一种基于改进灰狼算法的短时交通量预测方法技术

本发明专利技术公开的一种基于改进灰狼算法的短时交通量预测方法，包括如下步骤：从城市交叉路口数据库将交叉路口数据导入至Oracle数据库，通过NumPy、Pandas对存入的路口数据进行数据预处理；将数据预处理完成的数据转化为监督学习模型需要的特征与标签；使用离差标准化对处理后的数据进行数据标准化处理；基于GRU神经网络构建路口的短时交通量预测模型，将标准化数据输入模型进行训练，实现对未来某时刻交叉路口车流量的预测；基于改进灰狼算法对短时交通量预测模型进行模型优化，提高精度与稳定性。本发明专利技术具有对路口数据进行筛选和选择的操作过程，通过对路口数据的筛选和选择，本发明专利技术方法可有效提高对路口车流量预测的准确率。

【技术实现步骤摘要】
一种基于改进灰狼算法的短时交通量预测方法
本专利技术属于短时交通量预测
，特别涉及一种基于改进灰狼算法的短时交通量预测方法。
技术介绍
近年来，随着大城市贸易圈的发展，交通问题逐步增多。最严重的问题之一是人满为患，这造成公共安全和浪费时间的隐患，而解决交通拥堵的途径之一就是发展智能交通运输系统。智能交通运输系统(ITS)是目前世界交通运输领域的最前沿，已成为世界各国极力投注资本推进的关键点之一。美国、日本及欧盟等众多先进国家特别重视ITS，它被认为是提高交通的可靠性、安全性和减少环境污染的有效手段之一。构建智能交通系统(ITS)能够有效缓解道路拥堵，缩短出行时间，降低环境污染，提高交通安全性。作为ITS的重要研究内容之一，交通量预测能够作为交通决策的重要依据，可有效地应用于交通规划、交通诱导。短时交通量预测是交通控制与诱导的基础，是智能交通系统的重要研究内容之一。随着交通量预测相关研究的不断推进，国内外研究人员已经提出了大量短时交通量预测方法，以解决实际问题。
技术实现思路
专利技术目的：针对交叉路口车流量受诸多环境影响，导致很难对路口车流量做出准确预测，本专利技术基于时间序列考虑提出一种基于改进灰狼算法的短时交通量预测方法。技术方案：一种基于改进灰狼算法的短时交通量预测方法，所述方法包括如下步骤：步骤1)从城市交叉路口数据库将路口数据导入至Oracle数据库，通过NumPy、Pandas对存入的路口数据进行数据预处理；步骤2)将数据预处理完成的数据转化为监督学习模型需要的特征与标签；步骤3)使用离差标准化对处理后的数据进行数据标准化处理；步骤4)基于GRU神经网络构建路口的短时交通量预测模型，将标准化数据输入模型进行训练，实现对未来某时刻交叉路口车流量的预测；步骤5)基于改进灰狼算法对上一步骤中的短时交通量预测模型进行模型优化，提高精度与稳定性。进一步的，所述的步骤1)中，对路口数据进行数据预处理具体为：通过Pandas和NumPy对Oracle数据库下的路口数据进行读取并进行数据处理，数据处理包含三部分，分别是数据整合、数据插入、数据改造；所述的数据整合：在路口数据中，每一条记录代表一辆车通过交叉路口的数据，而预测的是未来某时刻的交通量是交叉路口的车流量之和，为方便进行时间序列预测，选择10分钟作为一次时间间隔，取10分钟之内所有记录的车辆速度平均值作为该时间段的平均速度，取记录数作为车流量，其余字段丢弃，由于存在数据整合，所以整合后的数据不需要进行清洗，不存在异常值；所述的数据插入：天气可能是交通流量预测的重要因素，许多研究探索了天气和气象因素对交通流量的影响，因此，本专利技术也将天气因素作为特征输入；同样的，工作日与周末也会导致交通量出现波动，因此，工作日也会作为特征之一进入训练；所述的数据改造：因为时间并不能够直接作为特征传入神经网络模型，所以需要进行一定的改造，因为先前取时间间隔为10分钟，所以一天总共有144组数据，将数据的时间改为0到143的编号，表示一天的不同时间段。进一步的，所述的步骤2)中，将数据预处理完成的数据转化为监督学习模型需要的特征与标签，具体操作为：假设当前时间段为t,将t-1时间段的时间、天气、车速、车流量作为t时间段的特征，将t时间段的车流量作为标签，将数据处理出15份数据，分别代表不同的时间步长，本专利技术选择的时间步长为1-15，如此处理后的数据才能进行神经网络训练与预测；监督学习是一个机器学习中的方法，可以由训练资料中学到或创建一个模式，并依此模式推测新的实例；训练资料是由输入物件(通常是向量)和预期输出所组成；函数的输出可以是一个连续的值(称为回归分析)，或是预测一个分类标签(称作分类)；因为交通量预测是一种回归模型，所以要将先前处理好的数据变换成监督学习模型的特征与标签；同时交通量预测是一种时间序列模型，因此使用循环神经网络的变种GRU来进行训练与预测。进一步的，所述的步骤3)中，对处理后的数据进行数据标准化的具体公式为：数据标准化处理是数据预处理的一项基础工作，不同评价指标常常具备不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为消弭指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性；原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。进一步的，所述的步骤5)中，使用改进灰狼算法(DGWO)对步骤4)的短时交通量预测模型进行模型优化；在原始的GWO中，|A|＞1时的迭代专门用于探索，|A|＜1时的迭代专门用于开发，尽管拓宽搜索空间的可能会导致陷入局部最优的可能性降低，但是更多的探索会引入更多的随机性0，并且可能导致无法获得最优解；同时，过少的探索会使该算法可能无法达到全局最优；因此，群体智能算法在迭代过程中应保持探索阶段与开发阶段之间的平衡；假设服从某种分布，增大有利于算法跳出局部最优；若在全局最优解附近，减小有利于加快算法的收敛速度；依据双曲正切函数前期导数大，后期导数小的特点，本专利技术提出一种基于双曲正切函数的收敛策略，如下所示：其中t表示当前迭代，tmax代表总迭代次数；本专利技术使用非线性函数tanh重新定义了的函数，使的值随迭代次数的增加，非线性减小；在迭代初期，步长较大，比起标准GWO减小较快，搜索到的搜索空间理论上没有标准GWO多；随着迭代次数的增加，减小变慢，较小的步长可以防止算法漏掉目标函数的极值点，快速收敛到全局最优解，比标准GWO的收敛程度高且稳定；改进灰狼算法(DGWO)使用20个搜索代理和20次迭代，通过不断调整GRU模型的超参数来优化整体拟合度。有益效果：本专利技术以GRU模型为基础，提出一种基于改进灰狼算法(DGWO)的短时交通量预测模型(DGWO-GRU)。改进灰狼优化算法为协调灰狼算法的全局探索和局部开发能力，给出一种基于双曲正切函数描述的非线性变化收敛因子。通过实验表明，DGWO-GRU模型与LSTM、GRU模型对比，发现DGWO-GRU预测拟合度为97.5％，预测精度最高，稳定性最好，可以满足短时交通流预测的准确性和实时性的要求，能够为短时交通量预测提供一定的参考价值。附图说明图1是本专利技术交叉路口位置的示意图。图2是本专利技术原始数据字段的示意图。图3是GRU单元的示意图。图4是各个时步的GRU模型对比的示意图。图5是灰狼的社会支配等级(从上到下递减)的示意图。图6是灰狼在2D空间中可能更新位置的示意图。图7是灰狼在3D空间中可能更新位置的示意图。图8是GWO位置更新的示意图。图9是灰狼攻击猎物的示意图。图10是灰狼远离猎物的示意图。图11是灰狼优化算法的具体步骤示意图。图12中本专利技术中的各个收敛因子示意图。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、本文档来自技高网...

