一种区域交通流量预测方法及系统技术方案

本发明专利技术涉及一种区域交通流量预测方法及系统。所述方法，包括：获取车辆在目标区域的历史交通流量数据，将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据。本发明专利技术提高了区域交通流量的预测精度。

【技术实现步骤摘要】
一种区域交通流量预测方法及系统
本专利技术涉及时空网络流量预测
，特别是涉及一种区域交通流量预测方法及系统。
技术介绍
时空网络的流量预测问题是智能交通系统中一个十分具有挑战性的问题。时空网络中的节点间根据地理拓扑结构具有空间相关性，节点流量在不同时间间隔内具有时间相关性。传统神经网络模型在时空网络流量预测方面，因为网络结构和数值计算方法的影响，导致预测结果存在误差，且在数据规模较大时模型训练的时间成本较大，导致训练效率较低。
技术实现思路
本专利技术的目的是提供一种区域交通流量预测方法及系统，本专利技术提高了区域交通流量的预测精度。为实现上述目的，本专利技术提供了如下方案：一种区域交通流量预测方法，包括：获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据；将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的；将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的；将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。可选的，所述加权平均值预测模型的确定方法为；获取车辆在待训练区域的历史交通流量数据；将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段；选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据；将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据；根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值；根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值；根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。可选的，所述根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值，具体为：根据计算所述第一交通流量预测模型的权值和第二交通流量预测模型的的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i取1时，λ1表示第一交通流量预测模型的权值，R1为第二交通流量预测模型的均方根误差值，当i取2时，λ2表示第一交通流量预测模型的权值，R2为第二交通流量预测模型的均方根误差值。可选的，所述加权平均值预测模型，具体为：M＝λ1M1+λ2M2，其中，M为区域交通流量预测数据，M1为长短期预测数据，M2为向量机预测数据，λ1为第一交通流量预测模型的权值，λ2为第二交通流量预测模型的权值。可选的，在所述对所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据，之前还包括：对所述历史交通流量进行归一化处理，得到归一化后的历史交通流量。一种区域交通流量预测系统，包括：第一数据获取模块，用于获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据；第一交通流量数据转换模块，用于将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；第一预测模块，用于选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的；第二预测模块，用于将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的；交通流量预测模块，用于将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。可选的，所述区域交通流量预测系统，还包括：第二数据获取模块，用于获取车辆在待训练区域的历史交通流量数据；第二交通流量数据转换模块，用于将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段；长短期预测数据确定模块，用于选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据；向量机预测数据确定模块，用于将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据；均方根误差确定模块，用于根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值；权值确定模块，用于根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值；加权平均值预测模型确定模块，用于根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。可选的，所述权值确定模块包括：权值确定单元，用于根据计算所述第一交通流量预测模型的权值和第二交通流量预测模型的的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i本文档来自技高网...

【技术保护点】
1.一种区域交通流量预测方法，其特征在于，包括：/n获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据；/n将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；/n选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的；/n将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的；/n将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。/n

【技术特征摘要】
1.一种区域交通流量预测方法，其特征在于，包括：
获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据；
将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；
选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的；
将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的；
将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。


2.根据权利要求1所述的一种区域交通流量预测方法，其特征在于，所述加权平均值预测模型的确定方法为；
获取车辆在待训练区域的历史交通流量数据；
将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段；
选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据；
将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据；
根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值；
根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值；
根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。


3.根据权利要求2所述的一种区域交通流量预测方法，其特征在于，所述根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值，具体为：
根据计算所述第一交通流量预测模型的权值和第二交通流量预测模型的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i取1时，λ1表示第一交通流量预测模型的权值，R1为第一交通流量预测模型的均方根误差值，当i取2时，λ2表示第二交通流量预测模型的权值，R2为第二交通流量预测模型的均方根误差值。


4.根据权利要求1所述的一种区域交通流量预测方法，其特征在于，所述加权平均值预测模型，具体为：
M＝λ1M1+λ2M2，其中，M为区域交通流量预测数据，M1为长短期预测数据，M2为向量机预测数据，λ1为第一交通流量预测模型的权值，λ2为第二交通流量预测模型的权值。


5.根据权利要求1所述的一种区域交通流量预测方法，其特征在于，在所述对所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据，之前还包括：
对所述历史交通流量进行归一化处理，得到归一化后的历史交通流量...

【专利技术属性】
技术研发人员：张昕，张莹，周超然，马太，薛晓田，戴瑞雪，何敏，赖斯莹，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：吉林;22