【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于混沌时间序列和混沌优化交通流数据处理方法及系统。
技术介绍
1、目前，交通流量数据采用深度学习模型(cnn)、图数据深度学习模型(gnn)、强化学习方法以及多源数据融合进行交通流量的预测以及特征提取，但是传统的交通流量模型通常只考虑了时间维度的特征，忽略了空间维度的特征，且现有的交通流量预测模型在特征提取方面存在一定的局限性，无法充分挖掘数据中的潜在规律和模式，同时交通流量数据受到多种不确定性和噪声的影响，如交通事故、施工等突发事件，无法充分适应复杂的交通环境。
2、中国专利cn114692951a公开了一种基于时间序列的交通客流量预测方法，其根据不同的值机方式对数据进行分类统计，对航班dow特性进行更仔细的数据分析，在dow特性的基础上运用分类和协整理论进行时间序列的构建和依赖性分析，使用arima模型进行时间序列的预测和分析，进而预测航站楼内短时段的值机客流量的人数情况。
3、但是，arima模型是基于时间序列的线性模型，对于非线性和复杂的数据可能不够灵活，无法捕捉到非线性趋势和周期性，且arima模型对异常值和噪声比较敏感，如果数据中存在异常值和噪声，可能会对模型的拟合和预测结果产生较大的影响；同时arima模型通常需要较长的历史数据来进行建模和预测，对于短期数据则无法准确进行预测。
技术实现思路
1、有鉴于此，本专利技术提出了一种基于混沌时间序列和混沌优化交通流数据处理方法及系统，其通过使用lorenz系统构建
2、本专利技术的技术方案是这样实现的：
3、第一方面，本专利技术提供了一种基于混沌时间序列和混沌优化交通流数据处理方法，包括以下步骤：
4、s1、使用lorenz系统构建混沌时间序列；
5、s2、将所述混沌时间序列作为aclstm算法的输入数据，并对输入数据进行训练得到aclstm模型；
6、s3、使用logistic映射的混沌优化算法对aclstm模型进行混沌优化，得到训练好的aclstm模型；
7、s4、使用训练好的aclstm模型对交通流量数据进行处理，得到交通流量数据信息。
8、在以上技术方案的基础上，优选的，步骤s1具体包括：
9、s11、初始化lorenz系统；
10、s12、计算lorenz系统的演化，得到时间序列；
11、s13、对所述时间序列进行归一化处理，得到混沌时间序列。
12、在以上技术方案的基础上，优选的，s12具体包括：
13、使用4阶runge-kutta方法进行数值积分；
14、计算lorenz系统在每个时间点的状态，并得到对应的时间序列。
15、在以上技术方案的基础上，优选的，所述数值积分的公式如下：
16、x[n+1]＝x[n]+hσ(y[n]-x[n])；
17、y[n+1]＝y[n]+h(x[n](ρ-z[n])-y[n])；
18、z[n+1]＝z[n]+h(x[n]y[n]-βz[n])；
19、其中，x[n]、y[n]、z[n]是第n个时间点的状态变量，h是时间步长，σ、β和ρ为常量。
20、在以上技术方案的基础上，优选的，所述归一化处理的公式如下：
21、
22、其中，xnorm表示混沌时间序列，x[n]表示第n个时间点的状态变量，max(x)表示时间序列的最大值。
23、更进一步优选的，步骤s3具体包括：
24、设置logistic映射的参数和aclstm模型的初始lstm层数和神经元个数；
25、根据初始lstm层数和神经元个数确定初始损失值；
26、将logistic映射进行迭代优化，生成logistic映射新参数；
27、将混沌时间序列映射到lstm层数和神经元个数的搜索范围内进行优化，得到优化的lstm层数和神经元个数；
28、将优化的lstm层数和神经元个数带入至aclstm模型，对aclstm模型进行训练，并计算当前损失值；
29、比较当前损失值和初始损失值，若当前损失值小于初始损失值，则将当前损失值作为aclstm模型的损失值；
30、判断logistic映射迭代优化的次数是否达到阈值，若是，则停止logistic映射迭代优化，输出优化后的lstm层数和神经元个数。
31、第二方面，本专利技术提供了一种基于混沌时间序列和混沌优化交通流数据处理系统，采用如上述所述的基于混沌时间序列和混沌优化交通流数据处理方法，包括：
32、构建模块，用于使用lorenz系统构建混沌时间序列；
33、训练模块，用于将所述混沌时间序列作为aclstm算法的输入数据，并对输入数据进行训练得到aclstm模型；
34、优化模块，用于使用logistic映射的混沌优化算法对aclstm模型进行混沌优化，得到训练好的aclstm模型；
35、处理模块，用于使用训练好的aclstm模型对交通流量数据进行处理，得到交通流量数据信息。
36、第三方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现如上述所述的基于混沌时间序列和混沌优化交通流数据处理方法。
37、第四方面，本专利技术提供了一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，
38、所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
39、所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如上述所述的基于混沌时间序列和混沌优化交通流数据处理方法。
40、第五方面，本专利技术提供了一种信息数据处理终端，所述信息数据处理终端用于实现上述所述基于混沌时间序列和混沌优化交通流数据处理方法。
41、本专利技术的基于混沌时间序列和混沌优化交通流数据处理方法相对于现有技术具有以下有益效果：
42、(1)通过使用lorenz系统构建混沌时间序列，利用相空间重构、递归图法和最大lyapunov指数法相结合的方式判定交通流量数据的混沌特性，基于混沌时间序列和混沌优化算法对aclstm算法进行改进，使aclstm模型能够捕捉到数据的非线性趋势，降低异常值对预测的影响，提高aclstm模型的预测性能；
43、(2)设置logistic映射的混沌优化算法对aclstm模型进行混沌优化，混沌优化算法利用其混沌行为在搜索空间内产生伪随机序列，逐步寻找aclstm模型的最优解，通过最优aclstm模型对短期交通流量数据进行精细处理，提高数据处理的速度和准确性。
本文档来自技高网...【技术保护点】
1.一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，步骤S1具体包括：
3.如权利要求2所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，S12具体包括：
4.如权利要求3所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，所述数值积分的公式如下：
5.如权利要求2所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，所述归一化处理的公式如下：
6.如权利要求1所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，步骤S3具体包括：
7.一种基于混沌时间序列和混沌优化交通流数据处理系统，其特征在于，采用如权利要求1-6中任一项所述的基于混沌时间序列和混沌优化交通流数据处理方法，包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现如权利要求1～6任一项所述的基于混
9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～6任一项所述基于混沌时间序列和混沌优化交通流数据处理方法。
...【技术特征摘要】
1.一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，步骤s1具体包括：
3.如权利要求2所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，s12具体包括：
4.如权利要求3所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，所述数值积分的公式如下：
5.如权利要求2所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特征在于，所述归一化处理的公式如下：
6.如权利要求1所述的一种基于混沌时间序列和混沌优化交通流数据处理方法，其特...
【专利技术属性】
技术研发人员：汤玲，阎博，张硕，
申请(专利权)人：南京北斗创新应用科技研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。