申请/专利权人：北京交通大学

申请日：2020-07-06

公开（公告）日：2024-03-22

公开（公告）号：CN111815046B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06N3/0442;G06N3/049;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2020.11.10#实质审查的生效;2020.10.23#公开

摘要：本发明提供了一种基于深度学习的交通流量预测方法，包括：通过检测器采集交通流量数据信息，将交通信息的离散特征向量输入至DeepFM中的FM部分，得到具有离散特征间隐含关系的FM输出向量；将前t个时刻的当前检测器截面信息序列特征向量输入至基于检测器聚类标签的具有多层LSTM编码器的LSTM模型，得到LSTM输出向量；将前t个时刻的上游检测器各个车道的信息序列特征向量和所述的LSTM输出向量输入至注意力模型，得到具有当前检测器截面与上游各个车道之间的流量变化关系的注意力模型输出向量；根据FM输出向量和注意力模型输出向量对交通流量进行预测。该方法可以有效地提高短时交通流量预测的准确性。

主权项：1.一种基于深度学习的交通流量预测方法，其特征在于，包括：通过检测器采集交通流量数据信息，并将交通流量数据信息划分为离散特征和连续特征，所述的连续特征包括：前t个时刻上游检测器各个车道的信息序列；前t个时刻检测器截面信息序列和每个检测器每天的历史信息序列，t为正整数；对所述的离散特征处理得到交通流量数据信息的离散特征向量，将交通流量数据信息的离散特征向量输入至DeepFM中的FMFactorizationMachine，因子分解机部分，得到具有离散特征间隐含关系的FM输出向量；对当前检测器的前t个时刻检测器截面信息序列处理得到前t个时刻的当前检测器截面信息序列特征向量，并将所述的前t个时刻的当前检测器截面信息序列特征向量输入至基于检测器聚类标签的具有多层LSTMLongShortTermMemoryNetwork，长短时记忆网络编码器的LSTM模型，得到LSTM输出向量；将前t个时刻的上游检测器各个车道的信息序列处理得到的前t个时刻的上游检测器各个车道的信息序列特征向量和所述的LSTM输出向量输入至注意力模型，得到具有当前检测器截面与上游各个车道之间的流量变化关系的注意力模型输出向量；根据所述FM输出向量和所述的注意力模型输出向量对交通流量进行预测；所述的基于检测器聚类标签的具有多层LSTM编码器的LSTM模型，根据以下步骤得到：S21将所述的每个检测器每天的历史交通信息序列，输入共享参数的LSTM模型中训练，得到训练好的基于共享参数的LSTM模型,根据训练好的基于共享参数的LSTM模型对路网中所有检测器每天的历史交通信息序列分别进行编码，得到不同检测器节点不同日期的历史交通信息向量；S22从不同检测器节点不同日期的历史交通信息向量中选取多个交通信息向量作为本次聚类的多个聚类中心；S23根据不同检测器节点不同日期的历史交通信息向量与每个聚类中心的余弦相似度，分别计算不同检测器节点不同日期的历史交通信息向量与每个本次聚类中心的余弦相似度，将最大的余弦相似度对应的本次聚类中心作为不同检测器节点不同日期的历史交通信息向量在本次聚类中归属的聚类中心；S24将每个不同检测器节点不同日期的历史交通信息向量与各自归属的聚类中心的余弦相似度之和作为本次聚类总得分；S25重新选取聚类中心，并重复步骤S24得到聚类总得分并与上一次的聚类总得分比较，为当前检测器确定当日的聚类标签：判断本次聚类总得分与上次聚类总得分的变化是否小于设定阈值；若判断结果为小于设定阈值，则根据本次聚类结果判断交通状态，根据交通状态为当前检测器确定当日的聚类标签；若判断结果为不小于预设阈值，则重新聚类，直至相邻两次聚类总得分的变化小于设定阈值，根据最后一次的聚类结果判断交通状态，根据交通状态为当前检测器确定当日的聚类标签；S26根据所述的当前检测器当日的聚类标签，初始化具有多层LSTM编码器的LSTM模型，得到基于检测器聚类标签的具有多层LSTM编码器的LSTM模型。

全文数据：

权利要求：

百度查询： 北京交通大学 基于深度学习的交通流量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD