一種基于卷積神經網絡結構的交通流預測方法，包括以下步驟：1)建立交通流數據集并對數據集進行預處理：根據獲取的交通流數據建立交通流數據集，對數據集進行預處理，構建數據集樣本矩陣，將數據集分為訓練集和測試集；2)搭建單層傳統卷積神經網絡，去除池化層，構建道路交通流矩陣的特征提取網絡，在全連接層后增加sigmoid非線性回歸層，構建道路交通流非線性回歸預測網絡；3)訓練卷積神經網絡并實現短期交通流的實時預測：定義模型目標函數，將訓練集作為卷積神經網絡模型輸入，求解模型最優參數從而完成模型訓練；利用訓練完成的卷積神經網絡模型對測試集進行實時交通流預測。本發明而提高交通流短期預測的準確性。

技術領域

本發明涉及一種基于卷積神經網絡結構的交通流預測方法，本發明屬于交通預測領域。

背景技術

道路交通流預測是對交通流進行誘導和控制的必要前提，其不僅便于出行者制定更好的出行計劃，還有利于交通管理部門做出更好的管理決策。此外，道路交通流預測在智能交通中也發揮著不可替代的作用。

在已有的道路交通流預測方法中，淺層模型不能較好的挖掘交通流數據中的信息，時序模型只考慮了交通流在時間上的特征而忽略了空間上的影響。而卷積神經網絡通過卷積不僅能夠提取時間上的特征，還能提取空間上的特征，故本發明提出了一種基于卷積神經網絡的交通流預測方法，通過卷積提取交通流中的時空特征并進行非線性回歸，最終實現道路交通流的預測。

隨著智能交通系統在中國的發展和應用，道路交通流預測可以輔助交通管理部門做出更合理的交通管制決策，緩解交通擁堵，減少交通資源的浪費。

發明內容

為了克服已有道路交通流預測方法的交通流短期預測的準確性較低的不足，本發明的提供一種基于卷積神經網絡結構的交通流預測方法。該方法能夠在時空上對交通流數據進行更加深入的分析，提高特征提取的有效性，從而提高交通流短期預測的準確性。

本發明解決其技術問題所采用的技術方案是：

一種基于卷積神經網絡結構的交通流預測方法，包括以下步驟：

1)建立交通流數據集并對數據集進行預處理：根據獲取的交通流數據建立交通流數據集，對數據集進行預處理，構建數據集樣本矩陣，將數據集分為訓練集和測試集；

2)構建基于卷積神經網絡的交通流預測模型：搭建單層傳統卷積神經網絡，去除池化層，構建道路交通流矩陣的特征提取網絡，在全連接層后增加sigmoid非線性回歸層，構建道路交通流非線性回歸預測網絡；

3)訓練卷積神經網絡并實現短期交通流的實時預測：定義模型目標函數，將訓練集作為卷積神經網絡模型輸入，求解模型最優參數從而完成模型訓練；利用訓練完成的卷積神經網絡模型對測試集進行實時交通流預測。

進一步，所述步驟1)中，使用多條路段多天交通流數據構成數據集矩陣，對數據集進行預處理：采用最大最小標準化方法對數據集進行標準化處理；使用數據集中多條路段多個歷史流量數據構成數據集樣本矩陣，將其下一時刻的流量數據作為標簽數據矩陣并將預處理后的數據集分為訓練集和測試集兩部分。

再進一步，所述步驟1)的過程如下：

1.1：建立交通流數據集，對數據進行預處理

獲取多條路段多天車流量數據構建交通流數據集，數據集形式如下所示：

其中，p表示路段數目，q表示在采樣周期T一定情況下采樣樣本的數量；

考慮到卷積神經網絡預測模型中采用了sigmoid回歸，將交通流數據實際值域映射到0-1值域，為了確保模型輸入輸出是在同一量綱，對原始多路段的交通流數據進行了標準化處理，標準化方法為最大最小標準化；

1.2：構建數據集樣本矩陣，將數據集分為訓練集和測試集