[发明专利]一种基于CPSO-LSTM的短期交通拥堵指数预测方法

说明书

本发明提供了一种基于CPSO‑LSTM的短期交通拥堵指数预测方法，包括：获取交通数据，并对所述交通数据进行归一化，得到标准数据，作为初始粒子群体；基于所述初始粒子群体对CPSO‑LSTM模型进行训练，得到最优CPSO‑LSTM模型；根据所述最优CPSO‑LSTM模型对交通拥堵指数进行预测和调整；本发明通过得到最优CPSO‑LSTM模型，避免陷入局部最优解，得到全局最优解，保证了对交通拥堵指数预测的准确性，通过模型得到预测结果后再根据干扰因素进行调整，使得到的交通拥堵指数更准确。

技术领域

本发明涉及智慧交通领域，特别涉及一种基于CPSO-LSTM的短期交通拥堵指数预测方法。

背景技术

交通拥堵指数本身具有很强的不确定性，复杂、多变，容易受到随机因素的扰动，并且规律性不明显。通过遗传算法或者遗传算法的改进，很容易陷入局部最优解，导致对交通拥堵指数的预测不准确，其次，通过模型算法预测得到的交通拥堵指数可能考虑不全面，也致对交通拥堵指数的预测不准确。

发明内容

本发明提供一种基于CPSO-LSTM的短期交通拥堵指数预测方法，通过得到最优CPSO-LSTM模型，避免陷入局部最优解，得到全局最优解，保证了对交通拥堵指数预测的准确性，通过模型得到预测结果后再根据干扰因素进行调整，使得到的交通拥堵指数更准确。

本发明提供一种基于CPSO-LSTM的短期交通拥堵指数预测方法，包括：

步骤1：获取交通数据，并对所述交通数据进行归一化，得到标准数据；

步骤2：基于所述标准数据对CPSO-LSTM模型进行训练，得到最优CPSO-LSTM模型；

步骤3：根据所述最优CPSO-LSTM模型对交通拥堵指数进行预测和调整。

在一种可能实现的方式中，

步骤1中，获取交通数据，并对所述交通维度数据进行归一化，得到标准数据，包括：

在预设道路口利用卡口过车记录，以预设采样点采集所述预设道路口的图片，并对所述图片进行处理和提取，得到初始交通数据；

截取所述初始交通数据在预设时间段内的数据点集作为维度特征数据；

根据如下公式对所述维度特征数据进行归一化；

其中，x′_i，j表示归一化后的所述维度特征数据中第j维的第i个样本的数值，x_i,j表示归一化前的所述维度特征数据中第j维的第i个样本的数值，x_min,j所述维度特征数据中第j维中所有样本中的最小数值，x_max,j表示所述维度特征数据中第j维中所有样本中的最大数值；

获取归一化后的所述维度特征数据对应的数值，得到标准数据。

在一种可能实现的方式中，

步骤2中，基于所述初始粒子群体对CPSO-LSTM模型进行训练，得到最优CPSO-LSTM模型包括：

对所述CPSO-LSTM模型中的LSTM神经网络的输入层的神经元个数、输出层的神经元个数、激活函数、dropout进行初始设定；

分别设置所述LSTM神经网络的输入门、遗忘门、输出门的初始矩阵权值和初始偏置项；

对所述CPSO-LSTM模型中的初始粒子群体的粒子位置和粒子速度进行初始化，得到初始粒子位置和初始粒子速度；

将所述初始粒子群体输入参数设置好后的CPSO-LSTM模型中，得到混沌粒子；