本發(fā)明屬于智能交通領(lǐng)域，特別是涉及一種基于深度學習的短時交通流預測方法。

背景技術(shù)：

1、隨著社會經(jīng)濟持續(xù)快速發(fā)展，汽車數(shù)量不斷增加，道路交通流量也隨之增大，并由此帶來了一系列的交通問題。目前，通過智能交通控制系統(tǒng)實現(xiàn)對道路交通狀態(tài)的控制和誘導，是解決交通問題的有效途徑之一。短時交通流預測是交通管理和控制部門采取交通誘導措施的主要依據(jù)，為了更好的實時性反映交通狀態(tài)，基于短時交通流量預測模型的研究成為近幾十年來流量預測研究的重點。隨著新技術(shù)的不斷發(fā)展，智能化系統(tǒng)的廣泛應用，對于大數(shù)據(jù)的處理和交通預測模型的精度提出了更高的要求。實時、準確的交通流預測，可以有效的提高交通的通行效率和安全性，并且方便管理部門主動的進行交通規(guī)劃，并采取合理的交通疏導措施。

2、傳統(tǒng)的交通流預測方法大部分都是只提取交通流的時空特征，而忽略了影響交通流的潛在特征，而且沒有對交通流數(shù)據(jù)進行深入的分析，從而無法獲得更加準確的預測。且深度學習模型通常比較復雜，各種參數(shù)的設定多依靠人工經(jīng)驗，這給深度學習的應用帶來了不小的挑戰(zhàn)，難以得到精確的預測結(jié)果。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于深度學習的短時交通流預測方法，以解決上述現(xiàn)有技術(shù)存在的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于深度學習的短時交通流預測方法，包括：

3、獲取待測區(qū)域的歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括歷史交通流量數(shù)據(jù)和交通流量影響數(shù)據(jù)；

4、構(gòu)建短時交通流預測模型，所述短時交通流預測模型包括依次連接的空間特征提取模塊、時空特征提取模塊、特征融合模塊和全連接預測層；

5、提取所述短時交通流預測模型所包括的超參數(shù)組合，基于所述歷史數(shù)據(jù)對各所述超參數(shù)組合對應的短時交通流預測模型進行訓練，并對訓練結(jié)果進行評價，將評價結(jié)果作為各所述超參數(shù)組合對應的評價分數(shù)；

6、以各所述超參數(shù)組合為海象生成海象種群；

7、基于各所述超參數(shù)組合對應的評價分數(shù)結(jié)合海象優(yōu)化算法在所述海象種群內(nèi)進行參數(shù)尋優(yōu)，得到最優(yōu)超參數(shù)組合；

8、基于最優(yōu)超參數(shù)組合對應的短時交通流預測模型執(zhí)行所述待測區(qū)域的短時交通流預測。

9、可選的，所述歷史交通流量數(shù)據(jù)包括車輛數(shù)、車速和車道占有率。

10、可選的，所述交通流量影響數(shù)據(jù)包括天氣信息、節(jié)假日信息、道路施工信息和交通事故信息。

11、可選的，在基于所述歷史數(shù)據(jù)對各所述超參數(shù)組合對應的短時交通流預測模型進行訓練之前，還包括，對所述歷史數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)歸一化和時間序列轉(zhuǎn)換，得到預處理后的歷史數(shù)據(jù)，基于預處理后的歷史數(shù)據(jù)進行所述短時交通流預測模型的訓練。

12、可選的，基于所述歷史數(shù)據(jù)對各所述超參數(shù)組合對應的短時交通流預測模型進行訓練，具體包括：

13、按照預設比例將所述歷史數(shù)據(jù)劃分為訓練集、測試集和驗證集；

14、基于所述訓練集對各所述超參數(shù)組合對應的短時交通流預測模型進行訓練，并通過所述驗證集對各所述超參數(shù)組合對應的短時交通流預測模型的性能進行驗證評價，將評價結(jié)果作為各所述超參數(shù)組合對應的評價分數(shù)。

15、可選的，所述短時交通流預測模型的處理過程具體包括：

16、將所述歷史數(shù)據(jù)輸入所述短時交通流預測模型中，通過所述空間特征提取模塊提取所述歷史數(shù)據(jù)的空間特征，并通過所述時空特征提取模塊提取所述歷史數(shù)據(jù)的時間特征；

17、將所述空間特征和所述時間特征作為所述特征融合模塊的輸入進行特征融合，得到融合特征；

18、將所述融合特征輸入所述全連接預測層中進行交通流預測，得到預設時間段內(nèi)的交通流預測數(shù)據(jù)。

19、可選的，以各所述超參數(shù)組合為海象生成海象種群，具體包括：

20、設定超參數(shù)組合的取值范圍、種群規(guī)模和迭代次數(shù)，結(jié)合海象優(yōu)化算法將各所述超參數(shù)組合作為海象生成所述海象種群。

