[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

说明书

本发明属于交通技术领域，公开了一种基于LSTM‑GASVR的多尺度短时交通流预测建模、预测方法及系统。建模方法包括：对采样的交通流数据进行重构、归一化及工作日因素升维等步骤预处理数据；建立LSTM模型提取数据特征，训练LSTM短时交通流预测模型；使用遗传算法GA优化SVR模型中的参数，选择最优的模型参数组合，训练SVR短时交通流预测模型；利用SVR算法优化LSTM模型的预测结果，输出结果即为未来15min的交通流预测值，实现了交通流的实时高精度预测。多种预测方法比较分析表明，本发明较LSTM、GRU、CNN、SAE、ARIMA、SVR，预测精度提高了20％，R²达到了0.982，解释方差为0.982，mape为0.118。本发明的交通流预测方法为交通管理人员判断路网状态，进行交通控制及车流引导提供了有力支撑。

技术领域

本发明属于交通技术领域，具体涉及一种基于LSTM-GASVR的多尺度短时交通流预测建模、预测方法及系统。

背景技术

高精度的短时交通流预测展现了未来交通的发展趋势，为智能交通管理，路网规划提供了未来交通流数据，不仅有利于缓解交通拥堵，对自动驾驶车辆也十分重要。短时交通流预测是指由之前某几段时间间隔内交通流预测下一段时间的交通流，短时交通流预测作为智能交通的研究热点，国内外研究成果丰富。目前国内外的短时交通流预测技术主要有以下5种方式且每种方式均存在一些问题：

季节性ARIMA(SARIMA)短期交通流预测模型，在数据有限性的约束下实现了交通流预测，然而该模型对数据的平稳性要求较高，适用性较低；基于深度循环网络(RNN)的预测模型，该预测效果较好，但对非周期性数据的预测效果存在较大差异；基于CNN-SVR短时交通流预测模型，采用adam优化算法确保时空流特征的完全性，降低了外界因素的干扰，可有效预测交通流，但由于数据较为单一，模型的泛化能力不强；基于思维进化算法提出一种改进的BP神经网络模型，利用混沌理论方法对交通流量时间序列进行相空间重构，有效提高了预测模型的准确性，但由于模型使用数据较少，缺乏可信度，且未考虑假期等特殊时间段的预测效果，通用性不强；基于LSTM的预测模型等。

目前，多数短时交通流预测方法采用规律平稳的数据，采用较单一的模型对短时交通流进行预测，泛化能力低且不能兼顾实时性与高精度的要求。研究表明，组合模型在预测短期交通流时比单一模型更加准确和适用，然而现有交通流预测模型普遍存在实时性差、可行性低、局限性强、准确率有待进一步提高等问题。

发明内容

本发明的目的在于提供一种基于LSTM-GASVR的多尺度短时交通流预测建模、预测方法及系统，用以解决现有技术中的等问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于LSTM-GASVR的多尺度短时交通流预测建模方法，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；