欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2019102980596
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 信号装置
更新日期:2023-12-11
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于双向嵌套LSTM神经网络的交通流预测方法,其特征在于,所述方法包括以下步骤:(1)选取道路交通网络某一区域作为研究对象,获取道路交通流数据,进行路段交通流相关性分析,形成道路交通相关性矩阵;

(2)根据交通流相关性分析结果,获取相关路段交通流数据进行数据预处理;构建道路交通流时空矩阵数据集,划分训练集与测试集的步骤;对数据集进行序列化;

(3)构建双向嵌套LSTM神经网络,将交通流时空数据训练集作为模型输入,定义预测模型损失函数,完成模型训练;

(4)将交通流时空数据测试集作为预测模型输入,实现交通流未来状态预测;定义模型评价指标并对模型预测结果进行误差分析。

2.如权利要求1所述的一种基于双向嵌套LSTM神经网络的交通流预测方法,其特征在于,所述步骤(1)的过程为:

1.1 选取道路交通网络某一区域作为研究对象,获取道路交通流数据;

1.2 计算道路交通流相关性矩阵

选取研究区域内不同路段在同一历史阶段的交通流数据,计算基于交通流数据的区域路段相关性矩阵;定义路段i在a-b时段内的交通流数据为Xi={xia,xia+1,…,xib},路段j在a-b时段内的交通流数据为Xj={xja,xja+1,…,xjb},计算路段i与j的相关性系数ρ(Xi,Xj),其数学表达式如下所示:其中, 表示路段i在a-b时段内交通流的均值, 表示路段j在a-b时段内交通流的均值, 表示路段j在a-b时段内的标准差, 表示路段j在a-b时段内的标准差,表示路段i与j在a-b时段内交通流的协方差;

那么当研究区域内有n条路段时,则研究区域内路段交通流相关性矩阵如下所示:

3.如权利要求1或2所述的一种基于双向嵌套LSTM神经网络的交通流预测方法,其特征在于,所述步骤(2)的过程为:

2.1 道路交通流数据预处理

根据交通流相关性矩阵,按照相关性从大到小,选取每个路段K个最相关路段;

获取相应路段及K最相关路段交通流数据,进行数据归一化处理,数据归一化数学表达式如下所示:其中,xit为t时刻路段i的原始流量数据,minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值,x′it为归一化后的路段i流量数据;

2.2 构建道路交通流时空矩阵数据集

获取相应路段及K最相关路段归一化后的交通流数据,构建道路交通流时空矩阵数据集,数据集构建形式如下所示:其中,数据集的行向量表示不同路段同一时刻的交通流数据,列向量表示同一路段不同时刻的交通流数据,m为数据集中每个路段的数据长度;

选取一定比例将上述数据集划分为训练集和测试集;

2.3 数据序列化

为满足预测模型输入数据大小的需求,对训练集和测试集进行数据序列化处理,训练集数据序列化处理结果如下所示:其中,s为时间窗口大小,p为预测步长,q为训练集数据长度,Train′为训练集序列化处理后的结果;

测试集采用相同序列化方法进行数据序列化。

4.如权利要求1或2所述的一种基于双向嵌套LSTM神经网络的交通流预测方法,其特征在于,所述步骤(3)的过程为:

3.1 构建双向嵌套LSTM神经网络

首先构建嵌套LSTM神经单元,神经单元处理信息过程数学表达式如下所示:it=σ(xtWxi+ht-1Whi+bi)

ft=σ(xtWxf+ht-1Whf+bf)

ot=σ(xtWxo+ht-1Who+bo)

ht=ot⊙σ(ct)

其中,⊙表示点乘,σ(·)表示sigmoid函数,Wxf、Wxi、Wxo表示外部遗忘门、输入门、输出门的输入权重矩阵,Whf、Whi、Who表示外部遗忘门、输入门、输出门的前一时刻输出权重矩阵,bf、bi、bo表示外部遗忘门、输入门、输出门的偏置矩阵, 表示内部遗忘门、输入门、状态单元、输出门的输入权重矩阵, 表示内部遗忘门、输入门、状态单元、输出门的前一时刻输出权重矩阵, 表示内部遗忘门、输入门、状态单元、输出门的偏置矩阵,it、ft、ct、ot、ht表示外部输入门、遗忘门、单元状态、输出门、记忆单元的输出, 表示内部输入门、遗忘门、单元状态、输出门、记忆单元的输出;

然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络,其中Mi为嵌套LSTM单元,那么,基于双向嵌套LSTM神经网络的交通流预测过程描述为如下过程:zt=f(Wxzxt+Whzzt-1)

其中,xt为t时刻的交通流状态,zt为模型t-1时刻隐藏层的正向输出, 为模型t+1时刻隐藏层的反向输出,yt为t时刻预测的交通流状态,f为嵌套LSTM单元函数,g为relu函数,W为各部分对应的正向权重矩阵, 为各部分对应的反向权重矩阵;

3.2 定义预测模型损失函数

为使模型的预测值能更接近于实际值,本发明采用均方差作为预测模型的损失函数,其数学表达式如下:其中,j为训练样本数量,yi为第i个样本的预测值,y′i为第i个样本的实际值;

3.3 将训练集作为模型输入,完成模型训练

将训练集作为模型输入,根据定义的模型损失函数,基于反向传播算法采用Adam优化器对模型进行训练,选取相对最优参数下的模型训练结果作为最终结果,完成模型训练。

5.如权利要求1或2所述的一种基于双向嵌套LSTM神经网络的交通流预测方法,其特征在于,所述步骤(4)的过程为:

4.1:实现交通流未来状态预测

将测试集作为训练后模型的输入,对测试集交通流未来状态进行预测;

4.2:定义模型评价指标并进行误差分析

利用绝对均差MAE、相对百分绝对均差MAPE以及均方根误差RMSE来检验模型的性能并对测试集预测结果进行误差分析;

其中,y′i为交通流标签数据,yi为交通流的预测值。