1.一种实时交通流短时预测方法,其特征在于,该方法包括如下步骤:步骤1、确定待预测的目标城市范围;
步骤2、按照预定时间周期获取所述目标城市范围的交通流历史观测数据;
步骤3、对所获得的所述目标城市范围的交通流历史观测数据进行预处理为三维张量格式的输入数据以形成相应的训练集和测试集;
步骤4构建基于模糊自适应的交通流预测模型,所述交通流预测模型包括模糊网络模块、深度卷积网络模块、融合模块、输入模块和输出模块,所述模糊网络模块用于对输入的张量数据进行模糊化、模糊运算和去模糊化处理,所述深度卷积网模块对输入的张量数据进行多层卷积和非线性操作,所述融合模块用于融合来自模糊网络模块和深度卷积网络模块的两路张量数据,融合方法为:其中,yf为模糊网络的输出,yd为深度卷积网络的输出,wd和wf分别为连接模糊网络模块和连接深度卷积网络模块之间的权值, 为偏差;
步骤5、利用所形成的训练集和测试集对所述交通流预测模型进行训练;
步骤6、利用训练好的所述交通流预测模型对所述目标城市范围的交通流进行预测。
2.根据权利要求1所述的实时交通流短时预测方法,其特征在于,所述方法还包括对卷积运算后的结果进行非线性变换。
3.根据权利要求1所述的实时交通流短时预测方法,其特征在于,利用模糊自适应预测模型学习算法进行模型优化。
4.根据权利要求1所述的实时交通流短时预测方法,其特征在于,所述步骤5包括:对模糊网络模块和深度卷积网络模块进行初始化。
5.根据权利要求1所述的实时交通流短时预测方法,其特征在于,所述方法还包括将交通流的预测值与交通流的实测值进行比较,并利用预测准确性指标对预测结果进行评价,所述评价指标为:其中,yi和 分别为观测值和预测值,RMSE为均方根误差。
6.如权利要求1所述的实时交通流短时预测方法,其特征在于,用于采样的所述预定时间周期为30分钟,采样时将目标城市范围划分成32×32的区域。
7.如权利要求1所述的实时交通流短时预测方法,其特征在于,各区域在不同时刻的交通流数据为该区域在指定时间间隔内的车辆数,输入数据归一化到[-1,1]区间。