一种基于LSTM模型的机场交通拥堵预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于LSTM模型的机场交通拥堵预测方法及装置，该方法包括：实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；将所述交通状况信息、航班起降信息和航空气象信息，输入LSTM模型；获取所述LSTM模型的输出结果，所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。该方法基于空间和时间效应的考虑，且增加航空气象信息，将区域内交通视作一个时空相关的系统，基于LSTM模型得到预测结果，可进一步提升机场周边预设范围内道路拥堵指数预测的准确度。

【技术实现步骤摘要】
一种基于LSTM模型的机场交通拥堵预测方法及装置
本专利技术涉及计算机科学和智能交通
，特别涉及一种基于LSTM模型的机场交通拥堵预测方法及装置。
技术介绍
伴随我国城市化进程的快速推进，城市拥堵已经成为困扰城市发展的重要因素之一，如何提高城市交通运行效率、缓解拥堵压力已经成为城市实现可持续健康发展必须解决的问题。面对挑战，各大城市和导航公司相继发布“交通拥堵延时指数”，来作为交通管理和引导的重要手段。如，北京市交通委员会发布的“交通指数”和“交通运行分析报告”，高德地图发布的“中国主要城市拥堵排名”等。利用这些指数信息可以有效提高城市交通管理水平，但交通指数仅能反映当前交通状况，对未来交通状况的变化缺乏预见性。而且交通拥堵不仅会带来出行效率的降低、出行成本、事故发生率的增高，而且也会因油耗的增高和燃油的不完全燃烧造成能源浪费和大气污染。如何避免和缓解交通拥堵成为人们关心的问题。另一方面，随着车联网技术的应用和大数据时代的到来，人们可以利用多种手段对交通拥堵进行监测，例如Andrea等[1]使用GPS跟踪器和智能手机识别实时的交通拥堵和事故，Kong等通过浮动车轨迹数据对城市交通拥堵进行识别和预测，提供路况服务的互联网公司也主要基于浮动车模型，Bauza和Gozalvez基于车辆与车辆、车辆与基础设施节点间信息交换来监测道路交通拥堵。近几十年来，学者就交通流预测问题已经发展出多种模型，大体上分为以下几类：(1)以时间序列方法为代表，对交通拥堵延时指数构建ARIMA等模型，预测未来一段时间(如天，小时，分钟等)的交通状况，如Voort等研究了ARIMA模型在交通流预测上的应用，Williams等利用季节性ARIMA模型进行交通流的短时预测；(2)K近邻、支持向量机、核函数回归等非参数方法，如Smith等比较研究了非参数回归和季节性ARIMA模型的预测效果，于滨等基于K近邻非参数方法对交通流进行短时预测，达庆东等运用非参数回归建立交通流流量和速度模型；(3)用高斯过程等贝叶斯方法，将交通状况视为随机过程建模并预测，如康军事等；(4)Kalman滤波方法在交通流预测上的应用，如XIEYuan-chang等、XUDong-wei等人的研究。(5)基于人工神经网络的短时交通流预测技术，如姚志洪等、况爱武等人的研究。这些方法在其特定的场景下均取得很好的应用效果，但仍然有待改进。
技术实现思路
鉴于上述问题，本专利技术提供了一种基于LSTM模型的机场交通拥堵预测方法及装置，该方法基于空间和时间效应的考虑，且增加航空气象信息，将区域内交通视作一个时空相关的系统，基于LSTM模型得到预测结果，可进一步提升机场周边预设范围内道路拥堵指数预测的准确度。第一方面，本专利技术实施例提供一种基于LSTM模型的机场交通拥堵预测方法，包括：实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；将所述交通状况信息、航班起降信息和航空气象信息，输入LSTM模型；获取所述LSTM模型的输出结果，所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。在一个实施例中，所述LSTM模型训练过程如下：实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；将所述交通状况信息、航班起降信息和航空气象信息，按照时间进行关联；关联后获得每小时内的道路拥堵指数、航空数据和气象数据，合并节假日、工作日和其他活动时间序列数据，构成数据集；对所述航空数据和气象数据增加滞后效应，生成所述LSTM模型。在一个实施例中，对所述航空数据、气象数据增加滞后效应，生成所述LSTM模型，包括：将LSTM模型用于时间序列预测，得到输出向量ht后，连接一个全连接层，从而最终得到预测值：其中，σ表示激活函数；Wout为全连接层矩阵，维度为1×dh；ht表示输出向量；bout表示截距项；为第s条时间序列t+1期的预测值。在一个实施例中，所述LSTM模型的损失函数，包括：MAE和MAPE损失函数；向前预测n步的损失函数公式为：公式(8)中，MAEs是衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数；公式(9)中，MAPEs是另一个衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数。在一个实施例中，实时获取机场周边预设范围内道路的交通状况信息，包括：通过数据接口实时获取机场周边预设范围内道路的车流量和行驶速度，计算道路拥堵指数。第二方面，本专利技术实施例提供一种基于LSTM模型的机场交通拥堵预测装置，包括：获取模块，用于实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；输入模块，用于将所述交通状况信息、航班起降信息和航空气象信息，输入LSTM模型；预测模块，用于获取所述LSTM模型的输出结果，所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。在一个实施例中，所述LSTM模型包括：获取子模块，用于实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；输入子模块，用于将所述交通状况信息、航班起降信息和航空气象信息，按照时间进行关联；构成子模块，用于根据输入子模块关联后获得每小时内的道路拥堵指数、航空数据和气象数据，合并节假日、工作日和其他活动时间序列数据，构成数据集；生成子模块，用于对所述航空数据和气象数据增加滞后效应，生成所述LSTM模型。在一个实施例中，所述生成子模块，具体用于将LSTM模型用于时间序列预测，得到输出向量ht后，连接一个全连接层，从而最终得到预测值：其中，σ表示激活函数；Wout为全连接层矩阵，维度为1×dh；ht表示输出向量；bout表示截距项；为第s条时间序列t+1期的预测值。在一个实施例中，所述LSTM模型的损失函数，包括：MAE和MAPE损失函数；向前预测n步的损失函数公式为：公式(8)中，MAEs是衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数；公式(9)中，MAPEs是另一个衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数。在一个实施例中，所述获取子模块中实时获取机场周边预设范围内道路的交通状况信息，包括：通过数据接口实时获取机场周边预设范围内道路的车流量和行驶速度，计算道路拥堵指数。本专利技术实施例提供的上述技术方案的有益效果至少包括：本专利技术实施例提供的一种基于LSTM模型的机场交通拥堵预测方法，实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；将所述交通状况信息、航班起降信息和航空气象信息，输入LSTM模型；获取所述LSTM模型的输出结果，所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。该方法基于空间和时间效应的考虑，且增加航空气象信息，将区域内交通视作一个时空相关的系统，基于LSTM模型得到预测结果，可进一本文档来自技高网...

