一种基于嵌入式特征选择策略的高速公路交通流预测方法

1.一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，针对目标高速公路区域，执行以下步骤，构建目标场景最佳车流量预测模型，由目标场景最佳车流量预测模型用于预测目标场景下目标高速公路区域上目标观测点在目标日期的目标时间段内各时间粒度的车流量：步骤A：针对目标高速公路上预设各观测点在预设历史时长段内基于预设时间粒度采集的原始车流量数据，基于目标场景进行初步筛选更新，进而按照预设周期内各日期类型对预设历史时长段内的原始车流量数据进行划分，获得预设各观测点在各日期类型下分别对应的目标场景车流量数据集；步骤B：针对预设各观测点在各日期类型下分别对应的目标场景车流量数据集，基于目标日期对应的目标日期类型、目标时间段、以及目标观测点，获取目标观测点在目标日期类型下对应的初始时间特征车流量数据集，进而利用嵌入式时间特征搜索策略获得最优时间特征子集；所述步骤B中，利用具体步骤如下所述的嵌入式时间特征搜索策略，获得最优时间特征子集：步骤B1：针对目标观测点在目标日期类型下对应的初始时间特征车流量数据集，以初始时间特征车流量数据集内每个日期为起点、预设个数连续日期为跨度进行分割，获得各初始时间特征集合单元，进而生成初始时间特征集合X：X＝[X 1 ，X 2 ，X 3 ，...，X u ...，X U ] T式中，X u 表示第u个初始时间特征集合单元；U表示初始时间特征集合单元总数；d表示初始时间特征车流量数据集中的日期编号，d-1表示日期编号为d的前一日期编号；初始时间特征集合单元中最后一列为目标向量，其余每列均为关联向量，每列关联向量即对应一个候选时间特征；T表示转置标识符；t 1 至t w 表示目标时间段下包含的各时间粒度；S j 表示目标观测点对应的观测点编号，e表示行车方向， 表示日期编号为d时在时间粒度t w 下行车方向为e时目标观测点s j 的实测车流量；步骤B2：针对初始时间特征集合内各列关联向量，利用斯皮尔曼关联性系数法对各列关联向量进行剔除，进而基于关联系数从小到大的原则对各列关联向量进行第一次特征排序，即对各候选时间特征进行第一次排序，执行步骤B3；步骤B3：针对初始时间特征集合内各列关联向量，利用K-medoids聚类方法获得各列关联向量到目标向量的聚类距离，按照聚类距离从大到小的原则，对各列关联向量进行第二次特征排序，即对各候选时间特征进行第二次排序，执行步骤B4；步骤B4：基于第一次特征排序结合第二次特征排序，结合重排序准则对各候选时间特征进行重排序，获得强相关区间对应的各候选时间特征、中度相关区间对应的各候选时间特征、弱相关区间对应的各候选时间特征，执行步骤B5；所述步骤B4中，按照如下重排序准则，获得强相关区间对应的各候选时间特征、中度相关区间对应的各候选时间特征、弱相关区间对应的各候选时间特征：(I)当时间特征对应的关联向量满足关联系数≥0.8并且聚类距离排序在前三分之一，则该时间特征属于强相关区间；(II)当时间特征对应的关联向量满足关联系数≥0.3且＜0.5并且聚类距离排序在后三分之一，则该时间特征属于弱相关区间；(III)除强相关区间对应的各候选时间特征以及弱相关区间对应的各候选时间特征，剩余各候选时间特征属于中度相关区间；步骤B5：基于重排序后的各候选时间特征，结合目标神经网络对各候选时间特征进行筛选，筛选获得的各候选时间特征作为最优时间特征子集；步骤C：基于预设各观测点在各日期类型下分别对应的目标场景车流量数据集，结合最优时间特征子集，利用嵌入式空间特征搜索策略获得最优空间特征子集；所述步骤C中，基于预设各观测点在各日期类型下分别对应的目标场景车流量数据集，结合最优时间特征子集，利用具体步骤如下所述的嵌入式空间特征搜索策略，获得最优空间特征子集：步骤C1：针对预设各观测点在各日期类型下分别对应的目标场景车流量数据集，基于目标日期对应的日期类型、以及目标时间段，结合目标观测点，获取目标观测点对应的初始空间特征车流量数据集；针对目标观测点对应的初始空间特征车流量数据集，获得初始时间特征集合中各目标向量对应的各初始空间特征集合单元，进而生成各初始空间特征集合BX：BX＝[BX 1 ，BX 2 ，...