[发明专利]基于ARIMA和LSTM混合神经网络的短交通流预测方法

权利要求书

1.一种基于ARIMA和LSTM混合神经网络的短交通流预测方法，其特征在于，包括如下步骤：

S10，分别采集初始时段至t时段的原始交通流数据；所述原始交通流数据包括道路交通流量x_t、车道占有率、路段平均车速、路段平均行程时间或道路拥堵指数；

S20，使用单位根检验法，对交通流序列进行平稳性检测，确定ARIMA模型中差分阶数d；

S30，根据最小化贝叶斯信息准则确定ARIMA模型的自回归阶数p和移动回归阶数q，得到标定参数的ARIMA(p,d,q)模型；使用初始时段至t时段的原始交通流序列训练ARIMA(p,d,q)模型，并将t-1时段的原始交通流数据x_t-1输入训练后的ARIAM(p,d,q)模型实现交通流初步预测，得到t时段的初步预测流数据

S40，从训练后的ARIMA(p,d,q)模型中提取AR(p)部分数据和MA(q)部分数据；所述AR(p)部分数据表示ARIMA(p,d,q)模型中t-p至t-1时刻的历史实际数据，所述MA(q)部分数据表示ARIMA(p,d,q)模型中t-q至t-1时刻的历史非线性成分；

S60，以t时段的初步预测流数据AR(p)部分数据和MA(q)部分数据作为输入；以t时段的交通流数据真实值作为输出，训练ARIMA-LSTM混合神经网络模型，得到预测模型；

S70，获取预测时段的预测输入数据，将预测输入数据输入所述预测模型，得到预测时段的预测交通流数据。

2.根据权利要求1所述的基于ARIMA和LSTM混合神经网络的短交通流预测方法，其特征在于，步骤S60之前包括：

S50，根据ARIMA(p,d,q)模型和LSTM神经网络模块构建ARIMA-LSTM混合神经网络模型。

3.根据权利要求2所述的基于ARIMA和LSTM混合神经网络的短交通流预测方法，其特征在于，所述ARIMA-LSTM混合神经网络模型包括输入层、输出层、LSTM层、全连接层、批归一化层、合并层和多输出层。

4.根据权利要求1所述的基于ARIMA和LSTM混合神经网络的短交通流预测方法，其特征在于，还包括：

S80，计算预测模型的第一评价参数和第二评价参数，根据第一评价参数和第二评价参数对预测模型进行评价。

5.根据权利要求4所述的基于ARIMA和LSTM混合神经网络的短交通流预测方法，其特征在于，第一评价参数的计算公式包括：

第二评价参数的计算公式包括：

其中，y_i表示i时段的交通流数据真实值，表示i时段的预测交通流数据，n表示样本总数，MAE表示第一评价参数，MAPE表示第二评价参数。

6.根据权利要求1所述的基于ARIMA和LSTM混合神经网络的短交通流预测方法，其特征在于，获取预测时段的预测输入数据包括：

将m时段的原始交通流数据输入训练后的ARIMA(p,d,q)模型，得到m时段的初步预测流数据，从ARIMA(p,d,q)模型中读取m时段分别对应的的AR(p)部分数据和MA(q)部分数据，根据m时段的初步预测流数据、m时段分别对应的的AR(p)部分数据和MA(q)部分数据确定预测输入数据；其中，m时段为预测时段。

7.根据权利要求6所述的基于ARIMA和LSTM混合神经网络的短交通流预测方法，其特征在于，所述ARIMA(p,d,q)模型包括：

其中，表示t时段的初步预测流数据，表示后移算子，x_t-1表示t-1时段的原始交通流数据，x_t-p表示t-p时段的原始交通流数据，ε_t-1表示t-1时段的预测误差，ε_t-q表示t-p时段的预测误差，θ₀,θ₁,...,θ_q均表示回归系数，由模型训练时优化确定。