一种基于改进PSO算法的LSTM短时交通流预测方法技术

一种基于改进PSO算法的LSTM短时交通流预测方法，包括以下步骤：(1)种群初始化，(2)参数设定，(3)根据LSTM建立输入输出关系式，(4)适应函数，(5)终止条件。应用LSTM方法进行短时交通流预测，采用不同惯性权重的PSO算法预测结果如下，可见分段惯性权重收敛快于递增惯性权重，精度高于递减惯性权重，解决了递增惯性权重收敛速度慢，预测精度高，递减惯性权重收敛速度快，预测精度低的问题。预测精度低的问题。预测精度低的问题。

【技术实现步骤摘要】
一种基于改进PSO算法的LSTM短时交通流预测方法


[0001]本专利技术涉及新一代信息技术，尤其涉及一种基于改进PSO算法的LSTM短时交通流预测方法。

技术介绍

[0002]随着新一代信息技术的发展，打造智慧城市成为很多国家和城市未来的发展方向。交通作为城市发展的大动脉，成为智慧城市的重要组成部分，因此智慧城市的建设主要看智能交通的发展。5G技术的部署为智能交通提供了优质的网络环境，对于智能交通的发展起着关键的作用。
[0003]智能交通的核心是对交通大数据的数据处理、数据挖掘、信息传递、展示等技术的整合，而交通数据是智能交通发展的基础。交通流数据是智能交通大数据中的一种，通过对交通流数据的准确预测，可以为实时交通信号控制、交通路径诱导系统、事故检测等提供更准确的交通信息，并为交通规划及决策管理部门制定决策提供依据。
[0004]短时交通流具有较大的非线性和不确定性，目前短时交通流预测方法主要有：基于传统统计理论的方法，包括自回归模型、指数平滑法、移动平均模型、自回归差分移动平均法、时间序列模型等，方法简单、容易理解，但是鉴于交通量数据非线性、不确定性的特征，此类方法预测精度误差相对较大；以神经网络、非线性理论、模糊理论等方法为主的预测方法，这些方法对短时预测有更好的效果。在众多的短时预测方法中，神经网络模型以其灵活性、多变性，获得了广泛应用。随着人工智能的发展，交通流大数据时代也随之到来，由神经网络模型衍生出的深度学习，在大数据分析中发挥着重要的作用。深度学习中的LSTM(长短期记忆网络)可以同时保留时间序列的长期记忆和短期记忆，在时间序列短时预测上相比于传统的模型表现较为出色。
[0005]交通流数据即为时间序列数据，可以应用LSTM进行短时预测。LSTM(长短期记忆网络)是使用存储单元代替常规的神经元，每个存储单元由遗忘门、输入门及输出门构成，门可以对细胞状态进行更新替换，以达到对信息进行删减和增添的作用。如图1、2所示，LSTM网络结构中，x为输入层，x
t
表示t时的输入值；y为输出层，y
t
表示t时的输出值；c为细胞状态，c
t
为t时的细胞状态，可以保留较长时间的信息；h
t
‑1为上一序列细胞的输出。LSTM通过细胞状态及隐藏层细胞的输出将各存储单元链接起来，实现网络的延续。LSTM方法的计算公式如下：
[0006](1)确定遗忘门：
[0007](2)确定输入门：
[0008](3)确定待保留信息向量：z
t
＝tanh(W
c
*[h
t
‑1,x
t
]+b
c
)
[0009](4)更新细胞状态：
[0010](5)确定输出门：
[0011](6)获得隐藏层输出值：h
t
＝z
t
·
tanh(c
t
)
[0012](7)获得存储单元输出值：y
t
＝σ(W'
·
h
t
+b')
[0013]其中，W
f
、b
f
、W
i
、b
i
、W
c
、b
c
、W
o
、b
o
、W'、b'分别为相应的权值矩阵和偏置。应用于短时交通流预测时，主要是通过各算法确定这些权值矩阵及偏置，各参数值确定，便可通过新的输入值预测出新的短时交通流数据。
[0014]目前求解LSTM的方法主要是SGD(随机梯度下降法)和Adam(自适应梯度下降法)，但均存在一些缺陷，如SGD算法下降速度慢、波动大，容易陷入局部最优点，无法获得得出全局最优解；Adam算法同样会错过全局最优解，同时算法存在不收敛的可能性。

