用于旅行时间预测的深度学习网络模型及其建立方法

摘要

本发明提供了一种基于网络融合考虑交通状态时空关系的旅行时间预测方法。本发明通过对浮动车数据精细化处理，进而得到高精度数据。具体的，本发明对浮动车数据精细化处理过程，巧妙的利用了目前主要应用于人工智能领域的卷积神经网络和循环神经网络，并将所述网络进行融合，充分考虑了交通状态的时空关系，深度挖掘交通状态演变规律，最终实现了精确预测旅行时间。与以往各类旅行时间预测模型相比，本发明提供的方法将交通状态的时空关系融合起来，充分挖掘历史数据特征，克服了其他方法无法应对交通流高度时变特性和非线性变化特征的难题，不需要先验知识和参数识别，具有较强的容错性和鲁棒性，精度高，稳定性好。