The invention designs a short-time traffic flow prediction method. The structure of the invention is mainly divided into three parts: first, the daily traffic flow trend is constructed by the historical average model, and the remaining part between the actual flow and the daily traffic trend is fitted by the autoregressive moving average model (ARIMA). Then, the generalized autoregressive conditional heteroscedasticity (GARCH) model is established to capture the volatility of the residual sequence of autoregressive moving average model to enhance the prediction ability; the long-term and short-term memory neural network (LSTM) is used to capture the long-term dependence and nonlinear characteristics of daily traffic; finally, the deep neural network (DNN) is used to fuse and learn the above characteristics for prediction. The invention deeply excavates the randomness and uncertainty of traffic flow data, fully considers the linear and nonlinear features in traffic flow data, thus effectively improving the prediction accuracy of traffic flow data.
【技术实现步骤摘要】
基于时序分解和循环神经网络的短时交通流预测方法
本专利技术涉及交通行业的交通控制领域,以及计算机行业的基于神经网络的交通流预测算法领域。
技术介绍
短期交通预测是智能交通系统(ITS)部署的基础部分,也为交通控制策略选择提供决策参考依据。作为一个经典的研究领域,短期交通预测几十年来一直是研究的热点。在道路交通控制日趋精细化和智能化的发展趋势下,高精度的交通流量预测数据对智慧城市建设提供了基础保障。准确的交通流量数据也为交通管理部门制定合理的交通规划、出行者合理地安排出行提供了方便。随着交通预测研究的不断推进,统计计算模型和计算智能模型成为交通预测模型的两大研究方向。经典统计模型通过严格的数学方程或数据分析来实现预测。代表性预测模型包括卡尔曼滤波(Kalman),支持向量回归(SVR),贝叶斯网络,自回归滑动平均模型(ARIMA)及其改进的模型。经典统计模型充分利用时间序列数据中的特征和组成部分,并进行谱分量分解分析,主成分分析(PCA),小波变换分析,以及关于交通数据的异方差波动分析等,以提高预测准确性。计算智能模型具有处理高维数据和捕获复杂非线性关系的能力。代表性研究有:人工神经网络(ANN)、模糊神经网络、堆叠自编码器(SAE)、长短时记忆神经网络(LSTM)和卷积神经网络(CNN)等。在整个交通预测领域的发展中,大多数研究都致力于特定预测模型的设计,很少模型将交通领域的先验知识与深度学习预测模型相结合。本专利技术将对基于时间序列的分解和循环神经网络中的长短时记忆神经网络的短时交通流预测方法进行说 ...
【技术保护点】
1.基于时序分解和循环神经网络的短时交通流预测方法,其特征在于:包含以下步骤/n(1)选定需要进行交通流预测的路段的观测点,获取所选路段中所有断点的短时交通流量历史数据;/n(2)通过历史平均模型构建交通对应观测点数据的日内交通流量趋势;/n(3)对步骤(2)中获得的交通流量的日内趋势进行一次差分,差分的步长为预测的时间步长,从而建立交通流量变化的特征;/n(4)通过自回归滑动平均模型(ARIMA)拟合实际流量与日内流量趋势之间的剩余部分,并将剩余部分分解为确定性部分和残差部分;/n(5)建立广义自回归条件异方差模型(GARCH)来捕获残差部分中的条件异方差波动性特征;/n(6)建立长短时记忆神经网络(LSTM)捕获(1)获取的短时交通流量中的非线性特征;/n(7)建立深度神经网络整合上述(1)-(6)的特征和数据并用于本专利技术的训练和验证。/n
【技术特征摘要】 【专利技术属性】
1.基于时序分解和循环神经网络的短时交通流预测方法,其特征在于:包含以下步骤
(1)选定需要进行交通流预测的路段的观测点,获取所选路段中所有断点的短时交通流量历史数据;
(2)通过历史平均模型构建交通对应观测点数据的日内交通流量趋势;
(3)对步骤(2)中获得的交通流量的日内趋势进行一次差分,差分的步长为预测的时间步长,从而建立交通流量变化的特征;
(4)通过自回归滑动平均模型(ARIMA)拟合实际流量与日内流量趋势之间的剩余部分,并将剩余部分分解为确定性部分和残差部分;
(5)建立广义自回归条件异方差模型(GARCH)来捕获残差部分中的条件异方差波动性特征;
(6)建立长短时记忆神经网络(LSTM)捕获(1)获取的短时交通流量中的非线性特征;
技术研发人员:余英豪,张伟斌,戚湧,郭海锋,张卓伟,桂林卿,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏;32
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。