本发明公开了一种基于深度学习组合模型的断面车道级短时交通流预测方法，包括以下步骤：1)对已有交通流数据进行数据预处理；2)提取同一时刻预测车道断面与周围连接路段交通流信息和拓扑连接结构，获取短时交通流的上下游的空间相关性特征；3)提取同一时刻预测车道断面所处路段所有不同断面车道交通流状态，获取目标车道与同一路段不同断面车道空间相关性特征和时间特征；4)通过FC网络将两种空间特征与时间特征相融合，进行交通流的预测；5)使用交通流实际值与预测值进行比较，优化参数，获得最终的FC网络模型；6)采用最终的FC网络模型进行断面车道级短时交通流预测。本发明方法能有效提升断面车道级别短时交通流预测结果的准确性。
1.一种基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，包括以下步骤：
2)在已有交通流数据中提取同一时刻预测车道断面与周围连接路段交通流信息和拓扑连接结构，获取短时交通流的上下游的空间相关性特征；
3)提取同一时刻预测车道断面所处路段所有不同断面车道交通流状态，获取目标车道与同一路段不同断面车道空间相关性特征和时间特征；
4)通过FC网络将两种空间特征与时间特征相融合，进行交通流的预测；
5)使用交通流实际值与FC网络预测值进行比较，计算损失值，优化参数，获得最终的FC网络模型；
6)采用最终的FC网络模型和获取的两种空间特征与时间特征的进行断面车道级短时交通流预测。
2.根据权利要求1所述的基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，所述步骤1)中数据预处理包括数据归一化处理，以及检查所述数据集中测量数据中的缺失值并进行填充。
3.根据权利要求1所述的基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，所述步骤2)中获取短时交通流的上下游的空间相关性特征，具体如下：
2.1)收集目标检测车道和与其有拓扑接连路段交通流数据集，将同一点所有交通流数据映射到一维向量；收集该车道与所述拓扑接连路段的拓扑连接关系，将其接连关系按行进方向分别表示为出邻接矩阵和进邻接矩阵；
2.2)将各点交通流向量表示为各点的特征向量，将出邻接矩阵和相关点特征向量输入两层GCN网络提取出各点间带有空间特征的特征向量，将带有空间特征的特征向量进行各点序号排列，得到第一个空间矩阵特征图；
将进邻接矩阵和相关点特征向量输入两层GCN网络提取出各点间带有空间特征的特征向量，将带有空间特征的特征向量进行各点序号排列，得到第二个空间矩阵特征图；
2.3)对两个空间特征图进行卷积处理，融合路段上下游的空间相关性特征，产生空间特征向量。
4.根据权利要求3所述的基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，所述步骤2.3)卷积处理中采用卷积核尺寸为2×tw×3，其中，tw为时间窗长度，滑动步长为1。
5.根据权利要求1所述的基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，所述步骤3)中获取目标车道与同一路段不同断面车道空间相关性特征和时间特征是利用LSTM网络来对同一路段断面车道关联度较高w个车道流量组成的时空速度矩阵进行重构，分析同一路段间的空间特征，然后通过双向GRU网络提取出交通流的时间特征。
6.根据权利要求1所述的基于深度学习组合模型的断面车道级短时交通流预测方法，其特征在于，所述步骤3)中获取目标车道与同一路段不同断面车道空间相关性特征和时间特征，具体如下：
3.1)将提取到同一路段不同断面车道的交通流数据进行基于信息熵的灰色关联分析，挑选出w个关联度高的车道断面组成时空矩阵；
3.2)将上述时空矩阵输入LSTM网络进行时空矩阵重构得到不同断面车道的空间特征；
3.3)将重构时空矩阵输入双向GRU层进行2次提取，得到时间特征。
一种基于深度学习组合模型的断面车道级短时交通流预测
方法
技术领域
