[發(fā)明專利]一種融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法

在審

• 申請?zhí)枺?/td>: 202110175673.0
• 申請日: 2021-02-09
• 公開（公告）號: CN112801400A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設計）人: 孫棣華;趙敏;王皓田
• 申請（專利權）人: 重慶大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 北京匯澤知識產權代理有限公司 11228
• 代理人: 武君

1.一種融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，包括：

獲取目標車型在目標收費站的收費數據；

基于所述收費數據得到目標車型的多種時間窗口的車流量時間序列；

將所述目標車型的多種時間窗口的車流量時間序列輸入到車流量預測模型中，預測得到目標時間窗口下的車流量時間序列；

其中，所述車流量預測模型為BP神經網模型，所述BP神經網絡模型通過以多個LSTM神經網絡模型的輸出作為輸入，目標車型在某一時間窗口下的車流量時間序列作為輸出訓練得到；

多個所述LSTM神經網絡模型是基于目標車型在不同時間窗口下的車流量時間序列訓練得到，不同LSTM神經網絡模型對應不同尺度時間窗口下的車流量時間序列。

2.根據權利要求1所述的融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，所述多種時間窗口至少包括：60min時間窗口、30min時間窗口、15min時間窗口。

3.根據權利要求1所述的融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，所述目標車型在某一時間窗口下的車流量時間序列為目標車型在30min時間窗口下的車流量時間序列。

4.根據權利要求2所述的融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，所述多個LSTM神經網絡模型包括通過60min時間窗口、30min時間窗口、15min時間窗口下的車流序列訓練得到的LSTM神經網絡模型。

5.根據權利要求4所述的融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，在訓練所述LSTM神經網絡模型過程中，通過隨機搜索算法得到LSTM神經網絡模型的最優(yōu)超參數，通過所述最優(yōu)超參數訓練LSTM神經網絡模型。

6.根據權利要求1所述的融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，所述目標時間窗口下的車流量時間序列為30min時間窗口下的車流量時間序列。

7.根據權利要求1所述的融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，在訓練所述LSTM神經網絡模型的過程中，對所述不同尺度時間窗口下的車流量時間序列進行歸一化，其中，通過下式進行歸一化操作：

其中，為歸一化后的車流量時間序列，Q為原始的車流量時間序列，Q_min為對應車流量時間序列中的最小值，Q_max為對應車流量時間序列中的最大值。

8.根據權利要求7所述的融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，根據車流量時間序列的自相關系數確定LSTM神經網絡模型的輸入特征，當所述自相關系數大于設定值的最大自相關階數為n時，選取包括當前時段在內的前n個時段的車流量時間序列作為LSTM神經網絡模型的輸入Q_in。

9.根據權利要求8所述的融合多尺度LSTM與BP神經網絡的收費站下道流量短時預測方法，其特征在于，在利用車流量預測模型預測車流量時間序列時，將BP神經網絡的輸出進行反歸一化，預測得到目標時間窗口下的車流量時間序列；其中，反歸一化公式如下：

Q_pre＝Q”*(Q_max-Q_min)+Q_min

其中，Q_pre是預測得到目標時間窗口下的車流量時間序列，Q”是BP神經網絡的輸出，Q_max是目標時間窗口下的車流量時間序列中的最大值，Q_min是目標時間窗口下的車流量時間序列下的最小值。