System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术公开一种方法,涉及预测识别,具体地说是一种基于lstm的路口车流量的预测方法。
技术介绍
1、随着城市规模的不断扩大,人口不断增多,城市道路交通网日益复杂,路口的车流量也变得愈发巨大,容易导致交通拥堵。目前,解决交通拥堵的办法中,也利用车流预测方法,但现有的预测方法结果因车流量数据集影响因素不单一,不能够准确地反映道路交通流的变换特征,不能得到较优的预测效果。
技术实现思路
1、本专利技术针对现有技术的问题,提供一种基于lstm的路口车流量的预测方法,更加充分的考虑外界因素对于车流量的影响,可以更加准确预测车流量的趋势和变化,对于短期内路口车流量预测效果更佳。
2、本专利技术提出的具体方案是:
3、本专利技术提供一种基于lstm的路口车流量的预测方法,包括:
4、步骤1:构建具有七层网络结构的lstm神经网络预测模型:
5、步骤11:采集数据:采集路口一定时间段内数据,所述数据包括可吸入颗粒物pm10的数据、细颗粒物pm2.5的数据、能见度数据、温度、路口与市中心的距离和路口车流量的数据,
6、步骤12:利用采集的数据,训练lstm神经网络预测模型,所述lstm神经网络预测模型的隐含层包含四个lstm层、两个dropout层和一个dense layer层,
7、步骤2:选择需要预测的路口地点和时间,利用lstm神经网络模型进行路口车流量的数据预测。
8、进一步,所述的一种基于lstm的路口
9、进一步,所述的一种基于lstm的路口车流量的预测方法中步骤12中所述lstm神经网络预测模型的具体结构包括:
10、第一层设置512个神经元,并且第一层的输出值完全进入下一层,
11、第二层按照0.2的概率丢弃神经元,
12、第三层设置256个神经元,第三层的输出值也全部进入下一层,
13、第四层按0.2的概率丢弃神经元,
14、第五层有128个神经元,且第五层的输出值全部进入下一层,
15、第六层有32个神经元,
16、第七层为全连接层,输出一个预测值。
17、进一步,所述的一种基于lstm的路口车流量的预测方法中步骤2中通过可视化图形的形式展示数据预测的结果。
18、本专利技术提供一种基于lstm的路口车流量的预测装置,包括模型管理模块和预测模块,模型管理模块包括采集模块和模型训练模块,
19、模型管理模块构建具有七层网络结构的lstm神经网络预测模型,其中采集模块采集数据:采集路口一定时间段内数据,所述数据包括可吸入颗粒物pm10的数据、细颗粒物pm2.5的数据、能见度数据、温度、路口与市中心的距离和路口车流量的数据,
20、模型训练模块利用采集的数据,训练lstm神经网络预测模型,所述lstm神经网络预测模型的隐含层包含四个lstm层、两个dropout层和一个dense layer层,
21、预测模块选择需要预测的路口地点和时间,利用lstm神经网络模型进行路口车流量的数据预测。
22、进一步,所述的一种基于lstm的路口车流量的预测装置中采集模块还进行数据预处理:删除冗余数据,补充存在缺失值的数据。
23、进一步,所述的一种基于lstm的路口车流量的预测装置中模型训练模块训练的lstm神经网络预测模型具体结构包括:
24、第一层设置512个神经元,并且第一层的输出值完全进入下一层,
25、第二层按照0.2的概率丢弃神经元,
26、第三层设置256个神经元,第三层的输出值也全部进入下一层,
27、第四层按0.2的概率丢弃神经元,
28、第五层有128个神经元,且第五层的输出值全部进入下一层,
29、第六层有32个神经元,
30、第七层为全连接层,输出一个预测值。
31、进一步,所述的一种基于lstm的路口车流量的预测装置中预测模块通过可视化图形的形式展示数据预测的结果。
32、本专利技术的有益之处是:
33、本专利技术提供一种基于lstm的路口车流量的预测方法,针对路口车流量情况,不仅对时空上维度进行了预测,还对环境维度进行考虑,可以更加准确预测车流量的趋势和变化,对于短期内路口车流量预测效果更佳。
本文档来自技高网...【技术保护点】
1.一种基于LSTM的路口车流量的预测方法,其特征是包括:
2.根据权利要求1所述的一种基于LSTM的路口车流量的预测方法,其特征是步骤11中还包括数据预处理:删除冗余数据,补充存在缺失值的数据。
3.根据权利要求1所述的一种基于LSTM的路口车流量的预测方法,其特征是步骤12中所述LSTM神经网络预测模型的具体结构包括:
4.根据权利要求1所述的一种基于LSTM的路口车流量的预测方法,其特征是步骤2中通过可视化图形的形式展示数据预测的结果。
5.一种基于LSTM的路口车流量的预测装置,其特征是包括模型管理模块和预测模块,模型管理模块包括采集模块和模型训练模块,
6.根据权利要求5所述的一种基于LSTM的路口车流量的预测装置,其特征是采集模块还进行数据预处理:删除冗余数据,补充存在缺失值的数据。
7.根据权利要求5所述的一种基于LSTM的路口车流量的预测装置,其特征是模型训练模块训练的LSTM神经网络预测模型具体结构包括:
8.根据权利要求5所述的一种基于LSTM的路口车流量的预测装置,其特征是预
...【技术特征摘要】
1.一种基于lstm的路口车流量的预测方法,其特征是包括:
2.根据权利要求1所述的一种基于lstm的路口车流量的预测方法,其特征是步骤11中还包括数据预处理:删除冗余数据,补充存在缺失值的数据。
3.根据权利要求1所述的一种基于lstm的路口车流量的预测方法,其特征是步骤12中所述lstm神经网络预测模型的具体结构包括:
4.根据权利要求1所述的一种基于lstm的路口车流量的预测方法,其特征是步骤2中通过可视化图形的形式展示数据预测的结果。
5.一种基于lstm的路...
【专利技术属性】
技术研发人员:张辉,李照川,王冠军,孙源,常靓,李会,
申请(专利权)人:浪潮软件科技有限公司,
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。