CN113362598A - 一种高速公路服务区车流量预测方法 - Google Patents

Abstract

本发明公开了一种高速公路服务区车流量预测方法，以实现在不同的时间维度与空间维度下筛选前序信息中的不必要数据，减少因车流量突增(减)情况对预测结果准确度的影响，能更好的捕捉高速公路服务区车流量数据中的有效信息，抓住核心关键信息，提高服务区车流量时序预测结果的准确度。本发明包括以下步骤：首先将高速公路服务区车流量预测的影响因素作为时序特征提取出来；其次将提取出来的时序特征作为模型输入，构建基于双向长短期记忆(Bi‑LSTM)预测模型；然后在Bi‑LSTM模型的基础上加入注意力(Attention)机制得到高速公路服务区车流量预测模型；最后将模型运用至服务区内，并基于评估机制不断优化，构建出适用在服务区的完整的高速公路服务区车流量预测***。

Description

一种高速公路服务区车流量预测方法

技术领域

本发明涉及机器学习技术领域，特别是一种高速公路服务区车流量预测方法。

背景技术

高速公路服务区是集住宿休息、就餐购物、加油充电、车辆维修等功能于一体的综合体，是人流、车流密集交汇的区域。现阶段由于管理手段单一、无法智能化感知服务区内车流量状态，高速公路服务区面临着车流量巨大、超负荷运行、管理运营车辆动态调度困难等问题。针对这一现象，应对高速公路服务区的车流状态进行预测与分析，使高速公路营运单位、高速执法单位可通过信息发布平台发布重点时段、重点地段与线路的预测***区车流情况，引导公众理性出行。

由于高速公路服务区数据时序维度较多、时序特性间相互影响，考虑到其车流量表现出的不均匀性、规律性等明显的时间分布特点，传统预测算法已不能满足随复杂环境变化而改进的需求。使用长短期记忆网络LSTM构建服务区车流量预测模型在预测准确度上将优于传统预测算法模型，但当输入序列较长时，LSTM模型的性能仍会打折扣，对于重量级或者更长序列的数据处理时会显得尤为棘手，较大时间跨度的LSTM网络使计算量更加复杂且耗时。因此仍然无法有效减少无关时序数据对预测结果的干扰，缺乏对时序数据特征相互作用的分析，有待改进的空间。

发明内容

有鉴于此，本发明提供了一种高速公路服务区车流量预测方法，在传统LSTM单向循环神经网络模型的基础上使用双向长短时记忆网络(Bi-directionalLongShort-TermMemory,Bi-LSTM)模型，通过结合正向、逆向序列循环网络，使前面时刻和后面时刻的“上下文信息”能够同时加入模型训练，提高单项LSTM的预测准确度。在双向长短时记忆网络(Bi-LSTM)模型基础上加入注意力(Attention)机制预测高速公路服务区车流量情况，强化预测模型的训练与学习，改善了LSTM网络预测模型中由于预测输入序列过长导致的预测计算过程繁杂、预测时间过慢等问题，能够更好的捕捉高速公路服务区车流量数据中的有效信息，抓住核心关键信息，提高服务区车流量时序预测结果的准确度。所述预测方法包括：

步骤一，将高速公路车流量预测的影响因素作为时序特征提取出来；

步骤二，将步骤一中提取的时序特征作为模型输入，构建基于双向长短期记忆Bi-LSTM的预测模型；

步骤三，在步骤二中构建的Bi-LSTM预测模型的基础上加入注意力(Attention)机制得到高速公路服务区车流量预测模型；

步骤四，将步骤三中得到的高速公路服务区车流量预测模型运用至服务区内，并基于评估机制不断优化。

优选地，所述步骤一中高速公路车流量预测的影响因素为随时间变化的服务区进口车流量、服务区出口车流量、高速路断面进口车流量、高速路断面出口车流量、服务区内车辆数五个纬度，所述时序特征提取的具体方法为：

将五个维度的影响因素用一个集合X表示模型输入门；

X＝[S₁,S₂,S₃,S₄,S₅]

其中，S₁表示单个车道的服务区进口车流量，S₂表示单个车道的服务区出口车流量，S₃表示高速路断面进口车流量，S₄表示高速路断面出口车流量，S₅表示服务区内车辆数；

