一种基于Autoencoder-LSTM融合模型的交通流预测方法技术

一种基于Autoencoder‑LSTM融合模型的交通流预测方法，包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征；步骤三、基于融合后的时空特征实现道路交通流预测；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。本发明专利技术提供一种基于Autoencoder‑LSTM(自编码器与长短期时间记忆神经网络)融合模型的交通流预测方法，利用自编码器和长短期记忆神经网络分别获取道路交通流数据中的空间和时间信息，充分挖掘了道路交通流数据中的时空特性，提高了交通流短期预测的准确性。

A Traffic Flow Forecasting Method Based on Autoencoder-LSTM Fusion Model

【技术实现步骤摘要】
一种基于Autoencoder-LSTM融合模型的交通流预测方法
本专利技术涉及一种基于Autoencoder-LSTM融合模型的交通流预测方法，本专利技术属于交通预测领域。
技术介绍
随着人们生活水平的提高，人均汽车占有量和出行量日益增加，随之而来的是道路上流通的大量的车辆所带来的交通拥堵的问题，因此更高效的分配交通资源、充分发挥出智能交通系统在道路调控上的积极作用有着重要的意义。在智能交通系统中，道路交通流的预测有着关键的作用。现阶段的道路交通预测方法主要有：传统时间序列预测法、支持向量机、BP神经网络等，虽然此类方法在道路交通流的预测结果中有着较好的预测结果，但是在道路交通流预测中，上述模型均没有充分挖掘出道路交通流数据中的时空关联特征。
技术实现思路
为了克服现有道路交通流预测方法的特征提取不充分、精度较低的不足，本专利技术的目的在于提供一种基于Autoencoder-LSTM(自编码器与长短期时间记忆神经网络)融合模型的交通流预测方法。该方法利用自编码器和长短期记忆神经网络分别获取道路交通流数据中的空间和时间信息，充分挖掘了道路交通流数据中的时空特性，提高了交通流短期预测的准确性。本专利技术解决其技术问题所采用的技术方案是：一种基于Autoencoder-LSTM融合模型的交通流预测方法，包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵：提取多条道路的交通流数据，对原始道路交通流数据进行标准化预处理，构建包含时间信息和空间信息的交通状态矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征：利用自编码器(Autoencoder)提取能够有效表征道路交通流状态矩阵的时空特征；基于长短期时间记忆网络(LSTM)提取道路交通状态矩阵高维特征；将基于自编码器和长短期时间记忆网络提取道路交通状态矩阵高维特征进行融合；步骤三、基于融合后的时空特征实现道路交通流预测：获取Autoencoder与LSTM融合后的特征作为回归预测层输入，计算模型对应的预测数值，对预测结果进行反标准化操作，得出模型预测的实际交通流数值大小；根据模型的预测数据和实际交通流数据的差值，定义整体模型的损失函数，并根据损失函数数值大小利用反向传播算法不断降低损失函数数值从而不断优化模型参数，得到最优的模型参数；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。本专利技术的有益效果：通过Autoencoder与LSTM的融合模型对道路交通流数据进行高维特征提取，实现短时期道路交通流的预测模型。本专利技术同时利用Autoencoder与LSTM对同一路段不同时刻的交通流数据进行时间特征提取，并对相同时刻不同路段的交通流数据进行空间特征提取，充分挖掘出了道路交通流数据中的潜在的时空特征，克服了特征提取不充分导致模型预测精度过低的缺点，进而提高了道路交通流预测的准确性。短时交通流预测是智能交通系统的重要组成部分，本专利技术在一定程度上可以有效提高短时期交通流预测的精度，提高智能交通系统中交通流诱导的准确性。附图说明图1是Autoencoder-LSTM融合模型结构图；图2是Autoencoder-LSTM融合模型网络模型的交通流预测结果与实际值对比。具体实施方式下面结合附图对本专利技术做进一步说明。参照图1和图2，一种基于Autoencoder-LSTM融合模型的交通流预测方法，包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵，过程如下：1.1：对提取的道路交通流数据进行预处理提取n条路段相同时间范围内的道路交通流数据，其中第i(i＝1,2,3…n)个路段的交通流数据矩阵表示为：Xi＝[x1i,x2i,x3i,...xti]，xti(t＝1,2,3…m)为第i个路段在第t时刻的道路交通流数据，m为路段在所选取时间范围内采集的交通流数据数量；对每条路段的交通流数据进行最大最小标准化数据预处理，最大最小标准化计算表达式为：其中，minXi，maxXi分别为第i条路段交通流数据中的最小值与最大值，为第i个路段在第t时刻进行标准化操作后的道路交通流数据。1.2：构建道路交通流状态矩阵数据集根据预处理后的道路交通流数据构建道路交通流状态矩阵数据集，数据集中的单个样本矩阵形式如下所示：其中，X*的行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态。m表示历史交通流数据的数量，n表示输入矩阵中路段的数目，则表示第n条路段在第m时刻的交通流状态。步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征，过程如下：2.1：利用自编码器表征道路交通流状态矩阵的时空特征自编码器是神经网络的一种，经过训练后将输入近似的复制到输出，其主要实现可以视为编码与解码的过程。自编码器的主要形式有：欠完备自编码器、正则自编码器、卷积自编码器等，均为对输入数据进行编码与解码的过程，提取出输入数据中最显著的特征。获取数据预处理后的道路交通流状态矩阵X*，经过编码器f将X*映射到w，在经过解码器g将w映射到输出其中：w＝f(X*)，输出近似的等于输入X*，自编码器训练时损失函数为：经过自编码器编码与解码的过程，提取出交通流状态矩阵时空特征的表征特征w。2.2：利用长短期时间记忆网络提取道路交通状态矩阵高维特征LSTM神经网络是一种时间递归神经网络，广泛的应用于时间序列的预测。LSTM主要有输入门，遗忘门与输出门构成，每部分的计算过程如下：hm＝om⊙tanh(Cm)(10)其中，⊙代表点乘，代表第m时刻不同路段的交通流状态，σ为Sigmoid激活函数，且Wf、Wi、Wc、Wo分别表示为遗忘门，输入门，状态单元、输出门的权重矩阵，b1、b2、b3、b4分别表示为遗忘门、输入门、状态单元、输出门的偏置大小，则在第m时刻，对交通流数据所提取的特征为hm。2.3：将基于自编码器和长短期时间记忆网络提取的道路交通状态矩阵高维特征进行融合在第m时刻，道路交通流状态矩阵经过Autoencoder提取后的时空特征表示为w，LSTM提取的高维特征表示为hm，将Autoencoder与LSTM各自提取的高维特征进行融合，融合后特征表示为P＝[w,hm]。步骤三、基于融合后的时空特征实现道路交通流预测，过程如下：3.1：计算模型预测数值在第m时刻，为预测第i条路段未来τ个时刻的道路交通流状态，将融合后的时空特征数据作为全连接层的输入，计算模型的输出：Ypre＝WaP(11)其中，Wa为全连接层参数矩阵，3.2：定义模型损失函数并对模型进行优化自编码器提取道路交通状态矩阵表征特征时，定义损失函数L1；Autoencoder与LSTM提取的高维特征融合后，模型预测交通流实际交通流状态融合模型损失函数为：在模型训练时，采用Adam优化器利用反向传播算法不断减少损失函数值L1与L2，优化模型的参数。步骤四、基于融合模型的道路交通流预测；获取道路实时交通流数据作为融合模型的输入，采用融合模型得到预测结果将预测结果进行反标准化操作，转换为真实交通流数据，反标准化计算表达式为：则模型预测的实际交通流数据表示为:Y′pre＝[x′(m+1)i,x′(m+2)i,x本文档来自技高网...

