基于CNN-LSTM-At的交通流预测方法及系统与流程

本发明属于交通流预测，尤其涉及基于cnn-lstm-at的交通流预测方法及系统。

背景技术：

1、目前，交通流预测相关方法可以分为参数模型、深度学习模型和组合模型三类。参数模型包括传统的统计模型和集成方法，其中经典的有自回归移动平均模型(arima)、线性回归和逻辑回归等回归模型。然而，arima这类参数模型常常依赖于大量假设，并需要大量历史数据进行模型训练，其预测结果受样本量影响较大，因此研究人员逐渐将卷积神经网络、递归神经网络等深度学习方法引入交通流预测领域。

2、考虑到交通流的时间和空间变化特性，长短期记忆网络作为一种特殊的rnn方法在交通流预测领域得到了广泛应用。目前基于lstm的交通流预测方法已经相对成熟，但仍需针对以下问题进行进一步研究：

3、1)在每个交通流预测过程中平等对待特征参数可能会忽略某些对预测产生的重要影响的因素；

4、2)大部分交通流预测模型采用线圈传感器、车辆gps数据和仿真数据等，利用线圈、雷达等断点无标识的采集设备获取的数据不便于对交通数据中更多参数进行精准化分析研究；

5、3)深度学习模型的“黑匣子”问题降低了这类模型在交通流预测问题方面的可解释性。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了基于cnn-lstm-at的交通流预测方法及系统，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，相比于其他线圈、雷达等断点无标识的采集设备，etc数据具备标识功能，便于对交通数据中更多参数进行精准化分析研究。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了基于cnn-lstm-at的交通流预测方法。

4、基于cnn-lstm-at的交通流预测方法，包括以下步骤：

5、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；

6、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。

7、可选的，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：

8、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；

9、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，即路段的平均数据。

10、可选的，还包括：

11、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；

12、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；

13、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。

14、可选的，原始数据的格式为n×m的矩阵，其中n表示原始数据的时间序列长度，m表示每个时间段的交通特征信息。

15、可选的，通过包含卷积层、池化层和全连接层的cnn模型来提取原始数据的空间特征。

16、可选的，lstm的输出计算如下：

17、

18、ht＝ot⊙tanh(ct)

19、其中，时间步t；输入为xt，前一时刻的隐藏状态为ht-1，单元状态为ct-1；☉表示逐元素乘积；ot是输出门；wc是输入xt的权重矩阵，uc是前一时刻隐藏状态ht-1的权重矩阵，bc是偏置向量，tanh是双曲正切函数；ft＝σ(wfxt+ufht-1+bf)，wf是输入xt的权重矩阵，uf是前一时刻隐藏状态ht-1的权重矩阵，bf是偏置向量，σ是sigmoid函数；it＝σ(wixt+uiht-1+bi)，wi是输入xt的权重矩阵，ui是前一时刻隐藏状态ht-1的权重矩阵，bi是偏置向量。

20、可选的，引入时间注意力模块和空间注意力模块，在时间维度上，针对不同时间切片上的交通状况，使用注意力机制自适应地赋予数据不同的重要性；在空间维度上，使用注意力机制自适应地捕获节点之间的动态相关性。

21、本发明第二方面提供了基于cnn-lstm-at的交通流预测系统。

22、基于cnn-lstm-at的交通流预测系统，包括：

23、预处理模块，被配置为：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；

24、预测模块，被配置为：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。

25、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于cnn-lstm-at的交通流预测方法中的步骤。

26、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于cnn-lstm-at的交通流预测方法中的步骤。

27、以上一个或多个技术方案存在以下有益效果：

28、本发明提供了一种基于cnn-lstm-at的交通流预测方法及系统，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，相比于其他线圈、雷达等断点无标识的采集设备，etc数据具备标识功能，便于对交通数据中更多参数进行精准化分析研究。

29、本发明结合了cnn和lstm，采用注意力机制来提升模型的效果。首先，通过cnn提取交通参数序列中的多种时空数据特征，在减少参数量的同时保留主要特征信息；其次，采用lstm处理时间序列数据，学习交通状态的变化规律，捕捉交通流复杂的动态时空变化特征；最后，引入attention机制学习节点权重，以提取有效的内容信息，从而提高深度神经网络模型的可解释能力。

30、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

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：

2.如权利要求1所述的基于cnn-lstm-at的交通流预测方法，其特征在于，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：

3.如权利要求2所述的基于cnn-lstm-at的交通流预测方法，其特征在于，还包括：

4.如权利要求1所述的基于cnn-lstm-at的交通流预测方法，其特征在于，原始数据的格式为n×m的矩阵，其中n表示原始数据的时间序列长度，m表示每个时间段的交通特征信息。

5.如权利要求4所述的基于cnn-lstm-at的交通流预测方法，其特征在于，通过包含卷积层、池化层和全连接层的cnn模型来提取原始数据的空间特征。

6.如权利要求1所述的基于cnn-lstm-at的交通流预测方法，其特征在于，lstm的输出计算如下：

7.如权利要求1所述的基于cnn-lstm-at的交通流预测方法，其特征在于，引入时间注意力模块和空间注意力模块，在时间维度上，针对不同时间切片上的交通状况，使用注意力机制自适应地赋予数据不同的重要性；在空间维度上，使用注意力机制自适应地捕获节点之间的动态相关性。

8.基于cnn-lstm-at的交通流预测系统，其特征在于：包括：

9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于cnn-lstm-at的交通流预测方法中的步骤。

10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于cnn-lstm-at的交通流预测方法中的步骤。

技术总结本发明提出了基于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。技术研发人员：栗剑,王旭,吴睿涵,孙浩文,刘庆元,薛冰冰,于迪受保护的技术使用者：山东高速集团有限公司技术研发日：技术公布日：2024/6/2