对模型的输入集合引入时序特征，在t时刻的模型输入为X_t，服务区车流量序列表示为O＝{X_t|t＝1,2,3,...,T}，其中t＝1,2,3,...,T为服务区车流量序列预测时间。

优选地，所述步骤二中构建基于双向长短期记忆Bi-LSTM的预测模型的具体方法为：

长短期记忆LSTM基础模型表示为：

i_t＝σ(W_i*[h_t-1,x_t]+b_i)

f_t＝σ(W_f*[h_t-1,x_t]+b_f)

o_t＝σ(W_f*[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，t表示当前时刻，t-1表示上一时刻，C_t-1、h_t-1分别表示上一时刻状态和隐藏层状态的输出，C_t、h_t分别表示当前时刻状态和隐藏层状态的输出，i_t为输入门、f_t为遗忘门、o_t为输出门，

表示状态层，W为权重，b为补偿参数，σ为激活函数sigmoid，其中tanh为激活函数；

Bi-LSTM网络由4组LSTM模块反向链接构成，可以充分提取车流量数据时序特征间正向与反向的关联，使模型的预测结果包含正反双向时间序列上的历史记忆信息。在每组LSTM模块中通过记忆信息的双向传递得到如下所示的正向记忆向量

与反向记忆向量

使用门结构过滤输出隐藏向量

其模型表示如下：

式中

与

分别表示t时刻上第i组LSTM模块的正向与反向记忆向量，X_t表示t时刻下的输入向量X＝[S₁,S₂,S₃,S₄,S₅]，且

为正向转换矩阵，

为逆向转换矩阵，b为补偿参数。

采用Bi-LSTM神经网络预测模型分别提取服务区车流量的短期特征和周期特征；短期特征X_t+1＝σ(t+nΔt)：因为X_t作为输入门，X_t+1作为X_t的时序表示，为方便归一化处理其取值范围为0～1，常使用σ即sigmoid函数，作为激活函数，表征了t时刻的服务区车流与t前n次的服务区车流密切相关；

其中，I₁是用于获取短期特征的服务区车流数据的子集，x(t)为t时刻的服务区车流，m为时序长度，n为服务区入口车道数，每个历史时间点的短期特征输出向量集合为H＝(h₁,h₂...h_n)，其中h_t为短记忆即LSTM隐藏层状态；

周期性特征X_t+1＝σ(t+ΔT+nΔt)：由于出行者的出行习惯，t时刻的服务区车流可能与前一周期ΔT时刻的服务区车流存在关联；

其中，I₂是用于获取周期特征的服务区车流数据的子集，p(t)为上周期t时刻的服务区车流，m为时序长度，n为服务区入口车道数，每个历史时间点的周期特征输出向量集合为H′＝(h′₁,h′₂,…,h′_n)，其中h′_t为短记忆即LSTM隐藏层状态。

优选地，所述步骤三中在Bi-LSTM模型的基础上加入注意力(Attention)机制得到高速公路服务区车流量预测模型的具体方法为：

(1)将隐藏层状态向量权重处理后加入激活函数tanh中，得到：

u_i＝V^Ttanh(W_KH+W_QH′)

其中，i∈1,…,n，H与H′分别为Bi-LSTM层中4组LSTM模块输出的短期隐藏层向量集合与周期隐藏层向量集合，W_k与W_Q为模型隐藏层对应的权重矩阵，V^T为注意力机制下的权重矩阵；

(2)通过softmax函数对输出的注意力向量进行归一化处理，使之权重映射到(0，1)范围内：

α_i＝softmax(u_i)

(3)得到当前隐藏层的注意力权重值之后就可以作为下一次隐藏层的权重输入，进而得到预测值：

其中Y_t为时序特征优化后输出向量的预测值表示，h_t为下一次的隐藏层状态向量特征。

优选地，所述步骤四中评估机制的具体方法为：

利用平方损失函数(最小二乘法)的均方差(MSE)来评估真实值与模型的预测值的不一致程度：

其中，f(X)为服务区车流辆模型的预测值，Y为服务区车流量的真实值，Y-f(X)表示的是残差，有n个样本，均方差数值越小，则模型的鲁棒性就越好，即真实值与预测值之间的误差越小。

