CN114970815A - 一种基于改进pso算法优化lstm的交通流预测方法及装置 - Google Patents
一种基于改进pso算法优化lstm的交通流预测方法及装置 Download PDFInfo
- Publication number
- CN114970815A CN114970815A CN202210544588.1A CN202210544588A CN114970815A CN 114970815 A CN114970815 A CN 114970815A CN 202210544588 A CN202210544588 A CN 202210544588A CN 114970815 A CN114970815 A CN 114970815A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- particle
- lstm
- neural network
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 129
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于改进PSO算法优化LSTM的交通流预测方法及装置，包括：获取的待预测交通流的交通流原始数据并进行预处理，采用预先训练好的交通流预测模型根据预处理后的交通流数据获得交通流预测结果；所述交通流预测模型采用LSTM神经网络，其训练过程包括：基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数；基于历史交通流数据样本，对初始优化后的LSTM神经网络进行训练，得到最终交通流预测模型。本发明采用动态惯性权重w粒子群算法并融合遗传算法的自适应变异操作对基本PSO算法进行改进，提高交通流的预测精度和预测速度。
Description
技术领域
本发明公开了一种基于改进PSO算法优化LSTM的交通流预测方法及装置，涉及交通流预测技术领域。
背景技术
随着智能交通技术的发展，交通流预测作为实时交通状态判别和交通流诱导的基础，其研究对提高道路服务和管控水平具有重要意义。只有预先获取前方道路的状态才能主动做好决策。交通控制及诱导的作用效果通常需要经历一段时间的积累才能显现出来。根据时间尺度的不同，交通流预测分长时(long-term)和短时(short-term)两类，用以预测分析在5-15min内通过道路某断面的车辆数目。如何提高交通流预测的准确性成为现阶段交通流研究的挑战之一，精准的短时交通流预测是目前解决城市道路交通拥挤、减少环境污染最根本、最有效的措施。近年来，国内外许多学者对如何提高城市短时交通流的预测精度问题相继展开了大量研究。随着交通流数据的不断积累和相关技术的不断发展，预测方法正在逐步由原来的经典统计方法向数据驱动的视角演变。但交通流数据易受到天气、通信等环境因素和外部因素的干扰，收集到的数据会有大量的噪声，具有高度的非线性和复杂性。目前仍缺乏一种准确性高、稳定性好的短时交通流预测方法。
发明内容
本发明针对上述背景技术中的缺陷，提供一种基于改进PSO算法优化LSTM的交通流预测方法及装置,提高短时交通流预测准确率的目的。
为实现上述目的，本发明采用的技术方案如下：一种基于改进PSO算法优化LSTM的交通流预测方法，包括以下步骤：
获取待预测交通流的交通流原始数据并进行预处理，
采用预先训练好的交通流预测模型根据预处理后的交通流数据获得交通流预测结果；预处理的方法为：采用min-max将交通流数据归一化；
所述交通流预测模型采用LSTM神经网络，其训练过程包括：
基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数；
基于历史交通流数据样本，对初始优化后的LSTM神经网络进行训练，得到最终交通流预测模型。
进一步的，所述基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数的具体方法为：
依据历史数据将各个待优化的神经网络参数编码为各个粒子个体，每个所述粒子个体的位置与每个神经网络参数一一对应；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置；
将所述粒子最优位置设置为最优的神经网络参数，并输出最优参数组合。
历史数据包括90％的训练集交通流数据和10％的测试集交通流数据，90％的训练集交通流数据的时间线先于10％的测试集交通流数据。
进一步的，所述待优化的网络参数包括：第一层LSTM的神经元节点数、第二层LSTM的神经元节点数、LSTM的学习率和预测模型的最大迭代次数。
