[发明专利]基于时序交通事件的城市道路拥堵程度预测方法

摘要

本发明涉及一种基于时序交通事件的城市道路拥堵程度预测方法，步骤为：S1：获取城市路段的历史交通事件数据、实时交通事件数据和视频监测数据；S2：通过3D CNN识别视频数据中的交通拥堵前兆事件，结合历史交通事件进行数据时空融合；S3：确立拥堵程度分类标签，构建时序交通拥堵事件数据字典，筛选训练集、验证集和测试集；S4：建立LSTM序列数据分类模型，输入训练集，利用梯度下降法迭代更新模型参数；S5：验证集输入到参数更新后的模型，优化调整超参数，选取最优模型；S6：测试集输入到最优训练模型，检验模型的有效性，并结合实时交通监测数据进行道路拥堵预测。本发明利用LSTM建立序列数据分类模型，基于时序交通事件实现城市道路拥堵程度的预测。

主权项

1.一种基于时序交通事件的城市道路拥堵程度预测方法，其特征在于，包括如下步骤：S1：分别获取城市路段的历史交通事件数据、在线实时交通事件数据和路网监测点的交通监控视频数据；S2：通过3D CNN对交通监控视频数据进行拥堵前兆事件特征提取，将CNN模型识别的交通事件与已有的历史交通事件进行数据时空融合，补充各路段部分时间戳的缺失数据；S3：确立路段拥堵程度分类标签，构建时序交通拥堵事件数据字典，实现路段交通事件数据集合和标签的一一对应；筛选有效集合，按比例构建训练集、验证集和测试集；S4：基于LSTM循环神经网络建立LSTM序列数据分类模型，其中，前向传播阶段通过训练集训练LSTM序列数据分类模型，反向传播阶段基于损失函数利用梯度下降法迭代更新LSTM序列数据分类模型参数；S5：将验证集输入到参数更新后的模型，优化调整模型的超参数，包括：迭代次数epoch、dropout值、batch_size值，选取最优模型，合并训练集和验证集作为整体训练集训练最优模型；S6：将测试集输入到最优的LSTM序列数据分类模型中，检验LSTM序列数据分类模型的有效性和泛化能力，并结合不断更新的实时路段交通数据进行道路拥堵预测。