申请/专利权人：天津理工大学

申请日：2023-08-28

公开（公告）日：2023-10-27

公开（公告）号：CN116957168A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q10/0639;G06Q50/26;G06Q50/30;G06N3/006;G06N3/0442;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.11.14#实质审查的生效;2023.10.27#公开

摘要：本发明提供一种比现有方法更低的预测误差的基于粒子群算法优化的灰色关联度‑双向长短期记忆PSO‑GRA‑BiLSTM神经网络的城市交通碳排放预测方法；包括以下步骤：运用ArcGIS中ArcToolbox的创建渔网工具将研究区进行1000m*1000m的格网化，处理分析城市开放街道图OSM路网数据提取道路因子进行统计分析，其中道路因子包括道路条数、道路面积、道路密度与道路夜间灯光总值。本发明提出的一种基于粒子群算法优化的灰色关联度‑双向长短期记忆PSO‑GRA‑BiLSTM神经网络的交通流预测方法，能够获得比现有方法更低的预测误差，改进了交通流预测精度。本发明所提出的方法，在四个不同时间间隔数据中误差均最低，证明了方法具有良好的适用性。

主权项：1.一种基于粒子群算法优化的灰色关联度-双向长短期记忆PSO-GRA-BiLSTM神经网络对于交通碳排放预测方法，包括以下步骤：步骤1、运用ArcGIS中ArcToolbox的创建渔网工具将研究区进行1000m*1000m的格网化，处理分析城市开放街道图OSM路网数据提取道路因子进行统计分析；步骤2、利用车载设备提取城市中车辆的移动轨迹数据，对将车辆移动轨迹数据轨迹数据中未运营式的数据记录进行剔除，然后提取研究区中各格网单元内车辆的平均密度和平均车辆密度作为车辆因子进行统计分析；步骤3、基于道路监控视频的车流统计方法分析道路因子、车辆因子对城市碳排放的影响程度；步骤4、基于GRA-BiLSTM神经网络设计和粒子群优化算法构建粒子群算法优化PSO-GRA-BiLSTM神经网络模型，然后利用PSO-GRA-BiLSTM神经网络模型根据道路因子、车辆因子对城市碳排放的影响程度进行城市交通碳排放量预测。

全文数据：

权利要求：

百度查询： 天津理工大学 构建基于粒子群算法优化的灰色关联度-双向长短期记忆（PSO-GRA-BiLSTM）神经网络对于交通碳排放预测模型及方法

免责声明
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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD