[发明专利]一种基于神经网络LSTM的多因素短期车流量预测方法

说明书

本发明属于交通工程领域，公开了一种基于神经网络LSTM的多因素短期车流量预测方法，步骤1：获取一段时间内的车流量数据，并对车流量数据进行预处理，得到短时交通流数据；步骤2：对短时交通流数据根据天气记录和节假日记录进行筛选，划分数据集；步骤3：进行数据清洗、数据重构和归一化；步骤4：建立LSTM神经网络模型，根据待预测日期的天气状况和节假日状况选择数据集，利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量。本发明提出了更加细致化的思想，排除了其他因素，如天气因素、节假日因素等对交通流的影响，相对的提高了预测精度，使得对未来某时段的交通流预测更为准确有效。

技术领域

本发明属于交通工程领域，具体涉及一种基于神经网络LSTM的多因素短期车流量预测方法。

背景技术

交通管理以及智能交通控制等上层应用都是以交通流作为基础，基于时间序列的短时交通流预测模型的研究也一直是国内外学者的研究热点，因此交通控制与诱导系统是ITS研究的热门核心课程。而实现交通诱导的关键就是准确地预测交通流，即就是利用现有车道的实时和历史交通流数据通过建立合适的模型对下一时段的交通流情况进行预测。交通流的预测可分为长期预测、中期预测和短期预测，它们可服务于不同的研究领域。而短时预测可以预测在未来较短的一个时间内的车流量状况，可以满足交通控制系统对实时性和准确性的要求，从而可以得出正确的控制策略，对缓解交通的堵塞，减少机动车的废气排放和降低交通事故的发生率等有着重要的现实意义。

在短时交通流的预测中，有两类不同的数据驱动预测方法被频繁使用：一类是基于传统的统计理论的方法，另一类是基于神经网络的方法。基于统计的方法主要有卡尔曼滤波模型、时间序列模型、贝叶斯网络和马尔可夫链。它们假设未来的预测数据与过去的数据有相同的特性，其方法理论简单、容易理解。但是，基于统计方法大部分都是基于线性的，而交通流量的变化是非线性而且随机的，这就使得基于统计方法的模型性能变差。伴随着深度学习在语音、图像和自然语言处理等的研究领域的广泛应用，基于神经网络的方法在交通大数据挖掘方面体现出越来越强大的应用价值。

研究者们提出了基于深度信念网络模型的短时交通流预测模型、卷积神经网络和长短期记忆网络相结合的混合深度学习框架、卷积神经网络和支持向量回归分类器的交通预测模型等等。

一种LSTM的短时交通流预测模型，不仅能更有效地处理交通流的非线性和随机性，而且在解释时间序列预测的长时间一类问题中展现了优越的能力。LSTM能“记住”距当前时间点较远的历史信息，而且能自动决定时间序列数据的最优时间间隔，在预测上取得了不错效果。但是，交通流量还受天气状况、节假日等素多种影响，在用LSTM模型预测时，忽略了多种因素对交通流量的影响，这样就导致以LSTM模型进行短期预测得效果很难达到最佳。

发明内容

本发明的目的在于提供一种基于神经网络LSTM模型多因素车流量预测的方法，用以解决现有技术中的LSTM预测模型预测效果不佳的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于神经网络LSTM的多因素短期车流量预测方法，包括以下步骤：

步骤1：获取一段时间内的车流量数据，并对车流量数据进行预处理，得到短时交通流数据；

步骤2：对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选，将仅为异常天气时段的短时交通流数据作为第一数据集，将仅为节假日时段的短时交通流数据作为第二数据集，将非异常天气和节假日时段的短时交通流数据作为第三数据集，将同时满足异常天气和节假日时段的短时交通流数据作为第四数据集；

步骤3：对步骤2得到的第一数据集、第二数据集、第三数据集和第四数据集进行数据清洗、数据重构和归一化；