合神经网络的交通流预测模型进行检测。