[发明专利]一种基于道路聚类和双层双向LSTM的交通流量预测方法

摘要

本发明公开了一种基于道路聚类和双层双向LSTM的交通流量预测方法，包括：1)提出了一种对训练数据存在缺失值时，对丢失值采取周围平均化的方式填补缺失数据，提高预测精度；2)提出了一种根据历史流量数据对道路进行相关性聚类，将道路分成若干组，并在数据预处理阶段同时利用时间信息和空间信息，提高预测精度；3)设计了一种双层双向LSTM深度神经网络模型，提高模型的预测精度；4)提出了一种对网络模型进行批量训练和测试的方法，加快神经网络模型的训练和测试速度；5)提出了一种多模型融合方法，提高预测精度。本发明同时提高了深度神经网络在交通流量预测方面的预测速度和精度。

主权项

1.一种基于道路聚类和双层双向LSTM的交通流量预测方法，其特征在于，包括以下步骤：(1)原始训练数据格式化，训练数据中的交通流量用1到n之间的数字量化，1表示道路非常通畅，n表示道路非常拥堵，道路拥堵情况由1到n递增，0表示缺失值；(2)检查训练数据中交通流量是否存在缺失值0，若存在，转到步骤(3)，若不存在，跳到步骤(4)；(3)对缺失值采取周围平均化的方式填补数据，直至填补完所有缺失值；(4)根据道路的部分历史交通流量序列计算各条道路之间相关性，并根据相关性利用k‑means算法进行道路聚类，将道路分为若干类，每类道路里面包括了若干条道路；(5)利用步骤(4)计算的各条道路之间相关性，提取数据的时间和空间信息；(6)设计双层双向的LSTM深度神经网络模型对每类道路分别进行训练，其中神经网络模型包括以下部分：对于步骤(5)提取的所有信息，即时间和空间信息通过数据层输入到模型中，数据层的每个输出都接一层嵌入层，嵌入层中除了有关交通流量之和的其余输出作为第一层LSTM的输入，第一层LSTM的输出结果与嵌入层有关交通流量之和的输出以及相应道路的交通流量合并到一起作为两层全连接层的输入，全连接层的全部输出作为第二层LSTM的输入，第二层LSTM的输出结果作为另外两层全连接层的输入，两层全连接层的输出再接一个全连接层，最后输出预测结果，其中两层LSTM均为双向的LSTM；(7)将每类道路需要训练的神经网络模型和数据看成一个作业，利用批处理脚本提交到集群上运行，实现神经网络模型的集群训练，从而得到训练好的神经网络模型；(8)利用步骤(7)训练得到的神经网络模型对需要预测的数据进行预测，预测时将每个预测任务看成一个作业，用批处理脚本提交到集群上进行预测，收集每类道路的预测结果并合并到一起；(9)选择不同的聚类类别数，重复步骤(4)到(8)若干次；(10)将若干次的预测结果进行融合得到最终预测结果；所述步骤(3)中的对缺失值采取周围平均化的方式填补数据的具体流程为：对于序列{x,0,0,…,0,y}，其中x与y之间共有i个连续的缺失值0，则填补方式为：p＝random(0,1)，即p随机选取0到1之间的某个数i为奇数时，i为偶数时，其中表示下取整，表示上取整，若填补完后序列变成{x,0,…,0,m,0,…,0,y}，则对序列{x,0,…,0,m}和序列{m,0,…,0,y}同样以上述方式填补，以此类推直到填补完所有缺失值；m是利用上述方式填补好的值。