一种面向时间段的LSTM交通流密度预测方法技术

本发明专利技术公开了一种面向时间段的LSTM交通流密度预测方法。本发明专利技术创造性地提出了交通流密度的概念，得到区域内各车辆的交通流密度数据集，有效反映城市交通热点区域内的实际交通拥堵情况。利用动态时间规整方法在时间轴上进行局部的延伸或缩短，以此更精确地度量交通流密度序列切片间的相似性。利用K‑Means聚类方法，对各交通流密度切片序列按照相似性分类，有利于反映交通流密度的典型模式。针对模式相似的交通流密度数据分别训练神经网络，并对各神经网络输出预测值按时间标签或据聚类中心的距离加权求和，充分利用了数据的序列结构特点。最后利用所在工作日类型相同的过往数据对加权求和结果进行相似日修正，提高算法预测精度。

【技术实现步骤摘要】
一种面向时间段的LSTM交通流密度预测方法
本专利技术属于交通预测领域，更具体地，涉及一种面向时间段的LSTM交通流密度预测方法。
技术介绍
随着我国社会经济发展的蒸蒸日上和城市化建设进程的稳步推进，人民的物质生活条件得到改善，机动车持有量及道路交通运输量急剧增加，城市尤其是大城市的交通拥堵现象成为目前一个焦点问题。逐渐突显的交通路网阻滞、交通秩序混乱等问题，给城市交通管理带来了巨大冲击和压力。而由此现象带来的通勤时间浪费、能源经济损失、空气质量下降等问题也日益彰显。当前，城市道路交通拥堵问题不仅制约着社会经济的进一步发展，也是影响民众出行体验、降低人民生活质量的重要原因。因此，必须加强对城市道路车辆运动预测方法的研究，以备能够进一步完成解决城市交通拥堵的任务。针对城市道路交通流预测的问题，相关领域的专家学者进行了许多的研究，不断地提出复杂度更高、性能更优良的预测方法，或是对现有的预测方法从不同角度进行改良。总体来说，目前这些预测方法大致可分成两类：一类是以数理统计和微积分等传统数学和物理方法为基础的预测模型，主要包括时间序列模型、参数本文档来自技高网...

【技术保护点】
1.一种面向时间段的LSTM交通流密度预测方法，其特征在于，包括：数据处理阶段、训练阶段、调参阶段和测试阶段；/n其中数据处理阶段具体包括：选取研究区域，从采集的车辆轨迹信息中选取与该研究区域有交集的部分，按交通流密度公式计算得到区域内各车辆的交通流密度数据集，将交通流密度数据集划分为训练集、验证集和测试集；/n训练阶段包括如下步骤：/n步骤S11，对训练集中的交通流密度数据按给定的长度进行分割，得到时间序列切片，并记录其时间标签，利用动态时间规整方法计算时间序列切片间的相似性，并通过K-Means聚类方法对各交通流密度切片按照相似性分类，得到N个聚类簇及对应的时间标签；/n步骤S12，搭建面...

【技术特征摘要】
1.一种面向时间段的LSTM交通流密度预测方法，其特征在于，包括：数据处理阶段、训练阶段、调参阶段和测试阶段；
其中数据处理阶段具体包括：选取研究区域，从采集的车辆轨迹信息中选取与该研究区域有交集的部分，按交通流密度公式计算得到区域内各车辆的交通流密度数据集，将交通流密度数据集划分为训练集、验证集和测试集；
训练阶段包括如下步骤：
步骤S11，对训练集中的交通流密度数据按给定的长度进行分割，得到时间序列切片，并记录其时间标签，利用动态时间规整方法计算时间序列切片间的相似性，并通过K-Means聚类方法对各交通流密度切片按照相似性分类，得到N个聚类簇及对应的时间标签；
步骤S12，搭建面向时间段的LSTM神经网络，将神经网络的输入数据按指定长度进行时间序列滑窗处理、拼接处理与正规化处理；
步骤S13，取N个聚类簇的数据，分别训练N个LSTM神经网络；
调参阶段包括如下步骤：
步骤S21，对验证集数据进行预处理，具体包括：
设滑窗长度为seq_len，对验证集内每条序列进行时间序列窗口大小为seq_len、滑窗步长为1的时间序列滑窗处理，然后进行拼接处理和正规化处理；
步骤S22，将处理后的验证集数据按给定标准输入L个神经网络，L<N，并对L个预测结果进行反正规化操作和加权求和；
步骤S23，利用过往数据对加权求和结果进行修正，输出最终预测结果；
步骤S24，调整参数，重新用训练集数据进行聚类和神经网络训练，然后重复S22、S23并进行误差分析；
步骤S25，重复步骤S24多次，最终保留使误差分析中相对表现最好的参数作为模型参数；
测试阶段包括如下步骤：
步骤S31，对测试集数据进行同步骤S21的预处理操作；
步骤S32，将处理后的测试集数据按给定标准输入L个神经网络，L<N，并对L个预测结果进行反正规化操作和加权求和，利用过往数据对加权求和结果进行修正，输出最终预测结果；
步骤S33，重新利用训练集数据进行聚类、神经网络训练，再进行步骤S32；
步骤S34，重复执行步骤S33M遍，预测得到交通流密度。


2.根据权利要求1所述的一种面向时间段的LSTM交通流密度预测方法，其特征在于：所述的车辆轨迹信息来源于网络数据集；
所述的研究区域为城市交通热点区域；
获取的车辆轨迹信息为经过间隔时间采集的机动车轨迹点数；
将选取研究区域内的指定间隔时间内的轨迹点数量进行累加，得到各路段指定间隔时间的交通流密度数据集，所述指定间隔时间根据预测需求制；
若指定间隔时间为Δt，间隔时间内车辆轨迹点在研究区域出现频数为n，则交通流密度数据定义为：



将交通流密度数据集划分为训练集、验证集和测试集。


3.根据权利要求1所述的一种面向时间段的LSTM交通流密度预测方法，其特征在于：步骤S11中得到N个聚类簇的具体实现方式如下；
首先利用动态时间规整方法计算时间序列切片间的相似性，具体实现方式如下，
动态时间规整方法在时间轴上进行局部的延伸或缩短，以计算时间序列间的相似性，若需要计算相似度的两个时间序列为X和Y，长度为|X|和|Y|，i表示X中的i时刻交通流密度，j表示Y中的j时刻交通流密度，则归整路径W定义为：
W＝w1,w2,...,wk,Max(|X|,|Y|)≤k≤|X|+|Y|
式中：w1＝(1,1)，wk＝(|X|,|Y|)；
从(1,1)到(i,j)累积的归整距离D(i,j)定义为：
D(i,j)＝Dist(i,j)+Min[D(i-1,j),D(i,j-1),D(i-1,j-1)]
式中：Dist(i,j)表示Xi,Yj两点间的距离；

【专利技术属性】
技术研发人员：曾昀敏，陈佩仪，张衡，胡栋，孙艺菲，姚剑，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42