本发明的有益效果在于：

本发明提供了一种高速公路服务区车流量预测方法，采用本发明，能够高效的构建一种更高准确度的车流量预测模型，即通过Bi-LSTM网络模型与Attention机制相结合进行模型的预测。通过对服务区车流量历史特征数据进行提取分析，消除了不相关时序特征数据的干扰，从正、反向时序上构建循环神经网络，利用过去以及未来的“上下文信息”进行多角度信息输入训练，并为下一时间段车流量做出合理准确的预测。

在传统LSTM预测基础上优化了多角度信息输入训练模型，改善了当预测输入序列不断增长时，原始根据时间步的方式的表现越来越差，输入序列不论长短都会被编码成一个固定长度的向量表示等问题。

本发明的其他优点、目的和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的技术方案、优点和目的更加清楚，本发明提供了以下附图说明：

图1为本发明高速公路服务区车流量预测方法流程示意图；

图2为本发明双向Bi-LSTM模型示意图；

图3为本发明LSTM基础模型结构示意图；

图4为本发明Attention机制结合Bi-LSTM网络结构示意图；

图5为本发明高速公路服务区车流量预测***示意图；

具体实施方式

为了使本发明的技术方案、优点和目的更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。

下面结合附图和实施例对本发明作进一步说明。

实施例一：

如图1所示，本发明实施例提供一种高速公路服务区车流量预测方法，具体实施步骤为：

101，高速公路服务区车流量时序特征提取，将高速公路车流量预测的影响因素作为时序特征提取出来；

由于高速公路服务区是由正向反向两侧服务区组成的，且高速公路两侧的服务区具有相同的时序特征，故可以用同一个训练模型对两侧的服务区进行预测。服务区的时间、天气、车辆因素数据均可以反映服务区车流量的潜在变化趋势，而服务区预测情况的影响因素主要包含了如下三个部分：时间因素，高速公路车流量因素，服务区内车辆因素。因此根据各因素的特征数据划分为服务区进口车流量、服务区出口车流量、高速路断面进口车流量、高速路断面出口车流量、服务区内车辆数。利用五种特征数据作为预测模型的影响因子输入，实现对服务区车流量的时序预测。

以高速公路服务区大观服务区为例，将服务区分为东、西两个服务区，分别将各因素的特征数据划分为服务区进口车流量、服务区出口车流量、高速公路断面进口车流量、高速公路断面出口车流量、服务区内车辆数，利用五种特征数据训练服务区车流量预测模型，实现对服务区车流量的时序预测。

对其中一侧服务区进行车流量情况预测，选取单个车道服务区进口的车流量设为参数S₁、单个车道的服务区出口车流量设为参数S₂、高速路断面进口车流量设为参数S₃、高速路断面出口车流量设为参数S₄、服务区内车辆数设为参数S₅分别作为训练模型的维度输入。将五个维度的参数用一个集合X表示模型输入门。

其公式如下：

X＝[S₁,S₂,S₃,S₄,S₅] (1)

对模型的输入集合引入时序特征，在t时刻的模型输入为X_t，服务区车流量序列表示为O＝{X_t|t＝1,2,3,...,T}，其中t＝1,2,3,...,T为服务区车流量序列预测时间。

102,将上述提取的时序特征作为模型输入，构建基于双向长短期记忆(Bi-LSTM)预测模型；

通过对高速公路服务区的时序特征进行提取之后，采用Bi-LSTM神经网络预测模型分别提取服务区车流量的短期特征和周期特征。Bi-LSTM的训练过程中，前向传播算法与单向LSTM相同，反向传播算法通过梯度下降法迭代更新所有的参数，并计算参数基于损失函数的偏导数，根据所求偏导数得到梯度。但是在反向传播阶段有较严重的逆序的数据依赖难以并行化，这里借鉴了一个网络层位于一个GPU上的思路。模型并行的基元是神经网络模型的网络层。它带来的好处是GPU没有必要将所有网络层的参数保存在内存中了，这降低了大规模任务对内存要求，其模型结构如图2所示。其中LSTM模型结构如图3所示。

