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。