[发明专利]一种基于类集成学习的多步交通速度预测方法

摘要

本发明公开一种基于类集成学习的复杂交通速度预测方法，该方法基于前一天的历史交通速度来预测未来多步的交通速度，该方法的提升优于目前回归预测中流行的集成方法。该方法由两个的序列到序列的模型(Seq2Seq)和最终生成神经网络模型构成。两个Seq2Seq分别叫做偏高子网络，偏低子网络，它们具有相同的结构，但使用不同的损失函数来完成不同的目标。训练分为生成阶段和集成阶段：生成阶段是对两个Seq2Seq模型的训练，训练好的两个模型可以交通速度进行初步预测；集成阶段，通过训练，最终生成神经网络模型通过循环神经网络结合前两个模型的预测值来做最后的预测，该方法的提升效果与已有方法相比非常显著。

主权项

1.一种基于类集成学习的多步交通速度预测方法，其特征在于，包括生成步骤和集成步骤：/nA.生成步骤：/n(1)以15分钟为间隔，记录交通节点每15分钟内车流量的平均速度，最后形成该交通节点的交通速度时间序列,以窗口大小为104，步长为1的滑动窗提取数据，构造训练数据样本集；/n(2)构造两个多步时间序列预测基模型，这两个多步时间序列预测基模型是具有相同结构的序列到序列模型(Seq2Seq)；/n(3)每个样本的前96个时刻值作为Seq2Seq的输入，后8个时刻值作为训练的标签；/n(4)使用带惩罚因子的平均百分比绝对误差(MAPE)作为训练Seq2Seq的损失函数，两个Seq2Seq惩罚因子使用的判别条件不同，训练两个Seq2Seq并保存；/nB.集成步骤：/n(5)构造用于整合两个Seq2Seq预测值的最终生成神经网络模型，最终生成神经网络模型由最终编码器和最终解码器组成；/n(6)最终解码器的状态激活函数分别设为双曲正切函数tanh和线性整流函数ReLU，以不带惩罚因子的MAPE作为损失函数训练最终生成神经网络模型；/n(7)比较状态激活函数为sigmoid或ReLU时的MAPE，确定最终解码器的状态激活函数；/n(8)构造整合由两个多步时间序列预测基模型和最终生成神经网络模型组成的整体模型；三个模型解码器的输入相同，所以可定义一个输入接口作为三个模型的输入，两个Seq2Seq模型的输出作为最终生成神经网络模型解码器的输入；构造好整体模型后，加载已保存的三个模型对应的参数，保存整体模型；最后通过整体模型直接进行多步交通预测。/n