长短期记忆LSTM基础模型表示为：

i_t＝σ(W_i*[h_t-1,x_t]+b_i) (2)

f_t＝σ(W_f*[h_t-1,x_t]+b_f) (3)

o_t＝σ(W_f*[h_t-1,x_t]+b_o) (4)

h_t＝o_t*tanh(C_t) (6)

其中，t表示当前时刻，t-1表示上一时刻，C_t-1、h_t-1分别表示上一时刻状态和隐藏层状态的输出，C_t、h_t分别表示当前时刻状态和隐藏层状态的输出，i_t为输入门、f_t为遗忘门、o_t为输出门，

表示状态层，W为权重，b为补偿参数，σ为激活函数sigmoid，其中tanh为激活函数；

Bi-LSTM网络由4组LSTM模块反向链接构成，可以充分提取车流量数据时序特征间正向与反向的关联，使模型的预测结果包含正反双向时间序列上的历史记忆信息。在每组LSTM模块中通过记忆信息的双向传递得到如下所示的正向记忆向量

与反向记忆向量

使用门结构过滤输出隐藏向量

其模型表示如下：

式中

与

分别表示t时刻上第i组LSTM模块的正向与反向记忆向量，X_t表示t时刻下的输入向量X＝[S₁,S₂,S₃,S₄,S₅]，且

为正向转换矩阵，

为逆向转换矩阵，b为补偿参数。

采用Bi-LSTM神经网络预测模型分别提取服务区车流量的短期特征和周期特征；

短期特征X_t+1＝σ(t+nΔt)：因为X_t作为输入门，X_t+1作为X_t的时序表示，为方便归一化处理其取值范围为0～1，常使用σ即sigmoid函数，作为激活函数，表征了t时刻的服务区车流与t前n次的服务区车流密切相关；

其中，I₁是用于获取短期特征的服务区车流数据的子集，x(t)为t时刻的服务区车流，m为时序长度，n为服务区入口车道数，每个历史时间点的短期特征输出向量为H＝(h₁,h₂...h_n)，其中h_t为短记忆即LSTM隐藏层状态；

周期性特征X_t+1＝σ(t+ΔT+nΔt)：由于出行者的出行习惯，t时刻的服务区车流可能与前一周期ΔT时刻的服务区车流存在关联；

其中，I₂是服务区车流数据的子集，用于获取周期特征，p(t)为上周期t时刻的服务区车流，m为时序长度，n为服务区入口车道数，每个历史时间点的周期特征输出向量为H′＝(h′₁,h′₂,…,h′_n)，其中h′_t为短记忆即LSTM隐藏层状态。

103，在Bi-LSTM模型的基础上加入注意力(Attention)机制得到高速公路服务区车流量预测模型；

引入Attention注意力机制优化车流量数据时序特征的提取结构，以高权重去聚焦重要信息，低权重去忽略不想关的信息，在筛选Bi-LSTM层输出的高阶时序数据时不断调整权重，使得即使引入了无关的时序特征数据也不会对预测结果准确度造成较大的影响。

通过注意力机制结合Bi-LSTM模型输出的特征序列具体方法如下：

(1)将隐藏层状态向量权重处理后加入激活函数tanh中，得到：

u_i＝V^Ttanh(W_KH+W_QH′) (12)

其中，i∈1,…,n，H与H′分别为Bi-LSTM层中4组LSTM模块输出的短期隐藏层向量集合与周期隐藏层向量集合，W_k与W_Q为模型隐藏层对应的权重矩阵，V^T为注意力机制下的权重矩阵；

(2)通过softmax函数对输出的注意力向量进行归一化处理，使之权重映射到(0，1)范围内：

α_i＝softmax(u_i) (13)

(3)得到当前隐藏层的注意力权重值之后就可以作为下一次隐藏层的权重输入，进而得到预测值：

其中Y_t为时序特征优化后输出向量的预测值表示，h_t为下一次的隐藏层状态向量特征，利用注意力矩阵与隐藏状态矩阵相乘，充分学习相关数据特征，减少无关时序特征数据对预测值得影响。