【技术保护点】
1.一种基于LSTM模型的机场交通拥堵预测方法，其特征在于，包括：实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；将所述交通状况信息、航班起降信息和航空气象信息，输入LSTM模型；获取所述LSTM模型的输出结果，所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。

【技术特征摘要】
1.一种基于LSTM模型的机场交通拥堵预测方法，其特征在于，包括：实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；将所述交通状况信息、航班起降信息和航空气象信息，输入LSTM模型；获取所述LSTM模型的输出结果，所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。2.如权利要求1所述的方法，其特征在于，所述LSTM模型训练过程如下：实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；将所述交通状况信息、航班起降信息和航空气象信息，按照时间进行关联；关联后获得每小时内的道路拥堵指数、航空数据和气象数据，合并节假日、工作日和其他活动时间序列数据，构成数据集；对所述航空数据和气象数据增加滞后效应，生成所述LSTM模型。3.如权利要求2所述的方法，其特征在于，对所述航空数据、气象数据增加滞后效应，生成所述LSTM模型，包括：将LSTM模型用于时间序列预测，得到输出向量ht后，连接一个全连接层，从而最终得到预测值：其中，σ表示激活函数；Wout为全连接层矩阵，维度为1×dh；ht表示输出向量；bout表示截距项；为第s条时间序列t+1期的预测值。4.如权利要求2所述的方法，其特征在于，所述LSTM模型的损失函数，包括：MAE和MAPE损失函数；向前预测n步的损失函数公式为：公式(8)中，MAEs是衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数；公式(9)中，MAPEs是另一个衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数。5.如权利要求1-4任一项所述的方法，其特征在于，实时获取机场周边预设范围内道路的交通状况信息，包括：通过数据接口实时获取机场周边预设范围内道路的车流量和行驶速度，计算道路拥堵指数。6.一种基于LSTM模型的机场交通拥堵预测装...

【专利技术属性】
技术研发人员：周芳，张波，李强，缪明月，张军，李国军，
申请(专利权)人：首都经济贸易大学，北京首都国际机场公安分局，
类型：发明
国别省市：北京,11