1.本发明涉及一种基于长短时记忆的交通拥堵预测方法及装置，属于长短时记忆lstm应用技术领域。
背景技术：2.城市交通流畅程度是城市经济发展的一个重要因素，因此交通拥堵预测显得十分重要。在交通拥堵预测问题中，需要使用交通的实时信息，实时预测路况信息，为城市路况信息、交通路况反馈、交通控制与交通事故处理提供必要的交通信息并给出相应的处理建议。目前国内的主要交通信息还是由人工实时反馈或者路网图像识别进行的，前者效率低下，费人费力；而后者需要大量数据运算量的实时系统才能实现，所耗成本很高。
技术实现要素：3.本发明的目的在于克服现有技术中的不足，提供一种基于长短时记忆的交通拥堵预测方法及装置，能够高效预测城市道路拥堵信息。
4.为达到上述目的，本发明是采用下述技术方案实现的：
5.第一方面，本发明提供了一种基于长短时记忆的交通拥堵预测方法，包括：
6.提取城市道路数据流信息的特征数据；
7.将所述特征数据输入至预构建且训练好的lstm长短时记忆模型中，获取预测结果；
8.其中，所述lstm长短时记忆模型的构建和训练方法包括：
9.结合城市道路交通数据流的特点和lstm长短时记忆的工作方式，构建lstm长短时记忆模型；
10.通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对lstm长短时记忆模型进行训练。
11.进一步的，还包括：将所述预测结果用分类器进行分类，根据分类结果及预确定的匹配规则匹配相应的解决建议。
12.进一步的，还包括：计算所述预测结果的损失函数，记录计算的精确度。
13.进一步的，所述损失函数的公式如下：
[0014][0015]
其中：y表示真实值，y'表示预测值，y-y'表示残差；其中模型的损失值越低，表示模型的拟合效果越好，反之越差。
[0016]
进一步的，还包括：通过所述预测结果判断是否存在拥堵区间，如果存在，则循环遍历，利用加法器计算出拥堵的时长，判断出拥堵的时刻和时长。
[0017]
第二方面，本发明提供一种基于长短时记忆的交通拥堵预测装置，包括：
[0018]
特征数据提取单元，用于提取城市道路数据流信息的特征数据；
[0019]
预测结果获取单元，用于将所述特征数据输入至预构建且训练好的lstm长短时记忆模型中，获取预测结果；
[0020]
其中，所述lstm长短时记忆模型的构建和训练方法包括：
[0021]
结合城市道路交通数据流的特点和lstm长短时记忆的工作方式，构建lstm长短时记忆模型；
[0022]
通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对lstm长短时记忆模型进行训练。
[0023]
进一步的，还包括：分类单元，用于将所述预测结果用分类器进行分类，通过分类结果给出相应的解决建议，便于决策者决策。
[0024]
进一步的，还包括：计算单元，用于计算所述预测结果的损失函数，记录计算的精确度；其中所述损失函数的公式如下：
[0025][0026]
其中：y表示真实值，y'表示预测值，y-y'表示残差；其中模型的损失值越低，表示模型的拟合效果越好，反之越差。
[0027]
第三方面，本发明提供一种基于长短时记忆的交通拥堵预测装置，包括处理器及存储介质；
[0028]
所述存储介质用于存储指令；
[0029]
所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
[0030]
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。
[0031]
与现有技术相比，本发明所达到的有益效果：
[0032]
本发明提供一种基于长短时记忆的交通拥堵预测方法及装置，通过使用lstm神经网络来进行数据处理，能够将输入数据建立时间关系，并按照时序进行数据处理和输出，而相较于传统的rnn神经网络，其模型只能记住最近的几个输入信息的缺点，lstm神经网络可以将之前的计算信息进行取舍，将合适的信息保留，而不合适的信息将会被遗忘，进而提高模型的运算精度，可以节约道路交通控制的人工成本，并缩短交通拥堵信息反馈时间，且具有较高的准确度。
附图说明
[0033]
图1是本发明实施例提供的长短时记忆的模型图；
[0034]
图2是本发明实施例提供的输入信息流类图；
[0035]
图3是本发明实施例提供的预测拥堵时间算法的流程图。
具体实施方式
[0036]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0037]
实施例1
[0038]
本实施例介绍一种基于长短时记忆的交通拥堵预测方法，包括：
[0039]
提取城市道路数据流信息的特征数据；
[0040]
将所述特征数据输入至预构建且训练好的lstm长短时记忆模型中，获取预测结果；
[0041]
其中，所述lstm长短时记忆模型的构建和训练方法包括：
[0042]