，BX u ，...，BX U ] T其中， 式中，U表示初始空间特征集合单元总数，与初始时间特征集合单元数量相同；BX u 表示第u个初始空间特征集合单元，即初始时间特征集合中第u个初始时间特征集合单元目标向量对应的初始空间特征集合单元；初始空间特征集合单元中最后一列为标准化目标向量，其余每列均为空间关联向量，每列空间关联向量即对应一个候选空间特征；b表示空间排序等级，根据目标观测点所在主道路上基于行车方向在目标观测点之前各高速匝道出入口汇入车流量从大到小排序； 表示在时间粒度t下行车方向为e时空间排序等级为b的观测点编号为s i 的高速匝道出入口标准化车流量； 表示在时间段t下行车方向为e时空间排序等级为b的观测点编号为s i 的高速匝道出入口的实测车流量； 表示目标日期编号为d时在时间粒度t w 下行车方向为e时在观测点s j 的标准化车流量；L表示观测点编号为s i 的高速匝道出入口汇入目标观测点所在主道路上行车方向车道数，C max 表示目标高速公路区域观测点编号为s i 的高速匝道出入口在行车方向的通行能力最大值， 表示目标高速公路区域观测点编号为s i 的高速匝道出入口在行车方向为e时原实际通行能力；t se 表示起始观测点到目标观测点的有效行程时间，s i 表示起始观测点编号，即目标观测点所在主道路上各高速匝道的出入口对应的观测点编号；s j 表示目标观测点编号；v表示车辆类型，V表示预设车辆类型总数；t-th表示预设时间粒度；pt表示时间段类型； 表示车辆类型为v的车辆在到达目标观测点时刻所对应的时间段类型pt下从起始观测点s i 到目标观测点s j 所用时长；Q 1 表示基于车辆类型和时间段类型从起始观测点到目标观测点的预设时间数据集从小到大预设位置的数据信息，Q 3 表示基于车辆类型和时间段类型从起始观测点到目标观测点的预设时间数据集从小到大预设位置的数据信息；f(Q 3 -Q 1 )表示Q 1 到Q 3 之间时间数据的数量；步骤C2：针对初始空间特征集合中的各候选空间特征，基于预设步长值对各候选空间特征分割，基于空间排序从小到大，将分割后第一个候选空间特征子集加入最优时间特征子集构成初步特征子集；以该初步特征子集为输入，该初步特征子集中关联向量对应的目标向量为输出，训练LSTM神经网络，获得LSTM神经网络的目标函数值，若满足目标函数值小于最优时间特征子集对应的目标函数值，则将当前初步特征子集中的空间特征子集作为最优空间特征子集，若不满足执行步骤C3；步骤C3：基于剩余的各候选空间特征，迭代执行以下步骤，直到LSTM神经网络的目标函数值满足目标函数值要求或各候选空间特征迭代完，获得最优空间特征子集：步骤C3.1：针对剩余的各候选空间特征，根据动态搜索规则对步长进行调整获得当前步长，基于当前步长对各初始空间特征集合单元中剩余的各候选空间特征进行分割，基于空间排序从小到大，将分割后各第一个候选空间特征子集加入初步特征子集，以该初步特征子集为输入，该初步特征子集中关联向量对应的目标向量为输出，训练LSTM神经网络，获得LSTM神经网络的目标函数值；所述步骤C3.1中，所述动态搜索规则对步长进行调整获得当前步长，过程如下：当前迭代前两相邻目标函数值之差为正时，步长保持不变；当前迭代前两相邻目标函数值之差为负时，步长调整为U min ；当前迭代前两相邻目标函数值之差为负且最后一个目标函数值小于最优时间特征子集对应的目标函数值时，步长调整为U max ；其中，U min 表示1至U的关联性跨度下候选空间特征数量的最小值，U max 表示1至U的关联性跨度下候选空间特征数量的最大值；步骤C3.2：基于当前LSTM神经网络的目标函数值，若满足目标函数值小于最优时间特征子集对应的目标函数值，则将当前初步特征子集中的空间特征子集作为最优空间特征子集，若不满足返回步骤C3.1；步骤D：基于最优时间特征子集与最优空间特征子集构成的最优时空特征子集，利用综合权重损失函数，构建并训练获得以目标观测点在目标日期的目标时间段内各时间粒度分别对应的最优时空特征子集为输入、目标观测点在目标日期的目标时间段内各时间粒度的车流量为输出的目标场景最佳车流量预测模型。 