一种基于集成LSTM神经网络的车流量预测方法技术

本发明专利技术涉及一种基于集成LSTM神经网络的车流量预测方法，利用车流检测得到的历史数据，建立集成LSTM神经网络车流量预测模型进行车流量预测，能够降低预测模型的泛化误差，提高准确率。该方法包括以下步骤：数据预处理；根据预处理后的车流量时间序列值构建车流量矩阵数据集，利用前n个时段预测第(n+1)个时段的车流量，每个时段长Δt(Δt为时间长度，单位为min)；采用不同的初始权值构造多个差异化的LSTM神经网络模型；利用bagging集成学习方法构造训练集和验证集；训练多个LSTM神经网络，得到优化模型；利用验证集计算单个LSTM模型的加权系数；将预测出的车流量值进行逆变换和反归一化得到预测车流量大小，集成加权得到最终模型预测的车流量值。

A Traffic Flow Prediction Method Based on Integrated LSTM Neural Network

The present invention relates to a traffic flow forecasting method based on integrated LSTM neural network. Using the historical data obtained from traffic flow detection, an integrated LSTM neural network traffic flow forecasting model is established, which can reduce the generalization error of the forecasting model and improve the accuracy. The method includes the following steps: data preprocessing; building traffic flow matrix data set according to the time series value of pre-processed traffic flow, using the first n periods to predict the traffic flow of the first (n+1) period, each period is long t (t is time length, unit is min); using different initial weights to construct different LSTM neural network models; using bagging integrated learning method to construct. Build training set and verification set; train multiple LSTM neural networks to get the optimization model; use verification set to calculate the weighting coefficients of a single LSTM model; inverse transform and normalize the predicted traffic flow value to get the predicted traffic flow value, and integrate weighting to get the final traffic flow value of the model.

【技术实现步骤摘要】
一种基于集成LSTM神经网络的车流量预测方法
本专利技术属于交通流量预测领域，涉及一种基于集成长短期记忆(LongShort-TermMemory，LSTM)神经网络的车流量预测方法，本专利技术属于智能交通

技术介绍
车流量预测是智能交通系统的重要研究内容。智能交通系统(IntelligenceTransportationSystem,ITS)又称智能运输系统，是一种将科学技术有效地综合运用于整个交通运输管理体系，从而建立起一种大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。车流量预测作为智能交通系统中的重要环节，能实现对交通流实时、动态地预测。智能交通系统通过车流量预测技术不断的预测未来时间内城市道路的状况，能为即将发生的拥堵事件做出合理的动态调控，一定程度上缓解交通拥堵，提高城市交通管理和运行效率，减少碳排放量和节约资源。目前车流量预测主要通过采集历史车流量，利用算法进行未来车流量的预测。车流检测技术有视频检测技术、线圈感应检测技术、超声检测技术、红外线检测技术、浮动车监测技术以及RFID技术等。预测方法有历史均值法、Kalman滤波法、非参数回归法和本文档来自技高网...

【技术保护点】
1.一种基于集成LSTM神经网络的车流量预测方法，其特征在于：包括以下步骤：步骤S1：数据预处理；步骤S2：构建数据集；根据预处理后的车流量时间序列值构建车流量矩阵数据集，数据集中每个样本的矩阵形式如下面的矩阵所示：

【技术特征摘要】
1.一种基于集成LSTM神经网络的车流量预测方法，其特征在于：包括以下步骤：步骤S1：数据预处理；步骤S2：构建数据集；根据预处理后的车流量时间序列值构建车流量矩阵数据集，数据集中每个样本的矩阵形式如下面的矩阵所示：其中X11，X21,…,Xn1,X(n+1)1,表示某路口一个截面历史数据中n+1个时段经过的车流量值，每个时段相隔Δt，Δt为时间长度，单位为min，利用前n个时段，预测第n+1个时段的车流量，X11,X12,…,X1m，表示有m个样本；步骤S3：构造集成LSTM网络：设计k个LSTM神经网络模型，其具有三层神经元结构，分别是输入层、隐藏层、输出层，输入层神经元个数为n，输入向量为某路口前n个时段的历史车流量，每个时段相隔Δt，输出层神经元个数为1，每个LSTM神经网络用不同的分布区间来初始化权值，利用初始权值的不同来构造差异化的LSTM神经网络；步骤S4：训练与验证：利用bagging集成学习方法构造训练集和验证集，原始样本集为D＝{(X11,X21,…,X(n+1)1),(X12,X22,…,X(n+1)2),…,(X1m,X2m,…,X(n+1)m)},对包含m个样本的训练集进行k轮随机有放回采样，每轮采样共采集m次，得到k个包含m个样本的的采样集，将这k个采样集作为训练集，将未采样到的数据留作验证集；步骤S5：分别使用步骤S4中的k个采样集训练步骤S3中的k个LSTM神经网络，得到优化模型；步骤S6：利用步骤S4中构造的验证集计算各单个LSTM模型加权系数；步骤S7：利用训练好的模型进行车流量预测，将预测出的车流量值进行逆变换和反归一化得到预测车流量大小，集成加权得到最终模型预测的车流量值。2.根据权利要求1所述的基于集成LSTM神经网络的车流量预测方法，其特征在于：步骤S1包括以下步骤：步骤S11：格式化：将某路段经过的车辆数目，按Δt时间段聚合，Δt为时间长度，单位为min，提取出车流量时间序列值，使用车流量时间序列作为模型输入；步骤S12：数据差分变换与归一化：判断车流量时间值序列是否是平稳时间序列，若不平稳则对其进行差分变换，并对数据进行归一化，归一化方式采用min-max标准化线性归一处理，计算表达式如下所示：3.根据权利要求1所述的基于集成LSTM神经网络的车流量预测方法，其特征在于：步骤S5包括以下步骤：S51：采用均方误差函数作为损失函数：其中fi表示LSTM神经网络的预测值，X(n+1)t表示真实的第n+1个时刻的车流量值，m为神经网络输入的样本数目；S52：将样本P＝(X11,X21,…,Xn1,X(...

【专利技术属性】
技术研发人员：雒江涛，雷晓，张轩，牛小东，易燕，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50