结合城市道路交通数据流的特点和lstm长短时记忆的工作方式，构建lstm长短时记忆模型；
[0043]
通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对lstm长短时记忆模型进行训练。
[0044]
如图1所示，本实施例提供的基于长短时记忆的交通拥堵预测方法，其应用过程具体涉及如下步骤：
[0045]
步骤1：特征选取
[0046]
如图2是输入信息流类图，包括了可能影响结果的主要输入信息类型，由于城市道路模型十分复杂，影响因素众多，且随着时间改变，因此选取最关键的一个或多个参与训练和测试，往往能够得到更为精确的结果。
[0047]
步骤2：构建长短时记忆模型
[0048]
如图1是长短时记忆的模型图，其中x
ti
是在t时刻下的输入信息，h
ti
是在t时刻下的输出信息，c
ti
是记忆房间在t时刻下的输出信息，其中i＝1,2,3......。输入层输入的信息为人为选定的交通数据流信息，隐层是长短时记忆的数据处理模型，其中σ()和tanh()都是激活函数，
×
表示向量内积，+表示向量相加；
[0049]
结合城市道路交通数据流的特点和lstm的模型特点，构建lstm长短时记忆神经网络模型。设城市交通流输入序列为(x1,x2,......x
t
)，隐藏层的输出为(h1,h2,......,h
t
)，则在t时刻有：
[0050]it
＝σ(w
hiht-1
+w
xi
x
t
+w
cict-1
+bi)
ꢀꢀꢀꢀꢀꢀ
(1)
[0051]ft
＝σ(w
hfht-1
+w
xf
x
t
+w
cfct-1
+bf)
ꢀꢀꢀꢀꢀ
(2)
[0052]ct
＝f
t
·ct-1
+i
t
·
tanh(w
hcht-1
+w
xc
x
t
+bc)
ꢀꢀꢀꢀ
(3)
[0053]ot
＝σ(w
hoht-1
+w
ox
x
t
+w
coct
+bo)
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0054]ht
＝o
t
·
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0055]
式中：i
t
，f
t
，o
t
分别代表lstm模型的输入门、遗忘门、输出门在t时刻的运算结果；c
t
，h
t
分别代表记忆房间以及隐藏层在t时刻的输出；w
hi
，w
xi
和w
ci
分别为输入门与x
t
，隐藏层、记忆房间的权值；w
xf
，w
hf
和w
cf
分别为遗忘门与x
t
，隐藏层、记忆房间的权值；w
xc
和w
hc
分别表示记忆房间与输入x
t
以及隐藏层的权值矩阵；w
ox
，w
ho
和w
co
分别为输出门与x
t
、隐藏层、记忆房间的权值；bi，bf，bo和bc分别代表各个函数的偏置；σ()和tanh()都是激活函数，
·
表示向量内积，并根据实验和经验调整模型的偏置参数和权重参数，以优化直至确定模型信息。
[0056]
步骤3：模型训练
[0057]
使用确定好的模型对选定的多条城市道路交通信息流进行学习，以训练模型的精度。通过提取的城市道路数据流信息的特征数据，发现其中的共性特征，对少量数据进行人工标定类别，判定交通状态并对道路拥堵情况进行预测并输出并计算损失函数。
[0058]
其中损失函数(loss function)是利用预测值f(x)与真实值y的差距，来估计模型
的预测准确度，它是一个非负实值函数。损失函数越小，模型的拟合效果就越好。本次模型评估中，采用基于最小二乘法原理的均方误差损失函数来计算模型的损失值。均方误差损失函数的公式如下：
[0059][0060]
其中：y表示真实值，y'表示预测值，y-y'表示残差。整个式子表示的是残差的平方和，再将其归一化，得到模型的损失值。其中模型的损失值越低，表示模型的拟合效果越好，反之越差。
[0061]
步骤4：数据预测
[0062]
训练好的模型可以对新的数据进行预测，如图3是预测拥堵时间算法的流程图，其中输出的时刻k为预测拥堵开始时刻，时间t为拥堵的持续时间，拥堵的总时间段即为(k,k+t)时间段，模型首先通过结果判断是否存在拥堵区间，如果存在，则循环遍历，利用加法器计算出拥堵的时长，判断出拥堵的时刻和时长。
[0063]
步骤5：数据分类和提示
[0064]
将结果用分类器进行分类，通过分类结果给出相应的建议，便于决策者决策。
[0065]
实施例2
[0066]
本实施例提供一种基于长短时记忆的交通拥堵预测装置，包括：
[0067]
特征数据提取单元，用于提取城市道路数据流信息的特征数据；
[0068]
预测结果获取单元，用于将所述特征数据输入至预构建且训练好的lstm长短时记忆模型中，获取预测结果；
[0069]
其中，所述lstm长短时记忆模型的构建和训练方法包括：
[0070]
结合城市道路交通数据流的特点和lstm长短时记忆的工作方式，构建lstm长短时记忆模型；
[0071]
