【技术实现步骤摘要】
本专利技术属于交通工程，尤其涉及一种不利天气条件下的交通量预测方法。
技术介绍
1、近年来，随着汽车保有量的大幅增加，交通拥堵现象时有发生。交通流预测技术可以为交通管理人员分配交通资源提供理论支撑，也可以为出行者制定最优出行策略提供数据基础，进而合理诱导和调控交通流，达到疏散交通拥堵的目的。现阶段与交通流预测相关的专利层出不穷，有基于统计学模型的交通流预测专利，也有基于深度学习模型的交通流预测专利。但这些专利多以常态交通条件为应用背景，没有考虑其在不利天气场景的适用性，导致这些方法在预测不利天气作用下的交通量时精度不理想。在不利天气时段，交通拥堵状况更加严重，事故率也随之上升，在不利天气条件下进行交通量预测是十分必要的。受不利天气影响，交通流极易发生难以预测的非常规变化，使得不利天气条件的交通量预测成为一个具有挑战的问题。
2、综上，面向不利天气条件下的交通量，提出高效、高精度的预测方法，具有重要的研究和实践意义。
技术实现思路
1、本专利技术的目的在于提出一种不利天气条件下的交通量预测方法，提高不利天气条件下交通量预测的精度。
2、为实现上述目的，本专利技术提供了一种不利天气条件下的交通量预测方法，包括：
3、基于原始交通量数据和原始天气数据，构建三维数据集；
4、基于所述三维数据集对预设神经网络模型进行训练，获取不利天气条件下的交通量预测模型；
5、利用所述交通量预测模型，进行不利天气条件下交通量的预测。
7、获取所述原始交通量数据和原始天气数据；
8、对所述原始交通量数据和原始天气数据，进行预处理；
9、对预处理后的所述原始交通量数据和原始天气数据进行相关性分析，构建所述三维数据集。
10、可选地，对预处理后的所述原始交通量数据和原始天气数据进行相关性分析，构建所述三维数据集包括：
11、基于预处理后的所述原始交通量数据和原始天气数据，进行不同天气因素数据和交通量数据的相关性分析，获取与交通量相关的天气因素数据，整合天气因素数据和交通量数据，构建包含天气因素变量的交通量矩阵，将包含天气因素变量的交通量矩阵分割为所述三维数据集。
12、可选地，进行不同天气因素数据和交通量数据的相关性分析的方法为：采用皮尔逊相关系数；若交通量数据和对应的天气因素数据的皮尔逊相关系数大于预设阙值，则判定交通量和对应的天气因素相关。
13、可选地，将包含天气因素变量的交通量矩阵分割为所述三维数据集的方法为：采用滑动时间窗方法，通过特定步长和窗口大小在包含天气因素变量的交通量矩阵中滑动，找到一组连续的子矩阵，构成所述三维数据集。
14、可选地，所述预处理包括：数据清洗和数据归一化处理；
15、所述数据清洗包括：剔除冗余数据，修正异常数据，补全缺失数据，将天气数据中非数值数据转换为数值数据；
16、所述数据归一化处理采用最大-最小归一化方法将原始数据映射到预设区间内。
17、可选地，所述预设神经网络模型包括：卷积神经网络模块、双向长短时记忆神经网络模块和注意力机制模块；
18、所述卷积神经网络模块，用于提取交通量数据的空间特征，并学习多维天气变量与交通量变量之间的相关性特征；
19、所述双向长短时记忆神经网络模块，用于提取交通量数据的时间特征，捕捉交通量数据前后时刻之间的依赖关系；
20、引入所述注意力机制模块，用于根据所述空间特征、所述相关性特征和所述时间特征，获取时空异质性条件下的预设特征。
21、可选地，所述卷积神经网络模块包括：卷积层、池化层、以及全连接层；
22、所述卷积层，用于学习输入数据的多维变量数据间的相关性特征信息；
23、所述池化层，用于压缩和筛选所述卷积层输出的所述相关性特征信息；
24、所述全连接层，用于合并所述池化层输出的特征信息。
25、可选地，所述双向长短时记忆神经网络模块包括：前向lstm和后向lstm；
26、所述前向lstm用于在正向上从先前的值中学习，所述前向lstm的输出的计算方法为：通过标准lstm基于从时段1到时段t的有序序列进行迭代计算；
27、所述后向lstm用于在反向上从即将到来的值中学习，所述后向lstm的输出的计算方法为：通过标准lstm基于时段t到时段1的有序序列进行迭代计算；
28、所述双向长短时记忆神经网络模块的输出为所述前向lstm的输出和所述后向lstm的输出的加权和。
29、可选地，所述注意力机制模块，基于自身隐藏层状态与候选中间状态之间的相关性，对所述双向长短时记忆神经网络模块输出的特征进行权重再分配；
30、所述注意力机制进行权重再分配的方法为：
