一种基于Conv1D+LSTM的多步交通流量预测方法

本发明涉及交通流预测技术领域，更具体地说，涉及一种基于conv1d+lstm的多步交通流量预测方法。

背景技术：

交通流预测是当前智能交通管理系统中的一个重要研究领域。近年来，随着城市化进程的不断加快，交通拥堵在世界上许多城市都引发了经济、社会和环境问题。因此，交通预测便成了当前智能交通管理系统中的一个重要研究领域，其重点是预测交通以减轻拥堵。其通过参考交通流预测结果，相关部门不仅可以采用相应的交通管理策略来处理交通，还能给出行者提供出行建议以确保更好的流动性和更少的拥堵。因此，交通管理者的主要目标即对道路交通流进行准确地实时预测便成了亟待解决的问题。

目前，虽然国内外研究人员在交通流预测方面已经取得一定成果，但仍然存在以下2个问题。一、这些交通流预测方法大多数只实现了单步预测而没有实现多步预测(即只预测下一个时间间隔而没有预测多个时间间隔)。实际上交通流多步预测更具有现实意义。首先，多步交通流量表明了未来一定时期交通状态的变化趋势，这有利于避免由于临时波动而产生的冲动性交通调度响应。从动态决策的方面来看，它远远比获得当前时刻的交通状况更为重要，因为当前时刻的交通流量需求预测结果往往是短时刻的，且易造成额外的交通调度。二、这些方法仅使用交通流量历史数据，而没有将外界因素对交通流的影响纳入考虑。实际上，天气、节假日、日期和时间信息等很容易对交通流量造成影响，众多研究表明，提取影响交通流量的外部因素以及确定这些外部因素与交通流量的关联性对于提高交通流预测的准确率有着重要的意义。

技术实现要素：

本发明要解决的技术问题在于，针对现有技术中存在的不足，本发明提供一种基于conv1d+lstm的多步交通流量预测方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于conv1d+lstm的多步交通流量预测方法，包括：

步骤1：收集可用的交通流量数据，并进行初步地筛选；

步骤2：对筛选好的交通流数据进行数据预处理；

步骤3：将预处理后的交通流数据输到一维卷积conv1d中提取交通流数据特征，同时提取外部因素对交通流数据的影响；

步骤4：将conv1d层提取的特征输入到lstm层进行学习，以预测未来多个时间间隔的交通流量值；

步骤5：反归一化处理模型产生的交通流量值，作为预测结果。

其中，步骤2中对交通流数据进行数据预处理的方式包括：对数据异常点进行修复，去除数据中存在的噪声和对数据进行归一化处理。

其中，步骤3中将预处理后的交通流数据输到一维卷积conv1d中提取交通流数据特征的步骤包括：结合天气、时间信息和节假日的外部因素，利用conv1d来建模交通流数据的时间特征、周期特征和局部相关特征。

其中，在将conv1d层提取的特征输入到lstm层进行学习，以预测未来多个时间间隔的交通流量值的步骤中，

lstm计算公式如下：

ft＝σ(wf·[ht-1,xt]+bf)

it＝σ(wi·[ht-1,xt]+bi)

ot＝σ(wo·[ht-1,xt]+bo)

其中，wf,wi,wo分别表示对应门的权重矩阵，bf,bi,bo表示偏置项，符号“”表示按元素乘，σ表示激活函数，表示当前时刻t网络输入的单元状态。

其中，步骤5中，反归一化处理模型产生的预测值：

x＝x″×(max(x)-min(x))+min(x)

其中，x”为模型预测的归一化值；x为模型预测真实值。

与现有技术相比，本发明所述一种基于conv1d+lstm的多步交通流量预测方法,采用以上技术方案与现有技术相比，具有以下技术效果：第一，将一维卷积和长短期记忆网络集成在一起。一维卷积用于捕获交通流数据的时间特征、周期特征和局部相关特征，以对交通流的深层特征进行挖掘和有效地利用交通流时间序列数据。lstm则利用一维卷积所提取的特征对交通流进行多步预测。第二，conv1d+lstm模型充分了考虑外部因素对交通流的影响。结果表明，与其它方法相比，本文方法预测精度达到了91％。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本专利所涉及lstm模型的单元结构图

图2是本发明提供的一种基于conv1d+lstm的多步交通流量预测方法的整体框架示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图2所示，本发明设计了一种基于conv1d+lstm的多步交通流量预测方法，包括：

步骤1：收集可用的交通流量数据，并进行初步地筛选；

步骤2：对筛选好的交通流数据进行数据预处理；

步骤3：将预处理后的交通流数据输到一维卷积conv1d中提取交通流数据特征，同时提取外部因素对交通流数据的影响；

步骤4：将conv1d层提取的特征输入到lstm层进行学习，以预测未来多个时间间隔的交通流量值；

步骤5：反归一化处理模型产生的交通流量值，作为预测结果。

其中，步骤2中对交通流数据进行数据预处理的方式包括：对数据异常点进行修复，去除数据中存在的噪声和对数据进行归一化处理。

其中，步骤3中将预处理后的交通流数据输到一维卷积conv1d中提取交通流数据特征的步骤包括：结合天气、时间信息和节假日的外部因素，利用conv1d来建模交通流数据的时间特征、周期特征和局部相关特征。

其中，在将conv1d层提取的特征输入到lstm层进行学习，以预测未来多个时间间隔的交通流量值的步骤中，

lstm计算公式如下：

ft＝σ(wf·[ht-1,xt]+bf)

it＝σ(wi·[ht-1,xt]+bi)

ot＝σ(wo·[ht-1,xt]+bo)

其中，wf,wi,wo分别表示对应门的权重矩阵，bf,bi,bo表示偏置项，符号“°”表示按元素乘，σ表示激活函数，表示当前时刻t网络输入的单元状态。

其中，步骤5中，反归一化处理模型产生的预测值：

x＝x″×(max(x)-min(x))+min(x)

其中，x”为模型预测的归一化值；x为模型预测真实值。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。