【技术实现步骤摘要】
一种基于改进PSO算法的LSTM短时交通流预测方法
[0001]本专利技术涉及新一代信息技术,尤其涉及一种基于改进PSO算法的LSTM短时交通流预测方法。
技术介绍
[0002]随着新一代信息技术的发展,打造智慧城市成为很多国家和城市未来的发展方向。交通作为城市发展的大动脉,成为智慧城市的重要组成部分,因此智慧城市的建设主要看智能交通的发展。5G技术的部署为智能交通提供了优质的网络环境,对于智能交通的发展起着关键的作用。
[0003]智能交通的核心是对交通大数据的数据处理、数据挖掘、信息传递、展示等技术的整合,而交通数据是智能交通发展的基础。交通流数据是智能交通大数据中的一种,通过对交通流数据的准确预测,可以为实时交通信号控制、交通路径诱导系统、事故检测等提供更准确的交通信息,并为交通规划及决策管理部门制定决策提供依据。
[0004]短时交通流具有较大的非线性和不确定性,目前短时交通流预测方法主要有:基于传统统计理论的方法,包括自回归模型、指数平滑法、移动平均模型、自回归差分移动平均法、时间序列模型等,方法简单、容易理解,但是鉴于交通量数据非线性、不确定性的特征,此类方法预测精度误差相对较大;以神经网络、非线性理论、模糊理论等方法为主的预测方法,这些方法对短时预测有更好的效果。在众多的短时预测方法中,神经网络模型以其灵活性、多变性,获得了广泛应用。随着人工智能的发展,交通流大数据时代也随之到来,由神经网络模型衍生出的深度学习,在大数据分析中发挥着重要的作用。深度学习中的LSTM(长短期记忆网络)可以同 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于改进PSO算法的LSTM短时交通流预测方法,其特征在于,包括以下步骤:(1)种群初始化:采用基本的微粒群算法进行交通速度短时预测,首先需要随机初始化一群满足约束条件的微粒,初始化微粒公式如下:其中rand()~U(0,1),其中W包括W
f
、W
i
、W
c
、W
o
、W',b包括b
f
、b
i
、b
c
、b
o
、b',利用公式随机初始化微粒的位置与速度;(2)参数设定:为了防止粒子远离搜索空间,将粒子的每一维飞行速度均钳位在[
‑
v
max
,v
max
]之间,v
max
=kW
max
,k=0.5,学习因子c1、c2均取值为2,rand()~U(0,1);惯性权重ω采用改进的分段公式进行计算,其中q=0.1;其中,ω表示惯性权重,M表示算法的最大迭代次数,iter表示迭代次数,q表示递增惯性权重和递减惯性权重切换点;(3)根据LSTM建立输入输出关系式:确定遗忘门:确定输入门:确定待保留信息向量:z
t
=tanh(W
c
*[h
t
‑1,x
t
]+b
c
);更新细胞状态:确定输出门:获得隐藏层输出值:h
t
=z
t
·
tanh(c
t
);预测输出值:y
t
=σ(W'
·
h
t
+b');其中,W
f
、b
f
技术研发人员:景国胜,周志华,张薇,顾宇忻,黄启乐,欧阳剑,刘佳辉,林晓生,沈文韬,郑贵兵,雷玲玲,谷裔凡,何琪海,
申请(专利权)人:广州市交通规划研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。