一种基于Spearman-LSTM模型的短时交通流预测方法

本发明涉及交通流预测，具体为一种基于spearman-lstm模型的短时交通流预测方法。

背景技术：

1、近些年来国家智能交通体系实现了质的飞跃，人民出行频率增加，机动车拥有量持续上涨多年，如何缓解道路交通压力，实现实时高效的交通信息诱导和管控成为必不可少的问题。智能交通体系背景下，以海量独特的交通流信息数据为基础的交通流预测任务能够及时的发现未来某时刻的道路交通状态，为实现道路精细化管理和人民出行体验的提高提供了强有力的理论参考。

2、随着智能感知技术的发展，智慧城市、智慧交通的建设如火如荼，多源异构的交通流数据采集系统日趋完善，将大数据、深度学习、人工智能等技术在智能交通建设的领域已取得了显著的成就。利用智慧高效的管控系统，推进交通道路的智慧化转型，已经成为新时代经济高质量发展的一个关键性问题。

3、目前现有的交通流预测方法主要分为参数方法和非参数方法。参数方法包括卡尔曼滤波、arima、多元回归理论等，这些模型通常利用数理统计的方法获取其历史变化规律，基于交通流的周期性，进而预测未来时段的变化。这些模型主要侧重于对交通流数据的时序特征的提取，对具有较强随机性的非线性、非平稳的时间序列数据预测效果有所欠缺，当交通流变化过于剧烈时模型的鲁棒性和精准度都不佳。非参数模型例如，神经网络、k近邻模型(knn)等。这种方法不需要通过假设，可以自由地从训练数据中学习任何函数形式，非参数模型需要大量的数据训练模型，当数据量较小时，预测效果可能不如参数方法且存在一定过拟合的风险。

4、由于交通流数据具有复杂性、多样性的特点以及具有时序特征和空间特征，传统的参数方法和非参数方法具有一定的局限性。

5、因此我们提出了一种基于spearman-lstm模型的短时交通流预测方法来解决上述问题。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于spearman-lstm模型的短时交通流预测方法，解决了上述背景技术中所提出的问题。

3、(二)技术方案

4、本发明为了实现上述目的具体采用以下技术方案：

5、一种基于spearman-lstm模型的短时交通流预测方法，包括以及步骤。

6、步骤s1、采集所需要的交通数据并对其进行数据预处理；

7、步骤s2、计算不同区域路段之间的spearman相关系数，确定其拓扑关系，构建对应的邻接矩阵，作为预测模型的输入数据；

8、步骤s3、建立spearman-lstm短时交通流预测模型，包括用于计算不同区域时空相关性的spearman相关系数、对输入数据进行时序特征提取的长短期记忆网络(lstm)和提取空间特征的空间注意力机制；

9、步骤s4、通过多层感知机解码器(mlp)解码输出预测结果。

10、进一步地，所述步骤s1中的数据预处理具体为：将数据输入模型前，对其进行归一化处理，能够有效的去除异常数据的影响，提高模型的预测精度。

11、进一步地，所述步骤s2中spearman相关系数与邻接矩阵，具体为：

12、spearman相关系数的计算公式:

13、

14、

15、式中：xa和xb代表区域集合v中的任意两个地区va和vb的时序交通流数据，和代表将序列数据xa和xb按升序排序后对应t时刻数据和的等级序号；为和之间的等级差；t为时序交通流数据的长度；sa,b为a,b两个区域的spearman相关系数。设置阈值ε，当sa,b超过阈值ε时，表示两个区域之间的历史交通流数据具有一定的时空相关性，将其在邻接矩阵中的交点设为1，邻接矩阵为：式中：at代表区域时空相关图的拓扑结构。

16、进一步地，所述步骤s3中spearman-lstm短时交通流预测模型包括依次连接的输入层、长短期记忆神经网络(lstm)层、全连接层和输出层。输入时空相关矩阵通过长短期记忆神经网络层进行时序特征的提取，输出具有时序特征的序列；将具有时序特征的序列输入到全连接层通过空间注意力机制提取空间特征序列。

