(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 202111311231.0 (22)申请日 2021.11.05 (71)申请人 江苏中路工程 技术研究院有限公司 地址 210000 江苏省南京市 建邺区奥体大 街69号新城科技大厦01栋9层 (72)发明人 杨阳　张志祥　刘强　关永胜　 (74)专利代理 机构 北京中政联科专利代理事务 所(普通合伙) 11489 代理人 谢恺 (51)Int.Cl. G08G 1/01(2006.01) G08G 1/048(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01)G06Q 10/04(2012.01) G06Q 50/30(2012.01) (54)发明名称 一种基于连续监测器的智慧高速交通流量 预测方法 (57)摘要 本发明的一种基于连续监测器的智慧高速 交通流量预测方法， 属于交通流量预测技术领 域， 高速公路门架采集实时交通流量数据， 针对 历史流量数据建立特征工程获取多维特征， 通过 线性和非线 性方法进行特征选 择， 建立基于TCN+ GBDT的网络模型， 采用历史大数据进行训练， 模 型可对下一时间间隔交通流量进行预测。 本方法 较传统模型驱动方法、 基于纯序列特征的神经网 络方法、 基于单一RNN类神经网络等方法提高了 预测精度。 权利要求书3页 说明书12页 附图2页 CN 114120637 A 2022.03.01 CN 114120637 A 1.一种基于连续监测器的智慧高速交通流量预测方法， 其特征在于， 该方法包括以下 步骤： S1， 采集m个高速公路检测器实时交通 流量数据； S2， 对采集的数据进行 预处理； S3， 对预处 理后的数据进行 特征工程得到若干个特 征； S4， 对得到的若干个特 征进行特征选择； S5， 建立TCN ‑GBDT模型； S6， 对模型进行训练； S7， 预测交通 流量。 2.根据权利要求1所述的一种基于连续监测器的智慧高速交通流量预测方法， 其特征 在于， 所述 步骤S2的预处 理包括如下内容： S2.1， 缺失值处理， 是对步骤S1中数据 不满足数据 量Q的情况， 采用KNN进行数据补全， k 值通过n折交叉验证 计算得到， 距离采用标准欧式距离： 其中， x1k是指分量1数据， x2k是指分量2数据， sk是指分量标准差； S2.2， 数据核验， 是对步骤S1中数据是否满足按照1min统计数据 量Q的核验， 此外， 还包 括核验数据中是否包 含特殊占道时段， 如包括则 删除该时段 数据： 其中， tb为采集数据开始时间， tf为采集数据结束时间， 时间都以时间戳表示； S2.3， 归一 化， 是对步骤S1中补全后的数据进行 标准化处理： 其中， xi为当前数据， xmin为当前向量 最小值， xma0为当前向量 最大值。 3.根据权利要求1所述的一种基于连续监测器的智慧高速交通流量预测方法， 其特征 在于， 所述 步骤S3中的特 征包括如下内容： 时间特征： 节假日、 星期、 时间段； 数据统计特 征： 交通流量统计序列、 行 车速度、 空间占有率、 时间占有率； 关联路段特征： 上游主路交通流量、 下游主路交通流量、 上游匝道交通流量、 下游匝道 交通流量； 环境特征： 温度、 湿度、 能见度、 天气、 风力、 空气质量； 事故情况： 事故次数统计、 接警次数统计、 出警次数统计； 特殊事件： 重大会议、 庆典等次数； 其中， 除时间特征和环境特征外， 其他特征按照上周同期、 上月同期、 去年同期、 近一年 平均、 近一月平均、 近一周平均、 近一天平均、 近一小时平均为时间单位统计；权　利　要　求　书 1/3 页 2 CN 114120637 A 2时间特征、 环境特征中的天气取one ‑hot向量， 对其他特征按照步骤S2中归一化方法处 理。 输入数据由历史数据的门架标志、 时间特征、 天气特征、 前n个序列等多维数据组成， 形 成i*j的矩阵X， ： 其中， i表示数据条 数， j表示特 征数量。 4.根据权利要求1所述的一种基于连续监测器的智慧高速交通流量预测方法， 其特征 在于， 所述 步骤S4中的特性选择包括线性特 征选择和非线性特 征选择， 分别如下： 线性特征选择： 通过皮尔森相关系数计算， 皮尔森相关系数是一种 线性相关系数， 用来 反映两个 变量的线性相关程度， 其 值介于‑1到1之间， 绝对值越大表明相关性越强： 其中， Cov(X,Y)为X和Y的协方差， σX和σY分别为X和Y的标准差， μX是X的平均值， μY是Y的 平均值， E为期望； 非线性特性选择： 在随机森林迭代过程中使用基尼系数作为评价指标来衡量。 将变量 重要性评分用VIM表示， 将基尼系数用GI表示， 假设有 m个特征X1,X2,X3,...,Xm， 计算每个特 征Xj的基尼系数评分VIMjGini， 亦即第j个特征在所有决策树中节点分裂不纯度的平均改变 量， 评分越高， 说明该 特征越值得保留。 基尼系数计算公式： 其中， K表示类别， pmk表示节点m中随机抽取两个样本， 其类别标记不 一致的概率。 特征Xj在节点m的重要性， 即节点m 分枝前后的基尼系数变化 量为 VIMjmGini＝GIm‑GIl‑GIr 其中， GIl和GIr分别表示分枝后两个新节点的基尼系数 如果特征Xj在决策树 i中出现的节点 集合为M， 那么Xj在第i颗树的重要性 为 假设随机森林中共有n颗树， 那么 最后， 把所有求得的重要性评分做一个归一 化处理即可得到特征得分 5.根据权利要求4所述的一种基于连续监测器的智慧高速交通流量预测方法， 其特征权　利　要　求　书 2/3 页 3 CN 114120637 A 3