[发明专利]一种基于Autoencoder-LSTM融合模型的交通流预测方法

说明书

一种基于Autoencoder‑LSTM融合模型的交通流预测方法，包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征；步骤三、基于融合后的时空特征实现道路交通流预测；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。本发明提供一种基于Autoencoder‑LSTM(自编码器与长短期时间记忆神经网络)融合模型的交通流预测方法，利用自编码器和长短期记忆神经网络分别获取道路交通流数据中的空间和时间信息，充分挖掘了道路交通流数据中的时空特性，提高了交通流短期预测的准确性。

技术领域

本发明涉及一种基于Autoencoder-LSTM融合模型的交通流预测方法，本发明属于交通预测领域。

背景技术

随着人们生活水平的提高，人均汽车占有量和出行量日益增加，随之而来的是道路上流通的大量的车辆所带来的交通拥堵的问题，因此更高效的分配交通资源、充分发挥出智能交通系统在道路调控上的积极作用有着重要的意义。在智能交通系统中，道路交通流的预测有着关键的作用。

现阶段的道路交通预测方法主要有：传统时间序列预测法、支持向量机、BP神经网络等，虽然此类方法在道路交通流的预测结果中有着较好的预测结果，但是在道路交通流预测中，上述模型均没有充分挖掘出道路交通流数据中的时空关联特征。

发明内容

为了克服现有道路交通流预测方法的特征提取不充分、精度较低的不足，本发明的目的在于提供一种基于Autoencoder-LSTM(自编码器与长短期时间记忆神经网络)融合模型的交通流预测方法。该方法利用自编码器和长短期记忆神经网络分别获取道路交通流数据中的空间和时间信息，充分挖掘了道路交通流数据中的时空特性，提高了交通流短期预测的准确性。

本发明解决其技术问题所采用的技术方案是：

一种基于Autoencoder-LSTM融合模型的交通流预测方法，包括以下步骤：

步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵：提取多条道路的交通流数据，对原始道路交通流数据进行标准化预处理，构建包含时间信息和空间信息的交通状态矩阵；

步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征：利用自编码器(Autoencoder)提取能够有效表征道路交通流状态矩阵的时空特征；基于长短期时间记忆网络(LSTM)提取道路交通状态矩阵高维特征；将基于自编码器和长短期时间记忆网络提取道路交通状态矩阵高维特征进行融合；

步骤三、基于融合后的时空特征实现道路交通流预测：获取Autoencoder与LSTM融合后的特征作为回归预测层输入，计算模型对应的预测数值，对预测结果进行反标准化操作，得出模型预测的实际交通流数值大小；根据模型的预测数据和实际交通流数据的差值，定义整体模型的损失函数，并根据损失函数数值大小利用反向传播算法不断降低损失函数数值从而不断优化模型参数，得到最优的模型参数；

步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。

本发明的有益效果：通过Autoencoder与LSTM的融合模型对道路交通流数据进行高维特征提取，实现短时期道路交通流的预测模型。本发明同时利用Autoencoder与LSTM对同一路段不同时刻的交通流数据进行时间特征提取，并对相同时刻不同路段的交通流数据进行空间特征提取，充分挖掘出了道路交通流数据中的潜在的时空特征，克服了特征提取不充分导致模型预测精度过低的缺点，进而提高了道路交通流预测的准确性。

短时交通流预测是智能交通系统的重要组成部分，本发明在一定程度上可以有效提高短时期交通流预测的精度，提高智能交通系统中交通流诱导的准确性。

附图说明