[發明專利]基于ARIMA和LSTM混合神經網絡的短交通流預測方法

有效

• 申請號: 202011460307.1
• 申請日: 2020-12-11
• 公開（公告）號: CN112529299B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 王煒;周偉;華雪東;秦韶陽
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06Q10/06;G08G1/01;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 湯金燕

本發明公開了一種基于ARIMA和LSTM混合神經網絡的短交通流預測方法，分別采集初始時段至t時段的原始交通流數據，確定ARIMA模型中差分階數d，自回歸階數p和移動回歸階數q，得到標定參數的ARIMA(p,d,q)模型，使用初始時段至t時段的原始交通流序列訓練ARIMA(p,d,q)模型，得到t時段的初步預測流數據從訓練后的ARIMA(p,d,q)模型中提取AR(p)部分數據和MA(q)部分數據，以t時段的初步預測流數據AR(p)部分數據和MA(q)部分數據作為輸入，以t時段的交通流數據真實值作為輸出訓練ARIMA?LSTM混合神經網絡模型，得到預測模型，獲取預測時段的預測輸入數據，將預測輸入數據輸入所述預測模型，得到預測時段的預測交通流數據，所得到的預測交通流數據準確性高。

技術領域

本發明涉及智能交通技術領域，尤其涉及一種基于ARIMA和LSTM混合神經網絡 的短交通流預測方法。

背景技術

在當今信息交通系統中，智能交通系統(ITS)和先進的交通管理信息(ATMS)對 個人旅行者和政府機構起著至關重要的作用。它為道路交通管理和道路誘導提供及時有 效的道路信息，可以顯著改善交通擁堵狀況。交通流是ITS和ATMS最直接和最基本的 信息，精確的交通流量預測結果可以作為交通管理措施制定的重要依據。許多學者都認 為交通流量是一種時間序列模型：t時刻的交通流量由t時刻之前若干個數據決定。除了 早期提出的ARIMA模型外，近年來，機器學習和深度學習模型也被廣泛的應用于短時 交通流量預測，包括KNN模型、SVR模型、ANN模型、LSTM模型等，預測模型越來 越復雜，非線性學習能力也隨之增強，預測精確度也有了顯著的提升。然而，當單一模 型的學習能力逐漸接近極限，預測精確度已無法明顯提高時，組合預測方法受到了廣泛 的關注，被認為是目前提高預測結果的有效途徑。

發明內容

針對以上問題，本發明提出一種基于ARIMA和LSTM混合神經網絡的短交通流預 測方法，能夠集成線性模型ARIMA和非線性模型LSTM的優點，捕捉交通流數據的線 性與非線性特征，從而提高短時交通流預測的精確度。

為實現本發明的目的，提供一種基于ARIMA和LSTM混合神經網絡的短交通流預 測方法，包括如下步驟：

S10，分別采集初始時段至t時段的原始交通流數據；所述原始交通流數據包括道路 交通流量x_t、車道占有率、路段平均車速、路段平均行程時間或道路擁堵指數；

S20，使用單位根檢驗法，對交通流序列進行平穩性檢測，確定ARIMA模型中差 分階數d；

S30，根據最小化貝葉斯信息準則(BIC)確定ARIMA模型的自回歸階數p和移動 回歸階數q，得到標定參數的ARIMA(p,d,q)模型；使用初始時段至t時段的原始交通 流序列訓練ARIMA(p,d,q)模型，并將t-1時段的原始交通流數據x_t-1輸入訓練后的 ARIAM(p,d,q)模型實現交通流初步預測，得到t時段的初步預測流數據

S40，從訓練后的ARIMA(p,d,q)模型中提取AR(p)部分數據和MA(q)部分數據； 所述AR(p)部分數據表示ARIMA(p,d,q)模型中t-p至t-1時刻的歷史實際數據，所 述MA(q)部分數據表示ARIMA(p,d,q)模型中t-q至t-1時刻的歷史非線性成分；

S60，以t時段的初步預測流數據AR(p)部分數據和MA(q)部分數據作為輸入；以t時段的交通流數據真實值作為輸出，訓練ARIMA-LSTM混合神經網絡模型，得到 預測模型；

S70，獲取預測時段的預測輸入數據，將預測輸入數據輸入所述預測模型，得到預測時段的預測交通流數據。

在一個實施例中，步驟S60之前包括：

S50，根據ARIMA(p,d,q)模型和LSTM神經網絡模塊構建ARIMA-LSTM混合神 經網絡模型。