[發(fā)明專(zhuān)利]基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模、預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110856839.5
• 申請(qǐng)日: 2021-07-28
• 公開(kāi)（公告）號(hào): CN113674524A
• 公開(kāi)（公告）日: 2021-11-19
• 發(fā)明（設(shè)計(jì)）人: 程鑫;周經(jīng)美;常惠;王宏飛;喬通;張曉靜;宋佳純;趙犇;翟茗禹;連新宇;郭蘭英
• 申請(qǐng)（專(zhuān)利權(quán)）人: 長(zhǎng)安大學(xué)
• 主分類(lèi)號(hào): G08G1/01
• 分類(lèi)號(hào): G08G1/01;G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06N3/12;G06F111/08
• 代理公司: 西安恒泰知識(shí)產(chǎn)權(quán)代理事務(wù)所 61216
• 代理人: 王芳

1.一種基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模方法，其特征在于，包括如下步驟：

步驟1：采集交通流數(shù)據(jù)，對(duì)交通流數(shù)據(jù)進(jìn)行預(yù)處理、選取采樣間隔、選取時(shí)間步并增加工作日標(biāo)志位，獲得多個(gè)時(shí)刻的短時(shí)交通流數(shù)據(jù)，所述的每個(gè)時(shí)刻的短時(shí)交通流數(shù)據(jù)為選定采樣間隔下的交通流數(shù)據(jù)；

步驟2：建立LSTM模型，所述的LSTM模型包括輸入層、兩個(gè)LSTM層、Dropout層和全連接層，將步驟1獲得的所有時(shí)刻的短時(shí)交通流數(shù)據(jù)輸入LSTM模型中進(jìn)行訓(xùn)練，每次訓(xùn)練時(shí)將前一時(shí)刻的短時(shí)交通流數(shù)據(jù)作為輸入，當(dāng)前時(shí)刻的短時(shí)交通流數(shù)據(jù)作為標(biāo)簽，當(dāng)前時(shí)刻的預(yù)測(cè)交通流數(shù)據(jù)作為輸出，將訓(xùn)練完成的LSTM模型作為L(zhǎng)STM交通流預(yù)測(cè)模型；

步驟3：建立SVR模型，將步驟1獲得的所有時(shí)刻的短時(shí)交通流數(shù)據(jù)輸入SVR模型中進(jìn)行訓(xùn)練，并采用遺傳算法優(yōu)化SVR模型的訓(xùn)練參數(shù)組合(C,ε,r)，其中，C、ε、r均為SVR模型的訓(xùn)練參數(shù)，將訓(xùn)練完成的SVR模型作為SVR短時(shí)交通流預(yù)測(cè)模型；

步驟4：將多個(gè)時(shí)刻的短時(shí)交通流數(shù)據(jù)輸入步驟2得到的LSTM交通流預(yù)測(cè)模型中，得到多個(gè)時(shí)刻的預(yù)測(cè)交通流數(shù)據(jù)，將每個(gè)時(shí)刻的預(yù)測(cè)交通流數(shù)據(jù)和該時(shí)刻的前一時(shí)刻的短時(shí)交通流數(shù)據(jù)進(jìn)行平均后輸入步驟3得到的SVR短時(shí)交通流預(yù)測(cè)模型進(jìn)行訓(xùn)練，訓(xùn)練完成后，獲得LSTM-GASVR交通流預(yù)測(cè)模型。

2.如權(quán)利要求1所述的基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模方法，其特征在于，步驟1中，選取采樣間隔、選取時(shí)間步包括如下子步驟：

步驟a1：對(duì)采集到的同一段交通流數(shù)據(jù)采用不同的采樣間隔和時(shí)間步進(jìn)行分割，獲得多組短時(shí)交通流數(shù)據(jù)，每組短時(shí)交通流數(shù)據(jù)包括多個(gè)時(shí)刻，每個(gè)時(shí)刻對(duì)應(yīng)一個(gè)時(shí)間步；

步驟a2：建立LSTM模型分別利用多組短時(shí)交通流數(shù)據(jù)對(duì)LSTM模型進(jìn)行訓(xùn)練，獲得多個(gè)訓(xùn)練好的LSTM模型；

步驟a3：對(duì)不同時(shí)間間隔降采樣的短時(shí)交通流數(shù)據(jù)通過(guò)LSTM模型進(jìn)行預(yù)測(cè)，將MAPE、解釋方差得分、擬合優(yōu)度、網(wǎng)絡(luò)的訓(xùn)練速度、損失函數(shù)值及預(yù)測(cè)結(jié)果作為衡量指數(shù)，獲取衡量指數(shù)最高的采樣間隔作為最佳采樣間隔；

步驟a4：對(duì)最佳采樣間隔下不同時(shí)間步的短時(shí)交通流數(shù)據(jù)通過(guò)LSTM模型進(jìn)行預(yù)測(cè)，將MAPE、解釋方差得分、擬合優(yōu)度、訓(xùn)練穩(wěn)定性、損失函數(shù)值及預(yù)測(cè)結(jié)果與真實(shí)值的擬合程度曲線(xiàn)作為衡量指數(shù)，獲取衡量指數(shù)最高的時(shí)間步作為最佳時(shí)間步；

步驟a5：選取最佳采樣間隔和最佳時(shí)間步作為采樣間隔和時(shí)間步。

3.如權(quán)利要求2所述的基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模方法，其特征在于，所述的最佳采樣間隔為15min，最佳時(shí)間步為12。

4.如權(quán)利要求1所述的基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模方法，其特征在于，所述的預(yù)處理包括數(shù)據(jù)擴(kuò)充、數(shù)據(jù)重采樣、數(shù)據(jù)歸一化、數(shù)據(jù)重構(gòu)和工作日因素升維。

5.如權(quán)利要求1所述的基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模方法，其特征在于，步驟2中，采用遺傳算法優(yōu)化SVR模型的訓(xùn)練參數(shù)組合(C,ε,r)時(shí)，(C,ε,r)的取值范圍為：C∈[275,285]，ε∈[0.4,0.6]，σ∈[0.001,0.003]，遺傳算法適應(yīng)度計(jì)算函數(shù)為MAPE，迭代次數(shù)為200次。

6.一種基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)方法，其特征在于，包括如下步驟：

步驟一：獲取當(dāng)前時(shí)刻的短時(shí)交通流數(shù)據(jù)；

步驟二：將當(dāng)前時(shí)刻的輸入如權(quán)利要求1至5中任一種基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模方法得到的LSTM-GASVR交通流預(yù)測(cè)模型，獲得下一時(shí)刻的預(yù)測(cè)交通流數(shù)據(jù)。

7.一種基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)系統(tǒng)，該系統(tǒng)包括處理器和用于存儲(chǔ)能夠在處理器上運(yùn)行的多個(gè)功能模塊的存儲(chǔ)器，其特征在于，所述功能模塊包括LSTM-GASVR交通流預(yù)測(cè)模型、輸入模塊和輸出模塊；

所述的輸入模塊用于獲取當(dāng)前時(shí)刻的短時(shí)交通流數(shù)據(jù)；

所述的輸出模塊用于輸入當(dāng)前時(shí)刻的短時(shí)交通流數(shù)據(jù)，根據(jù)如權(quán)利要求1至5中任一種基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模方法得到的LSTM-GASVR交通流預(yù)測(cè)模型獲得下一時(shí)刻的預(yù)測(cè)交通流數(shù)據(jù)。