31、在分析时段t，调用双向长短时记忆神经网络模块隐藏层状态输入所述注意力机制模块，将所述双向长短时记忆神经网络模块隐藏层状态分别映射为查询向量、键向量和值向量，作为所述注意力机制模块的隐藏层状态；对分析时段t之前的每个中间时段j，计算查询向量和所有键向量的点积，得到一个注意力分数sj；将所有注意力分数sj进行归一化处理，得到一个注意力权重aj；用所有注意力权重aj来加权求和对应的值向量，得到所述注意力机制的输出特征et′；
32、所述注意力机制模块中进行权重再分配过程的表达式为：
33、
34、
35、sj＝vvtanh(vwej+vb)，j＝1，2，3，…，t-1
36、其中，ej为时段j对应输入bilstmj的注意力机制模块隐藏层状态值，bilstmj为时段j双向长短时记忆神经网络模块输出的隐藏层状态，e′t为最终的输出特征，aj为注意力机制模块隐藏层状态值ej对应输入bilstmj的注意力权重值，vv、vw、vb为模型的学习参数值，sj为时段j的注意力分数，sk为时段k的注意力分数，t为分析时段，k为1至t之间的整数，j为t时段之前的中间时段。
37、本专利技术具有以下有益效果：
38、本专利技术较现有模型在不利天气条件下具有更优的预测精度；各组件技术成熟，价格低廉，系统成本不高。
39、(1)本专利技术考虑到交通量对气象条件的敏感性和依赖性，通过皮尔逊相关系数将交通量数据和与交通量相关的气象数据进行整合，构建模型的三维训练集和三维测试集，实现了气象数据和交通量数据共同驱动，提高了模型在不利天气条件的预测精度。
40、(2)本专利技术将卷积神经网络、长短时记忆神经网络和注意力机制相结合，建立不利天气条件下的交通量预测模型。卷积神经网络用于提取交通量数据的空间特征，并学习影响交通流量的相关天气信息；双向长短时记忆网络用于提取交通流量数据的时序特征，以保留更多的历史信息；注意机制用于自动区分关键特征，使模型能够在不利天气条件下更关注重本文档来自技高网...
【技术保护点】
1.一种不利天气条件下的交通量预测方法，其特征在于，包括：
2.根据权利要求1所述的不利天气条件下的交通量预测方法，其特征在于，构建所述三维数据集包括：
3.根据权利要求2所述的不利天气条件下的交通量预测方法，其特征在于，对预处理后的所述原始交通量数据和原始天气数据进行相关性分析，构建所述三维数据集包括：
4.根据权利要求3所述的不利天气条件下的交通量预测方法，其特征在于，进行不同天气因素数据和交通量数据的相关性分析的方法为：采用皮尔逊相关系数；若交通量数据和对应的天气因素数据的皮尔逊相关系数大于预设阙值，则判定交通量和对应的天气因素相关。
5.根据权利要求3所述的不利天气条件下的交通量预测方法，其特征在于，将包含天气因素变量的交通量矩阵分割为所述三维数据集的方法为：采用滑动时间窗方法，通过特定步长和窗口大小在包含天气因素变量的交通量矩阵中滑动，找到一组连续的子矩阵，构成所述三维数据集。
6.根据权利要求2所述的不利天气条件下的交通量预测方法，其特征在于，所述预处理包括：数据清洗和数据归一化处理；
7.根据权
8.根据权利要求7所述的不利天气条件下的交通量预测方法，其特征在于，所述卷积神经网络模块包括：卷积层、池化层、以及全连接层；
9.根据权利要求7所述的不利天气条件下的交通量预测方法，其特征在于，所述双向长短时记忆神经网络模块包括：前向LSTM和后向LSTM；
10.根据权利要求7所述的不利天气条件下的交通量预测方法，其特征在于，所述注意力机制模块，基于自身隐藏层状态与候选中间状态之间的相关性，对所述双向长短时记忆神经网络模块输出的特征进行权重再分配；
...【技术特征摘要】
1.一种不利天气条件下的交通量预测方法，其特征在于，包括：
2.根据权利要求1所述的不利天气条件下的交通量预测方法，其特征在于，构建所述三维数据集包括：
3.根据权利要求2所述的不利天气条件下的交通量预测方法，其特征在于，对预处理后的所述原始交通量数据和原始天气数据进行相关性分析，构建所述三维数据集包括：
4.根据权利要求3所述的不利天气条件下的交通量预测方法，其特征在于，进行不同天气因素数据和交通量数据的相关性分析的方法为：采用皮尔逊相关系数；若交通量数据和对应的天气因素数据的皮尔逊相关系数大于预设阙值，则判定交通量和对应的天气因素相关。
5.根据权利要求3所述的不利天气条件下的交通量预测方法，其特征在于，将包含天气因素变量的交通量矩阵分割为所述三维数据集的方法为：采用滑动时间窗方法，通过特定步长和窗口大小在包含天气因素变量的交通量矩阵中滑动，找到一组连续...
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。