浙江工业大学徐东伟获国家专利权
买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
龙图腾网获悉浙江工业大学申请的专利一种基于双向嵌套LSTM神经网络的交通流预测方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN110070713B 。
龙图腾网通过国家知识产权局官网在2021-01-01发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:201910298059.6,技术领域涉及:G08G1/01(20060101);该发明授权一种基于双向嵌套LSTM神经网络的交通流预测方法是由徐东伟;彭鹏;王永东;戴宏伟;宣琦设计研发完成,并于2019-04-15向国家知识产权局提交的专利申请。
本一种基于双向嵌套LSTM神经网络的交通流预测方法在说明书摘要公布了:一种基于双向嵌套LSTM神经网络的交通流预测方法,该方法基于道路交通流相关性矩阵获取预测路段及K个最相关路段的交通流数据,构建道路交通流时空矩阵数据集并进行数据序列化处理;然后构建双向嵌套LSTM神经网络预测模型,定义预测模型损失函数,结合训练集数据,完成模型训练;最后以测试集数据作为训练后模型的输入,实现测试集交通流状态的实时预测并定义模型评价标准,进行误差分析。本发明通过改善LSTM单元时间层级效应和考虑未来、历史交通流状态与现有状态的联系,提高了道路交通流数据的时间特征提取能力,从而提高了道路交通流的预测精度。
本发明授权一种基于双向嵌套LSTM神经网络的交通流预测方法在权利要求书中公布了:1.一种基于双向嵌套LSTM神经网络的交通流预测方法,其特征在于,所述方法包括以下步骤:1选取道路交通网络某一区域作为研究对象,获取道路交通流数据,进行路段交通流相关性分析,形成道路交通相关性矩阵;2根据交通流相关性分析结果,获取相关路段交通流数据进行数据预处理;构建道路交通流时空矩阵数据集,划分训练集与测试集的步骤;对数据集进行序列化;3构建双向嵌套LSTM神经网络,将交通流时空数据训练集作为模型输入,定义预测模型损失函数,完成模型训练;4将交通流时空数据测试集作为预测模型输入,实现交通流未来状态预测;定义模型评价指标并对模型预测结果进行误差分析;所述步骤1的过程为:1.1选取道路交通网络某一区域作为研究对象,获取道路交通流数据;1.2计算道路交通流相关性矩阵选取研究区域内不同路段在同一历史阶段的交通流数据,计算基于交通流数据的区域路段相关性矩阵;定义路段i在a-b时段内的交通流数据为Xi={xia,xia+1,…,xib},路段j在a-b时段内的交通流数据为Xj={xja,xja+1,…,xjb},计算路段i与j的相关性系数ρXi,Xj,其数学表达式如下所示: 其中,表示路段i在a-b时段内交通流的均值,表示路段j在a-b时段内交通流的均值,表示路段j在a-b时段内的标准差,表示路段j在a-b时段内的标准差,表示路段i与j在a-b时段内交通流的协方差;那么当研究区域内有n条路段时,则研究区域内路段交通流相关性矩阵如下所示: 所述步骤2的过程为:2.1道路交通流数据预处理根据交通流相关性矩阵,按照相关性从大到小,选取每个路段K个最相关路段;获取相应路段及K最相关路段交通流数据,进行数据归一化处理,数据归一化数学表达式如下所示: 其中,xit为t时刻路段i的原始流量数据,minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值,x′it为归一化后的路段i流量数据;2.2构建道路交通流时空矩阵数据集获取相应路段及K最相关路段归一化后的交通流数据,构建道路交通流时空矩阵数据集,数据集构建形式如下所示: 其中,数据集的行向量表示不同路段同一时刻的交通流数据,列向量表示同一路段不同时刻的交通流数据,m为数据集中每个路段的数据长度;选取一定比例将上述数据集划分为训练集和测试集;2.3数据序列化为满足预测模型输入数据大小的需求,对训练集和测试集进行数据序列化处理,训练集数据序列化处理结果如下所示: 其中,s为时间窗口大小,p为预测步长,q为训练集数据长度,Train′为训练集序列化处理后的结果;测试集采用相同序列化方法进行数据序列化;所述步骤3的过程为:3.1构建双向嵌套LSTM神经网络首先构建嵌套LSTM神经单元,神经单元处理信息过程数学表达式如下所示:it=σxtWxi+ht-1Whi+bift=σxtWxf+ht-1Whf+bf ot=σxtWxo+ht-1Who+boht=ot⊙σct其中,xt、ct-1、ht-1、分别表示内部记忆单元输入、外部记忆单元输入、前一时刻外部单元状态、前一时刻内部单元状态、外部记忆单元前一时刻的输出、内部记忆单元前一时刻的输出;⊙表示点乘,σ·表示sigmoid函数,Wxf、Wxi、Wxo表示外部遗忘门、输入门、输出门的输入权重矩阵,Whf、Whi、Who表示外部遗忘门、输入门、输出门的前一时刻输出权重矩阵,bf、bi、bo表示外部遗忘门、输入门、输出门的偏置矩阵,表示内部遗忘门、输入门、状态单元、输出门的输入权重矩阵,表示内部遗忘门、输入门、状态单元、输出门的前一时刻输出权重矩阵,表示内部遗忘门、输入门、状态单元、输出门的偏置矩阵,it、ft、ct、ot、ht表示外部输入门、遗忘门、单元状态、输出门、记忆单元的输出,表示内部输入门、遗忘门、单元状态、输出门、记忆单元的输出;然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络,其中Mi为嵌套LSTM单元,那么,基于双向嵌套LSTM神经网络的交通流预测过程描述为如下过程:zt=fWxzxt+Whzzt-1 其中,xt为t时刻的交通流状态,zt为模型t-1时刻隐藏层的正向输出,为模型t+1时刻隐藏层的反向输出,yt为t时刻预测的交通流状态,f为嵌套LSTM单元函数,g为relu函数,W为各部分对应的正向权重矩阵,为各部分对应的反向权重矩阵;3.2定义预测模型损失函数为使模型的预测值能更接近于实际值,本发明采用均方差作为预测模型的损失函数,其数学表达式如下: 其中,u′为训练样本数量,yi为第i个样本的预测值,y′i为第i个样本的实际值;3.3将训练集作为模型输入,完成模型训练将训练集作为模型输入,根据定义的模型损失函数,基于反向传播算法采用Adam优化器对模型进行训练,选取相对最优参数下的模型训练结果作为最终结果,完成模型训练;所述步骤4的过程为:4.1:实现交通流未来状态预测将测试集作为训练后模型的输入,对测试集交通流未来状态进行预测;4.2:定义模型评价指标并进行误差分析利用绝对均差MAE、相对百分绝对均差MAPE以及均方根误差RMSE来检验模型的性能并对测试集预测结果进行误差分析; 其中,y′i为交通流标签数据,yi为交通流的预测值,u为测试集预测样本数量。
如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人浙江工业大学,其通讯地址为:310014 浙江省杭州市下城区朝晖六区潮王路18号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。