【技术实现步骤摘要】
本专利技术涉及交通拥堵预测的，尤其是涉及一种基于深度学习的交通拥堵预测方法。
技术介绍
1、在城市经济飞速发展的今天，城市里的车辆越来越多，错时出行已经成为了很多人的生活选择。路况的不可预测性，不仅仅给司机带来很大的烦恼，对于城市交通管理也是一个重大的挑战，交通拥堵不仅影响人们的出行效率，而且会对城市的经济发展和生态环境造成重大的影响。因此，研究利用深度学习技术预测城市交通拥堵情况是十分必要的。
2、深度学习是人工智能领域中的一种机器学习技术，它使用神经网络来模仿人脑的学习过程，能够在大规模的数据集上进行训练，从而实现识别、分类、预测等目的。在各个领域中得到了广泛的应用。
3、在传统的交通拥堵预测方法中，大多基于时间序列的统计模型或者是基于gps信号的模型，这些方法普遍面临着预测不精确、预测时间长、所需要的数据集大等缺陷，因此本专利技术提出一种基于深度学习的交通拥堵预测方法以解决上述问题。
技术实现思路
1、根据现有技术存在的不足，本专利技术的目的是提供一种基于深度学习的交通拥堵预测方法，具有预测精度更高，而且所需训练的数据集较少，预测时间也大大缩短的效果。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：
3、一种基于深度学习的交通拥堵预测方法，包括以下步骤：
4、s1、采集交通数据，利用交通传感器、摄像头、车载gps来收集相关交通数据；
5、s2、对收集到的原始交通数据进行预处理；
6
7、s4、模型训练，用已采集到的数据集来训练神经网络模型，以及优化参数的设置，达到更加准确的预测结果；
8、s5、实时交通拥堵预测，用已训练好的神经网络模型预测未来的交通状态。
9、本专利技术在一较佳示例中可以进一步配置为：所述步骤s1中，采集预测目标周围区域半个月内的交通数据，采集时间间隔为1分钟，交通数据包括交通路网结构信息和历史交通数据信息，历史交通数据信息包括基于路网内路段的历史交通时序数据，包括流量值、采集时间和道路属性。
10、本专利技术在一较佳示例中可以进一步配置为：所述步骤s2包括数据清洗，数据清洗包括实时数据清洗和历史数据清洗；
11、实时数据清洗的方法是针对实时的rfid和抓拍数据，采取spark streaming流处理技术，按照设定的时间间隔从持续的kafka分布式消息队列中获取rfid过车数据和抓拍数据，每次累计获取设定时间段以内的数据，按照数据清洗规则，完成车辆轨迹的清洗、过车流量的统计和异常数据的提取；
12、历史数据清洗的方法是采用spark内存处理技术，从hdfs中读取数据，按照数据清洗规则，完成车辆轨迹的清洗、过车流量的统计和异常数据的提取。
13、本专利技术在一较佳示例中可以进一步配置为：所述实时数据清洗的方法中车辆轨迹的清洗包括以下步骤：
14、s11、根据rfid过车数据和抓拍数据的公共字段，包括车牌号、时间、采集点名称和采集方向四个字段，将两种数据记录进行连接；
15、s12、根据spark streaming提供的比对函数，对车牌号和时间字符串进行逆序处理，并根据比对规则对连接的rfid过车数据和抓拍数据进行过滤，得到车辆经过采集点时的轨迹记录，即车辆轨迹清洗结果；
16、s13、将车辆轨迹清洗结果存储在hbase中，将hbase划分为多个不同的域，以车牌号和时间字符串的逆序字符串为键进行存储。
17、本专利技术在一较佳示例中可以进一步配置为：所述实时数据清洗中过车流量的统计包括以下步骤：
18、s21、将每个时间段内接收到的rfid过车数据转换为以采集点字段为键的键值对形式；
19、s22、根据spark streaming分布式大数据处理的原理，对具有相同键的数据记录进行计数，然后对每个采集点的统计结果以设定的时间间隔进行求和，得到各个采集点在相应时间段内的过车流量记录；
20、s23、使用内存数据库对各个采集点的过车流量进行存储。
21、本专利技术在一较佳示例中可以进一步配置为：所述实时数据清洗中异常数据的提取包括以下步骤：
22、s31、根据rfid过车数据和抓拍数据的公共字段，包括车牌号、时间、采集点名称和采集方向四个字段，将两种数据记录进行连接；
23、s32、根据异常数据的判定规则分别对rfid过车数据和抓拍数据进行过滤，提取出异常数据；
24、s33、采用关系型数据库进行存储；
25、异常数据的类型包括数据字段不完整、数据缺失和数据信息不一致。
26、本专利技术在一较佳示例中可以进一步配置为：所述步骤s3中构建神经网路模型包括以下步骤：
27、s41、定义网络结构，神经网络的结构包括输入层、隐层和输出层，输入层接受数据，输出层输出预测结果，隐层则是中间的计算层；
