[发明专利]基于LSTM-GASVR的多尺度短时交通流预测建模、预测方法及系统

权利要求书

1.一种基于LSTM-GASVR的多尺度短时交通流预测建模方法，其特征在于，包括如下步骤：

步骤1：采集交通流数据，对交通流数据进行预处理、选取采样间隔、选取时间步并增加工作日标志位，获得多个时刻的短时交通流数据，所述的每个时刻的短时交通流数据为选定采样间隔下的交通流数据；

步骤2：建立LSTM模型，所述的LSTM模型包括输入层、两个LSTM层、Dropout层和全连接层，将步骤1获得的所有时刻的短时交通流数据输入LSTM模型中进行训练，每次训练时将前一时刻的短时交通流数据作为输入，当前时刻的短时交通流数据作为标签，当前时刻的预测交通流数据作为输出，将训练完成的LSTM模型作为LSTM交通流预测模型；

步骤3：建立SVR模型，将步骤1获得的所有时刻的短时交通流数据输入SVR模型中进行训练，并采用遗传算法优化SVR模型的训练参数组合(C,ε,r)，其中，C、ε、r均为SVR模型的训练参数，将训练完成的SVR模型作为SVR短时交通流预测模型；

步骤4：将多个时刻的短时交通流数据输入步骤2得到的LSTM交通流预测模型中，得到多个时刻的预测交通流数据，将每个时刻的预测交通流数据和该时刻的前一时刻的短时交通流数据进行平均后输入步骤3得到的SVR短时交通流预测模型进行训练，训练完成后，获得LSTM-GASVR交通流预测模型。

2.如权利要求1所述的基于LSTM-GASVR的多尺度短时交通流预测建模方法，其特征在于，步骤1中，选取采样间隔、选取时间步包括如下子步骤：

步骤a1：对采集到的同一段交通流数据采用不同的采样间隔和时间步进行分割，获得多组短时交通流数据，每组短时交通流数据包括多个时刻，每个时刻对应一个时间步；

步骤a2：建立LSTM模型分别利用多组短时交通流数据对LSTM模型进行训练，获得多个训练好的LSTM模型；

步骤a3：对不同时间间隔降采样的短时交通流数据通过LSTM模型进行预测，将MAPE、解释方差得分、拟合优度、网络的训练速度、损失函数值及预测结果作为衡量指数，获取衡量指数最高的采样间隔作为最佳采样间隔；

步骤a4：对最佳采样间隔下不同时间步的短时交通流数据通过LSTM模型进行预测，将MAPE、解释方差得分、拟合优度、训练稳定性、损失函数值及预测结果与真实值的拟合程度曲线作为衡量指数，获取衡量指数最高的时间步作为最佳时间步；

步骤a5：选取最佳采样间隔和最佳时间步作为采样间隔和时间步。

3.如权利要求2所述的基于LSTM-GASVR的多尺度短时交通流预测建模方法，其特征在于，所述的最佳采样间隔为15min，最佳时间步为12。

4.如权利要求1所述的基于LSTM-GASVR的多尺度短时交通流预测建模方法，其特征在于，所述的预处理包括数据扩充、数据重采样、数据归一化、数据重构和工作日因素升维。

5.如权利要求1所述的基于LSTM-GASVR的多尺度短时交通流预测建模方法，其特征在于，步骤2中，采用遗传算法优化SVR模型的训练参数组合(C,ε,r)时，(C,ε,r)的取值范围为：C∈[275,285]，ε∈[0.4,0.6]，σ∈[0.001,0.003]，遗传算法适应度计算函数为MAPE，迭代次数为200次。

6.一种基于LSTM-GASVR的多尺度短时交通流预测方法，其特征在于，包括如下步骤：

步骤一：获取当前时刻的短时交通流数据；

步骤二：将当前时刻的输入如权利要求1至5中任一种基于LSTM-GASVR的多尺度短时交通流预测建模方法得到的LSTM-GASVR交通流预测模型，获得下一时刻的预测交通流数据。

7.一种基于LSTM-GASVR的多尺度短时交通流预测系统，该系统包括处理器和用于存储能够在处理器上运行的多个功能模块的存储器，其特征在于，所述功能模块包括LSTM-GASVR交通流预测模型、输入模块和输出模块；

所述的输入模块用于获取当前时刻的短时交通流数据；

所述的输出模块用于输入当前时刻的短时交通流数据，根据如权利要求1至5中任一种基于LSTM-GASVR的多尺度短时交通流预测建模方法得到的LSTM-GASVR交通流预测模型获得下一时刻的预测交通流数据。