一种智慧服务区车流量预测方法技术

本发明专利技术公开了一种智慧服务区车流量预测方法，属于数据处理及预测技术领域。包括以下步骤：获取智慧服务区的车流数据，进行数据清洗、数据融合等预处理操作；将有效车流数据使用EEMD算法分解为多个IMF分量和一个残差序列；设定BI

【技术实现步骤摘要】
一种智慧服务区车流量预测方法


[0001]本专利技术涉及数据处理及预测
，具体为一种智慧服务区车流量预测方法。

技术介绍

[0002]随着智慧高速公路的建设，综合智能服务区不断涌现。以数字技术提供现代出行服务，将新一代信息技术云计算、物联网、高速移动、传感器技术、人工智能和系统综合技术有效集成，以实现精准高效的车客流管理。目前，高速公路具有车速高、通行能力大、行车安全三大特点已成为人们短途出行的重要选择，尤其是在假期期间，车流量显著增加。因此，对于服务区车流的智能管控越来越受到重视。准确有效的车流量预测，便于管理部门提前感知拥堵程度，制定调整策略，进行交通疏通，保证交通正常运行。然而，车流数据的复杂性和不规律性也增加了预测模型性能的难度。所以人们一直在寻求一种更好的预测方法来提高准确性。且高速公路服务区的短时车流预测对于及时制定交通流量变化策略，调节高速公路交通发挥着重要作用。
[0003]对于高速公路的智慧服务区，建立合适的交通流量预测模型存在一些困难。主要原因有两点：首先，服务区内的交通流量不断波动，在相邻时间可能会发生很大变化，特别是在特殊天气下，交通流量波动非常明显，单一模型很难准确拟合交通流量变化的方向和时间变化。其次，服务区交通流量的峰值持续时间较长，并且可能存在多个峰值，因此需要考虑模型的泛化性能。因此，在选择模型时，应考虑对整体交通流变化的拟合精度。预测模型不仅要充分了解交通流的周期性、时间序列连续性和趋势，还要具有良好的泛化能力，从而更好地拟合交通流的峰值，最小化极端离散异常值对峰值拟合的影响。

