[发明专利]一种基于IGWO-LSTM的短时交通流预测的导航提醒方法

权利要求书

1.一种基于IGWO-LSTM的短时交通流预测的导航提醒方法，其特征是：首先训练及优化LSTM模型，然后将采集到的历史交通流数据经过预处理后，输入到训练及优化后的LSTM模型中，由其输出短时交通流的预测结果，最后将短时交通流的预测结果发布在导航软件上，并根据交通流量的大小以不同颜色展示在路段中，用于导航提醒；

训练及优化LSTM模型的步骤如下：

(1)采集用于历史交通流数据，对其进行预处理后划分为训练集和测试集；

(2)采用改进的灰狼优化算法和训练集训练并优化LSTM模型，即首先设置超参数，然后训练LSTM模型，之后IGWO算法根据LSTM模型输出误差更新灰狼位置，从而调整超参数，再重新训练LSTM模型，如此循环往复，直到最后选出使输出误差最小的LSTM模型；所述改进的灰狼优化算法是对灰狼优化算法的收敛因子参数进行改进，采用非线性收敛因子参数。

2.根据权利要求1所述的一种基于IGWO-LSTM的短时交通流预测的导航提醒方法，其特征在于，LSTM模型由神经元组成，其公式如下所示：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)；

i_t＝σ(W_i·[h_t-1,x_t]+b_i)；

o_t＝σ(W_o·[h_t-1,x_t]+b_o)；

h_t＝o_t*tanh(C_t)；

式中，f_t为遗忘门输出，σ为sigmoid激活函数，W_f为遗忘门权重矩阵，h_t-1为t-1时刻的输入，x_t为当前输入，[h_t-1,x_t]表示把两个向量连接成一个向量，b_f为遗忘门偏置项，i_t为σ层的输出，W_i为输入门权重矩阵，b_i为输入门偏置项，为当前输入的单元状态，tanh表示tanh激活函数，W_c为tanh层权值矩阵，b_C为tanh层偏置项，C_t为t时刻单元状态，C_t-1为t-1时刻单元状态，*表示按元素相乘，o_t为输出门输出，W_o为输出门权重矩阵，b_o为输出门偏置项，h_t为当前输出。

3.根据权利要求1所述的一种基于IGWO-LSTM的短时交通流预测的导航提醒方法，其特征在于，采集历史交通流数据采用电磁线圈传感器。

4.根据权利要求1所述的一种基于IGWO-LSTM的短时交通流预测的导航提醒方法，其特征在于，LSTM模型的超参数为两层隐藏层的神经元数目、训练次数和学习率。