[发明专利]一种基于类集成学习的多步交通速度预测方法在审
| 申请号： | 201910817935.1 | 申请日： | 2019-08-30 |
| 公开（公告）号： | CN110580548A | 公开（公告）日： | 2019-12-17 |
| 发明（设计）人： | 沙飞宇;翁仲铭;陶文源 | 申请（专利权）人： | 天津大学 |
| 主分类号： | G06Q10/04 | 分类号： | G06Q10/04;G06Q50/26;G06N3/04 |
| 代理公司： | 12201 天津市北洋有限责任专利代理事务所 | 代理人： | 刘子文 |
| 地址： | 300072*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 预测 神经网络模型 集成阶段 子网络 循环神经网络 交通 集成学习 历史交通 速度预测 损失函数 回归 | ||
1.一种基于类集成学习的多步交通速度预测方法，其特征在于，包括生成步骤和集成步骤：
A.生成步骤：
(1)以15分钟为间隔，记录交通节点每15分钟内车流量的平均速度，最后形成该交通节点的交通速度时间序列,以窗口大小为104，步长为1的滑动窗提取数据，构造训练数据样本集；
(2)构造两个多步时间序列预测基模型，这两个多步时间序列预测基模型是具有相同结构的序列到序列模型(Seq2Seq)；
(3)每个样本的前96个时刻值作为Seq2Seq的输入，后8个时刻值作为训练的标签；
(4)使用带惩罚因子的平均百分比绝对误差(MAPE)作为训练Seq2Seq的损失函数，两个Seq2Seq惩罚因子使用的判别条件不同，训练两个Seq2Seq并保存；
B.集成步骤：
(5)构造用于整合两个Seq2Seq预测值的最终生成神经网络模型，最终生成神经网络模型由最终编码器和最终解码器组成；
(6)最终解码器的状态激活函数分别设为双曲正切函数tanh和线性整流函数ReLU，以不带惩罚因子的MAPE作为损失函数训练最终生成神经网络模型；
(7)比较状态激活函数为sigmoid或ReLU时的MAPE，确定最终解码器的状态激活函数；
(8)构造整合由两个多步时间序列预测基模型和最终生成神经网络模型组成的整体模型；三个模型解码器的输入相同，所以可定义一个输入接口作为三个模型的输入，两个Seq2Seq模型的输出作为最终生成神经网络模型解码器的输入；构造好整体模型后，加载已保存的三个模型对应的参数，保存整体模型；最后通过整体模型直接进行多步交通预测。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910817935.1/1.html，转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政；管理
G06Q10-02 .预定，例如用于门票、服务或事件的
G06Q10-04 .预测或优化，例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理，例如组织、规划、调度或分配时间、人员或机器资源；企业规划；组织模型
G06Q10-08 .物流，例如仓储、装货、配送或运输；存货或库存管理，例如订货、采购或平衡订单
G06Q10-10 .办公自动化，例如电子邮件或群件的计算机辅助管理
