公开(公告)号：CN107230351A

公开(公告)日：2017-10-03

申请号：CN201710585474.0

申请日：2017-07-18

Applicant: 福州大学

Inventor： 郑海峰 ,  刘一鹏 ,  李智敏 ,  冯心欣 ,  陈忠辉 ,  徐艺文

IPC: G08G1/01 ,  G06Q10/04 ,  G06Q50/26 ,  G06N3/04 ,  G06N3/08

CPC classification number: G08G1/0125 ,  G06N3/0454 ,  G06N3/084 ,  G06Q10/04 ,  G06Q50/26

Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。

公开(公告)号：CN107230351B

公开(公告)日：2019-08-09

申请号：CN201710585474.0

申请日：2017-07-18

Applicant: 福州大学

Inventor： 郑海峰 ,  刘一鹏 ,  李智敏 ,  冯心欣 ,  陈忠辉 ,  徐艺文

IPC: G08G1/01 ,  G06Q10/04 ,  G06Q50/26 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。