(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111502174.4 (22)申请日 2021.12.10 (71)申请人 浙江省交通投资集团有限公司智慧 交通研究分公司 地址 310016 浙江省杭州市江干区明珠国 际商务中心3幢5 02室 (72)发明人 苏杰　金忠富　李炎　汤厚骏　 杜逸　罗曦　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 傅朝栋　张法高 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/26(2012.01) (54)发明名称 基于时序分解单元的深度交通流预测方法、 介质及其设备 (57)摘要 本发明公开了一种基于时序分解单元的深 度交通流预测方法、 介质及其设备。 该方法首先 获取所预测路段的交通流数据， 由交通流数据时 序上的自相关性获取时序间的自相关系数并生 成新的时序信息， 新的时序信息通过序列分解模 块获取时序的周期项和趋势项， 然后通过时序分 解单元堆叠的方法逐步多次获取时序完整的周 期项、 趋势项， 最后加权周期项和趋势项预测交 通流。 本发 明方法得到的预测数据值与实际测量 的真实数据值更吻合， 能反应未来的实际交通流 水平， 因此本发 明在交通流预测方面具有较高的 预测精度。 权利要求书2页 说明书6页 附图1页 CN 114239948 A 2022.03.25 CN 114239948 A 1.一种基于时序分解单 元的深度交通 流预测方法， 其特 征在于， 包括以下步骤： S1、 获取待预测路段的历史 交通流数据， 并按照时序排列后获得交通 流数据序列X； S2、 将交通流数据序列X作为深度模型的输入， 所述深度模型中包含N层逐层堆叠的时 序分解单元； 每一层时序分解单元结构相同， 均由自相关模块和序列分解模块级联而成； 其 中， 交通流数据序列X作为第1层时序分解单元 的单元输入序列， 由自相关模块输出所述单 元输入序列的相关系数R， 所述相关系数R为在一个时序信号周期内不断改变时延间隔并计 算自相关函数值后得到的最大的前K个自相关函数值之和， 再基于相关系数R由前馈网络生 成新的时序数据X ′， 然后新的时序数据X ′输入序列分解模块中通过平均池化输出时序数据 中的周期项SP1， 再以新的时序数据X ′和周期项SP1的差值作为趋势项TP1进行输出； 对于其 余n≥2的任意第n层时序分解单元， 以第n ‑1层时序分解单元输出的周期项SPn‑1作为自身的 单元输入序列， 由自相关模块和序列分解模块输出时序数据中的周期项SPn和趋势项TPn； 所 述深度模型的输出层计算第N层时序分解单元输出的周期项SPN以及所有N层时序分解单元 输出的趋势项 TPn的加权和， 从而得到待预测路段 未来交通 流的预测结果。 2.如权利要求1所述的基于时序分解单元的深度交通流预测方法， 其特征在于， 对于任 意第n∈[1, …,N]层时序分解单 元， 其中自相关模块中相关系数R和X ′的计算公式为： X′＝max(0,W1R+b1)W2+b2 其中： RX,X(Tk)表示时延间隔τ＝Tk的自相关函数， T1,…,TK表示在[1, …,L]的时延间隔 取值范围内使自相关函数值最大的前K个整 数时延间隔值； max表 示取两个数值中较大值的 操作， W1,W2,b1,b2表示可学习参数； 对于任意第n∈[1, …,N]层时序分解单元， 其中序列分解模块中周期项SPn和趋势项TPn 的计算公式为： SPn＝avgpool(X′) TPn＝X′ ‑SPn 其中avgpool函数表示平均池化操作。 3.如权利要求2所述的基于时序分解单元的深度交通流预测方法， 其特征在于， 所述自 相关函数用公式表示 为： 式中： L表示交通流数据序列X的长度， Xt、 Xt‑τ分别表示交通流数据序列X中t时刻、 t ‑τ 时 刻的交通 流数据。 4.如权利要求1所述的基于时序分解单元的深度交通流预测方法， 其特征在于， 所述未 来交通流的预测 计算公式如下： 权　利　要　求　书 1/2 页 2 CN 114239948 A 2其中Ws,Wn分别为可 学习参数。 5.如权利要求1所述的基于时序分解单元的深度交通流预测方法， 其特征在于， 所述深 度模型预先经过模型训练， 使其模型的预测精度满足使用要求。 6.如权利要求1所述的基于时序分解单元的深度交通流预测方法， 其特征在于， 所述深 度模型在训练过程中， 模型中的可 学习参数采用反向传播 算法学习更新。 7.根据权利要求5所述的基于时序分解单元的深度交通流预测方法， 其特征在于： 模型 每一轮训练完毕后， 采用平均绝对误差计算 其预测精度。 8.根据权利要求5所述的基于时序分解单元的深度交通流预测方法， 其特征在于： 模型 每一轮训练完毕后， 采用均方根 误差计算 其预测精度。 9.一种计算机可读存储介质， 其特征在于， 所述存储介质上存储有计算机程序， 当所述 计算机程序被处理器执行时， 能实现如权利要求 1～8任一所述的基于时序分解单元的深度 交通流预测方法。 10.一种基于时序分解单元的深度交通流预测设备， 其特征在于， 包括存储器和处理 器； 所述存储器， 用于存 储计算机程序； 所述处理器， 用于当执行所述计算机程序时， 实现如权利要求1～8任一所述的基于时 序分解单 元的深度交通 流预测方法。权　利　要　求　书 2/2 页 3 CN 114239948 A 3