本發(fā)明涉及智慧交通領(lǐng)域，具體而言，涉及一種智能化交通流量實時預(yù)測方法。

背景技術(shù)：

1、智慧交通系統(tǒng)（intelligent?transportation?system,?its）是改善交通擁堵、提升交通安全、實現(xiàn)節(jié)能減排和可持續(xù)發(fā)展的重要技術(shù)路徑。通過物聯(lián)網(wǎng)、大數(shù)據(jù)與人工智能技術(shù)的深度融合，its可實時感知路網(wǎng)狀態(tài)、優(yōu)化資源配置并預(yù)測交通態(tài)勢，從而降低擁堵成本、減少碳排放并提升出行體驗。在智慧交通的多維數(shù)據(jù)生態(tài)中，交通流預(yù)測是智能交通系統(tǒng)（its）的重要組成部分，有助于交通利益相關(guān)者更安全、更智能地使用交通網(wǎng)絡(luò)，對實現(xiàn)精細化交通管理、隧道照明安全協(xié)同控制、低碳減排與能源優(yōu)化具有重要的意義。

2、傳統(tǒng)的基于模型驅(qū)動的交通流量預(yù)測方法不能充分反映交通數(shù)據(jù)的復(fù)雜性和非線性變化，難以有效地預(yù)測交通流量；而近期逐漸發(fā)展起來的基于歷史數(shù)據(jù)建立深度學(xué)習(xí)模型的預(yù)測方法，可以充分更好地描述交通流數(shù)據(jù)的分布式和分層特征，具有更好的預(yù)測效果。然而，現(xiàn)有方法仍存在以下問題：首先，單一的深度學(xué)習(xí)模型在提取交流流量特征時存在缺陷，無法充分反映交通流量的局部特征、全局特征和關(guān)鍵信息；其次，模型超參數(shù)的選取會直接影響模型的性能，因此需要高性能的尋優(yōu)方法對超參數(shù)進行尋優(yōu)；再次，歷史數(shù)據(jù)并不能充分反映交通流量隨國民經(jīng)濟的發(fā)展、城市建設(shè)和人民生活水平的變化而變化的特性。因此，建立一種能夠充分挖掘交通流量信息的高性能模型且實現(xiàn)模型的最優(yōu)化，并依據(jù)最新交通流量數(shù)據(jù)實現(xiàn)模型的輕量化動態(tài)調(diào)整及更新，對于高精度、高效率的進行智能化交通流量實時預(yù)測至關(guān)重要。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供了一種智能化交通流量實時預(yù)測方法，其能夠解決傳統(tǒng)單一模型特征提取不足、超參數(shù)優(yōu)化效率不足、基于歷史數(shù)據(jù)的靜態(tài)預(yù)測模型難以反映最新交通流量趨勢等問題，提出了一種新型的智能化交通流量實時預(yù)測方法，為提高智能化交通流量實時預(yù)測精度和效率提供可靠的技術(shù)支撐。

2、本發(fā)明是這樣實現(xiàn)的：

3、實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種智能化交通流量實時預(yù)測方法，包括以下步驟：

4、步驟一：獲取在線監(jiān)測得到歷史交通流量數(shù)據(jù)，對數(shù)據(jù)進行預(yù)處理；

5、步驟二：構(gòu)建基于并行卷積層-長短時記憶層并結(jié)合多頭注意力機制的混合特征網(wǎng)絡(luò)模型框架，設(shè)置待尋優(yōu)超參數(shù)及尋優(yōu)范圍；

6、步驟三：基于鯊魚和金槍魚聯(lián)盟優(yōu)化算法和歷史交通流量數(shù)據(jù)，優(yōu)化混合特征網(wǎng)絡(luò)模型的超參數(shù)；

7、步驟四：基于優(yōu)化的超參數(shù)和歷史交通流量數(shù)據(jù)，構(gòu)建并訓(xùn)練得到混合特征網(wǎng)絡(luò)模型；

8、步驟五：設(shè)置移動平均誤差窗口大小w1、動態(tài)更新啟動誤差e和動態(tài)更新窗口大小w2；

9、每獲取最新監(jiān)測數(shù)據(jù)，計算最近的w1個預(yù)測值的平均值，即移動平均誤差p，若p大于e，則提取最新的w2個監(jiān)測數(shù)據(jù)對混合特征網(wǎng)絡(luò)進行實時訓(xùn)練和微調(diào)，實現(xiàn)混合特征網(wǎng)絡(luò)的實時動態(tài)更新；

