[發(fā)明專利]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（公告）號(hào): CN113674524A
• 公開（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)（專利權(quán)）人: 長安大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(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

本發(fā)明屬于交通技術(shù)領(lǐng)域，公開了一種基于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)。建模方法包括：對(duì)采樣的交通流數(shù)據(jù)進(jìn)行重構(gòu)、歸一化及工作日因素升維等步驟預(yù)處理數(shù)據(jù)；建立LSTM模型提取數(shù)據(jù)特征，訓(xùn)練LSTM短時(shí)交通流預(yù)測(cè)模型；使用遺傳算法GA優(yōu)化SVR模型中的參數(shù)，選擇最優(yōu)的模型參數(shù)組合，訓(xùn)練SVR短時(shí)交通流預(yù)測(cè)模型；利用SVR算法優(yōu)化LSTM模型的預(yù)測(cè)結(jié)果，輸出結(jié)果即為未來15min的交通流預(yù)測(cè)值，實(shí)現(xiàn)了交通流的實(shí)時(shí)高精度預(yù)測(cè)。多種預(yù)測(cè)方法比較分析表明，本發(fā)明較LSTM、GRU、CNN、SAE、ARIMA、SVR，預(yù)測(cè)精度提高了20％，R²達(dá)到了0.982，解釋方差為0.982，mape為0.118。本發(fā)明的交通流預(yù)測(cè)方法為交通管理人員判斷路網(wǎng)狀態(tài)，進(jìn)行交通控制及車流引導(dǎo)提供了有力支撐。

技術(shù)領(lǐng)域

本發(fā)明屬于交通技術(shù)領(lǐng)域，具體涉及一種基于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)。

背景技術(shù)

高精度的短時(shí)交通流預(yù)測(cè)展現(xiàn)了未來交通的發(fā)展趨勢(shì)，為智能交通管理，路網(wǎng)規(guī)劃提供了未來交通流數(shù)據(jù)，不僅有利于緩解交通擁堵，對(duì)自動(dòng)駕駛車輛也十分重要。短時(shí)交通流預(yù)測(cè)是指由之前某幾段時(shí)間間隔內(nèi)交通流預(yù)測(cè)下一段時(shí)間的交通流，短時(shí)交通流預(yù)測(cè)作為智能交通的研究熱點(diǎn)，國內(nèi)外研究成果豐富。目前國內(nèi)外的短時(shí)交通流預(yù)測(cè)技術(shù)主要有以下5種方式且每種方式均存在一些問題：

季節(jié)性ARIMA(SARIMA)短期交通流預(yù)測(cè)模型，在數(shù)據(jù)有限性的約束下實(shí)現(xiàn)了交通流預(yù)測(cè)，然而該模型對(duì)數(shù)據(jù)的平穩(wěn)性要求較高，適用性較低；基于深度循環(huán)網(wǎng)絡(luò)(RNN)的預(yù)測(cè)模型，該預(yù)測(cè)效果較好，但對(duì)非周期性數(shù)據(jù)的預(yù)測(cè)效果存在較大差異；基于CNN-SVR短時(shí)交通流預(yù)測(cè)模型，采用adam優(yōu)化算法確保時(shí)空流特征的完全性，降低了外界因素的干擾，可有效預(yù)測(cè)交通流，但由于數(shù)據(jù)較為單一，模型的泛化能力不強(qiáng)；基于思維進(jìn)化算法提出一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型，利用混沌理論方法對(duì)交通流量時(shí)間序列進(jìn)行相空間重構(gòu)，有效提高了預(yù)測(cè)模型的準(zhǔn)確性，但由于模型使用數(shù)據(jù)較少，缺乏可信度，且未考慮假期等特殊時(shí)間段的預(yù)測(cè)效果，通用性不強(qiáng)；基于LSTM的預(yù)測(cè)模型等。

目前，多數(shù)短時(shí)交通流預(yù)測(cè)方法采用規(guī)律平穩(wěn)的數(shù)據(jù)，采用較單一的模型對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)，泛化能力低且不能兼顧實(shí)時(shí)性與高精度的要求。研究表明，組合模型在預(yù)測(cè)短期交通流時(shí)比單一模型更加準(zhǔn)確和適用，然而現(xiàn)有交通流預(yù)測(cè)模型普遍存在實(shí)時(shí)性差、可行性低、局限性強(qiáng)、準(zhǔn)確率有待進(jìn)一步提高等問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于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)，用以解決現(xiàn)有技術(shù)中的等問題。

為了實(shí)現(xiàn)上述任務(wù)，本發(fā)明采用以下技術(shù)方案：

一種基于LSTM-GASVR的多尺度短時(shí)交通流預(yù)測(cè)建模方法，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LSTM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；