[發明專利]基于深度集合經驗模態分解的高速公路OD預測方法

有效

• 申請號: 202110200383.7
• 申請日: 2021-02-23
• 公開（公告）號: CN113096378B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 于海洋;劉帥;任毅龍;于海生
• 申請（專利權）人: 北京航空航天大學;吉林省高速公路管理局
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/04;G06N3/08
• 代理公司: 北京佳信天和知識產權代理事務所(普通合伙) 11939
• 代理人: 張宏偉

1.一種基于深度集合經驗模態分解的高速公路OD預測方法，其特征在于，所述方法包括：

步驟一、提取高速公路OD序列；從數據庫中選取高速公路路網中所有的收費數據，剔除重復數據和異常數據；并將數據按照進出口位置以及過車時間進行排序，進而提取高速公路所有OD對的時間序列數據N_j，表示第j個OD對的時間序列；包括：

S101依據高速公路最短站點之間的距離和最大限速值，定義最小時間閾值集合T＝(t₁，t₂，t₃，…，t_N)，其中第i個元素t_i計算公式如下：其中t_i表示高速公路路網中第i個進口站的時間閾值；l_i表示第i個進口站距最近出站口之間的距離；v_i表示第i個進口站距最近出站口之間的路段最高限速；然后遍歷每一條收費數據，剔除出口時間與進口時間差值小于對應閾值t_n的數據；

S102將數據按照OD點進行分組，每一組數據進出口站位置都相同；設置時間周期c，分別計算每一個OD對在每一個時間周期內的過車數量之和，即可得到對應的時間序列N_j，N_j用于表示第j個OD對的時間序列；

步驟二、基于集合經驗模態分解的時間特征提?。会槍r間序列N_j，對其進行集合經驗模態分解，得到K個本征模態分量作為N_j的時間特征；S201將均勻分布的等幅高斯白噪聲信號w(t)加入到原始的時間序列N_j中，得到時間序列N′_j＝N_j+w(t)；S202對N′_j進行經驗模態分解，得到K個階段的本征模態分量如公式所示；其中，c_k(t)表示第k階本征模態分量，通過對時間序列N′_j的篩分過程迭代計算得到；重復步驟S201和S202，當第K次分解得到的剩余分量可以看作是一個具有單調變化的趨勢時，這時表明原始信號已經不能再分解成為更低頻率的分量，則集合經驗模態分解過程結束，得到原始時間序列分解的K個本征模態分量c_k(t)，c_k(t)即為所計算的時間特征；r_k(t)為分解后的k階剩余分量，通過前一個階段的剩余分量與本階段的本征模態分量做差得到，即r_k(t)＝r_k-1(t)-c_k(t)，且當k＝1時，r_k-1(t)＝N′_j；

步驟三、基于GRU網絡的OD序列預測；高速公路路網中所有的J個OD對的時間序列數據進行集合經驗模態分解后得到各自的K個本征模態分量和剩余分量，在每一個時間周期c內，將所有OD對中同一階段的本征模態分量進行組合，作為一個時間步長內的GRU網絡的輸入特征向量；經過C個時間步長的計算，預測出第C+1個時間周期內的OD量；其包括：首先計算GRU網絡模型的輸入特征向量，將周期c內的各OD對的本征模態分量進行組合，得到輸入向量，其中表示所有OD對在周期c內的第K個本征模態分量組合成的特征向量；按照時間順序將每個時間周期c內的輸入向量X_c輸入到GRU網絡模型中，并通過設置網絡層數，隱藏層節點數參數，對網絡模型中的參數進行訓練；最終得到第C+1個時間周期內的所有OD對的K個本征模態分量，分別將各OD對的本征模態分量與剩余分量疊加重構，得到其中表示C+1個時間周期內第j個OD對的流量預測結果，為GRU網絡模型得到的第k階預測本征模態分量，r_k為k階的剩余分量。