Attention机制结合Bi-LSTM网络结构如图4所示，其中，x_t(t∈[1,n])表示Bi-LSTM网络的输入，h_t(t∈[1,n])对应于每一个输入通过Bi-LSTM网络后得到的隐藏层输出，α_t(t∈[1,n])为Attention机制对Bi-LSTM隐藏层输出的注意力。

通过在长短期记忆网络中引入Attention机制来保留Bi-LSTM编码器对输入序列的中间输出结果，并训练一个模型来对这些输入进行选择性的学习，使输出序列与之关联。Attention机制打破了编码器-解码器结构在编解码时依赖固定长度向量的限制。高速公路服务区车流量呈现波动变化规律，但无法忽视其因为意外天气或事故等特殊情况而造成的服务区内车辆数陡增(减)的情况。在不同的空间维度与时间维度下，受限于繁杂的数据，减少不必要的数据对模型训练的影响将有效提高服务区预测结果的准确度。

104，将模型运用至服务区内，并基于评估机制不断优化。

利用损失函数(lossfunction)来评估真实值f(X)与模型的预测值Y的不一致程度，通常用一个非负实值函数L(Y,f(x))表示，损失函数值越小，模型的鲁棒性就越好即真实值与预测值之间的误差越小。本***使用了平方损失函数(最小二乘法)，当样本个数为n个时，损失函数形式如下：

Y-f(X)表示的是残差，整个式子表示的是残差的平方和，而我们的目的就是最小化这个目标函数值，在实际应用中通常会使用均方差(MSE)作为衡量指标公式如下：

其中f(X)为服务区车流量的真实值，Y为服务区车流辆模型的预测值，均方值越小代表预测效果越好。

同时，为保证高速公路服务区车流量预测模型的准确度与可行性，待模型构建好后，需对高速公路服务区车流量***进行优化改进。通过设置合理的服务区车流量预测区间、定时保存实时数据并加入训练、定时开启***减少反馈响应时间等方法来满足适用在服务区内车辆的有效预测***。

如图5所示，由重庆高速石龙-大观门架、大观收费站、大观服务区、大观-南万立交门架、Attention机制结合Bi-LSTM网络预测模型共同构成了高速公路服务区车流量预测***。服务区视频数据库实时收集各门架客流数据及服务区内车位使用情况，提供统一的数据访问服务，满足科研数据分析、计算可视化的需求，同时也作为各类数据服务接口的后端数据储存。

以一小时作为测量时间间隔，模型初始设定为通过前24小时服务区内车辆数、服务区进出口车流量、高速路断面进出口车流量等数据预测后24小时服务区内车辆数。从高速公路云服务端调用历史数据作为模型训练的数据集，并用3层Bi-LSTM输出层为24的Dense层训练模型，待模型构建好后部署至云端，由相关人员访问获取预测值。预测***会以天为单位实时保存数据并加入训练，随着训练周期的增加，模型的预测准确度也会不断提高。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (4)

1.一种高速公路服务区车流量预测方法，其特征在于，所述预测方法包括：

步骤一，将高速公路车流量预测的影响因素作为时序特征提取出来；

步骤二，将步骤一中提取的时序特征作为模型输入，构建基于双向长短期记忆(Bi-LSTM)预测模型；

步骤三，在步骤二中构建的Bi-LSTM预测模型的基础上加入注意力(Attention)机制得到高速公路服务区车流量预测模型；

步骤四，将步骤三中得到的高速公路服务区车流量预测模型运用至服务区内，并基于评估机制不断优化。

所述步骤一中高速公路车流量预测的影响因素为随时间变化的服务区进口车流量、服务区出口车流量、高速路断面进口车流量、高速路断面出口车流量、服务区内车辆数五个纬度，所述时序特征提取的具体方法为：

将五个维度的影响因素用一个集合X表示模型输入门；

X＝[S₁,S₂,S₃,S₄,S₅]

其中，S₁表示单个车道的服务区进口车流量，S₂表示单个车道的服务区出口车流量，S₃表示高速路断面进口车流量，S₄表示高速路断面出口车流量，S₅表示服务区内车辆数；

