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！

摘要：本发明公开了一种基于深度学习的交通流量预测方法，包括获取交通状态数据集并处理得到训练数据集；构建端到端的交通流量预测原始模型；采用训练数据集训练交通流量预测原始模型得到交通流量预测模型；采用交通流量预测模型进行实际情况下的交通流量预测。本发明提供的这种基于深度学习的交通流量预测方法，从空间和时间两个维度提取特征进行多步预测，相较于传统方法省去了复杂的人工特征设计和提取过程，因此本发明方法的稳定性和可靠性更高，准确性更好，而且实施相对简单。

主权项：1.一种基于深度学习的交通流量预测方法，包括如下步骤：S1.获取交通状态数据集，并进行处理，从而得到训练数据集；具体包括如下步骤：A.在目标城市的设定区域设置传感器；传感器每隔设定时间进行交通量检测，从而得到大小为T×N的初始流量矩阵；其中初始流量矩阵的第一维T表示时间片数量，第二维N表示传感器数量；B.对步骤A得到的初始流量矩阵进行标准化，从而得到标准化流量矩阵；C.将步骤B得到的标准化流量矩阵，按照设定窗口大小进行步进采样和堆叠，从而得到T'×t1×N大小的张量；其中t1为设定的窗口大小；T'为采样和堆叠后的时间步数，且T'＝T-t1+1；D.将步骤C得到的数据集划分为训练集、验证集和测试集，从而得到最终的训练数据集；S2.基于图神经网络、循环神经网络和卷积神经网络，构建端到端的交通流量预测原始模型；具体包括如下步骤：交通流量预测原始模型包括编码器和解码器；编码器采用图神经网络提取交通状态动态图中的空间相关性信息，然后采用循环神经网络中的GRU来提取交通状态动态图中的时间相关性信息；编码器在空间和时间两个维度提取交通状态动态图中的空间相关性信息和时间相关性信息，并输出节点的隐藏中间状态；解码器采用卷积神经网络，对编码器输出的节点隐藏中间状态进行解码；解码器的输出结果为最终的交通流量预测结果；所述的采用图神经网络提取交通状态动态图中的空间相关性信息，具体包括如下步骤：图神经网络包括第一全连接层、串接的两层图卷积层、第二全连接层和softmax激活函数；第一全连接层、串接的两层图卷积层、第二全连接层和softmax激活函数依次串联；第一全连接层和第二全连接层用于在输入数据的特征维度大于设定值时，将输入数据映射为维度较低的初始表示，从而便于进行正向传播；并接的两层图卷积层用于进行空间相关性的特征提取；采用如下公式进行图神经网络中图卷积的计算： 式中Hl+1为第l层的输出；σ为ReLU激活函数；αl为设定的第一权重；为图神经网络中对图的邻接矩阵进行正则化处理后的参数，且为一个对角矩阵，每个对角元素i表示带自环的图的第i个节点的度，为带自环的图邻接矩阵；H0为图神经网络最初的输入；βl为设定的第二权重；In为单位矩阵；E为共享的可训练的节点嵌入矩阵；Wl为第l层的权重池；bl为第l层的偏斜池；在第一全连接层、每一层的图卷积层和第二全连接层前都进行随机失活操作，从而完成正则化过程，防止模型过拟合；所述的采用循环神经网络中的GRU来提取交通状态动态图中的时间相关性信息，具体包括如下步骤：采用如下算式进行循环神经网络中的GRU的处理：zt,rt＝σ1GCNgate[xt,ht-1]ct＝tanhGCNupdate[xt,zt*ht-1]ht＝rt*ht-1+1-rt*ct式中zt为当前时刻更新门状态；rt为当前时刻重置门状态；σ1为sigmoid激活函数；GCNgate为重置门所用的图神经网络；GCNupdate为更新门所用的图神经网络；xt为当前输入特征；ht为当前输出隐藏层状态；ct为候选状态；tanh为tanh激活函数；[]为矩阵连接运算；所述的解码器采用卷积神经网络，具体包括如下步骤：采用二维卷积神经网络作为解码器；卷积神经网络对编码器输出的节点隐藏中间状态进行解码；二维卷积神经网络的卷积核大小为1*Henc，Henc为编码器中GRU的隐藏状态维度；解码器输出大小为t2*N的二维矩阵，t2为预测的时长，N为传感器数量；矩阵中对应元素的值为最终预测的交通流量的值；S3.采用步骤S1得到的训练数据集，对步骤S2构建的交通流量预测原始模型进行训练，从而得到交通流量预测模型；S4.采用步骤S3得到的交通流量预测模型，进行实际情况下的交通流量预测。

全文数据：

权利要求：

百度查询： 中南大学 基于深度学习的交通流量预测方法