21、可選的，基于各所述超參數(shù)組合對應的評價分數(shù)結(jié)合海象優(yōu)化算法在所述海象種群內(nèi)進行參數(shù)尋優(yōu)，具體包括：

22、基于所述海象優(yōu)化算法對所述海象種群中的各超參數(shù)組合進行多次迭代更新，在每次迭代更新過程中，計算各所述超參數(shù)組合對應的評價分數(shù)，基于各所述超參數(shù)組合對應的評價分數(shù)對所述海象種群進行更新，直至迭代次數(shù)達到預設值后輸出所述最優(yōu)超參數(shù)組合。

23、本發(fā)明的技術(shù)效果為：

24、本發(fā)明通過構(gòu)建并優(yōu)化短時交通流預測模型，結(jié)合歷史交通流量數(shù)據(jù)和多種影響數(shù)據(jù)，以及先進的海象優(yōu)化算法，實現(xiàn)了對交通流量的精準預測。這不僅有助于提高交通管理效率，還能為公眾提供更加準確的出行信息，緩解交通擁堵問題。

技術(shù)特征：

1.一種基于深度學習的短時交通流預測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于深度學習的短時交通流預測方法，其特征在于，所述歷史交通流量數(shù)據(jù)包括車輛數(shù)、車速和車道占有率。

3.根據(jù)權(quán)利要求1所述的一種基于深度學習的短時交通流預測方法，其特征在于，所述交通流量影響數(shù)據(jù)包括天氣信息、節(jié)假日信息、道路施工信息和交通事故信息。

4.根據(jù)權(quán)利要求1所述的一種基于深度學習的短時交通流預測方法，其特征在于，在基于所述歷史數(shù)據(jù)對各所述超參數(shù)組合對應的短時交通流預測模型進行訓練之前，還包括，對所述歷史數(shù)據(jù)進行數(shù)據(jù)清洗、數(shù)據(jù)歸一化和時間序列轉(zhuǎn)換，得到預處理后的歷史數(shù)據(jù)，基于預處理后的歷史數(shù)據(jù)進行所述短時交通流預測模型的訓練。

5.根據(jù)權(quán)利要求1所述的一種基于深度學習的短時交通流預測方法，其特征在于，基于所述歷史數(shù)據(jù)對各所述超參數(shù)組合對應的短時交通流預測模型進行訓練，具體包括：

6.根據(jù)權(quán)利要求1所述的一種基于深度學習的短時交通流預測方法，其特征在于，所述短時交通流預測模型的處理過程具體包括：

7.根據(jù)權(quán)利要求1所述的一種基于深度學習的短時交通流預測方法，其特征在于，以各所述超參數(shù)組合為海象生成海象種群，具體包括：

8.根據(jù)權(quán)利要求1所述的一種基于深度學習的短時交通流預測方法，其特征在于，基于各所述超參數(shù)組合對應的評價分數(shù)結(jié)合海象優(yōu)化算法在所述海象種群內(nèi)進行參數(shù)尋優(yōu)，具體包括：

技術(shù)總結(jié)
本發(fā)明屬于智能交通領(lǐng)域技術(shù)領(lǐng)域，并公開了一種基于深度學習的短時交通流預測方法，包括：獲取待測區(qū)域的歷史數(shù)據(jù)，構(gòu)建短時交通流預測模型，提取短時交通流預測模型所包括的超參數(shù)組合，基于歷史數(shù)據(jù)對各超參數(shù)組合對應的短時交通流預測模型進行訓練和評價，將評價結(jié)果作為各超參數(shù)組合對應的評價分數(shù)；以各超參數(shù)組合為海象生成海象種群；基于各超參數(shù)組合對應的評價分數(shù)結(jié)合海象優(yōu)化算法在海象種群內(nèi)進行參數(shù)尋優(yōu)，得到最優(yōu)超參數(shù)組合；基于最優(yōu)超參數(shù)組合對應的短時交通流預測模型執(zhí)行待測區(qū)域的短時交通流預測。本發(fā)明技術(shù)方案結(jié)合歷史交通流量數(shù)據(jù)和多種影響數(shù)據(jù)，以及先進的海象優(yōu)化算法，實現(xiàn)了對交通流量的精準預測。

技術(shù)研發(fā)人員：肖洪波,肖撿花,丁黎明,米春橋,鄧小武
受保護的技術(shù)使用者：懷化學院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6