28、s42、确定激活函数，激活函数是神经网络的核心组成部分，它用于计算神经元的激活值，选择合适的激活函数以提高神经网络的性能；
29、s43、设置权重和偏置，权重和偏置是神经网络的两个重要参数，权重用于衡量神经元之间的连接强度，偏置则用于调整神经元的偏好程度，这两个参数通常需要通过步骤s4中的模型训练来确定；
30、s44、确定损失函数，损失函数用于衡量预测值与真实值之间的误差，选择合适的损失函数以提高神经网络的精度。
31、本专利技术在一较佳示例中可以进一步配置为：所述步骤s4的具体方法为：
32、使用训练数据基于初始正则化参数来训练神经网络模型，以及迭代地执行以下步骤：
33、s51、使用测试数据来测试经训练的神经网络模型，以确定经训练的神经网络模型的针对测试数据的损失函数；
34、s52、基于神经网络模型的针对训练数据的损失函数和神经网络模型的损失函数来调整初始正则化参数；
35、s53、使用训练数据基于经调整的正则化参数来再训练神经网络模型；
36、迭代的步骤被执行直至确定针对训练数据的损失函数和针对测试数据的损失函数均已经收敛到稳定状态。
37、本专利技术在一较佳示例中可以进一步配置为：所述正则化参数包括与神经网络模型中的神经元相关的dropout参数或与神经网络模型中的神经元之间的连接相关的dropconnect参数；
38、步骤s53中对正则化参数进行的调整基于神经网络模型的针对训练数据的损失函数与神经网络模型的针对测试数据的损失函数之间的差；
39、当确定神经网络模型的损失函数针对测试数据比针对训练数据更高并且损失函数已经针对训练数据最小化时，增加正则化参数，当确定神经网络模型的损失函数针对训练数据比针对测试数据更高时，减小正则化参数。
40、综上所述，本专利技术包括以下至少一本文档来自技高网...
【技术保护点】
1.一种基于深度学习的交通拥堵预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述步骤S1中，采集预测目标周围区域半个月内的交通数据，采集时间间隔为1分钟，交通数据包括交通路网结构信息和历史交通数据信息，历史交通数据信息包括基于路网内路段的历史交通时序数据，包括流量值、采集时间和道路属性。
3.根据权利要求2所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述步骤S2包括数据清洗，数据清洗包括实时数据清洗和历史数据清洗；
4.根据权利要求3所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述实时数据清洗的方法中车辆轨迹的清洗包括以下步骤：
5.根据权利要求3所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述实时数据清洗中过车流量的统计包括以下步骤：
6.根据权利要求3所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述实时数据清洗中异常数据的提取包括以下步骤：
7.根据权利要求1所述的一种基于深度学习的交通拥堵预测方法，其
8.根据权利要求1所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述步骤S4的具体方法为：
9.根据权利要求8所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述正则化参数包括与神经网络模型中的神经元相关的dropout参数或与神经网络模型中的神经元之间的连接相关的dropconnect参数；
...【技术特征摘要】
1.一种基于深度学习的交通拥堵预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述步骤s1中，采集预测目标周围区域半个月内的交通数据，采集时间间隔为1分钟，交通数据包括交通路网结构信息和历史交通数据信息，历史交通数据信息包括基于路网内路段的历史交通时序数据，包括流量值、采集时间和道路属性。
3.根据权利要求2所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述步骤s2包括数据清洗，数据清洗包括实时数据清洗和历史数据清洗；
4.根据权利要求3所述的一种基于深度学习的交通拥堵预测方法，其特征在于：所述实时数据清洗的方法中车辆轨迹的清洗包括以下步骤：
5.根据权利要求3所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。