[發明專利]一種基于算法模型分析的車流量預測方法

有效

• 申請號: 202011304652.6
• 申請日: 2020-11-19
• 公開（公告）號: CN112489422B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 董輝;李娜;吳祥;郭方洪;俞立;張文安
• 申請（專利權）人: 浙江工業大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊天嬌

本發明公開了一種基于算法模型分析的車流量預測方法，不同于現有的單影響因素進行數據分析的方式，本發明將與車流量變化相關的多種影響因素進行主成分分析劃分歸類，能使預測值更具代表性。并且在ARIMA模型對數據序列使用前，將LSTM模型得到的數值通過mse函數得到數據的損失函數進行迭代優化，增加數據黏度，得到最佳的待測時間序列，提高預測數據的準確性，為大數據處理提供了一個新思路。

技術領域

本申請屬于智能公共交通數據處理技術領域，具體涉及一種基于算法模型分析的車流量預測方法。

背景技術

伴隨經濟社會高速發展、城鎮化進程不斷加快，我國機動車量正在逐年遞增。車流量預測對于公共交通出行、調度等工作具有很高的指導意義。但在現有的車流量預測方式中，基本是根據時間點、天氣、節假日等影響因素進行的簡單預測，考慮的影響因素單一，導致最終車流量預測結果不夠準確，使數據的可參考性大大降低。

目前基于時間序列的預測方法所需參數少、預測適用范圍廣，像目前的 ARIMA模型、SARIMA模型和VAR模型在短期預測車流量上已取得一定成就。但是在利用上述各模型進行預測時，往往只著眼于模型本身，對于輸入模型的數據目前還沒有較好的處理方式，這就導致了即使模型在預測上的準確率較高，也會因為獲取的多因素影響的數據的不準確而導致預測結果不準確。

發明內容

本申請的目的在于提供一種基于算法模型分析的車流量預測方法，旨在克服現有技術中對車流量預測準確度不高的問題。

為實現上述目的，本申請所采取的技術方案為：

一種基于算法模型分析的車流量預測方法，用于公共智能交通中的車流分析預警，所述基于算法模型分析的車流量預測方法，包括：

步驟1、獲取歷史車流量數據，基于天氣、周期、季節以及路口環境這四個影響因素對所述歷史車流量數據進行主成分分析歸類，得到包含歸類至四個不同組別的初始待測數據，并計算各組別中的數據量在初始待測數據中的占比；

步驟2、根據分割系數將初始待測數據重新劃分為多個集合，分別對每個集合中的所有歷史車流量數據進行編號，根據編號將每個集合中的所有歷史車流量數據組成一維待測序列，將所有一維待測序列分別輸入至基于mse函數進行迭代優化的LSTM模型中得到對應的多個待測時間序列，所述分割系數根據初始待測數據中各組別的占比計算得到；

步驟3、根據歷史車流量數據的自相關系數和偏自相關系數判斷待測時間序列的平穩性，若待測時間序列為平穩序列，則進行白噪聲過程處理；否則進行一階差分處理后重新判斷是否為平穩序列，若一階差分處理后的待測時間序列為平穩序列，則進行白噪聲過程處理；否則進行二階差分處理后再進行白噪聲過程處理；

步驟4、基于進行白噪聲過程處理后的待測時間序列，利用ARIMA模型進行車流量預測，若ARIMA模型輸出的置信水平小于置信閾值，則丟棄當前 ARIMA模型輸出的預測結果；否則保留ARIMA模型輸出的預測結果；

步驟5、針對進行白噪聲過程處理后的每一待測時間序列執行步驟4，得到多個預測結果，融合多個預測結果得到歷史車流量數據對應路口的車流量預測值。

以下還提供了若干可選方式，但并不作為對上述總體方案的額外限定，僅僅是進一步的增補或優選，在沒有技術或邏輯矛盾的前提下，各可選方式可單獨針對上述總體方案進行組合，還可以是多個可選方式之間進行組合。

作為優選，所述將所有一維待測序列分別輸入至基于mse函數進行迭代優化的LSTM模型中得到對應的多個待測時間序列，包括：

取一個一維待測序列輸入至LSTM模型中；

基于當前的一維待測序列以及LSTM模型輸出的待測時間序列，通過均方誤差mse函數計算損失函數；