[發(fā)明專利]基于ARIMA和LSTM混合神經(jīng)網(wǎng)絡(luò)的短交通流預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011460307.1
• 申請(qǐng)日: 2020-12-11
• 公開（公告）號(hào): CN112529299B
• 公開（公告）日: 2022-11-18
• 發(fā)明（設(shè)計(jì)）人: 王煒;周偉;華雪東;秦韶陽
• 申請(qǐng)（專利權(quán)）人: 東南大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/26;G06Q10/06;G08G1/01;G06N3/04
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 湯金燕

1.一種基于ARIMA和LSTM混合神經(jīng)網(wǎng)絡(luò)的短交通流預(yù)測(cè)方法，其特征在于，包括如下步驟：

S10，分別采集初始時(shí)段至t時(shí)段的原始交通流數(shù)據(jù)；所述原始交通流數(shù)據(jù)包括道路交通流量x_t、車道占有率、路段平均車速、路段平均行程時(shí)間或道路擁堵指數(shù)；

S20，使用單位根檢驗(yàn)法，對(duì)交通流序列進(jìn)行平穩(wěn)性檢測(cè)，確定ARIMA模型中差分階數(shù)d；

S30，根據(jù)最小化貝葉斯信息準(zhǔn)則確定ARIMA模型的自回歸階數(shù)p和移動(dòng)回歸階數(shù)q，得到標(biāo)定參數(shù)的ARIMA(p,d,q)模型；使用初始時(shí)段至t時(shí)段的原始交通流序列訓(xùn)練ARIMA(p,d,q)模型，并將t-1時(shí)段的原始交通流數(shù)據(jù)x_t-1輸入訓(xùn)練后的ARIAM(p,d,q)模型實(shí)現(xiàn)交通流初步預(yù)測(cè)，得到t時(shí)段的初步預(yù)測(cè)流數(shù)據(jù)

S40，從訓(xùn)練后的ARIMA(p,d,q)模型中提取AR(p)部分?jǐn)?shù)據(jù)和MA(q)部分?jǐn)?shù)據(jù)；所述AR(p)部分?jǐn)?shù)據(jù)表示ARIMA(p,d,q)模型中t-p至t-1時(shí)刻的歷史實(shí)際數(shù)據(jù)，所述MA(q)部分?jǐn)?shù)據(jù)表示ARIMA(p,d,q)模型中t-q至t-1時(shí)刻的歷史非線性成分；

S60，以t時(shí)段的初步預(yù)測(cè)流數(shù)據(jù)AR(p)部分?jǐn)?shù)據(jù)和MA(q)部分?jǐn)?shù)據(jù)作為輸入；以t時(shí)段的交通流數(shù)據(jù)真實(shí)值作為輸出，訓(xùn)練ARIMA-LSTM混合神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測(cè)模型；

S70，獲取預(yù)測(cè)時(shí)段的預(yù)測(cè)輸入數(shù)據(jù)，將預(yù)測(cè)輸入數(shù)據(jù)輸入所述預(yù)測(cè)模型，得到預(yù)測(cè)時(shí)段的預(yù)測(cè)交通流數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的基于ARIMA和LSTM混合神經(jīng)網(wǎng)絡(luò)的短交通流預(yù)測(cè)方法，其特征在于，步驟S60之前包括：

S50，根據(jù)ARIMA(p,d,q)模型和LSTM神經(jīng)網(wǎng)絡(luò)模塊構(gòu)建ARIMA-LSTM混合神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的基于ARIMA和LSTM混合神經(jīng)網(wǎng)絡(luò)的短交通流預(yù)測(cè)方法，其特征在于，所述ARIMA-LSTM混合神經(jīng)網(wǎng)絡(luò)模型包括輸入層、輸出層、LSTM層、全連接層、批歸一化層、合并層和多輸出層。

4.根據(jù)權(quán)利要求1所述的基于ARIMA和LSTM混合神經(jīng)網(wǎng)絡(luò)的短交通流預(yù)測(cè)方法，其特征在于，還包括：

S80，計(jì)算預(yù)測(cè)模型的第一評(píng)價(jià)參數(shù)和第二評(píng)價(jià)參數(shù)，根據(jù)第一評(píng)價(jià)參數(shù)和第二評(píng)價(jià)參數(shù)對(duì)預(yù)測(cè)模型進(jìn)行評(píng)價(jià)。

5.根據(jù)權(quán)利要求4所述的基于ARIMA和LSTM混合神經(jīng)網(wǎng)絡(luò)的短交通流預(yù)測(cè)方法，其特征在于，第一評(píng)價(jià)參數(shù)的計(jì)算公式包括：

第二評(píng)價(jià)參數(shù)的計(jì)算公式包括：

其中，y_i表示i時(shí)段的交通流數(shù)據(jù)真實(shí)值，表示i時(shí)段的預(yù)測(cè)交通流數(shù)據(jù)，n表示樣本總數(shù)，MAE表示第一評(píng)價(jià)參數(shù)，MAPE表示第二評(píng)價(jià)參數(shù)。

6.根據(jù)權(quán)利要求1所述的基于ARIMA和LSTM混合神經(jīng)網(wǎng)絡(luò)的短交通流預(yù)測(cè)方法，其特征在于，獲取預(yù)測(cè)時(shí)段的預(yù)測(cè)輸入數(shù)據(jù)包括：

將m時(shí)段的原始交通流數(shù)據(jù)輸入訓(xùn)練后的ARIMA(p,d,q)模型，得到m時(shí)段的初步預(yù)測(cè)流數(shù)據(jù)，從ARIMA(p,d,q)模型中讀取m時(shí)段分別對(duì)應(yīng)的的AR(p)部分?jǐn)?shù)據(jù)和MA(q)部分?jǐn)?shù)據(jù)，根據(jù)m時(shí)段的初步預(yù)測(cè)流數(shù)據(jù)、m時(shí)段分別對(duì)應(yīng)的的AR(p)部分?jǐn)?shù)據(jù)和MA(q)部分?jǐn)?shù)據(jù)確定預(yù)測(cè)輸入數(shù)據(jù)；其中，m時(shí)段為預(yù)測(cè)時(shí)段。

7.根據(jù)權(quán)利要求6所述的基于ARIMA和LSTM混合神經(jīng)網(wǎng)絡(luò)的短交通流預(yù)測(cè)方法，其特征在于，所述ARIMA(p,d,q)模型包括：

其中，表示t時(shí)段的初步預(yù)測(cè)流數(shù)據(jù)，表示后移算子，x_t-1表示t-1時(shí)段的原始交通流數(shù)據(jù)，x_t-p表示t-p時(shí)段的原始交通流數(shù)據(jù)，ε_t-1表示t-1時(shí)段的預(yù)測(cè)誤差，ε_t-q表示t-p時(shí)段的預(yù)測(cè)誤差，θ₀,θ₁,...,θ_q均表示回歸系數(shù)，由模型訓(xùn)練時(shí)優(yōu)化確定。