[0001] 本发明涉及智能交通技术，尤其涉及一种基于深度学习组合模型的断面车道级短时交通流预测方法。
背景技术
[0002] 随着交通需求的与日俱增，大量的交通需求与有限的交通供应之间的不平衡造成了交通拥堵。交通拥堵不仅会导致社会诸项功能的衰退而且还将引发城市生存环境的持续恶化。为了避免拥堵带来的不良后果,根据道路网络的相关信息提前预测下一时段的交通流状况，对缓解城市道路交通拥堵具有重要的现实意义和理论研究价值。
发明内容
[0003] 本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于深度学习组合模型的断面车道级短时交通流预测方法。
[0004] 本发明解决其技术问题所采用的技术方案是：一种基于深度学习组合模型的断面车道级短时交通流预测方法，包括以下步骤：
[0005] 1)对已有交通流数据进行数据预处理；
[0006] 2)在已有交通流数据中提取同一时刻预测车道断面与周围连接路段交通流信息和拓扑连接结构，获取短时交通流的上下游的空间相关性特征；
[0007] 3)提取同一时刻预测车道断面所处路段所有不同断面车道交通流状态，获取目标车道与同一路段不同断面车道空间相关性特征和时间特征；
[0008] 4)通过FC网络将两种空间特征与时间特征相融合，进行交通流的预测；
[0009] 5)使用交通流实际值与FC网络预测值进行比较，根据损失函数计算损失值，优化参数，并获得最终的FC网络模型；
[0010] 6)采用最终的FC网络模型和获取的两种空间特征与时间特征的进行断面车道级短时交通流预测。
[0011] 按上述方案，所述步骤1)中数据预处理包括数据归一化处理，以及检查所述数据集中测量数据中的缺失值并进行填充。
[0012] 按上述方案，所述步骤2)中获取短时交通流的上下游的空间相关性特征，具体如下：
[0013] 2.1)收集目标检测车道和与其有拓扑接连路段交通流数据集，将同一点所有交通流数据映射到一维向量；收集该车道与所述拓扑接连路段的拓扑连接关系，将其接连关系按行进方向分别表示为出邻接矩阵和进邻接矩阵；
[0014] 2.2)将各点交通流向量表示为各点的特征向量，将出邻接矩阵和相关点特征向量输入两层GCN网络提取出各点间带有空间特征的特征向量，将带有空间特征的特征向量进行各点序号排列，得到第一个空间矩阵特征图；
[0015] 将进邻接矩阵和相关点特征向量输入两层GCN网络提取出各点间带有空间特征的特征向量，将带有空间特征的特征向量进行各点序号排列，得到第二个空间矩阵特征图；
[0016] 2.3)对两个空间特征图进行卷积处理，融合路段上下游的空间相关性特征，产生空间特征向量。
[0017] 按上述方案，所述步骤2.3)卷积处理中采用卷积核尺寸为2×tw×3，其中，tw为时间窗长度，滑动步长为1。
[0018] 按上述方案，所述步骤3)中获取目标车道与同一路段不同断面车道空间相关性特征和时间特征是利用LSTM网络来对同一路段断面车道关联度较高w个车道流量组成的时空速度矩阵进行重构，分析同一路段间的空间特征，然后通过双向GRU网络提取出交通流的时间特征。
[0019] 按上述方案，所述步骤3)中获取目标车道与同一路段不同断面车道空间相关性特征和时间特征，具体如下：
[0020] 3.1)将提取到同一路段不同断面车道的交通流数据进行基于信息熵的灰色关联分析，挑选出w个关联度高的车道断面组成时空矩阵；
[0021] 3.2)将上述时空矩阵输入LSTM网络进行时空矩阵重构得到不同断面车道的空间特征；
[0022] 3.3)将重构时空矩阵输入双向GRU层进行2次提取，得到时间特征。
[0023] 本发明产生的有益效果是：本发明提出的一种基于深度学习的断面车道级短时交通流预测方法，将上下游路段的连接网络表示为两个无向图，并利用GCN 网络充分利用了此种道路拓扑连接关系；通过LSTM充分利用同一路段不同车道断面的相关关系进行预测，可克服现有方法不能利用时空特征的不足和时空相关性结合不充分的缺点，从而大大提高交通流预测的准确性。
附图说明
[0024] 下面将结合附图及实施例对本发明作进一步说明，附图中：
