【技术实现步骤摘要】
本专利技术涉及智能交通，尤其涉及一种基于iga-bi-lstm的交通流预测方法。
技术介绍
1、交通流预测在高速公路管理中至关重要。它为管理者提供关键数据支持，协助制定有效的交通管理策略，提升高速公路系统的运行效率、安全性和可持续性。交通流预测能准确预测未来高速公路交通状况。通过历史数据和实时信息分析，管理者可预测未来时间段和路段的交通流量、车速和密度，及时采取措施缓解拥堵，降低事故风险，提高通行效率。预测支持高速公路规划和基础设施建设。准确预测未来交通需求，有助于合理规划扩建、改建和维护工作，应对交通压力，避免拥堵和延误。交通流预测优化运营管理。通过分析出行模式和需求，合理安排收费站位置和数量，优化车道配置，提高通行效率和安全性。
2、数据预测的相关研究分为三类，分别为机器学习方法、数学或者交通流理论方法、神经网络算法。传统机器学习方法取得了一些成果，但在处理非线性问题上相对较差，且其可解释性也较弱。数学方法由于交通流数据具有复杂的非线性关系，某一时间点或时间段的理论存在适用性差的问题。而神经网络算法其长处是学习能力、并行分布处理能力强，并具有联想记忆功能，且噪声神经有较强的鲁棒性，非线性关系能够进行表示。但神经网络模型需要大量的参数，如网络拓扑、权重和初始阈值，对于神经网络参数选择的效率和误差准确率上有待提升。为了解决上述问题，在前人研究的基础上，本专利技术提出了一种改进的自适应遗传算法，根据种群适应度的离散程度判断种群的集中分散程度，从而自适应的确定遗传算法流程及交叉概率和变异概率的值。且结合两种模型的优点，利
3、现有交通流预测模型中存在预测精度不高、交通流参数寻优慢等问题，且神经网络学习过程是无法观察的，并且其生产结果难以解释，影响结果的可靠性。而遗传算法对模型运行过程具有一定的可解释性。本专利技术所要解决的技术问题是通过改进遗传算法和双向长短时神经网络对交通流进行预测，提高交通流预测的精确度和效率，进而进行更有效地高速公路管控。
技术实现思路
1、本专利技术要解决的技术问题在于针对现有技术中交通流预测精度较差、效率较慢的缺陷，提供一种基于iga-bi-lstm的交通流预测方法。
2、本专利技术解决其技术问题所采用的技术方案是：
3、本专利技术提供一种基于iga-bi-lstm的交通流预测方法，该方法包括以下步骤：
4、步骤1、采集交通流数据，并对其进行数据异常、数据缺失、数据填充处理操作，完成数据更新后，得到完整交通流数据；
5、步骤2、对预测路段，将完整交通流数据和相邻车道的交通流数据，按照设定的比例划分为训练集和测试集，采用滑动窗口在训练集和测试集生成时空相关性，作为预测模型的输入数据；
6、步骤3、建立iga-bi-lstm短时交通流预测模型，其中包括进行参数调整的自适应遗传算法iga和进行时间序列预测的双向长短时神经网络bi-lstm模型；
7、步骤4、基于优化器adam，采用训练集数据对iga-bi-lstm短时交通流预测模型进行迭代训练；
8、步骤5、采用训练好的iga-bi-lstm短时交通流预测模型对测试集进行短时交通流预测，将预测结果与实际值进行比较，采用性能指标进行评估，输出满足性能指标的预测模型。
9、进一步地，本专利技术的所述步骤1的方法包括：
10、步骤1.1、采集交通流数据，根据数据质量标志或者交通流理论知识，对数据异常进行删除操作；
11、步骤1.2、针对时间戳数据，找到缺失时间条数据，增添相应的时间戳；
12、步骤1.3、划分工作日与非工作日数据，统计数据缺失处的历史数据，当缺失数据多于一定阈值时，采用历史数据进行插值；当缺失数据少于一定阈值时，采用线性插值数据的方式进行数据插值；插值后得到完整交通流数据。
13、进一步地，本专利技术的所述步骤2的方法包括：
14、步骤2.1、划分车道，将数据缺失处的车道分为中间车道和两侧车道；当为中间车道时，计算左右相邻车道之间的皮尔逊相关系数；当为两侧车道时，计算左或右侧的相邻车道相关系数数据；对待预测的数据缺失处车道，根据相关系数数据分别选择得到其中相关性强的多个数据，将其进行随机组合，联合周平均历史数据，对缺失处进行填充；
15、并将完整交通流数据和相邻车道的交通流数据，按照设定的比例划分为训练集和测试集；