17、进一步地，所述步骤s4中mlp多层感知机是一种前向结构的ann，与单层感知器相比，mlp能够处理非线性可分离问题，mlp计算过程为：

18、式中：ht作为输入数据，包含了本方法模型提取到的时序特征和空间特征，mlp作为解码器能够提取ht中的非线性特征，并解码输出对应区域的预测结果w和b为对应的可训练参数。

19、(三)有益效果

20、与现有技术相比，本发明提供了一种基于spearman-lstm模型的短时交通流预测方法，具备以下有益效果：

21、本发明，通过spearman相关系数分析不同区域交通流量的时空相关性，构建spearman邻接矩阵并输入空间注意力机制和长短期记忆网络(lstm)提取数据中的空间特征和时序特征，最后通过多层感知机(lmp)解码输出预测结果，有效提高了模型预测精度。

技术特征：

1.一种基于spearman-lstm模型的短时交通流预测方法，包括多区域交通流数据时空特征分析模块、长短期记忆网络(lstm)数据时序特征提取模块、空间注意力机制数据空间特征提取模块和多层感知机(mlp)解码器模块组成，其特征在于：采用由spearman相关系数、长短期记忆网络和注意力机制构成的模型。该方法首先对历史交通流数据进行预处理，再由spearman相关系数分析不同区域交通流量的时空相关性，构建spearman邻接矩阵并输入长短期记忆网络(lstm)和空间注意力机制提取数据的时序特征和空间特征。最后，由多层感知机解码输出预测结果。

2.根据权利要求1所述的一种基于spearman-lstm模型的短时交通流预测方法，其特征在于，该方法包含以下步骤：

3.根据权利要求2所述的一种基于spearman-lstm模型的短时交通流预测方法，其特征在于：所述步骤s1中的数据预处理具体为：将数据输入模型前，对其进行归一化处理，能够有效的去除异常数据的影响，提高模型的预测精度。

4.根据权利要求3所述的一种基于spearman-lstm模型的短时交通流预测方法，其特征在于：所述数据归一化具体方法为linear normalization(“max-min”)，将数据统一到[0,1]的范围之内。计算方法如下：

5.根据权利要求1所述的一种基于spearman-lstm模型的短时交通流预测方法，其特征在于：所述步骤s2中spearman相关系数与邻接矩阵，具体为：

6.根据权利要求1所述的一种基于spearman-lstm模型的短时交通流预测方法，其特征在于：所述步骤s3中spearman-lstm短时交通流预测模型包括依次连接的输入层、长短期记忆神经网络(lstm)层、全连接层和输出层。输入时空相关矩阵通过长短期记忆神经网络层进行时序特征的提取，输出具有时序特征的序列；将具有时序特征的序列输入到全连接层通过空间注意力机制提取空间特征序列。

7.根据权利要求1所述的一种基于spearman-lstm模型的短时交通流预测方法，其特征在于：所述步骤s4中mlp多层感知机是一种前向结构的ann，与单层感知器相比，mlp能够处理非线性可分离问题，mlp计算过程为：

技术总结本发明公开了一种基于Spearman‑LSTM模型的短时交通流预测方法，尤其为一种区域级交通流预测方法。该方法步骤如下：S1、采集交通流量特征和速度特征数据，并对所采集的数据进行预处理；S2、计算不同区域路段的Spearman相关系数，确定与预测路段之间数据的相关程度，并将历史交通数据划分为训练集和测试集；S3、构建Spearman‑LSTM短时交通流预测模型，包括用于对时间序列特征提取的长短期记忆网络(LSTM)，以及用于空间特征提取的注意力机制；S4、采用训练集训练Spearman‑LSTM网络，再用测试集测试该模型的预测精度。本发明通过构建Spearman邻接矩阵并输入注意力机制和长短期记忆网络(LSTM)，有效提高了模型预测精度。技术研发人员：臧景峰,贾庆阳,刘双林,吕天宝受保护的技术使用者：长春理工大学技术研发日：技术公布日：2024/6/26