基于LSTM-GASVR的多尺度短时交通流预测建模、预测方法及系统技术方案

本发明专利技术属于交通技术领域，公开了一种基于LSTM

【技术实现步骤摘要】
基于LSTM
‑
GASVR的多尺度短时交通流预测建模、预测方法及系统


[0001]本专利技术属于交通
，具体涉及一种基于LSTM
‑
GASVR的多尺度短时交通流预测建模、预测方法及系统。

技术介绍

[0002]高精度的短时交通流预测展现了未来交通的发展趋势，为智能交通管理，路网规划提供了未来交通流数据，不仅有利于缓解交通拥堵，对自动驾驶车辆也十分重要。短时交通流预测是指由之前某几段时间间隔内交通流预测下一段时间的交通流，短时交通流预测作为智能交通的研究热点，国内外研究成果丰富。目前国内外的短时交通流预测技术主要有以下5种方式且每种方式均存在一些问题：
[0003]季节性ARIMA(SARIMA)短期交通流预测模型，在数据有限性的约束下实现了交通流预测，然而该模型对数据的平稳性要求较高，适用性较低；基于深度循环网络(RNN)的预测模型，该预测效果较好，但对非周期性数据的预测效果存在较大差异；基于CNN
‑
SVR短时交通流预测模型，采用adam优化算法确保时空流特征的完全性，降低了外界因素的干扰，可有效预测交通流，但由于数据较为单一，模型的泛化能力不强；基于思维进化算法提出一种改进的BP神经网络模型，利用混沌理论方法对交通流量时间序列进行相空间重构，有效提高了预测模型的准确性，但由于模型使用数据较少，缺乏可信度，且未考虑假期等特殊时间段的预测效果，通用性不强；基于LSTM的预测模型等。
[0004]目前，多数短时交通流预测方法采用规律平稳的数据，采用较单一的模型对短时交通流进行预测，泛化能力低且不能兼顾实时性与高精度的要求。研究表明，组合模型在预测短期交通流时比单一模型更加准确和适用，然而现有交通流预测模型普遍存在实时性差、可行性低、局限性强、准确率有待进一步提高等问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于LSTM
‑
GASVR的多尺度短时交通流预测建模、预测方法及系统，用以解决现有技术中的等问题。
[0006]为了实现上述任务，本专利技术采用以下技术方案：
[0007]一种基于LSTM
‑
GASVR的多尺度短时交通流预测建模方法，包括如下步骤：
[0008]步骤1：采集交通流数据，对交通流数据进行预处理、选取采样间隔、选取时间步并增加工作日标志位，获得多个时刻的短时交通流数据，所述的每个时刻的短时交通流数据为选定采样间隔下的交通流数据；
[0009]步骤2：建立LSTM模型，所述的LSTM模型包括输入层、两个LSTM层、Dropout层和全连接层，将步骤1获得的所有时刻的短时交通流数据输入LSTM模型中进行训练，每次训练时将前一时刻的短时交通流数据作为输入，当前时刻的短时交通流数据作为标签，当前时刻的预测交通流数据作为输出，将训练完成的LSTM模型作为LSTM交通流预测模型；
[0010]步骤3：建立SVR模型，将步骤1获得的所有时刻的短时交通流数据输入SVR模型中进行训练，并采用遗传算法优化SVR模型的训练参数组合(C,ε,r)，其中，C、ε、r均为SVR模型的训练参数，将训练完成的SVR模型作为SVR短时交通流预测模型；
[0011]步骤4：将多个时刻的短时交通流数据输入步骤2得到的LSTM交通流预测模型中，得到多个时刻的预测交通流数据，将每个时刻的预测交通流数据和该时刻的前一时刻的短时交通流数据进行平均后输入步骤3得到的SVR短时交通流预测模型进行训练，训练完成后，获得LSTM
‑
GASVR交通流预测模型。
[0012]进一步的，步骤1中，选取采样间隔、选取时间步包括如下子步骤：
[0013]步骤a1：对采集到的同一段交通流数据采用不同的采样间隔和时间步进行分割，获得多组短时交通流数据，每组短时交通流数据包括多个时刻，每个时刻对应一个时间步；
[0014]步骤a2：建立LSTM模型分别利用多组短时交通流数据对LSTM模型进行训练，获得多个训练好的LSTM模型；
[0015]步骤a3：对不同时间间隔降采样的短时交通流数据通过LSTM模型进行预测，将MAPE、解释方差得分、拟合优度、网络的训练速度、损失函数值及预测结果作为衡量指数，获取衡量指数最高的采样间隔作为最佳采样间隔；
[0016]步骤a4：对最佳采样间隔下不同时间步的短时交通流数据通过LSTM模型进行预测，将MAPE、解释方差得分、拟合优度、训练稳定性、损失函数值及预测结果与真实值的拟合程度曲线作为衡量指数，获取衡量指数最高的时间步作为最佳时间步；
