【技术实现步骤摘要】
一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法
本专利技术涉及城市路口流量预测方法，特别涉及一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法。
技术介绍
智能交通是一个集有效信息技术、数据传输技术、电子传感与控制技术、计算机技术于一体的实时、高效、精确的综合交通系统，对整个交通系统来说是值得建设的数据系统。随着信息技术的进一步发展，交通数据逐渐演变为静态数据、小尺度数据和大尺度动态数据。静态数据是在固定时间段内相对稳定的数据，例如基础结构，运输等。动态数据是在时间和空间上连续变化的数据，例如流量。智能交通最重要的是在满足人们出行需求的前提下，降低人们的出行效率，降低出行成本和运输系统成本。近年来，随着许多城市大力推广智能城市交通建设，不仅为大众提供了便利，也为城市交管部门提供了海量的数据。在目前的交通管理系统中，数据对决策只起到一定的辅助作用，在绝大多数情况下还是以人的经验为主。交通路口的通行数据资源丰富，无论是在提供调度决策支撑，还是在大众错峰出行方面都具有较大的应用价值。
【技术保护点】
1.一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，其特征在于：所述方法包括如下步骤：/n步骤1)从某路口通行数据库将历史数据导入至Python的Pandas模块进行预处理，并按照时间段进行分组聚合；/n步骤2)对分组聚合处理后的数据进行归一化处理以便训练时收敛；/n步骤3)构建训练模型，按照80％训练集、20％验证集的比例划分训练集与验证集；/n步骤4)通过Ant-Cycle蚁群算法基于启发式思想对LSTM的神经网络进行优化，与实时数据进行比对，使用MAE与决定系数指标评价模型的预测准确率，最终完成对路口短时交通流的预测。/n
【技术特征摘要】
1.一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，其特征在于：所述方法包括如下步骤：
步骤1)从某路口通行数据库将历史数据导入至Python的Pandas模块进行预处理，并按照时间段进行分组聚合；
步骤2)对分组聚合处理后的数据进行归一化处理以便训练时收敛；
步骤3)构建训练模型，按照80％训练集、20％验证集的比例划分训练集与验证集；
步骤4)通过Ant-Cycle蚁群算法基于启发式思想对LSTM的神经网络进行优化，与实时数据进行比对，使用MAE与决定系数指标评价模型的预测准确率，最终完成对路口短时交通流的预测。
2.根据权利要求1所述的基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，其特征在于：步骤1)中对存入的数据集进行数据预处理去除错误数据、整合为能被训练直接使用的数据具体为：通过Pandas模块判断该时段数据是否为0、是否符合实际情况，处理历史交通路口流量情况，并将数据进行分组聚合，使数据按照15分钟为时间间隔进行聚合，使数据可以直接被训练模型使用。
3.根据权利要求2所述的基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，其特征在于：Ant-Cycle蚁群求解过程概率定义通过式(1)计算，
式(1)中，ρ∈[0，1]是信息素持久性系数，m是蚂蚁数，t是边缘上信息素轨迹的强度在TSP的情况下，可以定义为蚁群算法节点之间的反向距离。索引i和j是顶点的标签，allois是从第k个顶点可以到达的顶点集，最后，为蚂蚁k分配一组可能的跃迁，当找到可行解时，巡更结束。
4.根据权利要求3所述的基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，其特征在于：迭代结束时执行更新通过式(2)计算，
式(2)中，其中Lk是第k个蚂蚁的游程长度，Q是常数(通常值为1)，该算法的进一步改进是一种信息素轨迹平滑机制，当算法陷入停滞状态时，信息素矩阵通过按其差值的比例增大值使之平滑，以增加对解空间的探索。
5.根据权利要求3所述的基于蚁群算法优化的LS...
【专利技术属性】
技术研发人员：施佺，袁敏，李赟波，曹阳，荆彬彬，戴俊明，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32
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。