[发明专利]一种基于Autoencoder-LSTM融合模型的交通流预测方法在审
| 申请号： | 201910201454.8 | 申请日： | 2019-03-18 |
| 公开（公告）号： | CN110021165A | 公开（公告）日： | 2019-07-16 |
| 发明（设计）人： | 徐东伟;魏臣臣;彭鹏;宣琦;朱钟华 | 申请（专利权）人： | 浙江工业大学 |
| 主分类号： | G08G1/01 | 分类号： | G08G1/01;G08G1/065;G06K9/62;G06N3/04;G06Q10/04;G06Q50/26 |
| 代理公司： | 杭州斯可睿专利事务所有限公司 33241 | 代理人： | 王利强 |
| 地址： | 310014 浙江省*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种基于Autoencoder‑LSTM融合模型的交通流预测方法，包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征；步骤三、基于融合后的时空特征实现道路交通流预测；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。本发明提供一种基于Autoencoder‑LSTM(自编码器与长短期时间记忆神经网络)融合模型的交通流预测方法，利用自编码器和长短期记忆神经网络分别获取道路交通流数据中的空间和时间信息，充分挖掘了道路交通流数据中的时空特性，提高了交通流短期预测的准确性。 | ||
| 搜索关键词： | 道路交通流 融合 矩阵 交通流预测 道路交通状态 实时交通流 编码器 预测 预处理 记忆神经网络 交通流数据 抽象特征 短期预测 神经网络 时间记忆 时间信息 时空特性 时空特征 交通流 高维 构建 挖掘 | ||
【主权项】：
1.一种基于Autoencoder‑LSTM融合模型的交通流预测方法，其特征在于，所述方法包括以下步骤：步骤一、提取道路交通流数据并对数据进行预处理，构建交通流数据矩阵：提取多条道路的交通流数据，对原始道路交通流数据进行标准化预处理，构建包含时间信息和空间信息的交通状态矩阵；步骤二、获取道路交通状态矩阵，提取道路交通状态矩阵高维抽象特征：利用自编码器Autoencoder提取能够有效表征道路交通流状态矩阵的时空特征；基于长短期时间记忆网络LSTM提取道路交通状态矩阵高维特征；将基于自编码器和长短期时间记忆网络提取道路交通状态矩阵高维特征进行融合；步骤三、基于融合后的时空特征实现道路交通流预测：获取Autoencoder与LSTM融合后的特征作为回归预测层输入，计算模型对应的预测数值，对预测结果进行反标准化操作，得出模型预测的实际交通流数值大小；根据模型的预测数据和实际交通流数据的差值，定义整体模型的损失函数，并根据损失函数数值大小利用反向传播算法不断降低损失函数数值从而不断优化模型参数，得到最优的模型参数；步骤四、基于融合模型的道路交通流预测：获取道路实时交通流数据作为融合模型的输入，实现道路实时交通流预测。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江工业大学，未经浙江工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910201454.8/，转载请声明来源钻瓜专利网。