【技术保护点】
1.一种基于改进灰狼算法的短时交通量预测方法，其特征在于：所述方法包括如下步骤：/n步骤1)从城市交叉路口数据库将路口数据导入至Oracle数据库，通过NumPy、Pandas对存入的路口数据进行数据预处理；/n步骤2)将数据预处理完成的数据转化为监督学习模型需要的特征与标签；/n步骤3)使用离差标准化对处理后的数据进行数据标准化处理；/n步骤4)基于GRU神经网络构建路口的短时交通量预测模型，将标准化数据输入模型进行训练，实现对未来某时刻交叉路口车流量的预测；/n步骤5)基于改进灰狼算法对上一步骤中的短时交通量预测模型进行模型优化，提高精度与稳定性。/n

【技术特征摘要】
1.一种基于改进灰狼算法的短时交通量预测方法，其特征在于：所述方法包括如下步骤：
步骤1)从城市交叉路口数据库将路口数据导入至Oracle数据库，通过NumPy、Pandas对存入的路口数据进行数据预处理；
步骤2)将数据预处理完成的数据转化为监督学习模型需要的特征与标签；
步骤3)使用离差标准化对处理后的数据进行数据标准化处理；
步骤4)基于GRU神经网络构建路口的短时交通量预测模型，将标准化数据输入模型进行训练，实现对未来某时刻交叉路口车流量的预测；
步骤5)基于改进灰狼算法对上一步骤中的短时交通量预测模型进行模型优化，提高精度与稳定性。


2.根据权利要求1所述的基于改进灰狼算法的短时交通量预测方法，其特征在于：所述的步骤1)中，对路口数据进行数据预处理具体为：通过Pandas和NumPy对Oracle数据库下的路口数据进行读取并进行数据处理，数据处理包含三部分，分别是数据整合、数据插入、数据改造；
所述的数据整合：在路口数据中，每一条记录代表一辆车通过交叉路口的数据，而预测的是未来某时刻的交通量是交叉路口的车流量之和，为方便进行时间序列预测，选择10分钟作为一次时间间隔，取10分钟之内所有记录的车辆速度平均值作为该时间段的平均速度，取记录数作为车流量，其余字段丢弃，由于存在数据整合，所以整合后的数据不需要进行清洗，不存在异常值；
所述的数据插入：天气可能是交通流量预测的重要因素，许多研究探索了天气和气象因素对交通流量的影响，因此，本发明也将天气因素作为特征输入；同样的，工作日与周末也会导致交通量出现波动，因此，工作日也会作为特征之一进入训练；
所述的数据改造：因为时间并不能够直接作为特征传入神经网络模型，所以需要进行一定的改造，因为先前取时间间隔为10分钟，所以一天总共有144组数据，将数据的时间改为0到143的编号，表示一天的不同时间段。


3.根据权利要求1所述的基于改进灰狼算法的短时交通量预测方法，其特征在于：所述的步骤2)中，将数据预处理完成的数据转化为监督学习模型需要的特征与标签，具体操作为：
假设当前时间段为t,将t-1时间段的时间、天气、车速、车流量作为t时间段的特征，将t时间段的车流量作为标签，将数据处理出15份数据，分别代表不同的时间步长，本发明选择的时间步长为1-15，如此处理后的数据才能进行神经网络训练与预测；
监督学...

【专利技术属性】
技术研发人员：施佺，戴俊明，曹阳，沈琴琴，苏永杰，李赟波，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32