10、步驟六：根據(jù)最新的混合特征網(wǎng)絡(luò)對下一時間段的交通流量進行預(yù)測。

11、進一步的，步驟一中，所述歷史交通流量數(shù)據(jù)，包括日期、時間、星期幾、是否為節(jié)假日、車流量數(shù)據(jù)；所述對數(shù)據(jù)進行預(yù)處理，包括使用移動平均法對車流量數(shù)據(jù)進行平滑處理，從而去除短期波動和噪聲，保留長期趨勢；將高頻數(shù)據(jù)聚合為低頻數(shù)據(jù)，以降低數(shù)據(jù)復(fù)雜度并提高計算效率；數(shù)據(jù)歸一化，以消除量綱差異并提高模型訓(xùn)練效果。

12、進一步的，步驟二中，所述混合特征網(wǎng)絡(luò)模型框架，包括將輸入層連接至并聯(lián)的多尺度卷積層和長短時記憶層，然后通過拼接層將并聯(lián)的輸出拼接為一個輸出、并依次串聯(lián)經(jīng)過最大池化層、多尺度自注意機制層、隨機丟棄（dropout）層、全局池化層、全連接層和輸出層；其中，輸入層接收歷史交通流量數(shù)據(jù)；并聯(lián)的多尺度卷積層和長短時記憶層中，多尺度卷積層使用不同卷積核大小提取局部特征，長短時記憶層捕捉時間序列中的長期依賴關(guān)系；拼接層將cnn和lstm分支的輸出在特征維度上拼接；最大池化層對拼接后的輸出進行1d最大池化；多頭自注意力機制層使用多頭自注意力機制捕捉序列中不同時間步的重要性；隨機丟棄（dropout）層對多頭自注意力層的輸出應(yīng)用dropout防止過擬合；全局池化層對特征進行全局聚合征；全連接層對選擇的時間步特征進行非線性轉(zhuǎn)換，進一步提取特征；輸出層使用全連接層生成最終的預(yù)測結(jié)果。

13、進一步的，步驟二中，所述超參數(shù)包括卷積層的濾波器數(shù)量、學(xué)習(xí)率、隨機丟棄率、l2正則化強度、長短時記憶層的單元數(shù)、多頭注意力機制的頭數(shù)。

14、進一步的，步驟三中，所述鯊魚和金槍魚聯(lián)盟優(yōu)化算法，包含以下四個階段：

15、（一）種群初始化：

16、1、生成初始種群：隨機生成初始種群 m i 0，其中每個個體 m i 0的位置由以下公式確定：

17、 m i 0 ?= lb+ (ub-lb)×rand(1, dim)

18、其中 m i 0代表第 i個個體的位置， i代表個體的序號， i=1,2,…, n， n為種群規(guī)模，上標代表迭代次數(shù)，其中0代表初始化階段； lb和 ub分別為搜索空間的下限及上限， dim為待優(yōu)化問題的維度，rand(1 ,dim)生成一個1× dim的隨機向量，其元素取值范圍為[0,1]；

19、2、計算初始適應(yīng)度值：

20、計算每個個體的適應(yīng)度值 fitness(i)， fitness(i)=f obj (m i 0 )，其中 f obj ()為適應(yīng)度函數(shù)；記錄歷史最優(yōu)解位置 best_m和歷史最優(yōu)適應(yīng)度值 best_cost，并將適應(yīng)度最優(yōu)的個體標記為鯊魚個體，其他個體標記為金槍魚個體；

21、（二）鯊魚個體更新：

22、鯊魚個體通過萊維飛行和隨機擾動進行全局搜索：

23、 x shark iter+1 =x shark iter ? +α×levy(β,dim)+γ×(best_m-x shark iter )+0.1 ×randn (1, dim)

24、其中 x shark iter是鯊魚個體的位置， iter為當前迭代次數(shù)，levy (β,dim)是萊維飛行函數(shù)，randn (1,dim)生成一個1× dim的矩陣，元素服從標準正態(tài)分布，參數(shù) α、β和 γ計算公式為：

