[发明专利]运量预测方法

权利要求书

1.一种运量预测方法，其特征在于，包括：

步骤1：在原始运量数据序列中加入缓冲算子，得到融合缓冲算子的第一序列；

步骤2：根据所述第一序列建立第一模型；

步骤3：通过所述第一序列训练基于深度递归神经网络的第二模型；

步骤4：分别通过所述第一模型和以及经过训练的第二模型预测运量，得到第一预测结果和第二预测结果；

步骤5：对所述第一预测结果和第二预测结果进行加权组合，得到目标预测结果。

2.根据权利要求1所述的运量预测方法，其特征在于，所述步骤1包括：

通过灰色系统中的GM(1，1)模型对原始运量数据序列和一阶缓冲算子生成的缓冲数据序列进行拟合；

若一阶缓冲算子生成的缓冲数据序列的误差小于原始运量数据序列，则原始运量数据序列中加入缓冲算子，得到融合缓冲算子的第一序列。

3.根据权利要求1所述的运量预测方法，其特征在于，所述步骤2中的所述第一模型为GM(1，1)模型，通过定义GM(1，1)模型的灰导数，以及对建立的白化微分方程进行求解，得到第一预测结果。

4.根据权利要求1所述的运量预测方法，其特征在于，所述步骤3包括：

对所述第一序列进行归一化处理，并将处理后的数据输入到所述第二模型中，用以进行前向计算和误差反向传播，得到经过训练的第二模型。

5.根据权利要求1-4中任一项所述的运量预测方法，其特征在于，所述第二模型包含：输入层、记忆单元、输出层；其中，所述记忆单元包括输入门、遗忘门、输出门和正则化层；输入门用于被加入到隐藏节点中的运量信息的数量，遗忘门用于定义了前一个时刻的运量信息的保留量，输出门用于表征传递到下一层的运量信息的数量。

6.根据权利要求1-4中任一项所述的运量预测方法，其特征在于，所述步骤5中的加权公式如下：

其中：w为动态权值，Y(t)为第一模型和第二模型预测的加权结果；L(t)表示LSTM神经网络的运量预测结果，G(t)表示灰色模型GM(1，1)模型的运量预测结果，t表示时刻。

7.根据权利要求6所述的运量预测方法，其特征在于，还包括：

在所述加权公式中，w的值为区间[0.0，1.0]里面的任意11个数；

分别将11个数代入11个组合模型中，得到11个目标预测结果；

将11个模型的预测结果与真实值进行比较，选取绝对值误差最小的第一模型和第二模型作为组合模型。