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：山东高速集团有限公司;山东大学

摘要：本发明提出了基于CNN‑LSTM‑At的交通流预测方法及系统，涉及交通流预测技术领域。包括获取高速公路多个ETC门架的ETC断点数据，将ETC断点数据分段处理转换为路段的平均数据，进行车辆轨迹重构，对重构数据进行异常数据处理，得到原始数据；将原始数据输入至CNN‑LSTM‑At模型中，利用CNN模型提取空间特征，之后将空间特征输入至LSTM模型中，利用LSTM模型提取时间特征，并引入注意力机制对前述空间特征和时间特征进行重要性加权，实现对交通流的预测。本发明采用ETC采集的交通数据进行交通流预测，ETC采集的交通数据具有时空特性，隐藏更多的信息，具备标识功能，便于对交通数据中更多参数进行精准化分析研究。

主权项：1.基于CNN-LSTM-At的交通流预测方法，其特征在于，包括以下步骤：获取高速公路多个ETC门架的ETC断点数据，将ETC断点数据分段处理转换为路段的平均数据，进行车辆轨迹重构，对重构数据进行异常数据处理，得到原始数据；将原始数据输入至CNN-LSTM-At模型中，利用CNN模型提取空间特征，之后将空间特征输入至LSTM模型中，利用LSTM模型提取时间特征，并引入注意力机制对前述空间特征和时间特征进行重要性加权，实现对交通流的预测；通过车辆经过高速公路的唯一通行标识passID，实现车辆驶入收费站、经过门架、驶出收费站的行驶全轨迹的连接还原：计算车辆在相邻两个门架之间路段或者门架与收费站路段时的行驶里程、平均速度、平均行程时间；按设定时间计算每条路段全部车辆的平均速度和流量，得到路段的交通参数状态：路段的平均数据；对所有车辆在高速公路系统中的门架数据进行提取和分离；基于车牌号、门架邻接关系和行驶速度因素，对车辆漏检轨迹进行识别，通过K近邻算法完成车辆空间轨迹的重构；对重构数据进行异常数据处理，包括错误数据剔除、缺失数据填补，得到原始数据；CNN-LSTM-At模型由CNN、LSTM和Attention三部分组成，CNN是用来提取输入数据的时空特征；LSTM是选用三层LSTM网络能更好地捕捉长序列数据中的长期依赖关系；Attention是将空间和通道注意力进行结合得到混合注意力机制。

全文数据：

权利要求：

百度查询： 山东高速集团有限公司 山东大学 基于CNN-LSTM-At的交通流预测方法及系统