改进麻雀搜索算法的短时交通流预测方法、设备和介质技术

本发明专利技术公开了一种改进麻雀搜索算法的短时交通流预测方法、设备和介质，该方法应用于一包括短时交通流预测模型的改进麻雀搜索算法的短时交通流预测系统，该方法包括：获取待预测道路的交通流数据；通过短时交通流预测模型对交通流数据进行处理，获得待预测道路的交通流预测结果，其中，短时交通流预测模型基于改进麻雀搜索算法和长短时记忆神经网络训练生成。通过该方法，在对交通流进行短时预测时，在一定程度上，能够加快预测速度，提高预测精度。度。度。

【技术实现步骤摘要】
改进麻雀搜索算法的短时交通流预测方法、设备和介质


[0001]本专利技术涉及计算机
，尤其涉及一种改进麻雀搜索算法的短时交通流预测方法、设备和介质。

技术介绍

[0002]随着国民经济的高速发展和人民生活水平的普遍提高，机动车拥有量和道路交通量急剧增加，许多城市纷纷引入城市公路交通流预测系统。
[0003]在日常生活中，对城市公路交通流的预测往往会受到诸如路况、时间点、天气变化等因素的影响，从而导致城市公路交通流数据具有高度不确定性，并且还具有规律不明显性。
[0004]在现有的技术中，在对道路的交通流进行预测时，是采用传统的具有长期记忆能力的长短时记忆网络方法来训练长短时记忆网络的网络参数。
[0005]目前有许多短时交通流预测方法，尤其是神经网络相关算法已经广泛应用于各个领域。特别是，深度学习的发展大大加强了神经网络计算的准确性。其中，短时交通流量是指在一段较短时间内（一般取5分钟到20分钟）通过某一道路层面的车辆数量。
[0006]本申请专利技术人在实现本申请实施例技术方案的过程中，至少发现现有技术中存在如下技术问题：长短时记忆网络的模型中的超参数是难以确定的，本领域技术人员很难准确的搭建出交通流预测模型，从而降低了交通流的预测精度。
[0007]对于短时交通流预测方法，从目前算法来看，深度学习算法响应的时间较长，交通流的预测速度慢。在实际应用中，深度学习算法并不能很好地适用于短时交通流预测。
[0008]综上，现有的短时交通流预测方法存在预测速度慢和预测精度低的技术问题。