2.根据权利要求1所述一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，所述步骤B2中，利用斯皮尔曼关联性系数法计算各列关联向量与目标向量的关联系数，并将关联系数小于0.3的关联向量剔除。 3.根据权利要求1所述一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，所述步骤B5中，基于重排序后的各候选时间特征，具体执行以下步骤，获得最优时间特征子集：步骤B5.1：针对强相关区间对应的各候选时间特征，基于强相关区间内各候选时间特征排序从大到小，依次将每个候选时间特征迭代加入特征子集，在每次迭代中以特征子集为输入，特征子集中关联向量对应的目标向量为输出，训练LSTM神经网络，获得LSTM神经网络的目标函数值，直到强相关区间内各候选时间特征迭代完，迭代结束，将LSTM神经网络目标函数值最小时对应的特征子集作为第一阶段最优特征子集；步骤B5.2：基于第一阶段最优特征子集，针对中相关区间对应的各候选时间特征，基于中度相关区间内各候选时间特征排序从大到小，依次将每个候选时间特征迭代加入第一阶段最优特征子集，在每次迭代中以第一阶段最优特征子集为输入，第一阶段最优特征子集中关联向量对应的目标向量为输出，训练LSTM神经网络，获得LSTM神经网络的目标函数值，直到中度相关区间内各候选时间特征迭代完或目标函数值大于预设阈值时，迭代结束，将LSTM神经网络目标函数值最小对应的第一阶段最优特征子集作为第二阶段最优特征子集；当目标函数值大于预设阈值时，不执行步骤B5.3，第二阶段最优特征子集作为最优时间特征子集；步骤B5.3：基于第二阶段最优特征子集，针对弱相关区间对应的各候选时间特征，基于弱相关区间内各候选时间特征排序从大到小，依次将每个候选时间特征迭代加入第二阶段最优特征子集，在每次迭代中以第二阶段最优特征子集为输入，第二阶段最优特征子集中关联向量对应的目标向量为输出，训练LSTM神经网络，获得LSTM神经网络的目标函数值，直到弱相关区间内各列关联向量迭代完或目标函数值大于预设阈值时，迭代结束，将LSTM神经网络目标函数值最小对应的第二阶段最优特征子集作为最优时间特征子集。 4.根据权利要求3所述一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，所述强相关区间内各候选时间特征、中度相关区间内各候选时间特征、以及弱相关区间内各候选时间特征的排序序号为时间特征在第一次特征排序中的序号与第二次特征排序中的序号的平均值。 5.根据权利要求1所述一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，所述步骤C2中，所述预设步长值S o 通过以下公式获得：其中，Q表示初始空间向量总数，ρ max 表示初始空间特征集合中各列空间关联向量与标准化目标向量斯皮尔曼关联系数的最大值；ρ min 表示初始空间特征集合中各列空间关联向量与标准化目标向量斯皮尔曼关联系数的最小值；f(J)表示在关联性跨度下的候选空间特征数量，U表示平均关联性跨度。 6.根据权利要求1所述一种基于嵌入式特征选择策略的高速公路交通流预测方法，其特征在于，所述步骤D中，所述综合权重损失函数如下：其中，P表示样本数量， 表示目标高速公路区域内的目标观测点实际车流量观测值， 表示目标高速公路区域内的目标观测点预测值。