基于深度学习的城市交通流量预测方法

基于深度学习的城市交通流量预测方法，采用多源异构交通数据融合和多尺度时空特征提取的技术方案。包括以下步骤：通过车载GPS、路测设备、交通监控视频获取多源交通数据，经数据清洗、时空对齐、特征提取后，采用卡尔曼滤波等方法融合得到统一的交通状态表征；构建包含三个不同尺度LSTM单元的网络模型，分别以5‑10分钟、1天和1周为时间步长，建模交通流量的短期、中期和长期变化特征；引入Attention机制对多尺度特征进行自适应融合；将多种外部环境数据通过表示学习映射为低维特征向量并引入模型；采用知识蒸馏技术压缩模型，部署为在线服务，每5‑10分钟生成未来1小时的交通流量预测。本发明提升了交通流量预测的准确性和实时性，具有良好的工程应用价值。