【技术实现步骤摘要】
一种基于LSTM_Attention网络的交通流预测方法
本专利技术涉及一种基于LSTM_Attention网络的交通流预测方法，本专利技术属于交通流量预测领域，涉及道路交通流量数据和神经网络架构的融合方法。
技术介绍
经济的高速发展和人民生活水平的不断提高带来的是城市机动车总量的快速增长以及道路交通负载的加重，道路拥堵问题日益严重。交通网络中车辆的分布对于整个网络的流通性至关重要。为实现车辆的合理分布，需要采取一定的调控措施，使得当下以及未来的车辆分布趋于合理，因此对未来的交通状况进行精确预测十分重要。交通状况可以由许多变量进行衡量，本专利技术采用流量来衡量道路交通状况。现有的基于神经网络的交通流预测方法十分多，包括卷积神经网络(CNNs)、长短期记忆网络(LSTMs)，前者在图像识别领域有很大的成功，后者是一种改进的递归神经网络(RNNs)，它在语音识别等方面也取得了很大的成就。道路交通数据本身在空间和时间上都有着很大的联系，本专利技术的目的是对单个路段的未来道路交通数据进行预测，因此着重考虑交通历史数据的时间特征。传统的基于LSTMs的预测方法将LSTMs最...
【技术保护点】
1.一种基于LSTM_Attention网络的交通流预测方法，其特征在于，所述方法包括以下步骤：(1)对道路交通数据进行预处理获取道路交通历史数据，将数据分为训练集和测试集，对数据进行预处理；(2)基于训练集构建LSTM_Attention网络构建一层LSTM网络，根据训练集数据中样本的序列长度设置隐层单元个数，添加一层激活函数为Softmax的全连层，最后添加一层逻辑回归层作为预测层，将训练集数据输入到网络中得到预测值，将预测值与真实值输入到损失函数并通过反向传播对网络模型以及内部参数进行优化；(3)基于测试集和LSTM_Attention网络实现交通流预测将测试集数据输...
【技术特征摘要】
1.一种基于LSTM_Attention网络的交通流预测方法，其特征在于，所述方法包括以下步骤：(1)对道路交通数据进行预处理获取道路交通历史数据，将数据分为训练集和测试集，对数据进行预处理；(2)基于训练集构建LSTM_Attention网络构建一层LSTM网络，根据训练集数据中样本的序列长度设置隐层单元个数，添加一层激活函数为Softmax的全连层，最后添加一层逻辑回归层作为预测层，将训练集数据输入到网络中得到预测值，将预测值与真实值输入到损失函数并通过反向传播对网络模型以及内部参数进行优化；(3)基于测试集和LSTM_Attention网络实现交通流预测将测试集数据输入到已完成训练的LSTM_Attention网络中得到预测数据。2.如权利要求1所述的一种基于LSTM_Attention网络的交通流预测方法，其特征在于，所述步骤(1)中，获取道路交通流量历史数据，设置样本中的数据序列长度为m，将数据划分为训练集和测试集，数据格式为[样本数，流量数据序列长度，1]；对数据进行最大值最小值标准化处理，将流量数据缩放到[0,1]的区间上，预处理计算表达式如下所示：其中，xit表示第i个样本中t时刻预处理过后的道路交通流量数据,x’it表示第i个样本中t时刻检测到的道路交通流量原始数据，maxxi表示第i个样本中流量数据的最大值，minxi表示第i个样本中流量数据的最小值，输入数据的矩阵形式如下所示：3.如权利要求1或2所述的一种基于LSTM_Attention网络的交通流预测方法，其特征在于，所述步骤(2)中，基于训练集构建LSTM_Attention网络的过程如下：2.1：构建初始网络选择LSTM_Attention网络，在LSTMs的基础上应用Attention机制，将各隐层单元的输出结果与一个相关性权重矩阵进行点乘获得更完整的时间特征，最后通过一层逻辑回归层对未来流量数据进行预测；根据样本数据序列的长度，设置LSTMs中隐层单元个数为g，采用一层激活函数为Softmax的全连层来实现Attention机制，其输入为LSTMs各隐层单元的输出，其输...
【专利技术属性】
技术研发人员：徐东伟，高禾，彭鹏，王永东，戴宏伟，宣琦，刘毅，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33
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。