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：四川智能交通系统管理有限责任公司

摘要：本发明涉及交通信息分析领域，特别是一种基于深度学习方法的交通流短期预测方法及设备。本发明根据全新构建的U‑TFMamba模型，建立了一种基于深度学习的交通流短期预测方法，该模型以UNet模型为框架，创造性的加入了优化设计的TFMamba模块，有效地降低了对输入数据的要求以及减少了模型的训练时间，且通过该模型能够准确预测未来短期内的各个待检测点位的流量、速度等信息，从而提高交通流预测的准确性和可靠性，为道路管理者提供更有效的决策支持。

主权项：1.一种基于深度学习方法的交通流短期预测方法，其特征在于，包括以下步骤：a：获取待预测区域的交通数据信息；所述交通数据信息包括历史车流量数据和历史平均速度数据；b：将所述交通数据信息输入到预构筑的交通流短期预测模型；c：输出所述待预测区域的交通状态短期预测结果；所述交通状态短期预测结果包括设定时间内的车流量以及平均车速；具体的，所述交通流短期预测模型采用U-TFMamba模型，所述U-TFMamba模型以UNet模型为基础架构，并在UNet模型编码器和解码器之间设置有TFMamba模块；所述TFMamba模块包括聚类数据选择模块以及若干Mamba模块；所述聚类数据选择模块用于将不同聚类的数据导入对应的Mamba块中；所述交通流短期预测模型的预构筑包括以下步骤：S1：获取历史交通数据信息，对其进行预处理后生成训练样本集；S2：构建交通流短期预测模型，通过所述训练样本集对其进行模型训练，待模型收敛后输出所述交通流短期预测模型；所述S1包括：S11：获取历史交通数据信息；S12：对所述历史交通数据信息进行数据筛选处理，筛除误差超过预设阈值以及缺失数据量超过预设值的数据信息；S13：对数据筛选后的所述历史交通数据信息进行数据审核，并根据审核结果进行数据修复或删除，输出为原始数据矩阵；所述数据审核包括完整性审核以及准确性审核；所述完整性审核为审核历史交通数据信息是否存在缺失和空值；若存在缺失，则根据数据的缺失程度和对整体数据的影响程度选择补充或删除；具体的，当缺失程度不超过预设时间长度时，对应缺失数据通过前后数据的平均值与历史平均值的均值进行填充；当缺失程度超过预设时间长度时，对应缺失数据通过历史平均值进行填充；若存在空值，则根据数据具体情况选择赋值或删除：所述准确性审核为审核历史交通数据信息的均值和标准差是否存在异常情况；若存在异常，则对应的历史交通数据信息存在准确性缺陷，根据审核结果进行删除数据，再通过线性插值进行补充；S14：对所述原始数据矩阵进行预处理；所述预处理包括：数据准备、提取虚拟节点以及构建虚拟节点中心网络；所述数据准备包括以下步骤：S141：异常状态识别：通过定义指示函数Aj,i来识别所述历史交通数据信息中原始数据矩阵D的异常状态，并将异常状态标记添加到数据矩阵D′中；具体的： ， ， ，其中，m为路网中的节点数量，n为单个节点时序数据长度，timestampmn为第m*n条记录的时间戳，包含日期和时间的信息；IDmn为第m*n条记录的节点ID；xmn为第m*n条记录的参数值；xji为节点j中第i条历史时间序列数据，uj和分别为节点j中历史时间序列数据{xj1,xj2,...,xjn}的均值和标准差；S142：周期性特征组织：将所述数据矩阵D′中的时间戳进行拆分，并进行数据组织，输出以一个自然日为周期的周期性特征数据矩阵V；其表达式为： ，其中，Vj,d,t表示矩阵V中对应节点ID为j、日期为d和时间为t的值，xmfr表示矩阵V中对应节点ID为m、日期为f和时间为r的值，IDj为第j个节点的ID，dated为第d个日期的日期数据，timet为第t个时间的时间数据，m为路网中的节点数量，f为数据的日期长度，r为数据的时间长度，两者与时间戳的关系为： ，其中，extract_date、extract_time分别为日期数据提取公式和时间数据提取公式，timestampsw为数据集D′第w条记录的时间戳，datew为从timestampsw中拆分出的第w条数据的日期数据，timew为从timestampsw中拆分出的第w条数据的时间数据；S143：周期性数据筛选：通过预设置的布尔变量isUnreliablej,d检查是否存在连续p个小时以上时间的数据被标记为异常，删除满足isUnreliablej,d=True的数据，输出保留的数据集输出为矩阵V′；其表达式为： ， ，其中，表示每小时的时间步数，s是以分钟为单位的时间步长，pq为需要检查连续的时间步长，Aj,d,tz+i表示矩阵V中节点ID为j，日期为d时，z时刻开始到z+i的时刻上的数据均被标注为异常数据；所述提取虚拟节点包括以下步骤：将所述矩阵V′的所有数据V′j,d,t存入大数据矩阵X，其中，X的表达式为： ，其中，xjdt为数值数据；应用k-means方法对数据矩阵X进行聚类，其表达式为： ，其中，C为聚类的中心，k-means为k-means聚类方法操作，L为每个数据点所属的类别标签，k表示聚类数的最佳选择，由肘部法则确定；根据聚类结果L，将每个类别的数据集合成一个虚拟节点的数据： ，其中，Gi表示第i个虚拟节点的数据，Ljdt为数据点V′j,d,t对应的类别标签，V′j,d,t表示矩阵V′中对应节点ID为j、日期为d和时间为t的值；所述构建虚拟节点中心网络包括以下步骤：在每个虚拟节点Gi的时间维度上，以步长为1，大小为h步的滑动窗口计算每个滑动窗口内数据的中心，滑动窗口Wt内数据的中心centerWt计算如下： ，其中，t-h-1为滑动窗口Wt的起始时间，t为结束时间，h-1为滑动窗口Wt的持续时间；为时间类超参数，取值范围为[0,h-1]；根据各个虚拟节点Gi的滑动窗口Wt内数据的中心centerWt，生成虚拟节点中心网络Gcenter，其表达式为： ，其中，T为时间集合；S15：生成训练样本集。

全文数据：

权利要求：

百度查询： 四川智能交通系统管理有限责任公司 一种基于深度学习方法的交通流短期预测方法及设备