通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对lstm长短时记忆模型进行训练。
[0072]
分类单元，用于将所述预测结果用分类器进行分类，通过分类结果给出相应的解决建议，便于决策者决策。
[0073]
计算单元，用于计算所述预测结果的损失函数，记录计算的精确度；其中所述损失函数的公式如下：
[0074][0075]
其中：y表示真实值，y'表示预测值，y-y'表示残差；其中模型的损失值越低，表示模型的拟合效果越好，反之越差。
[0076]
实施例3
[0077]
本实施例提供一种基于长短时记忆的交通拥堵预测装置，包括处理器及存储介质；
[0078]
所述存储介质用于存储指令；
[0079]
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的
步骤。
[0080]
实施例4
[0081]
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1中任一项所述方法的步骤。
[0082]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
技术特征：1.一种基于长短时记忆的交通拥堵预测方法，其特征在于，包括：提取城市道路数据流信息的特征数据；将所述特征数据输入至预构建且训练好的lstm长短时记忆模型中，获取预测结果；其中，所述lstm长短时记忆模型的构建和训练方法包括：结合城市道路交通数据流的特点和lstm长短时记忆的工作方式，构建lstm长短时记忆模型；通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对lstm长短时记忆模型进行训练。2.根据权利要求1所述的基于长短时记忆的交通拥堵预测方法，其特征在于，还包括：将所述预测结果用分类器进行分类，根据分类结果及预确定的匹配规则匹配相应的解决建议。3.根据权利要求1所述的基于长短时记忆的交通拥堵预测方法，其特征在于，还包括：计算所述预测结果的损失函数，记录计算的精确度。4.根据权利要求3所述的基于长短时记忆的交通拥堵预测方法，其特征在于，所述损失函数的公式如下：其中：y表示真实值，y'表示预测值，y-y'表示残差；其中模型的损失值越低，表示模型的拟合效果越好，反之越差。5.根据权利要求1所述的基于长短时记忆的交通拥堵预测方法，其特征在于，还包括：通过所述预测结果判断是否存在拥堵区间，如果存在，则循环遍历，利用加法器计算出拥堵的时长，判断出拥堵的时刻和时长。6.一种基于长短时记忆的交通拥堵预测装置，其特征在于，包括：特征数据提取单元，用于提取城市道路数据流信息的特征数据；预测结果获取单元，用于将所述特征数据输入至预构建且训练好的lstm长短时记忆模型中，获取预测结果；其中，所述lstm长短时记忆模型的构建和训练方法包括：结合城市道路交通数据流的特点和lstm长短时记忆的工作方式，构建lstm长短时记忆模型；通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对lstm长短时记忆模型进行训练。7.根据权利要求6所述的基于长短时记忆的交通拥堵预测装置，其特征在于，还包括：分类单元，用于将所述预测结果用分类器进行分类，通过分类结果给出相应的解决建议，便于决策者决策。8.根据权利要求6所述的基于长短时记忆的交通拥堵预测装置，其特征在于，还包括：计算单元，用于计算所述预测结果的损失函数，记录计算的精确度；其中所述损失函数的公式如下：
其中：y表示真实值，y'表示预测值，y-y'表示残差；其中模型的损失值越低，表示模型的拟合效果越好，反之越差。9.一种基于长短时记忆的交通拥堵预测装置，其特征在于：包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1～5任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1～5任一项所述方法的步骤。
技术总结本发明公开了一种基于长短时记忆的交通拥堵预测方法及装置，所述方法包括提取城市道路数据流信息的特征数据；将所述特征数据输入至预构建且训练好的LSTM长短时记忆模型中，获取预测结果；其中，所述LSTM长短时记忆模型的构建和训练方法包括：结合城市道路交通数据流的特点和LSTM长短时记忆的工作方式，构建LSTM长短时记忆模型；通过提取的城市道路数据流信息的特征数据，选定其中的标签数据集，选定相关数据集对LSTM长短时记忆模型进行训练；本发明可以节约道路交通控制的人工成本，并缩短交通拥堵信息反馈时间，且具有较高的准确度。且具有较高的准确度。且具有较高的准确度。
技术研发人员：程娟娟 谢晓丽 宋家豪 陆海红 李鹏程 张奥 许金磊
受保护的技术使用者：南京信息职业技术学院
技术研发日：2022.04.11
技术公布日：2022/7/5
