(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110281219.3 (22)申请日 2021.03.16 (65)同一申请的已公布的文献号 申请公布号 CN 113051811 A (43)申请公布日 2021.06.29 (73)专利权人 重庆邮电大 学 地址 400065 重庆市南岸区崇文路2号 (72)发明人 黄胜　李洋洋　付川　冉浩杉　 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06N 3/08(2006.01) G08G 1/01(2006.01) (56)对比文件 CN 110599766 A,2019.12.20 CN 111080029 A,2020.04.28 CN 10839 9248 A,2018.08.14CN 110287995 A,2019.09.27 AU 20201041 12 A4,2021.0 3.04 WO 20210 05590 A1,2021.01.14 薛亚鑫.基 于LSTM深度神经网络的短期交通 流预测. 《中国优秀硕士学位 论文全文数据库 工 程科技Ⅱ辑》 .2020,(第01期), 李洋洋.基于深度学习的短期交通拥堵预测 研究. 《中国优秀博硕士学位 论文全文数据库(硕 士)工程科技 Ⅱ辑》 .2022,(第03期), Rui Fu等.Usi ng LSTM and GRU neural network methods for traf fic flow predicti on. 《2016 31st Youth Academic Annual Conference of C hinese Association of Automati on (YAC)》 .2017, 彭相洲等.一种多趋势时间序列预测的神经 网络模型. 《计算机 应用研究》 .2020,第37 卷(第 S2期), 审查员 倪浩天 (54)发明名称 一种基于GRU网络的多模式短期交通拥堵预 测方法 (57)摘要 本 发 明 提 出 一 种 基 于 G R U (GatedRecurrentU nit， 门控循环单元)网络的多 模式短期交通拥堵预测方法， 分为交通速度预测 和交通拥堵识别。 其方案为： 获取全部时空交通 速度数据； 提取四种模式对应的时空交通速度数 据； 提取四种模式对应的路段网络数据和特殊时 间数据， 采用one ‑hot编码生成辅助信息向量； 分 别提取四种模式下交通速度数据邻近性、 周期性 和趋势性矩阵； 制定多步交通速度数据标签； 构 建以交通速度数据邻近性、 周期性和趋势性矩阵 作为GRU‑FC网络输入的GRU ‑FC模型。 设置模型超 参数， 对模型调参、 训练； 使用训练好的模型， 获 取短期交通速度数据， 经过计算交通拥堵阈值、 划分交通拥堵等级得到交通拥堵结果。 本发明提出的交通拥堵预测方法具有针对性和高准确性。 权利要求书2页 说明书12页 附图3页 CN 113051811 B 2022.08.05 CN 113051811 B 1.一种基于GRU网络的多模式短期交通拥堵预测方法， 其特 征在于， 包括以下步骤： 步骤S1： 针对时空序列预测的特点， 依据领域知识， 分析时空序列预测包含多对多、 多 对一、 一对多和一对一四种预测模式， 制定四种模式交通拥堵预测方法； 多对多模式表示 为： 其中f代表深度学习模型， v为交通速度， m表示路段数量， n表示时间段， t表示预测的步 数， vmn表示在路段m的第n个时间段时的交通速度， T为如公式(2)所示的拥堵判别函 数， 将交 通速度转 化为交通拥堵水平； 多对一模式表示 为： 其中L代表深度学习模型， v为交通速度， r表示筛选的道路路段， s表示时间段， o表示需 要预测的目标路段， t表示预测的步数， v(r‑1)s表示在筛选的道路路段r ‑1的第s个时间段时 的交通速度， vot表示在需要预测的目标路段o以及预测步数为t时的交通速度， T为如公式 (2)所示的拥堵判别函数； 一对多模式表示 为： 其中F代表深度学习模型， v为交通速度， ts表示时间段， b代表所要预测的下游路段数 量， t表示预测的步数， vts表示在ts 时间段时的交通速度， vbt表示在所要预测的下游 路段数 以及预测的步数分别为b和t时的交通速度， T为如公式(2)所示的拥堵判别函数； 一对一模式表示 为： G([v1,v2,…,vts])＝T[v1,v2,…,vt]           (5) 其中G代表深度学习模型， v为交通速度， ts表示时间段， t表示预测的步数， vts表示在ts 时间段时的交通速度， vt表示在预测步数为t时的交通速度， T为如公式(2)所示的拥堵判别权　利　要　求　书 1/2 页 2 CN 113051811 B 2函数； 步骤S2： 获取全部时空交通速度数据， 并对应四种预测模式获取相应的时空交通速度 数据， 并对每种模式的交通速度数据提取其邻近性、 周期性和趋势 性矩阵， 并制作多步时间 序列标签； 并对路段网络属性数据和特殊时间数据进行o ne‑hot编码； 步骤S3： 构建以交通速度数据邻近性、 周期性和趋势性矩阵作为输入数据的GRU全连接 网络； 步骤S4： 训练模型后使用模型对短期交通速度进行预测， 通过计算交通拥堵阈值、 划分 交通拥堵等级得到最终的交通拥堵结果。 2.根据权利要求1所述的方法， 步骤S2的特征在于， 将路段网络属性数据路段长度、 宽 度、 方向、 速度等级和车道编码成向量， 同时考虑交通速度在不同时刻具有明显差异， 因此 将工作日、 周末、 节假日和高峰时刻编码成向量， 获取外 部因素数据对交通拥堵的影响。 3.根据权利要求1所述的方法， 步骤S3的特征在于， 首先将交通速度 数据根据规则得到 邻近性矩阵、 周期性矩阵和趋势性矩阵； 其次将邻近性、 周期性和趋势性矩阵分别输入到 GRU网络中进 行训练， 然后再结合编 码后的路段网络属性数据和特殊时间  数据共同输入到 全连接网络中预测短期交通速度数据。权　利　要　求　书 2/2 页 3 CN 113051811 B 3