25、 α=0.1×(1-iter/t)

26、 β=1.5×(1-iter/t)

27、 γ=1-0.5×(1-iter/t)

28、其中， t為最大迭代次數(shù)；

29、（三）金槍魚個體更新：

30、金槍魚個體更新步驟為：1、對每個金槍魚個體 i，生時一個0~1間的隨機數(shù) r i ；2、根據(jù) r i值選擇是直接更新還是鏡像更新：

31、當 r i≥0.5，該金槍魚為直接更新，直接更新方式為：

32、 m i iter+1 ?= m i iter ?+ c 1×rand(1, dim)×( x shark iter- m i iter);

33、其中 c 1為直接更新系數(shù)；

34、當 r i＜0.5，該金槍魚為鏡像更新，分為3個步驟：

35、步驟一：生成鏡像個體 x mirror,i iter：

36、 x mirror,i iter ? =2×x shark iter ? -m i iter +0.1×randn (1,dim)

37、步驟二：判斷鏡像個體在各維度是否超出搜索空間邊界，若在第 j個維度超出邊界，則對該維度位置進行修正：

38、 x mirror,i,j iter= ub j- r i×( ub j ?-x shark,j iter)???? ?if?x mirror,i,j iter >ub j

39、 x mirror,i,j iter= lb j+ r i×( x shark,j iter -?lb j)?????? if?x mirror,i,j iter <lb j

40、其中 x mirror,i,j iter為第 i個個體在第 j個維度的修正鏡像位置， x shark,j iter代表鯊魚個體在第 j個維度的值； j=1,2,…, dim; ?ub j和 lb j分別代表在第 j個維度的搜索上限及下限；

41、步驟三：根據(jù)鏡像個體的位置，更新金槍魚個體位置：

42、 m i iter+1= x mirror,i iter+ c 2×rand(1, dim)×( x shark iter- x mirror,i iter);

43、其中 c 2為鏡像更新系數(shù)；

44、（四）適應(yīng)度更新與迭代終止

45、1、重新計算所有個體最新位置的適應(yīng)度值，更新 best_m和 best_cost；

46、2、判斷是否達到迭代終止條件，若滿足迭代終止條件，則輸出 best_m和 best_cost值，計算終止；若不滿足終止條件，則將該次迭代下適應(yīng)度值最優(yōu)個體更新為鯊魚個體，其余個體定義為金槍魚個體，重復(fù)計算階段（二）~階段（四）。

47、本發(fā)明的有益效果是：本發(fā)明提供了一種智能化交通流量實時預(yù)測方法。其中，構(gòu)建的混合特征網(wǎng)絡(luò)模型為并行cnn-lstm結(jié)合多頭注意力機制（parallel?cnn-lstm?withmhsa，pcl-mhsa）模型，該pcl-mhsa模型通過并行的卷積層（cnn）分支和長短時記憶層（lstm）分支分別提取局部特征和全局時序依賴，隨后通過池化層降維和提取關(guān)鍵信息，再利用多頭自注意力機制multi-head?self-attention?model?(mhsa)對融合特征進行動態(tài)權(quán)重分配，最終實現(xiàn)高精度預(yù)測。另外，構(gòu)建的鯊魚和金槍魚聯(lián)盟優(yōu)化算法（shark?andtuna?alliance?optimization?algorithm,stao）是一種基于自然界中鯊魚和金槍魚捕食行為的啟發(fā)式優(yōu)化算法。該算法通過模擬鯊魚的全局搜索能力和金槍魚的局部搜索能力，結(jié)合兩種策略的優(yōu)勢，實現(xiàn)對復(fù)雜優(yōu)化問題的高效求解。能夠增強局部搜索能力，加快收斂速度；最后，通過基于最新監(jiān)測數(shù)據(jù)對優(yōu)化后的pcl-mhsa模型基于進行實時訓(xùn)練和參數(shù)微調(diào)，能夠動態(tài)更新交通流量的最新變化趨勢，從而使得模型具有更好的預(yù)測精度，為交通流量實時預(yù)測提供更可靠的技術(shù)支撐。