[发明专利]一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法

权利要求书

1.一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，其特征是：包括以下步骤：

步骤1：选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；

所述步骤1具体为：

步骤1.1：选定区域，通过地图网站谷歌地图、百度地图、Trafficview和INRIX网站获取区域的动态实时交通情况信息；

步骤:1.2：通过时空角度对区域内的交通信息提出一种记录机制，构建周期性更新的数据集；

步骤:1.3：对周期性更新的交通信息图像进行每分钟两次的采样，抓取彩色拥塞图像I_T(t)；

步骤2：根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；

所述步骤2具体为：

步骤2.1：对抓取的彩色拥塞图像I_T(t)完成由RGB到HSV的色彩模式转换；

步骤2.2：根据路口经纬度信息到图像像素信息的映射，采取服从高斯分布的范围因子α对图像里路口范围进行划定，通过下式表示路口的抓取范围：

I_P(n)＝I_T(t)[y_p(n)-α:y_p(n)+α,x_p(n)-α:x_p(n)+α]

其中，I_P(n)是第n个路口的抓取范围，(x_p(n),y_p(n))是第n个路口的坐标信息，p为像素信息，α为服从高斯分布的范围因子；

步骤2.3：对多个路口的图像处理后的信息进行由绿色、黄色、红色、深红色四个等级的划分，分别代表当时路段上的车速信息，侧面反应路段的拥塞程度；

步骤2.4：对模糊逻辑系统进行设计，选取每个描述对象的隶属函数范围和形状，使不同颜色路段对应的拥塞等级划分结果差别开；

步骤2.5：将各个路口图像中经过阈值处理后的四个颜色对应的像素水平I_G,I_Y,I_R,I_DR作为模糊系统的输入，模糊系统输出按由非拥塞到严重拥塞7个拥塞程度等级划分；

步骤2.6：将得到的范围由0至1的拥塞等级信息对应各个时段和路口位置信息记录在构建的训练集中；

步骤2.7：得到了每隔30秒更新的、包含n个路口位置、路口ID、拥塞信息和具体时间的数据训练集；

步骤2.8：对选取的区域的两个月的交通拥塞信息进行数据训练集构建，得到FDFP的数据感知端；

步骤3：建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；

步骤4：从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对FDFP模型的预测效果进行评估。

2.根据权利要求1所述的一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，其特征是：所述步骤3具体为：

对LSTM神经网络各层的参数进行选择，确定网络层数、各层神经元数、训练过程的优化算法，采取五层LSTM的多隐藏层网络结构，每层包含200个神经元；根据数据训练集对LSTM神经网络进行训练，保存得到的深层LSTM神经网络模型。

3.根据权利要求1所述的一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，其特征是：所述步骤4具体为：

步骤4.1：将周期性更新的数据输入到FDFP模型中，得到输出预测数据；

步骤4.2：采用均方误差确定网络的训练损失函数，通过下式表示均方误差

其中，是实际的未来时间的数据，T_samples是训练窗长，y_t(i)是模型预测结果；

步骤4.3：根据不同的参数选择测试实际数据集，为FDFP模型选定参数，优化目标为损失函数最小化，采用Adam优化算法进行梯度计算，对网络迭代更新不断调整模型权重和降低预测误差；

步骤4.4：在预测中，确保平均绝对百分误差MAPE和绝对均方误差MAE值越小，预测精度越高，通过下式表示平均绝对百分误差和绝对均方误差：

其中，是实际的未来时刻t的真实数据，T_samples是训练窗长，y_t(i)是模型预测结果。