交通流量预测方法及电子设备与流程

技术特征：
1.一种交通流量预测方法，其特征在于，所述方法包括：s1：对获取的交通流量数据进行数据清洗，并对清洗后的数据通过归一化，映射到预设的特定区间；s2：进行小波变换获得反映交通流量序列时序变化的多尺度特征，其中，通过多尺度小波分解获得所述交通流量序列的近似系数和各尺度细节系数，并对所述近似系数和各尺度细节系数分别进行单支重构，获得单条低频近似序列和多条高频细节序列，所述单条低频近似序列用于近似描述原始序列变化趋势，所述多条高频细节序列用于保留不同细粒度信息；s3：将所述单条低频近似序列和多条高频细节序列输入注意力门控递归单元的循环神经网络得到深度时序特征，其中所述注意力门控递归单元赋权具有关键影响的历史数据；s4：将所述深度时序特征传递到全连接层，通过加权映射输出预测子序列，并进行线性叠加所述预测子序列，得到交通流量预测序列。2.根据权利要求1所述的一种交通流量预测方法，其特征在于，所述步骤s1具体包括：s11：对所述交通流量数据筛选极端异常值并删除，采用均值平滑法将数据缺失部分补充完整；s12：采用最大-最小归一化将数值变化范围限定在[0，1]之间。3.根据权利要求1所述的一种交通流量预测方法，其特征在于，所述步骤s2具体包括：s21：采用预设的小波基函数ψ(t)和分解尺度l进行多尺度小波变换；s22：根据所述小波基函数和分解尺度进行多分辨率分析，逐级分解得到l个高频细节序列和1个低频近似序列，其中，利用一个高通滤波器h＝{h1，h2，...，hu}和一个低通滤波器l＝{l1，l2，...，lu}将原始序列x0进行分解，分别得到一个高频子序列和一个低频子序列再将低频子序列送入下一级分解，得到下一个高频子序列和下一个低频子序列s23：对l个高频细节序列和1个低频近似序列分别进行单支重构得到跟所述原始序列相同时间跨度的交通流量子序列。4.根据权利要求1所述的一种交通流量预测方法，其特征在于，所述步骤s3具体包括步骤：s31：设置相空间重构的延迟数值k，分别对所述低频近似序列和所述高频细节序列进行相空间重构，形成可输入到所述神经网络的训练数据和测试数据。s32：将所述训练数据和测试数据输入到所述神经网络，注意力门控递归单元通过赋权突出对预测序列具有关键影响的数据，用于建模所述交通流量子序列的长短期特征；s33：从长短期时序变化趋势获得交通流量子序列的长期和短期演变特征，得到交通流量序列的多尺度深度时序依赖特征。5.根据权利要求1所述的一种交通流量预测方法，其特征在于，所述步骤s4具体包括步骤：s41：将所述注意力门控递归单元的循环神经网络输出的长短期深度时序依赖特征传
递到全连接层，通过加权映射为预测子序列{p
l
，p
l-1
，...，p1，q
l
}；s42：进行反归一化，并将反归一化后的预测子序列进行线性叠加以获得交通流量预测序列y
pre
＝p
l
p
l-1

…
p1 q
l
。6.一种电子设备，其特征在于，包括存储单元和处理器；其中：所述处理器，被配置为：对获取的交通流量数据进行数据清洗，并对清洗后的数据通过归一化，映射到预设的特定区间；进行小波变换获得反映交通流量序列时序变化的多尺度特征，其中，通过多尺度小波分解获得所述交通流量序列的近似系数和各尺度细节系数，并对所述近似系数和各尺度细节系数分别进行单支重构，获得单条低频近似序列和多条高频细节序列，所述单条低频近似序列用于近似描述原始序列变化趋势，所述多条高频细节序列用于保留不同细粒度信息；将所述单条低频近似序列和多条高频细节序列输入注意力门控递归单元的循环神经网络得到深度时序特征，其中所述注意力门控递归单元赋权具有关键影响的历史数据；将所述深度时序特征传递到全连接层，通过加权映射输出预测子序列，并进行线性叠加所述预测子序列，得到交通流量预测序列。7.根据权利要求6所述的电子设备，其特征在于，所述处理器，还被配置为：对所述交通流量数据筛选极端异常值并删除，采用均值平滑法将数据缺失部分补充完整；采用最大-最小归一化将数值变化范围限定在[0，1]之间。8.根据权利要求6所述的电子设备，其特征在于，所述处理器具体被配置为：采用预设的小波基函数ψ(t)和分解尺度l进行多尺度小波变换；根据所述小波基函数和分解尺度进行多分辨率分析，逐级分解得到l个高频细节序列和1个低频近似序列，其中，利用一个高通滤波器h＝{h1，h2，...，hu}和一个低通滤波器l＝{l1，l2，...，lu}将原始序列x0进行分解，分别得到一个高频子序列和一个低频子序列再将低频子序列送入下一级分解，得到下一个高频子序列和下一个低频子序列对l个高频细节序列和1个低频近似序列分别进行单支重构得到跟所述原始序列相同时间跨度的交通流量子序列。9.根据权利要求6所述的电子设备，其特征在于，所述处理器，还被配置为：设置相空间重构的延迟数值k，分别对所述低频近似序列和所述高频细节序列进行相空间重构，形成可输入到所述神经网络的训练数据和测试数据。将所述训练数据和测试数据输入到所述神经网络，注意力门控递归单元通过赋权突出对预测序列具有关键影响的数据，用于建模所述交通流量子序列的长短期特征；从长短期时序变化趋势获得交通流量子序列的长期和短期演变特征，得到交通流量序列的多尺度深度时序依赖特征。
10.根据权利要求6所述的电子设备，其特征在于，所述处理器，还被配置为：将所述注意力门控递归单元的循环神经网络输出的长短期深度时序依赖特征传递到全连接层，通过加权映射为预测子序列{p
l
，p
l-1
，...，p1，q
l
}；进行反归一化，并将反归一化后的预测子序列进行线性叠加以获得交通流量预测序列y
pre
＝p
l
p
l-1
... p1 q
l
。

技术总结
本公开一种交通流量预测方法，对获取的交通流量数据进行数据清洗，并对清洗后的数据通过归一化，映射到预设的特定区间；进行小波变换获得反映交通流量序列时序变化的多尺度特征，获得单条低频近似序列和多条高频细节序列，将所述单条低频近似序列和多条高频细节序列输入注意力门控递归单元的循环神经网络得到深度时序特征，其中所述注意力门控递归单元赋权具有关键影响的历史数据；将所述深度时序特征传递到全连接层，通过加权映射输出预测子序列，并进行线性叠加所述预测子序列，得到更加准确的交通流量预测序列。加准确的交通流量预测序列。加准确的交通流量预测序列。


技术研发人员：赵建龙 王雯雯 乔羽
受保护的技术使用者：青岛海信网络科技股份有限公司
技术研发日：2021.08.13
技术公布日：2023/2/17