[0017]步骤a5：选取最佳采样间隔和最佳时间步作为采样间隔和时间步。
[0018]进一步的，所述的最佳采样间隔为15min，最佳时间步为12。
[0019]进一步的，所述的预处理包括数据扩充、数据重采样、数据归一化、数据重构和工作日因素升维。
[0020]进一步的，步骤2中，采用遗传算法优化SVR模型的训练参数组合(C,ε,r)时，(C,ε,r)的取值范围为：C∈[275,285]，ε∈[0.4,0.6]，σ∈[0.001,0.003]，遗传算法适应度计算函数为MAPE，迭代次数为200次。
[0021]一种基于LSTM
‑
GASVR的多尺度短时交通流预测方法，包括如下步骤：
[0022]步骤一：获取当前时刻的短时交通流数据；
[0023]步骤二：将当前时刻的输入任一种基于LSTM
‑
GASVR的多尺度短时交通流预测建模方法得到的LSTM
‑
GASVR交通流预测模型，获得下一时刻的预测交通流数据。
[0024]一种基于LSTM
‑
GASVR的多尺度短时交通流预测系统，该系统包括处理器和用于存储能够在处理器上运行的多个功能模块的存储器，所述功能模块包括LSTM
‑
GASVR交通流预测模型、输入模块和输出模块；
[0025]所述的输入模块用于获取当前时刻的短时交通流数据；
[0026]所述的输出模块用于输入当前时刻的短时交通流数据，根据任一种基于LSTM
‑
GASVR的多尺度短时交通流预测建模方法得到的LSTM
‑
GASVR交通流预测模型获得下一时刻的预测交通流数据。
[0027]本专利技术与现有技术相比具有以下技术特点：
[0028](1)本专利技术区别于现有的交通流预测方法，对15分钟的短期交通流进行预测，满足了交通管控中对交通流预测实时性的要求，根据前十二段15分钟的数据，将工作日因素按
“
周内”“周末”“节假日”分为三类，加入当前预测时间段的工作日标志位，全面考虑了影响交通流的因素。
[0029](2)本专利技术的LSTM模型的最佳采样间隔及时间步，不仅满足了实时性的要求，也实现了高精度预测短时交通流的目标。
[0030](3)本专利技术的GASVR模型利用G本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM
‑
GASVR的多尺度短时交通流预测建模方法，其特征在于，包括如下步骤：步骤1：采集交通流数据，对交通流数据进行预处理、选取采样间隔、选取时间步并增加工作日标志位，获得多个时刻的短时交通流数据，所述的每个时刻的短时交通流数据为选定采样间隔下的交通流数据；步骤2：建立LSTM模型，所述的LSTM模型包括输入层、两个LSTM层、Dropout层和全连接层，将步骤1获得的所有时刻的短时交通流数据输入LSTM模型中进行训练，每次训练时将前一时刻的短时交通流数据作为输入，当前时刻的短时交通流数据作为标签，当前时刻的预测交通流数据作为输出，将训练完成的LSTM模型作为LSTM交通流预测模型；步骤3：建立SVR模型，将步骤1获得的所有时刻的短时交通流数据输入SVR模型中进行训练，并采用遗传算法优化SVR模型的训练参数组合(C,ε,r)，其中，C、ε、r均为SVR模型的训练参数，将训练完成的SVR模型作为SVR短时交通流预测模型；步骤4：将多个时刻的短时交通流数据输入步骤2得到的LSTM交通流预测模型中，得到多个时刻的预测交通流数据，将每个时刻的预测交通流数据和该时刻的前一时刻的短时交通流数据进行平均后输入步骤3得到的SVR短时交通流预测模型进行训练，训练完成后，获得LSTM
‑
GASVR交通流预测模型。2.如权利要求1所述的基于LSTM
‑
GASVR的多尺度短时交通流预测建模方法，其特征在于，步骤1中，选取采样间隔、选取时间步包括如下子步骤：步骤a1：对采集到的同一段交通流数据采用不同的采样间隔和时间步进行分割，获得多组短时交通流数据，每组短时交通流数据包括多个时刻，每个时刻对应一个时间步；步骤a2：建立LSTM模型分别利用多组短时交通流数据对LSTM模型进行训练，获得多个训练好的LSTM模型；步骤a3：对不同时间间隔降采样的短时交通流数据通过LSTM模型进行预测，将MAPE、解释方差得分、拟合优度、网络的训练速度、损失函数值及预测结果作为衡量指数，获取衡量指数最高的采样间隔作为最佳采样间隔；步骤a4：对最佳采样间隔下不同时间步的短时交通流数据通过LSTM模型进行预测，将MA...

【专利技术属性】
技术研发人员：程鑫，周经美，常惠，王宏飞，乔通，张晓静，宋佳纯，赵犇，翟茗禹，连新宇，郭兰英，
申请(专利权)人：长安大学，
类型：发明
国别省市：