技术实现思路

[0009]本申请实施例提供一种改进麻雀搜索算法的短时交通流预测方法、设备和介质，解决了现有技术中存在的现有的短时交通流预测方法存在预测速度慢和预测精度低的技术问题。
[0010]本申请实施例一方面提供了一种改进麻雀搜索算法的短时交通流预测方法，应用于一改进麻雀搜索算法的短时交通流预测系统，所述改进麻雀搜索算法的短时交通流预测系统包括一短时交通流预测模型，所述方法包括：获取待预测道路的交通流数据；通过所述短时交通流预测模型对所述交通流数据进行处理，获得待预测道路的交通流预测结果，其中，所述短时交通流预测模型基于改进麻雀搜索算法和长短时记忆神经网络训练生成，所述改进麻雀搜索算法采用帐篷混沌映射、动态步长、高斯扰动和贪婪规则。
[0011]可选的，所述短时交通流预测模型基于改进麻雀搜索算法和长短时记忆神经网络训练生成，具体包括：获取一历史交通流数据；基于所述历史交通流数据和改进麻雀搜索算法，获得一初始化长短时记忆神经网络超参数；通过长短时记忆神经网络以及所述历史交
通流数据对所述初始化长短时记忆神经网络超参数进行训练，获得所述短时交通流预测模型。可选的，所述基于所述历史交通流数据和改进麻雀搜索算法，获得一初始化长短时记忆神经网络超参数，具体包括：将所述历史交通流数据作为种群个体，设置种群数量，使用帐篷混沌映射进行种群初始化，计算每个个体的适应度值；按照所述适应度值大小，从种群个体中挑选一特定比例的发现者，根据第一预设规则更新所述发现者的位置；从剩余种群个体中挑选出一特定量的加入者，根据第二预设规则更新所述加入者的位置；随机从种群个体中挑选一特定量的警戒者，根据第三预设规则更新所述警戒者的位置；根据高斯变异扰动策略，获得最优位置解；按照贪婪规则，判断是否达到终止条件，生成判断结果；当所述判断结果表明达到终止条件时，将所述最优位置解作为初始化长短时记忆神经网络超参数。
[0012]可选的，在所述获取待预测道路的交通流数据之后，在所述通过所述短时交通流预测模型对所述交通流数据进行处理之前，还包括步骤：校正所述交通流数据。
[0013]可选的，所述校正所述交通流数据，具体包括：对所述交通流数据进行数据降噪、同步挤压小波降噪处理、异常数据识别及修复和/或归一化处理。
[0014]可选的，在所述获取一历史交通流数据之后，在所述获得一初始化长短时记忆神经网络超参数之前，还包括步骤：校正所述历史交通流数据。
[0015]可选的，所述校正所述历史交通流数据具体包括：对所述历史交通流数据进行数据降噪、同步挤压小波降噪处理、异常数据识别及修复和/或归一化处理。
[0016]另一方面，本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现改进麻雀搜索算法的短时交通流预测方法的步骤。
[0017]本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现改进麻雀搜索算法的短时交通流预测方法的步骤。
[0018]本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现改进麻雀搜索算法的短时交通流预测方法的步骤。
[0019]本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：获取待预测道路的交通流数据；通过所述短时交通流预测模型对所述交通流数据进行处理，获得待预测道路的交通流预测结果，其中，所述短时交通流预测模型基于改进麻雀搜索算法和长短时记忆神经网络训练生成，所述改进麻雀搜索算法采用帐篷混沌映射、动态步长、高斯扰动和贪婪规则。由于本申请中的方法在对短时交通流进行预测时，采用的长短时记忆神经网络的短时交通流预测模型基于改进麻雀搜索算法训练生成，由于改进麻雀搜索算法具有较强抗干扰能力和全局搜索能力，且改进麻雀搜索算法具有收敛速度更快，收敛曲线更加光滑的特点，因此在很大程度上能收敛于全局最优解，所以采用基于改进麻雀搜索算法训练生成的短时交通流预测模型在对交通流进行短时预测时，在一定程度上，能够加快预测速度，提高预测精度。
[0020]进一步，所述短时交通流预测模型基于改进麻雀搜索算法和长短时记忆神经网络训练生成，具体包括：获取一历史交通流数据；基于所述历史交通流数据和改进麻雀搜索算法，获得一初始化长短时记忆神经网络超参数；通过长短时记忆神经网络以及所述历史交
通流数据对所述初始化长短时记忆神经网络超参数进行训练，获得所述短时交通流预测模型。由于本申请中的方法在对短时交通流进行预测时，采用的长短时记忆神经网络的短时交通流预测模型的初始化长短时记忆神经网络超参数是依据历史交通流数据以及改进麻雀搜索算法计算得到的，初始化长短时记忆神经网络超参数比较准确，改进麻雀搜索算法具有一定的全面性和多样性，搭建出的短时交通流预测模型准确性提高，能够进一步加快预测速度，进一步提高预测精度。
[0021]再进一步，所述基于所述历史交通流数据和改进麻雀搜索算法，获得一初始化长短时记忆神经网络超参数，具体包括：将所述历史交通流数据作为种群个体，设置种群数量，使用帐篷混沌映射进行种群初始化，计算每个个体的适应度值；按照所述适应度值大小，从种群个体中挑选一特定比例的发现者，根据第一预设规则更新所述发现者的位置；从剩余种群个体中挑选出一特定量的加入者，根据第二预设规则更新所述加入者的位置；随机从种群个体中挑选一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进麻雀搜索算法的短时交通流预测方法，应用于一改进麻雀搜索算法的短时交通流预测系统，其特征在于，所述改进麻雀搜索算法的短时交通流预测系统包括一短时交通流预测模型，所述方法包括：获取待预测道路的交通流数据；通过所述短时交通流预测模型对所述交通流数据进行处理，获得待预测道路的交通流预测结果，其中，所述短时交通流预测模型基于改进麻雀搜索算法和长短时记忆神经网络训练生成，所述改进麻雀搜索算法采用帐篷混沌映射、动态步长、高斯扰动和贪婪规则。2.如权利要求1所述的方法，其特征在于，所述短时交通流预测模型基于改进麻雀搜索算法和长短时记忆神经网络训练生成，具体包括：获取一历史交通流数据；基于所述历史交通流数据和改进麻雀搜索算法，获得一初始化长短时记忆神经网络超参数；通过长短时记忆神经网络以及所述历史交通流数据对所述初始化长短时记忆神经网络超参数进行训练，获得所述短时交通流预测模型。3.如权利要求2所述的方法，其特征在于，所述基于所述历史交通流数据和改进麻雀搜索算法，获得一初始化长短时记忆神经网络超参数，具体包括：将所述历史交通流数据作为种群个体，设置种群数量，使用帐篷混沌映射进行种群初始化，计算每个个体的适应度值；按照所述适应度值大小，从种群个体中挑选一特定比例的发现者，根据第一预设规则更新所述发现者的位置；从剩余种群个体中挑选出一特定量的加入者，根据第二预设规则更新所述加入者的位置；随机从种群个体中挑选一特定量的警戒者，根据第三预设规则更新所述警戒者的位置；根据高斯变异扰动策略，获得最优位置解；按照贪...

【专利技术属性】
技术研发人员：卢金勤，朱立，邓芳明，傅清丁，岳康，朱淘淘，罗梓铭，王志强，于景浩，郭锡昭，朱磊，姚道金，
申请(专利权)人：江西锦路科技开发有限公司，
类型：发明
国别省市：