申请/专利权人：南通大学

申请日：2020-07-08

公开（公告）日：2024-04-19

公开（公告）号：CN111860989B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/40;G06N3/0442;G06N3/084;G06N3/006

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2020.11.17#实质审查的生效;2020.10.30#公开

摘要：本发明公开了一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，从某路口通行数据库及历史数据导入至Python的Pandas模块进行预处理，并按照时间段进行分组聚合；对处理后的数据进行归一化处理；使用基于长短期神经网络构建训练模型，按照80％训练集、20％验证集的比例划分训练集与验证集；通过Ant‑Cycle蚁群算法基于启发式思想对LSTM的神经网络进行优化，与实时数据进行比对，使用MASE与决定系数指标评价模型的预测准确率，最终完成对路口短时交通流的预测。本发明使用蚁群算法优化超参数的设置避免了设置超参数困难的情况，使决定系数提升8个百分点，可有效提高路口短时交通流量预测的准确率。

主权项：1.一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法，其特征在于：所述方法包括如下步骤：步骤1从某路口通行数据库将历史数据导入至Python的Pandas模块进行预处理，并按照时间段进行分组聚合；步骤2对分组聚合处理后的数据进行归一化处理以便训练时收敛；步骤3构建训练模型，按照80％训练集、20％验证集的比例划分训练集与验证集；步骤4通过Ant-Cycle蚁群算法基于启发式思想对LSTM的神经网络进行优化，与实时数据进行比对，使用MAE与决定系数指标评价模型的预测准确率，最终完成对路口短时交通流的预测；步骤1中对存入的数据集进行数据预处理去除错误数据、整合为能被训练直接使用的数据具体为：通过Pandas模块判断该时段数据是否为0、是否符合实际情况，处理历史交通路口流量情况，并将数据进行分组聚合，使数据按照15分钟为时间间隔进行聚合，使数据可以直接被训练模型使用；Ant-Cycle蚁群求解过程概率定义通过式1计算， 式1中，ρ∈[0，1]是信息素持久性系数，m是蚂蚁数，t是边缘上信息素轨迹的强度在TSP的情况下，可以定义为蚁群算法节点之间的反向距离。索引i和j是顶点的标签，allois是从第k个顶点可以到达的顶点集，最后，为蚂蚁k分配一组可能的跃迁，当找到可行解时，巡更结束；迭代结束时执行更新通过式2计算， 式2中，其中Lk是第k个蚂蚁的游程长度，Q是常数通常值为1，该算法的进一步改进是一种信息素轨迹平滑机制，当算法陷入停滞状态时，信息素矩阵通过按其差值的比例增大值使之平滑，以增加对解空间的探索；根据式3来对遗忘门的更新ft＝σWf·[ht-1,xt]+bf3式3中，通过读取输入值ht-1和xt，产生一个大小介于0、1之间的张量；其中，1表示“保存所有信息”，0表示“舍弃所有信息”；根据式4设定遗忘门的权重和偏向 式4中，Wf和bf分别表示遗忘门的权重和偏向，σ表示用使用Sigmoid函数作为激活函数；采用二次损失函数如式5作为模型训练的最小化误差函数 式5中，C0指二次损失函数值，a代表当前的预测结果；根据式6将L2正则项加入到模型的损失函数里， 式6中，x代表数据的输入量，yx表示路口交通流量实际值，a代表输入x的预测值，n代表训练总量；所述学习率优化Adam算法处理包括：ht＝η1-β1gt+ηβ1ht-17 式7、式8中，ht代表一阶变量，zt代表二阶变量，β1、β2为随机目标函数；使用以下公式进行归一化处理： 式8、式9中，xi代表各个数据个体，z代表输出的归一化后数据；所述MAE、决定系数评价处理包括： 式8、式9中，yi表示样本的真实值，表示预测值，表示样本的平均值。

全文数据：

权利要求：

百度查询： 南通大学 一种基于蚁群算法优化的LSTM神经网络短时交通流量预测方法

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