[發明專利]一種車速時間序列分頻預測方法

有效

• 申請號: 202010024509.5
• 申請日: 2020-01-10
• 公開（公告）號: CN111275244B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 周健豪;鄭康誠;顧誠;宋廷倫;廖宇輝;劉軍;孫靜
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/0442;G06N3/045;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

1.一種車速時間序列分頻預測方法，其特征在于，包括以下步驟：

步驟一、采集車輛歷史實測車速數據，建立原始車速時間序列；

步驟二、將原始車速時間序列按頻率高低分解為若干個子層；

步驟三、建立EWT-LSTM-IEWT預測模型，以步驟二得到的頻率最高的子層中的數據構建樣本集進行訓練，對頻率最高的子層分解、預測和重構；

步驟四、構建一個LSTM網絡，以步驟二得到的頻率僅次于最高頻的子層中的數據構建樣本集進行訓練，對頻率僅次于最高頻的子層進行車速預測；

步驟五、以步驟二得到的其余低頻子層中的數據構建樣本集訓練出核函數極限學習機，對其余的低頻子層進行車速預測；

步驟六、再次建立一個LSTM網絡，用步驟三的最高頻子層訓練集得到的EWT-LSTM-IEWT模型預測誤差構建一個誤差訓練集進行訓練，對最高頻子層的預測誤差進行預測，再將誤差的預測值和最高頻子層的預測值疊加，得到最終的最高頻分量預測值；

步驟七、對步驟四、五和六得到的所有子層的預測車速進行逆經驗小波變換，進而得到最終的車速預測結果；

在步驟三中構建EWT-LSTM-IEWT預測模型對頻率最高的子層進行多次分解，并設置分解層數i，i≥1，包括以下步驟：

步驟301：將最高頻子層進行經驗小波變換，得到t個分量；

步驟302：利用步驟301得到的各分量構建t個樣本訓練集訓練t個長短期記憶神經網絡，對步驟301分解得到的t個分量進行預測；

步驟303：根據步驟302得到的最高頻分量預測結果計算出的平均絕對百分比誤差判斷是否需要繼續分解，如平均絕對百分比誤差大于閾值就需要繼續分解執行步驟304，否則達到最大分解次數或者平均絕對百分比誤差小于閾值就執行步驟305；

步驟304：將步驟301得到t個分量中的最高頻分量進行經驗小波變換，也就是重復步驟301-303，最多可重復i次；

步驟305：當不需要再次分解或者達到最大分解次數，將結束分解時的第m次分解的預測結果進行逆經驗小波變換，1≤m≤i，得到第m次分解前的分量的預測值，再將此預測值返回給第m-1次分解時的預測模型進行逆經驗小波變換，得到第m-1次分解前的分量的預測值，以此類推，最終得到第1次分解時的分量的預測值，也就是步驟二得到的最高頻子層的預測值；

步驟六中建立的LSTM網絡可根據步驟三的最高頻子層訓練集得到EWT-LSTM-IEWT模型預測誤差構建的誤差訓練集進行訓練，然后對最高頻子層的預測誤差進行預測，再將誤差的預測值和最高頻子層的預測值疊加，得到最終的最高頻分量預測值。

2.如權利要求1所述的一種車速時間序列分頻預測方法，其特征在于，步驟二和三中，采用經驗小波將原始車速時間序列分解為若干個子層，包括如下步驟：

設置分解層數N，其計算定義如下：

計算原始車速時間序列f(t)的傅里葉頻譜f(ω)，并假定傅里葉支撐區間[0，π]被分割為N個連續區段，即每個區段為[ω_n-1,ω_n](n＝1,…,N)；檢測車速時間序列的傅里葉譜的局部極大值，并將兩個相鄰局部極大值的中心位置定義為連續部分的邊界ω_n；尺度函數的傅里葉頻譜和經驗小波的傅里葉頻譜分別定義如下：

式中β(x)為在[0,1]區間滿足K階導任意函數，γ為參數，兩者可表示為

原始車速時間序列f(t)的經驗小波變換的細節系數為：

逼近系數為：

式中f(t)表示原始車速時間序列，和φ_n(t)表示f(t)的小波函數和尺度函數，F^-1[·]表示Fourier逆變換，分別表示的共軛；

小波分解得到的低頻分量f₀(t)和高頻分量f_n(t)分別為：

其中，*表示函數的卷積運算。

3.如權利要求1所述的一種車速時間序列分頻預測方法，其特征在于，步驟四中，長短期記憶神經網絡的計算定義如下：

i_t＝σ(W_ixx_t+W_imm_t-1+W_icc_t-1+b_i)

f_t＝σ(W_ixx_t+W_fmm_t-1+W_fcc_t-1+b_f)

o_t＝σ(W_oxx_t+W_omm_t-1+W_occ_t+b_o)

y_t＝W_ymm_t+b_y

式中，x_t表示平坦化層數；i_t、f_t、c_t、o_t分別表示輸入門、忘記門、存儲單元向量和輸出門；W_ix、W_im、W_ic、W_fx、W_fm、W_fc、W_cx、W_cm、W_ox、W_om、W_oc、W_ym表示權重；m_t表示存儲塊；表示標量積；b_i、b_f、b_c、b_o、b_y表示偏置；y_t表示最終輸出；σ(·)和tanh(·)是兩個激活函數。