申请/专利权人：合肥工业大学

申请日：2024-01-08

公开（公告）日：2024-04-02

公开（公告）号：CN117809457A

主分类号：G08G1/01

分类号：G08G1/01;G08G1/065;G06Q10/04;G06Q10/0639;G06Q50/40;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：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种改进的自适应交通流组合预测方法，包括：1、使用KL散度和边锋能量熵原理改进变分模态分解算法，将原始交通流量序列分解为一系列相对平稳的高低频分量序列；2、将分解后的交通流量序列，作为图注意力网络的输入，利用注意力机制计算各节点之间的注意力系数，提取动态空间特征，实现交通流序列空间相关性建模；3、使用改进后的Adam优化算法对各双向门控循环单元BiRGU进行训练，构建性能最佳的各BiGRU网络预测模型；4、将各节点加权后的分量序列作为门控循环单元网络的特征输入，并将各预测值叠加求和，反归一化处理得到最终预测结果。本发明可以有效预测交通流量序列，并提高交通流量的预测精度。

主权项：1.一种改进的自适应交通流组合预测方法，其特征在于，包括如下步骤：步骤1：基于KL散度和变分能量熵分解处理原始交通流量序列Y：步骤1.1：利用式1计算原始交通流量序列Y和各模态分解余量之间的相关性： 式1中，HY表示原始交通流量序列Y的熵，DKLYk|Y表示原始交通流量序列Y与第k个模态分解余量Yk之间的KL散度值；EkY,Yk代表原始交通流量序列Y和第k个模态分解余量Yk间的相关性；k＝1,2,...K，K为原始交通流量序列Y的模态分解个数；步骤1.2：采用式2对原始交通流量序列Y和第k个模态分解余量Yk的相关性EkY,Yk进行归一化处理，得到归一化后的第k个相关性指标δk： 步骤1.3：利用式3计算第k个模态分解余量Yk的变分能量熵值Vk：Vk＝-pklnpk3式3中，pk表示第k个模态分解余量Yk的能量熵占总能量熵的比重；并有： 式4中，Gk表示第k个模态分解余量Yk的能量熵，并由式5得到；G表示总能量熵值，且 式5中，uk表示第k个模态分解余量Yk的交通流量；步骤1.4：利用式5构建增广拉格朗日目标函数Luk,ωk,λ： 式5中：ukt表示原始交通流量序列Y在时域t下的第k个模态分量，且其中，Akt表示第k个模态分量ukt在时域t下的幅值，φkt表示第k个模态分量ukt在时域t下的瞬时相位；ωkt表示第k个模态分量ukt在时域t下的瞬时频率，且ωkt＝φk′t；φk′t表示φkt的导数；λt表示时域t下的拉格朗日乘子；α表示二次惩罚项；表示对时域t的偏微分；δt表示时域t下的单位冲激函数；j表示虚数；ωk表示时域t下的第k个模态分量ukt变换到频域ω下的中心频率；*表示卷积运算符；ft表示时域t下的原始交通流量序列Y；步骤1.5：对增广拉格朗日目标函数Luk,ωk,λ进行求解，得到最佳模态分解个数Kbest；步骤1.6：在[αmin,αmax]范围内选取不同的二次惩罚因子，并在不同的二次惩罚因子下利用步骤1.3计算所对应的总变分能量熵值，并将总变分能量熵值最小时所对应的二次惩罚因子记为αbest；步骤1.7：根据Kbest和αbest，对原始交通流量Y进行变分模态分解，得到Kbest个模态分量序列其中，IMFk*表示第k*个模态分量；步骤2：基于图注意力网络的捕捉交通流量空间相关性：步骤2.1：在交通路网中选取中心节点记为p点，按照步骤1对p点的交通流量序列Yp进行分解，得到包含Kbest个模态分量序列的交通流量序列其中，分别表示Yp的第k*个模态分量；步骤2.2：选取m个p点的领域节点，得到一阶邻域节点集合N＝{N1,N2,...,Nq,...,Nm}，其中，Nq表示p点的第q个一阶邻域节点；按照步骤1对Nq的交的交通流量序列进行分解，得到包含Kbest个模态分量序列的交通流量序列其中，表示第q个一阶邻域节点Nq的第k*个模态分量；步骤2.3：利用式11计算中心节点p的交通流量时间序列xp对第q个一阶邻域节点Nq的交通流量时间序列的注意力系数从而得到注意力系数向量 式11中，exp表示自然底数；表示待学习的权重向量；W表示待学习的权重矩阵；||表示拼接操作；σ·表示LeakyReLU激活函数；步骤2.4：利用式11计算中心节点p的交通流量时间序列xp的自注意力系数αpp，从而利用式12得到p点的加权交通流量时间序列 步骤2.5：利用式13得到第q个一阶邻域节点Nq的加权交通流量时间序列 步骤3：基于改进Adam优化算法的双向门控循环单元网络进行预测：步骤3.1：将xp和作为双向门控循环单元网络的输入，并利用改进后的Adam优化算法对双向门控循环单元网络进行优化求解，得到各个最佳参数值；步骤3.2：将和输入到最优双向门控循环单元网络中，从而得到p点的预测模态分量序列和邻域节点Nq的预测模态分量序列其中，分别表示p点的第k*个加权交通流量分量序列的预测值；表示第q个一阶邻域节点Nq的第k*个加权交通流量分量序列的预测值；步骤3.3：将利用式20得到p点的原始交通流量序列的最终预测结果hp：

全文数据：

权利要求：

百度查询： 合肥工业大学 一种改进的自适应交通流组合预测方法

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