1.一种基于GRU网络的多模式短期交通拥堵预测方法,其特征在于,包括以下步骤:步骤S1:针对时空序列预测的特点,依据领域知识,分析时空序列预测包含多对多、多对一、一对多和一对一四种预测模式,制定四种模式交通拥堵预测方法;
多对多模式表示为:
其中f代表深度学习模型,v为交通速度,m表示路段数量,n表示时间段,t表示预测的步数,vmn表示在路段m的第n个时间段时的交通速度,T为如公式(2)所示的拥堵判别函数,将交通速度转化为交通拥堵水平;
多对一模式表示为:
其中L代表深度学习模型,v为交通速度,r表示筛选的道路路段,s表示时间段,o表示需要预测的目标路段,t表示预测的步数,v(r‑1)s表示在筛选的道路路段r‑1的第s个时间段时的交通速度,vot表示在需要预测的目标路段o以及预测步数为t时的交通速度,T为如公式(2)所示的拥堵判别函数;
一对多模式表示为:
其中F代表深度学习模型,v为交通速度,ts表示时间段,b代表所要预测的下游路段数量,t表示预测的步数,vts表示在ts时间段时的交通速度,vbt表示在所要预测的下游路段数以及预测的步数分别为b和t时的交通速度,T为如公式(2)所示的拥堵判别函数;
一对一模式表示为:
G([v1,v2,…,vts])=T[v1,v2,…,vt] (5)其中G代表深度学习模型,v为交通速度,ts表示时间段,t表示预测的步数,vts表示在ts时间段时的交通速度,vt表示在预测步数为t时的交通速度,T为如公式(2)所示的拥堵判别函数;
步骤S2:获取全部时空交通速度数据,并对应四种预测模式获取相应的时空交通速度数据,并对每种模式的交通速度数据提取其邻近性、周期性和趋势性矩阵,并制作多步时间序列标签;并对路段网络属性数据和特殊时间数据进行one‑hot编码;
步骤S3:构建以交通速度数据邻近性、周期性和趋势性矩阵作为输入数据的GRU全连接网络;
步骤S4:训练模型后使用模型对短期交通速度进行预测,通过计算交通拥堵阈值、划分交通拥堵等级得到最终的交通拥堵结果。
2.根据权利要求1所述的方法,步骤S2的特征在于,将路段网络属性数据路段长度、宽度、方向、速度等级和车道编码成向量,同时考虑交通速度在不同时刻具有明显差异,因此将工作日、周末、节假日和高峰时刻编码成向量,获取外部因素数据对交通拥堵的影响。
3.根据权利要求1所述的方法,步骤S3的特征在于,首先将交通速度数据根据规则得到邻近性矩阵、周期性矩阵和趋势性矩阵;其次将邻近性、周期性和趋势性矩阵分别输入到GRU网络中进行训练,然后再结合编码后的路段网络属性数据和特殊时间 数据共同输入到全连接网络中预测短期交通速度数据。