CN110675623A 基于混合深度学习的短时交通流量预测方法、系统、装置 （中国科学院自动化研究所）

号基于混合深度学习的短时交通流量预测方于混合深度学习的短时交通流量预测方法、系通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；分别将各交通流量数据集合中的历史交通流量数据合并得到对应的合深度学习模型获取各交通观测点t时刻归一化的2步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合所述混合深度学习模型由图卷积神经网络、LSTM网络骤S20中“分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的各合并3.根据权利要求1或2所述的基于混合深度学习的短时交通流量预测方法，其特征在其中，{a;IS=1,2,.…r}为合并数据，i为交通观测点的下标值，qmax为最大的合并数基于所述图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间根据所述空间关系特征，通过所述LSTM网基于注意力机制得到各所述时空关系特征对应的5.根据权利要求4所述的基于混合深度学习的短时交通流量预测方法，其特征在于，“基于图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特36.根据权利要求4所述的基于混合深度学习的短时交通流量预测方法，其特征在于，7.根据权利要求3或6所述的基于混合深度学习的短时交通流量预测方法，其特征在8.一种基于混合深度学习的短时交通流量预测系所述获取模块，配置为获取待预测的各交通观测点通流量数据为t时刻之前连续的等时长时间段的所述合并归一化模块，配置为分别将各所述交通流量数据集所述预测输出模块，配置为基于归一化的历史交通流所述混合深度学习模型由图卷积神经网络、LSTM网络行以实现权利要求1-7任一项所述的基于混合4的时间序列模型。该模型应用于短时交通流量的实时预测可以取得较高的预测精度。但是该模型的求解过程是对每个观测点的历史时间序列分别通过离线求解方程实现，求解的参数是相对固定的，不能适应不确定性强的短时交通流量预测要求，不能反映各个交通观测点之间的空间联系。同时，一些非参数的方法也被用来进行交通流量预测，例如k近邻(k-通流预测方法主要利用浅层交通预测模型，对于较大规模和较大数据量的交通流预测来记忆网络(LongShort-TermMemory,LSTM)和注意力机制(Attention)三种结构组合而成，[0006]步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应5过提取历史交通流量数据的时空关系特征预测[0016]基于图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间史交通流量数据为t时刻之前连续的等时长时6[0032]所述反归一化模块，配置为将各交通观测点t时刻的归一化的预测结果进行反归过提取历史交通流量数据的时空关系特征预测理器加载并执行以实现上述的基于混合深度图卷积神经网络GCN来捕获多个交通观测点的数据空间关系特征，基于LSTM模型捕获数据[0040]图1是本发明一种实施例的基于混合深度学习的短时交通流量预测方法的流程示[0041]图2是本发明一种实施例的基于混合深度学习的短时交通流量预测系统的框架示[0042]图3是本发明一种实施例的基于混合深度学习的短时交通流量预测方法的训练和7[0050]本发明的基于混合深度学习的短时交通流量预测方法，如图1所示，包括以下步[0052]步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应过提取历史交通流量数据的时空关系特征预测习模型获取各交通观测点当前时刻的交通流量预测结果的基于混合深度学习的短时交通[0060]在本实施例中，基于混合深度学习的短时交通流量预测方法的述某时刻的交通流数据指的是从此时刻开始经过预设时间间隔(例如5分钟)的交通流量数其求解过程定义如公式(1)所示：8[0067]预测t时刻M个观测点的交通流量y={9ls=t={IS=t-r,.…t-2,t-1,i=1,2,…,M},r为输入数据中历史交通流量数据个数，组成样本对(x,y),其中te[r,k,xeRM⃞,yreR由此构建数据集集随机打乱样本的顺序。t-r为各节点在t-r时间段内的历史交go*x=ugou"x(3)9[0083]每个观测点归一化后的交通流量数据QeR作为该节点值xX={Q:IS=t-r,….t-2,t-1,i=1,2,…,M}作为图卷积神经网络的输入，该网if-1[0096]H由T个M维的特征向量组成，即HeRMXT,我们采用一种软注意力机制对H加权[0115]通过衡量以上三种性能指标，当模型在测试集上的R2接近1且RMSE和MAE比较小[0117]本发明实施例的一种基于混合深度学习的短时交通流量预测方法，包括以下步[0119]本实施例中，基于交通采集系统获取待预测交通观测点的t时刻之前按照预设时[0120]步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应取历史交通流量数据的时空关系特征预测当前交通流量数据。如图7所示：该模型由一层表网络可训练的参数，网络的激活函数均为Tanh，在网络之间添加了批归一化处理Batch[0124]步骤S31，基于图卷积神经网络获取归一化后的各交通观测点的历史交通流量数[0130]本发明第二实施例的一种基于混合深度学习的短时交通流量预测系统，如图2所交通流量数据为t时刻之前连续的等时长时[0132]合并归一化模块200，配置为分别将各所述交通流量数据集合中的历史交通流量过提取历史交通流量数据的时空关系特征预测[0138]需要说明的是