[0025] 图1是本发明实施例的方法流程图；
[0026] 图2是本发明总体组合模型网络结构的示意图；
[0027] 图3是本发明实例提供的一种从地图中提取出连接图和进连接的示意图。
具体实施方式
[0028] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0029] 如图1和图2所示，一种基于深度学习组合模型的断面车道级短时交通流预测方法，具体按照以下步骤实现；
[0030] 步骤S1：对交通流数据进行数据预处理；
[0031] 在本实例中，首先，收集目标车道上下游连接的交通流量历史数据集，通过公式进行数据归一化处理，其中xi'为每个数据归一化后的结果；
[0032] 检查流量历史数据缺失值，对测量数据的缺失值采用同一传感器最近6个数据加权平均后进行填补，有 其中xi为缺失数据周围的数据点，di为xi距离缺失数据的时间长度，x'0为填补的缺失数据值
[0033] 步骤S2：考虑目标车道与上下游连接路段交通空间相关性，获取目标交通预测点上下游空间特征图：
[0034] 在本实例中，如图2；
[0035] 步骤S21路网中收集目标检测车道和与其有拓扑接连路段交通流数据集，将同一点所有交通流数据映射到一维向量；收集该车道路网中与预测目标车道的拓扑连接关系，将其接连关系表示为出邻接矩阵和进邻接矩阵，连接图提取如图3所示；
[0036] 步骤S22将各点交通流向量表示为各点的特征向量，将出邻接矩阵和相关点特征向量输入两层GCN网络提取出各点间带有空间特征的特征向量，将这些向量各点序号排列，得到第一个空间矩阵特征图；将进邻接矩阵和相关点特征向量输入，经过同上步骤，得到第二个空间矩阵特征图。
[0037] 步骤S23对两个空间特征图进行卷积处理，采用卷积核尺寸为2×tw×3，其中tw为时间窗长度，滑动步长为1，融合路段上下游的空间相关性特征，产生空间特征向量。
[0038] 步骤S3：考虑目标车道同一路段不同断面车道空间相关性和车道时间特征；
[0039] 在本实例中，如图2；
[0040] 步骤S31将提取到同一路段不同断面车道的交通流数据进行基于信息熵的灰色关联分析，挑选出w个关联度高的车道断面组成时空矩阵；
[0041] 步骤S32将上述时空矩阵输入LSTM进行时空矩阵重构得到不同断面车道的空间特征；
[0042] 步骤S33将重构时空矩阵输入双向GRU层进行2次提取，得到时间特征；
[0043] 步骤S4：综合考虑交通流数据的空间特征和时间特征，通过FC网络将两种空间特征与时间特征相融合，进行交通流的预测；
[0044] 在本实例中，需要将所提取的目标交通预测点上下游空间特征图和时间特征进行融合，进一步的使用融合特征进行回归，具体使用神经网络的FC网络将收集到的交通流数据的时间特征和空间特征进行融合。
[0045] 步骤S5：根据本发明所提出的算法交通流量预测结果与实际交通流量值之间进行比较，计算损失值，不断优化包括GCN、卷积神经网络、LSTM与双向GRU 和FC网络在内的总体网络框架的参数；
[0046] 均方误差函数：
[0047]
[0048] 本实例中采用均方误差为损失函数，计算FC网络框架输出的预测值和实际交通流数据之间的特征，然后使用反向传播算法对总体网络框架的参数进行不断优化，反向传播算法不断计算参数梯度，并使用Adam进行不断迅游，优化参数，使结构达到最优解。
[0049] 步骤S6：采用最终的FC网络模型和获取两种空间特征与时间特征的进行断面车道级短时交通流预测。
[0050] 本发明提出断面车道级短时交通流预测方法，将上下游路段的连接网络表示为两个无向图，并利用GCN网络充分利用了此种道路拓扑连接关系；通过LSTM 充分利用同一路段不同车道断面的空间相关关系进行预测，可克服现有方法不能利用时空特征的不足和时空相关性结合不充分的缺点，从而大大提高交通流预测的准确性。
[0051] 应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