技术实现思路

[0004]本专利技术的目的在于为解决车流随机波动性强、普通深度学习预测模型存在的车流数据挖掘程度不足、预测准确度较低的问题，提供一种智慧服务区车流量预测方法，其基于集合经验模态分解法(EEMD)和双向门控循环单元(BI_GRU)的组合预测模型来高速公路智慧服务区车流。模型使用EEMD算法将车流时间序列进行分解，降低初始车流序列的非平稳性，同时为预测提供潜在的特征集。BI_GRU结构作为预测模型，使模型能够更深层、高效地处理车流数据，提高预测准确度。从而解决了上述
技术介绍
中提出的问题。
[0005]本专利技术采用的技术方案如下：
[0006]一种智慧服务区车流量预测方法，包括以下步骤：
[0007]步骤一：获取智慧服务区的车流数据，进行数据清洗、数据融合预处理操作；
[0008]步骤二：将经过步骤一处理的有效车流数据使用EEMD算法分解为多个IMF分量和一个残差序列；
[0009]步骤三：设定BI_GRU网络层的基本结构及相关参数，将IMF序列输入BI_GRU网络中进行时间特征提取，并在测试集上验证预测结果，迭代优化网络模型参数；
[0010]步骤四：根据优化后的参数重新设置BI_GRU网络，重复步骤三得出最优参数；
[0011]步骤五：将BI_GRU网络的输出通过全连接层计算预测结果，选择评估函数，评估EEMD
‑
BI_GRU模型对车流的预测性能。
[0012]所述步骤二中EEMD算法的具体分解步骤为：
[0013]1)对原始时间序列信号x(t)加入符合正态分布的高斯白噪声x(t)，形成新的时间序列信号x
i
(t)，其计算式如下：
[0014]x
i
(t)＝x(t)+n
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0015]式中：i为增加白噪声次数；
[0016]2)新的时间序列信号x
i
(t)经过EMD分解成n个IMF分量C
ji
(t)，(j＝1,2,...,n)和一个剩余分量R
es
，其计算式如下：
[0017]x
i
(t)＝C
ji
(t)+R
es
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0018]式中：C
ji
(t)为加入i次白噪声后分解得到的第j个IMF分量；
[0019]3)重复以上两个步骤N次，并将各对应的IMF分量相加再求均值，其计算式如下：
[0020][0021]式中：为时间序列信号分解得到的第j个IMF分量平均值；
[0022]4)最终原始时间序列信号x(t)经过EEMD分解后表示为：
[0023][0024]所述步骤三中BI_GRU网络层包含正向、反向两个GRU网络层，正向传播的GRU网络层用来计算当前时刻的序列信息，反向传播的GRU网络层逆向读取同一序列，引入逆序信息，两个GRU网络层共同连接一个输出层，在网络训练过程中为输出层中的所有神经元提供正向与逆序两类信息。
[0025]所述步骤三中BI_GRU网络通过如下公式独立进行计算：
[0026]h'
t
＝f(W1x
t
+W3h'
t
+b'
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0027]h
t
＝f(W2x
t
+W4h
t
‑1+b
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0028][0029]式中，h'
t
、h
t
、x
t
、H
t
分别为t时刻的正向隐藏层状态、反向隐藏层状态、输入神经元的输入值、隐藏层状态的输出值；W1、W2、W3、W4为不同组件的权重矩阵；f为隐藏层的激活函数；b'
t
、b
t
分别为正向隐藏层的偏置向量与反向隐藏层的偏置向量；为隐藏层状态向量拼接操作。
[0030]所述步骤五中的评估函数为：
[0031][0032]式中，T
MSE
为均方误差，为预测值，k
i
实际值，n为训练数据的个数。
[0033]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0034]1.本专利技术中的B I_GRU结构较LSTM简单，运行效率高。
[0035]2.本专利技术通过引入EMD分解算法，使各项误差有较为明显的降低，相较于单一B I_GRU模型，MAE、MSE、RMSE分别降低了1.35146、13.26556和2.13863。另外，使用EEMD分解算法
结合B I_GRU神经网络模型后，模型预测精度再一次得到了提升，从而验证了分解算法在车流预测中的贡献。与EMD+B I_GRU相比，MSE降低了2.86696。EEMD算法有效地避免了EMD算法的模态混叠，利用白噪声的频率均布特性减少了噪声对分解结果的影响，因此预测效果优于EMD模型。
[0036]3.本专利技术EEMD+B I_GRU模型的MAE、MSE、MASE分别为1.35327、4.12944、2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智慧服务区车流量预测方法，其特征在于，包括以下步骤：步骤一：获取智慧服务区的车流数据，进行数据清洗、数据融合预处理操作；步骤二：将经过步骤一处理的有效车流数据使用EEMD算法分解为多个IMF分量和一个残差序列；步骤三：设定BI_GRU网络层的基本结构及相关参数，将IMF序列输入BI_GRU网络中进行时间特征提取，并在测试集上验证预测结果，迭代优化网络模型参数；步骤四：根据优化后的参数重新设置BI_GRU网络，重复步骤三得出最优参数；步骤五：将BI_GRU网络的输出通过全连接层计算预测结果，选择评估函数，评估EEMD
‑
BI_GRU模型对车流的预测性能。2.根据权利要求1所述的一种智慧服务区车流量预测方法，其特征在于：所述步骤二中EEMD算法的具体分解步骤为：1)对原始时间序列信号x(t)加入符合正态分布的高斯白噪声x(t)，形成新的时间序列信号x
i
(t)，其计算式如下：x
i
(t)＝x(t)+n
i
(t)式中：i为增加白噪声次数；2)新的时间序列信号x
i
(t)经过EMD分解成n个IMF分量C
ji
(t)，(j＝1,2,...,n)和一个剩余分量R
es
，其计算式如下：x
i
(t)＝C
ji
(t)+R
es
式中：C
ji
(t)为加入i次白噪声后分解得到的第j个IMF分量；3)重复以上两个步骤N次，并将各对应的IMF分量相加再求均值，其计算式如下：式中：为时间序列信号分解得到的第j个IMF分量平均值；4)最终原始时间序列信号x(t)经过EEMD分解后表示为：3.根...

【专利技术属性】
技术研发人员：孟炜，张凯，葸国隆，乌惜辰，马昌喜，黄晓婷，金科臣，来永寿，李艳琴，马旭东，侯树杰，
申请(专利权)人：甘肃陇原信息科技有限公司，
类型：发明
国别省市：