本发明专利技术公开了一种基于长短时记忆递归神经网络的短时交通流预测方法。该方法包括以下步骤：根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明专利技术利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势，可以得到更高的预测精度，且对不同的预测间隔有较好的扩展性。
【技术实现步骤摘要】
本专利技术属于智能交通系统领域，具体涉及一种基于长短时记忆递归神经网络的短 时交通流预测方法。
技术介绍
作为智能交通系统（IntelligentTransportationSystem，ITS)的核心内容之 一，智能交通控制与诱导系统一直是智能交通系统研究的热门课题。智能控制与诱导的实 现能有效地缓解交通堵塞、减轻环境污染，提供高效安全的道路通行状况。这些实现的前提 和关键是能够对短时交通流量进行准确的预测，预测的准确度直接决定了控制和诱导的有 效性。 经对现有技术的文献检索发现，已有的预测模型大致可以分为参数化和非参数化 模型两类。早期的研究者们使用基于时间序列分析的参数化模型来预测交通流。Levin 等使用Box-Jenkins时间序列分析来预测高速公路交通流，发现差分自回归移动平均 (AutoregressiveIntegratedMovingAverage，ARIMA)模型在统计上最有效。由于交通 流数据很难用参数化模型解析的数学公式描述，导致预测准确率不够理想。目前研究集中 在基于机器学习的非参数模型来预测短时交通流。傅贵等使用支持向量机回归（Support VectorMachine，SVM)模型来预测短时交通流。由于人工神经网络（ArtificialNeural NetW〇rk，ANN)在处理较为复杂的非线性问题上的优势，研究者们提出了各种基于人工神经 网络的模型和算法，近几年随着深度学习的提出，也有研究者将深度学习的引入该领域。Lv Y等和HuangW等分别使用栈式自动编码器（StackedAutoencoder，SAE)和深信度网络 (DeepBeliefNetworks，DBN)两种深度学习模型来对交通流进行建模和预测。但这些模 型的输入都要求为静态的定长的历史数据，不能动态地确定最优的历史数据长度，导致它 们不能非常有效地动态捕获短时交通流非线性、随机性等复杂的特征。因此，预测效果仍然 不够令人满意。
技术实现思路
为了解决现有方法不能记忆历史交通流数据，从而无法动态确定最优历史长度导 致预测精度不够理想的问题，本专利技术的目的是通过基于长短时记忆递归神经网络交通流预 测模型，动态确定最优历史长度，从而获得更好的预测效果。 为实现上述目的，本专利技术是通过以下技术方案实现的。 -种，该方法包括如下步 骤： 步骤S1、根据预测的时间间隔对历史交通流数据进行聚合； 步骤S2、对聚合后的历史交通流数据进行归一化预处理，主要是使用min-max方 法 对数据进行归一化： 其中f为归一化预处理后数据，min为样本数据最小值，max为样本数据最大值， X为待归一化预处理的历史交通流数据； 步骤S3、合理设定长短时记忆递归神经网络预测模型的各个参数； 步骤S4、利用经过聚合和归一化预处理的历史交通流数据，训练已设置合理参数 的长短时记忆递归神经网络预测模型，形成已训练交通流预测模型； 步骤S5、利用已训练交通流预测模型预测指定时间间隔的交通流，并评估预测误 差。 优选地，所述历史交通流数据为特定观测点在一定时间（指定时间）间隔内经过 的车辆数。 优选地，所述步骤S1将一定时间（指定时间）间隔内的若干个历史交通流数据进 行累加，得到观测点指定时间间隔的聚合后的历史交通流数据。 优选地，所述步骤S2为，在聚合后的历史交通流数据中计算样本数据的最小值 min和最大值max，使用min-max方法对数据进行归一化，使归一化预处理后的历史交通流 数据值域为区间;具体地，(X-minV(maX-min)，其中^为归一化预处理后数据， min为样本数据最小值，max为样本数据最大值，X为X为待归一化预处理的历史交通流数 据；所述样本数据具体是指：聚合后的历史交通流数据中用于训练和测试的所有数据。 优选地，所述步骤S3需要合理设定长短时记忆递归神经网络预测模型的以下任 一个或任多个参数：输入层结点数，隐层层数，每个隐层的结点数和输出层结点数。 优选地，所述步骤S4进一步包括以下步骤： 步骤S41、将经过聚合和归一化预处理的历史交通流数据划分为训练数据集和测 试数据集； 步骤S42、利用训练数据集，在已设定合理参数的长短时记忆递归神经网络交通流 预测模型上使用历时方向传播（BackPropagationThroughTime，BPTT)算法进行训练，并 计算长短时记忆递归神经网络预测模型在测试数据集上的平均误差； 步骤S43、选择测试数据集上误差最小的长短时记忆递归神经网络预测模型作为 指定时间间隔交通流数据的已训练交通流预测模型。 优选地，所述步骤S5进一步包括以下步骤： 步骤S51、将历史交通流数据作为输入数据进行指定时间间隔聚合和归一化预处 理； 步骤S52、将步骤S51获得的聚合和归一化处理后的数据输入所述长短时记忆递 归神经网络预测模型，进行前向计算，得到对应的输出数据，即对下一指定时间间隔的交通 流数据的归一化预测值； 步骤S53、将步骤S52得到的下一指定时间间隔的交通流数据的归一化预测值进 行反归一化处理，得到对指定时间间隔的交通流数据预测值； 步骤S54、将步骤S53得到的指定时间间隔的交通流数据预测值与对应的实际预 测值进行对比，计算误差，得到长短时记忆递归神经网络预测模型的误差。 本专利技术提供的基于长短时记忆递归神经网络（LongShort-TermMemory RecurrentNeuralNetwork)的短时交通流预测方法，该方法包括以下步骤：根据短时交通 流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处 理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预 测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差。本专利技术利用了长短 时记忆递归神经网络能够长时记忆输入历史数据的优势，可以得到更高的预测精度，且对 不同的预测间隔有较好的扩展性。 与现有技术相比，本专利技术具有以下有益效果： 1、使用长短时记忆递归神经网络模型预测短时交通流，该模型具有长时记忆历史 数据的优点； 2、使用长短时记忆递归神经网络模型可以动态确定最优历史数据长度，以得到更 高的预测精确度； 3、长短时记忆递归神经网络交通流预测模型对不同的预测时间间隔有很好的扩 展性。【附图说明】 通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、 目的和优点将会变得更明显： 图1为本专利技术方法的流程图。 图2为本专利技术采用的长短时记忆递归神经网络架构示意图。 图3为本专利技术模型计算所得的短时交流预测值与观测值对比图。 图4为本专利技术和多个已有方法之间的平均绝对百分比误差对比图。 图5为本专利技术当前第1页1 2 3 本文档来自技高网...
【技术保护点】
一种基于长短时记忆递归神经网络的短时交通流预测方法，其特征在于，包括如下步骤：步骤S1、根据预测的时间间隔对历史交通流数据进行聚合；步骤S2、对聚合后的历史交通流数据进行归一化预处理；步骤S3、合理设定长短时记忆递归神经网络预测模型的各个参数；步骤S4、利用经过聚合和归一化预处理的历史交通流数据，训练已设置合理参数的长短时记忆递归神经网络预测模型，形成已训练交通流预测模型；步骤S5、利用已训练交通流预测模型预测指定时间间隔的交通流，并评估预测误差。
【技术特征摘要】
【专利技术属性】
技术研发人员：潘理，田永学，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31
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。