买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明提供了一种融合交通事件影响的短时交通流参数预测方法。基于深度学习方法图注意力网络GAT，在考虑路网结构对交通流参数影响的同时，通过时间上与空间上的比较，从交通流参数数据自身中提取出“是否受交通事件影响”特征，结合这一特征，实现考虑所有会对交通流参数数据造成影响的交通事件的短时几秒到几小时均可交通流参数预测。本发明方法预测效果优良，可操作性强，优于许多现有的方法。

主权项：1.一种融合交通事件影响的短时交通流参数预测方法，其特征在于该方法包括以下步骤：c1、采集交通流参数数据；c2、获取交通流参数数据的采集位置信息；c3、定义交通流参数数据“是否受交通事件影响”，是在选择交通流参数为占有率的前提下，判断每一数据采集设备每一时间间隔的占有率数据是否在时间及空间上发生了超过阈值的变化；c4、标记交通事件影响标签；c5、以包含交通事件影响标签的交通流参数数据作为输入，构建短时交通流参数预测模型；c6、利用构建好的模型预测短时交通流参数；步骤c3中定义交通流参数数据“是否受交通事件影响”，具体为：参考加利福尼亚算法，对任一数据采集设备任一时间间隔的占有率数据，在时间上，比较该时间间隔的占有率与同一数据采集设备前一时间间隔的占有率，在空间上，比较该时间间隔的占有率与上下游数据采集设备在该时间间隔的占有率，并分别在时间和空间两个维度设置阈值；对于每一数据采集设备每一个时间间隔，若其占有率数据在时间及空间上发生的变化均超过阈值，则认为对应的交通流参数数据是交通事件影响下的结果，即受交通事件影响；反之，若其占有率数据在时间或空间上发生的变化不超过阈值，则认为对应的交通流参数数据不受交通事件影响；所述步骤c4具体为：c41、记时间间隔序号[1,2,3,…,t,…,m]，数据采集设备序号[1,2,3,…,i,…,n]，则任一数据采集设备任一时间间隔的交通流参数中的占有率数据，可表示为OCCi,t；c42、在空间上，与上游数据采集设备比较，得到目标数据采集设备与上游数据采集设备占有率的绝对差值OCCDF1，以及这一绝对差值同该数据采集设备占有率之比OCCRDF1：OCCDF1＝OCCi,t-OCCi-1,t 若目标数据采集设备连接多个上游数据采集设备，将OCCi-1,t更改为多个上游数据采集设备在时间间隔t的占有率之和；c43、在空间上，与下游数据采集设备比较，得到目标数据采集设备与下游数据采集设备占有率的绝对差值OCCDF2，以及这一绝对差值同该数据采集设备占有率之比OCCRDF2：OCCDF2＝OCCi,t-OCCi+1,t 若目标数据采集设备连接多个下游数据采集设备，将OCCi+1,t更改为多个下游数据采集设备在时间间隔t的占有率之和；c44、在时间上，与前一时间间隔比较，得到目标时间间隔与前一时间间隔占有率的绝对差值同前一时间间隔占有率之比DOCCTD： c45、设置阈值K1、K2、K3、K4、K5；c46、若OCCDF1≥K1，OCCRDF1≥K2，OCCDF3≥K3，OCCRDF2≥K4，DOCCTD≥K5这五个条件同时满足，则判定目标采集设备目标时间间隔的交通流参数数据受交通事件影响，反之，若这五个条件中有不满足的，则判定目标采集设备目标时间间隔的交通流参数数据不受交通事件影响；c47、添加交通事件影响标签，对每一数据采集设备每一个时间间隔进行标记，不受交通事件影响和受交通事件影响分别在标签中标记为0、1；步骤c5具体为：c51、构建短时交通流参数预测模型，短时交通流参数预测模型使用图注意力网络；c52、输入数据，第一部分的输入数据为步骤c1获取的交通流参数数据及步骤c4获取的交通事件影响标签数据，第二部分的输入为步骤c2获取的数据采集位置信息；c53、训练模型c531、将输入数据合理划分成为训练集与测试集；c532、对于训练集，使用所有数据采集设备前x个交通流参数数据，以及对应的前x个交通事件影响标签的标记数据，预测所有数据采集设备中目标时间间隔的交通流参数数据，进行模型训练；c533、模型训练完成后，使用测试集数据对模型进行验证。

全文数据：

权利要求：

百度查询： 浙江大学 一种融合交通事件影响的短时交通流参数预测方法