对模型的输入集合引入时序特征，在t时刻的模型输入为X_t，服务区车流量序列表示为O＝{X_t|t＝1,2,3,...,T}，其中t＝1,2,3,...,T为服务区车流量序列预测时间。

2.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，所述步骤二中构建的基于双向长短期记忆(Bi-LSTM)预测模型的具体方法为：

长短期记忆LSTM预测模型表示为：

i_t＝σ(W_i*[h_t-1,x_t]+b_i)

f_t＝σ(W_f*[h_t-1,x_t]+b_f)

o_t＝σ(W_f*[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，t表示当前时刻，t-1表示上一时刻，C_t-1、h_t-1分别表示上一时刻状态和隐藏层状态的输出，C_t、h_t分别表示当前时刻状态和隐藏层状态的输出，i_t为输入门、f_t为遗忘门、o_t为输出门，

表示状态层，W为权重，b为补偿参数，σ为激活函数sigmoid，其中tanh为激活函数；

Bi-LSTM网络由4组LSTM模块反向链接构成，可以充分提取车流量数据时序特征间正向与反向的关联，使模型的预测结果包含正反双向时间序列上的历史记忆信息。在每组LSTM模块中通过记忆信息的双向传递得到如下所示的正向记忆向量

与反向记忆向量

使用门结构过滤输出隐藏向量

其模型表示如下：

式中

与

分别表示t时刻上第i组LSTM模块的正向与反向记忆向量，X_t表示t时刻下的输入向量X＝[S₁,S₂,S₃,S₄,S₅]，且

为正向转换矩阵，

为逆向转换矩阵，b为补偿参数。

采用(Bi-LSTM)神经网络预测模型分别提取服务区车流量的短期特征和周期特征；短期特征X_t+1＝σ(t+nΔt)：因为X_t作为输入门，X_t+1作为X_t的时序表示，其取值范围为0～1，常使用σ即sigmoid函数，作为激活函数，表征了t时刻的服务区车流与t前n次的服务区车流密切相关；

其中，I₁是用于获取短期特征的服务区车流数据的子集，x(t)为t时刻的服务区车流，m为时序长度，n为服务区入口车道数，每个历史时间点的短期特征输出向量为H＝(h₁,h₂...h_n)，其中h_t为短记忆即LSTM隐藏层状态；

周期性特征X_t+1＝σ(t+ΔT+nΔt)：由于出行者的出行习惯，t时刻的服务区车流可能与前一周期ΔT时刻的服务区车流存在关联；

其中，I₂是用于获取周期特征的服务区车流数据的子集，p(t)为上周期t时刻的服务区车流，m为时序长度，n为服务区入口车道数，每个历史时间点的周期特征输出向量为H′＝(h₁′,h₂′,…,h_n′)，其中h_t′为短记忆即LSTM隐藏层状态。

3.根据权利要求1或2所述的高速公路服务区车流量预测方法，其特征在于，所述步骤三中在Bi-LSTM模型的基础上加入注意力(Attention)机制得到高速公路服务区车流量预测模型的具体方法为：

(1)将隐藏层状态向量权重处理后加入激活函数tanh中，得到：

u_i＝V^Ttanh(W_KH+W_QH′)

其中，i∈1,…,n，H与H′分别为Bi-LSTM层中4组LSTM模块输出的短期隐藏层向量集合与周期隐藏层向量集合，W_k与W_Q为模型隐藏层对应的权重矩阵，V^T为注意力机制下的权重矩阵；

(2)通过softmax函数对输出的注意力向量进行归一化处理，使之权重映射到(0，1)范围内：

α_i＝soft max(u_i)

(3)得到当前隐藏层的注意力权重值之后就可以作为下一次隐藏层的权重输入，进而得到预测值：

其中Y_t为时序特征优化后输出向量的预测值表示，h_t为下一次的隐藏层状态向量特征。

4.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，所述步骤四中评估机制的具体方法为：

利用平方损失函数(最小二乘法)的均方差(MSE)来评估真实值与模型的预测值的不一致程度：

其中，f(X)为服务区车流辆模型的预测值，Y为服务区车流量的真实值，Y-f(X)表示的是残差，有n个样本，均方差数值越小，则模型的鲁棒性就越好，即真实值与预测值之间的误差越小。

Images