申请/专利权人：淮阴工学院

申请日：2023-12-28

公开（公告）日：2024-04-12

公开（公告）号：CN117877252A

主分类号：G08G1/01

分类号：G08G1/01;G06F18/213;G06F18/23;G06F18/2413;G06N3/006;G06N3/0455;G06N3/0464;G06N3/08;G06N7/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于聚类与进化深度学习的交通流预测方法，对预先采集的交通流数据进行预处理，用改进的聚类算法对交通流数据进行聚类；采用欧拉特征提取方法从交通流数据中提取出有关时间序列的振幅、相位和频率特征信息；之后采用Tent混沌映射、非线性惯性权重因子和领导者策略对EDO算法进行改进，得到IEDO算法；把提取有效的交通流数据送入CLformer模型中进行训练，同时利用IEDO算法优化CLformer模型参数，利用训练优化后的CLformer模型对交通流进行预测。本发明通过历史交通流时间序列数据准确预判未来的交通流量情况，对交通行业的发展有着重要意义。

主权项：1.一种基于聚类与进化深度学习的交通流预测方法，其特征在于，包括以下步骤：1预先获取指定路口的多个断面的交通流数据，并将采集后的数据进行预处理；2采用改进的聚类算法进行聚类，获得粗略的数据标签，使用分类算法计算准确率，通过不断迭代，结合找到准确率和聚类的内部标准来判断下聚类类别数量，进而将交通流数据划分；3采用欧拉特征提取方法从交通流数据中提取出有关时间序列的振幅、相位和频率特征信息，用来表示和描述交通流的动态变化和特征；4采用Tent混沌映射、非线性惯性权重因子和领导者策略对EDO算法进行改进，得到IEDO算法；5利用IEDO算法优化CLformer模型的参数，把提取有效的交通流数据送入CLformer模型中进行训练，基于训练优化后的CLformer模型预测交通流。

全文数据：

权利要求：

百度查询： 淮阴工学院 一种基于聚类与进化深度学习的交通流预测方法

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