【技术保护点】
1.一种基于Autoencoder‑LSTM融合模型的交通流预测方法，其特征在于，所述方法包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵：提取多条道路的交通流数据，对原始道路交通流数据进行标准化预处理，构建包含时间信息和空间信息的交通状态矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征：利用自编码器Autoencoder提取能够有效表征道路交通流状态矩阵的时空特征；基于长短期时间记忆网络LSTM提取道路交通状态矩阵高维特征；将基于自编码器和长短期时间记忆网络提取道路交通状态矩阵高维特征进行融合；步骤三、基于融合后的时空特征实现道路交通流预测：获取Autoencoder与LSTM融合后的特征作为回归预测层输入，计算模型对应的预测数值，对预测结果进行反标准化操作，得出模型预测的实际交通流数值大小；根据模型的预测数据和实际交通流数据的差值，定义整体模型的损失函数，并根据损失函数数值大小利用反向传播算法不断降低损失函数数值从而不断优化模型参数，得到最优的模型参数；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。...

【技术特征摘要】
1.一种基于Autoencoder-LSTM融合模型的交通流预测方法，其特征在于，所述方法包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵：提取多条道路的交通流数据，对原始道路交通流数据进行标准化预处理，构建包含时间信息和空间信息的交通状态矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征：利用自编码器Autoencoder提取能够有效表征道路交通流状态矩阵的时空特征；基于长短期时间记忆网络LSTM提取道路交通状态矩阵高维特征；将基于自编码器和长短期时间记忆网络提取道路交通状态矩阵高维特征进行融合；步骤三、基于融合后的时空特征实现道路交通流预测：获取Autoencoder与LSTM融合后的特征作为回归预测层输入，计算模型对应的预测数值，对预测结果进行反标准化操作，得出模型预测的实际交通流数值大小；根据模型的预测数据和实际交通流数据的差值，定义整体模型的损失函数，并根据损失函数数值大小利用反向传播算法不断降低损失函数数值从而不断优化模型参数，得到最优的模型参数；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。2.如权利要求1所述的基于Autoencoder-LSTM融合模型的交通流预测方法，其特征在于，所述步骤一的过程如下：1.1：对提取的道路交通流数据进行预处理提取n条路段相同时间范围内的道路交通流数据，其中第i(i＝1,2,3…n)个路段的交通流数据矩阵表示为：Xi＝[x1i,x2i,x3i,...xti]，xti(t＝1,2,3…m)为第i个路段在第t时刻的道路交通流数据，m为路段在所选取时间范围内采集的交通流数据数量；对每条路段的交通流数据进行最大最小标准化数据预处理，最大最小标准化计算表达式为：其中，minXi，maxXi分别为第i条路段交通流数据中的最小值与最大值，为第i个路段在第t时刻进行标准化操作后的道路交通流数据；1.2：构建道路交通流状态矩阵数据集根据预处理后的道路交通流数据构建道路交通流状态矩阵数据集，数据集中的单个样本矩阵形式如下所示：其中，X*的行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态，m表示历史交通流数据的数量，n表示输入矩阵中路段的数目，则表示第n条路段在第m时刻的交通流状态。3.如权利要求2所述的基于Autoencoder-LSTM融合模型的交通流预测方法，其特征在于，所述步骤二的过程如下：...

【专利技术属性】
技术研发人员：徐东伟，魏臣臣，彭鹏，宣琦，朱钟华，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33