基于序列到序列学习模型的交通指数预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于序列到序列学习模型的交通指数预测方法和装置，方法包括：获取交通指数输入时间序列；将交通指数输入时间序列作为序列到序列学习模型的输入对象；其中，序列到序列学习模型由编码器网络和解码器网络组成，编码器网络为以LSTM单元作为基本循环单元的LSTM网络，解码器网络为以LSTM单元作为基本循环单元的LSTM网络；利用编码器网络对交通指数输入时间序列进行特征提取，得到时间变化特征向量；利用解码器网络对时间变化特征向量进行处理，将处理得到的交通指数输出时间序列作为预测结果。本发明专利技术提高了对交通指数的预测精度，能够更好地刻画交通指数的非线性变化。

【技术实现步骤摘要】
基于序列到序列学习模型的交通指数预测方法和装置
本专利技术涉及软件领域，尤其涉及一种基于序列到序列学习模型的交通指数预测方法和装置。
技术介绍
交通相当于城市的血脉，为城市源源不断的输送生产力，交通指数是用来衡量当前交通拥堵状况的概念性指数值，交通指数取值在0-10之间，数值越高表明当前交通拥堵状况越严重，交通指数预测可以为决策者发现问题，制定策略提供数据支持，同时，也可帮助公众合理规划出行方案。国内外关于交通预测的方法大致分为两类，第一类是基于确定数学模型的预测方法，如韩超等基于差分自回归移动平均模型(ARIMA)对短时交通流实时自适应预测；杨兆升等基于卡尔曼滤波对交通流量进行实时预测；还有指数平滑模型等。这类方法求解简单，但是适应性较差，一般只适应于某一类数据，例如差分自回归移动平均模型(ARIMA)对于平稳型数据有较好的预测能力，当数据并不属于平稳型数据时，该模型无法捕捉数据间的规律，预测能力较差，卡尔曼滤波只适用于线性、离散和有限维的数据。第二类是基于智能模型的预测方法，这类方法适应性更好，对数据的类型要求较低。但是，该类方法也本文档来自技高网...

【技术保护点】
1.基于序列到序列学习模型的交通指数预测方法，其特征在于，包括：/n获取交通指数输入时间序列；/n将所述交通指数输入时间序列作为序列到序列学习模型的输入对象；其中，所述序列到序列学习模型由编码器网络和解码器网络组成，所述编码器网络为以LSTM单元作为基本循环单元的LSTM网络，所述解码器网络为以LSTM单元作为基本循环单元的LSTM网络；/n利用所述编码器网络对所述交通指数输入时间序列进行特征提取，得到所述交通指数时间序列的时间变化特征向量；/n利用所述解码器网络对所述交通指数输入时间序列的时间变化特征向量进行处理，将处理得到的交通指数输出时间序列作为预测结果。/n

【技术特征摘要】
1.基于序列到序列学习模型的交通指数预测方法，其特征在于，包括：
获取交通指数输入时间序列；
将所述交通指数输入时间序列作为序列到序列学习模型的输入对象；其中，所述序列到序列学习模型由编码器网络和解码器网络组成，所述编码器网络为以LSTM单元作为基本循环单元的LSTM网络，所述解码器网络为以LSTM单元作为基本循环单元的LSTM网络；
利用所述编码器网络对所述交通指数输入时间序列进行特征提取，得到所述交通指数时间序列的时间变化特征向量；
利用所述解码器网络对所述交通指数输入时间序列的时间变化特征向量进行处理，将处理得到的交通指数输出时间序列作为预测结果。


2.如权利要求1所述的基于序列到序列学习模型的交通指数预测方法，其特征在于，所述方法还包括：
利用时序图展示所述处理得到的交通指数输出时间序列。


3.如权利要求1所述的基于序列到序列学习模型的交通指数预测方法，其特征在于，所述编码器网络为单层LSTM网络，所述解码器网络为单层LSTM网络。


4.如权利要求3所述的基于序列到序列学习模型的交通指数预测方法，其特征在于，所述编码器网络中LSTM单元的个数为所述解码器网络中LSTM单元的个数的2倍；所述编码器网络中LSTM单元中隐层节点的个数为300，所述解码器网络中LSTM单元中隐层节点的个数为300。


5.如权利要求4所述的基于序列到序列学习模型的交通指数预测方法，其特征在于，所述编码器网络中LSTM单元的个数为4，所述解码器网络中LSTM单元的个数为2。


6.一种基于序列到序列学习...

【专利技术属性】
技术研发人员：徐志洁，张健钦，张悦颖，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：北京;11