一种基于LSTM模型的机场交通拥堵预测方法及装置与流程

技术特征：

1.一种基于LSTM模型的机场交通拥堵预测方法，其特征在于，包括：

实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；

将所述交通状况信息、航班起降信息和航空气象信息，输入LSTM模型；

获取所述LSTM模型的输出结果，所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。

2.如权利要求1所述的方法，其特征在于，所述LSTM模型训练过程如下：

实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；

将所述交通状况信息、航班起降信息和航空气象信息，按照时间进行关联；

关联后获得每小时内的道路拥堵指数、航空数据和气象数据，合并节假日、工作日和其他活动时间序列数据，构成数据集；

对所述航空数据和气象数据增加滞后效应，生成所述LSTM模型。

3.如权利要求2所述的方法，其特征在于，对所述航空数据、气象数据增加滞后效应，生成所述LSTM模型，包括：

将LSTM模型用于时间序列预测，得到输出向量ht后，连接一个全连接层，从而最终得到预测值：

其中，σ表示激活函数；Wout为全连接层矩阵，维度为1×dh；ht表示输出向量；bout表示截距项；为第s条时间序列t+1期的预测值。

4.如权利要求2所述的方法，其特征在于，所述LSTM模型的损失函数，包括：MAE和MAPE损失函数；

向前预测n步的损失函数公式为：

公式(8)中，MAE^s是衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数；

公式(9)中，MAPE^s是另一个衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数。

5.如权利要求1-4任一项所述的方法，其特征在于，实时获取机场周边预设范围内道路的交通状况信息，包括：

通过数据接口实时获取机场周边预设范围内道路的车流量和行驶速度，计算道路拥堵指数。

6.一种基于LSTM模型的机场交通拥堵预测装置，其特征在于，包括：

获取模块，用于实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；

输入模块，用于将所述交通状况信息、航班起降信息和航空气象信息，输入LSTM模型；

预测模块，用于获取所述LSTM模型的输出结果，所述输出结果为预测未来时段机场周边预设范围内道路的拥堵指数。

7.如权利要求6所述的装置，其特征在于，所述LSTM模型包括：

获取子模块，用于实时获取机场周边预设范围内道路的交通状况信息和机场航班起降信息、以及机场周边预设范围内航空气象信息；

输入子模块，用于将所述交通状况信息、航班起降信息和航空气象信息，按照时间进行关联；

构成子模块，用于根据输入子模块关联后获得每小时内的道路拥堵指数、航空数据和气象数据，合并节假日、工作日和其他活动时间序列数据，构成数据集；

生成子模块，用于对所述航空数据和气象数据增加滞后效应，生成所述LSTM模型。

8.如权利要求7所述的装置，其特征在于，所述生成子模块，具体用于将LSTM模型用于时间序列预测，得到输出向量ht后，连接一个全连接层，从而最终得到预测值：

其中，σ表示激活函数；Wout为全连接层矩阵，维度为1×dh；ht表示输出向量；bout表示截距项；为第s条时间序列t+1期的预测值。

9.如权利要求7所述的装置，其特征在于，所述LSTM模型的损失函数，包括：MAE和MAPE损失函数；

向前预测n步的损失函数公式为：

公式(8)中，MAE^s是衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数；

公式(9)中，MAPE^s是另一个衡量预测效果的指标名称；s表示道路；t表示时间；l表示时间序列；n表示向前预测的步长；表示实际拥堵指数；表示预测的拥堵指数。

10.如权利要求6-9任一项所述的装置，其特征在于，所述获取子模块中实时获取机场周边预设范围内道路的交通状况信息，包括：

通过数据接口实时获取机场周边预设范围内道路的车流量和行驶速度，计算道路拥堵指数。