16、步骤2.2、通过滑动时间窗口以m个步长为间隔，将m作为输入时间步长数，d作为相关车道数，构建m×d阶的时空相关矩阵作为预测模型的输入矩阵；
17、步骤2.3、将构建后的输入矩阵进行数据归一化，方法为采用真实与最小值的差与最大最小值的差的比值进行计算。
18、进一步地，本专利技术的所述步骤3的方法包括：
19、步骤3.1、构建双向长短时神经网络bi-lstm模型结构，包括一个输入层，一个双向lstm层，添加一个dropout层来减少过拟合，接着再次添加一个双向lstm层，最后添加一个全连接层作为输出层；
20、步骤3.2、使用溢出层对模型进行增加正则化约束；
21、步骤3.3、采用改进的自适应遗传算法iga，对bi-lstm模型的超参数进行确定。
22、进一步地，本专利技术的所述步骤3.1的方法包括：
23、lstm模型中包括：
24、ft：遗忘门决定了前一时刻的细胞状态中哪些信息将被遗忘；
25、it：输入门决定了当前时刻新输入的信息对细胞状态的影响；
26、ot：输出门决定了当前时刻隐藏状态ht中哪些信息将被输出；
27、at：表示t时刻对ht-1和xt的初步特征提取；
28、双向lstm接受序列x＝{x1,x2,...xt}，其中t为时间序列的长度，对于每个时间步t，输入计算如下：
29、
30、
31、其中，it、ft、gt、ot分别是输入、遗忘、输入门和输出门的门控向量；σ是sigmoid函数；tanh是双曲正切函数；w和b是权重矩阵和偏置向量；
32、细胞更新和隐藏状态更新计算如下：
33、
34、其中，⊙表示逐元素相乘；
35、反向lstm表示为反向lstm的计算使用反向的输入序列，将双向lstm的最终输出的前向和反向lstm输出进行拼接：然后进行预测。
36、进一步地，本专利技术的所述步骤3.3的方法包括：
37、1)染色体编码和初始群体生成；
38、2)计算个体的适应度，并计算种群适应度的四分之三和四分之一分位数值、最大值；
39、3)对每个个体进行自适应确定交叉概率和变异概率，将不同个体进行差异化分析，将交叉概率和变异概率进行个体选择处理，其计算公式如下所示，其中k1和本文档来自技高网...
【技术保护点】
1.一种基于IGA-Bi-LSTM的交通流预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于IGA-Bi-LSTM的交通流预测方法，其特征在于，所述步骤1的方法包括：
3.根据权利要求1所述的基于IGA-Bi-LSTM的交通流预测方法，其特征在于，所述步骤2的方法包括：
4.根据权利要求1所述的基于IGA-Bi-LSTM的交通流预测方法，其特征在于，所述步骤3的方法包括：
5.根据权利要求4所述的基于IGA-Bi-LSTM的交通流预测方法，其特征在于，所述步骤3.1的方法包括：
6.根据权利要求4所述的基于IGA-Bi-LSTM的交通流预测方法，其特征在于，所述步骤3.3的方法包括：
7.根据权利要求5所述的基于IGA-Bi-LSTM的交通流预测方法，其特征在于，所述步骤4的方法包括：
8.根据权利要求1所述的基于IGA-Bi-LSTM的交通流预测方法，其特征在于，所述步骤5的方法包括：
9.一种基于IGA-Bi-LSTM的交通流预测方法系统，其特征在于，包括：<...
【技术特征摘要】
1.一种基于iga-bi-lstm的交通流预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于iga-bi-lstm的交通流预测方法，其特征在于，所述步骤1的方法包括：
3.根据权利要求1所述的基于iga-bi-lstm的交通流预测方法，其特征在于，所述步骤2的方法包括：
4.根据权利要求1所述的基于iga-bi-lstm的交通流预测方法，其特征在于，所述步骤3的方法包括：
5.根据权利要求4所述的基于iga-bi-lstm的交通流预测方法，其特征在于，所述步骤3.1的方法包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：徐良杰，李岩，秦文蝶，李明杰，
申请(专利权)人：武汉理工大学，
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。