技术实现思路

[0015]本专利技术所要解决的技术问题是提供一种基于改进PSO算法的LSTM短时交通流预测方法，短了LSTM收敛速度，同时较大程度提高了短时预测的精度。
[0016]为解决上述技术问题，本专利技术的技术方案是：一种基于改进PSO算法的LSTM短时交通流预测方法，包括以下步骤：
[0017](1)种群初始化：
[0018]采用基本的微粒群算法进行交通速度短时预测，首先需要随机初始化一群满足约束条件的微粒，初始化微粒公式如下：
[0019][0020]其中rand()～U(0,1)，其中W包括W
f
、W
i
、W
c
、W
o
、W'，b包括b
f
、b
i
、b
c
、b
o
、b'，利用公式随机初始化微粒的位置与速度；
[0021](2)参数设定：
[0022]为了防止粒子远离搜索空间，将粒子的每一维飞行速度均钳位在[
‑
v
max
,v
max
]之间，v
max
＝kW
max
，k＝0.5，学习因子c1、c2均取值为2，rand()～U(0,1)；惯性权重ω采用改进的分段公式进行计算，其中q＝0.1；
[0023][0024]其中，ω表示惯性权重，M表示算法的最大迭代次数，iter表示迭代次数，q表示递增惯性权重和递减惯性权重切换点；
[0025](3)根据LSTM建立输入输出关系式：
[0026]确定遗忘门：
[0027]确定输入门：
[0028]确定待保留信息向量：z
t
＝tanh(W
c
*[h
t
‑1,x
t
]+b
c
)；
[0029]更新细胞状态：
[0030]确定输出门：
[0031]获得隐藏层输出值：h
t
＝z
t
·
tanh(c
t
)；
[0032]预测输出值：y
t
＝σ(W'
·
h
t
+b')；
[0033]其中，W
f
、b
f
、W
i
、b
i
、W
c
、b
c
、W
o
、b
o
、W'、b'分别为相应的权值矩阵和偏置；
[0034](4)适应函数：
[0035]短时交通流预测采用预测值与原始值差值平方和作为算法的适应函数：
[0036][0037]其中，n为训练样本数，y
i
为训练样本原始值，y
i
′
为训练样本预测值。适应值最低的粒子，即所求的最优解，表示此时预测值交通流的数值最接近于原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进PSO算法的LSTM短时交通流预测方法，其特征在于，包括以下步骤：(1)种群初始化：采用基本的微粒群算法进行交通速度短时预测，首先需要随机初始化一群满足约束条件的微粒，初始化微粒公式如下：其中rand()～U(0,1)，其中W包括W
f
、W
i
、W
c
、W
o
、W'，b包括b
f
、b
i
、b
c
、b
o
、b'，利用公式随机初始化微粒的位置与速度；(2)参数设定：为了防止粒子远离搜索空间，将粒子的每一维飞行速度均钳位在[
‑
v
max
,v
max
]之间，v
max
＝kW
max
，k＝0.5，学习因子c1、c2均取值为2，rand()～U(0,1)；惯性权重ω采用改进的分段公式进行计算，其中q＝0.1；其中，ω表示惯性权重，M表示算法的最大迭代次数，iter表示迭代次数，q表示递增惯性权重和递减惯性权重切换点；(3)根据LSTM建立输入输出关系式：确定遗忘门：确定输入门：确定待保留信息向量：z
t
＝tanh(W
c
*[h
t
‑1,x
t
]+b
c
)；更新细胞状态：确定输出门：获得隐藏层输出值：h
t
＝z
t
·
tanh(c
t
)；预测输出值：y
t
＝σ(W'
·
h
t
+b')；其中，W
f
、b
f

【专利技术属性】
技术研发人员：景国胜，周志华，张薇，顾宇忻，黄启乐，欧阳剑，刘佳辉，林晓生，沈文韬，郑贵兵，雷玲玲，谷裔凡，何琪海，
申请(专利权)人：广州市交通规划研究院，
类型：发明
国别省市：