进一步的，所述预设控制参数包括：粒子群体的总数量、最大迭代次数、惯性权重的取值范围、粒子个体的位置和速度搜索范围；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置的具体方法为：
(1)根据设置的控制参数初始化所有粒子个体的速度和位置；
(2)计算每个粒子个体的适应度值；
(3)更新粒子群算法的惯性权重；
(4)更新粒子的速度和位置；
(5)变异超出搜索范围粒子；
(6)计算更新后粒子的适应度值；
(7)判断算法是否达终止条件；若是，输出最优参数组合，算法结束；否则转到(3)。
进一步的，所述计算粒子的适应度值的具体方法为：
选取1/2训练集的RMSE和1/2测试集的RMSE作为优化算法的适应度值fitness：
其中，RMSEtrain为训练集的均方根误差，RMSEtest为测试集的均方根误差。
进一步的，所述更新粒子群算法的惯性权重的具体方法为：
其中，t为迭代次数，tmax为改进粒子群算法最大迭代次数，wmax为惯性权重的最大值、wmin为惯性权重的最小值；随着迭代次数t的增加，惯性权重w会逐渐减小，增强粒子的局部搜索能力。
进一步的，所述变异超出搜索范围粒子的具体方法为：
其中，rand为变异超出搜索范围，自适应变异操作可以改进算法在迭代过程中生成个体过于单一的问题，以改进PSO算法容易发生早熟和收敛速度慢等缺陷。
进一步的，所述更新粒子速度和位置的具体方法为：
其中，
为第k次迭代时粒子的速度，
为第k-1次迭代时粒子的速度，PiD为第i个粒子的最优位置，PgD为粒子群体的最优位置，
为第k次迭代时粒子的位置，
为第k-1次迭代时粒子的位置；
k表示当前迭代次数，c1、c2为学习因子，w为惯性权重，r1，r2为分布于[0,1]的随机数；
终止条件为达到改进粒子群优化算法最大迭代次数tmax。
一种基于改进PSO算法优化LSTM的交通流预测装置，所述装置包括：
获取模块，用于获取待预测交通流的交通流原始数据并进行预处理；
处理模块，用于采用预先训练好的交通流预测模型根据预处理后的交通流数据获得交通流预测结果；
所述交通流预测模型采用LSTM神经网络，其训练过程包括：
基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数；
基于历史交通流数据样本，对初始优化后的LSTM神经网络进行训练，得到最终交通流预测模型。
进一步的，所述基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数的具体方法为：
依据历史数据将各个待优化的神经网络参数编码为各个粒子个体，每个所述粒子个体的位置与每个神经网络参数一一对应；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置；
将所述粒子最优位置设置为最优的神经网络参数，并输出最优参数组合。
所述LSTM神经网络用于提取交通流数据特征进行学习，输出交通流预测结果：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
Ct1＝tanh(Wc·[ht-1,xt]+bc)
Ct＝Ct-1·ft+it·Ct1
ht＝ot·tanh(Ct)
其中，ft为遗忘门当前时刻的输出，it为输入门当前时刻的输出，ot为输出门当前时刻的输出；
Wf为遗忘门的权重，bf为遗忘门的偏置，Wi为输入门的权重，bi为输入门的偏置，Wo为输出门的权重，bo为输出门的偏置；Wc为记忆单元的权重，bc为记忆单元的偏置，
ht-1为前一时刻的输入，xt为当前时刻的输入，即交通流数据的测试集；σ为激活函数sigmoid，tanh为激活函数；
Ct-1为前一时刻记忆单元的状态，Ct为当前时刻记忆单元的状态，Ct1为记忆单元中待更新的内容，ht为预测的交通流序列。
交通流数据的测试集的包括：前一天的车辆速度、道路占用率、车流量、预测当天的车辆速度、道路占用率，输出交通流预测结果包括：预测时刻的车流量。
有益效果：本文提出一种结合动态惯性权重和自然选择自适应变异的粒子群算法优化长短时记忆网络的预测模型，利用改进的粒子群算法优化LSTM神经网络的输入层节点数和输出层节点数，以及模型的迭代次数和动态变化学习率；提高了短时交通流数据的预测精度和预测速度，可以提供给出行者更为准确的道路信息，提高道路通行效率，解决交通拥堵等问题。因此，交通流预测研究有着重要的现实意义。
附图说明
图1为本发明GMPSO-LSTM模型流程图；
图2为本发明LSTM结构图。
具体实施方式
下面结合附图对技术方案的实施作进一步的详细描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1～2所示，一种基于改进PSO算法优化LSTM的交通流预测方法，包括以下步骤：
获取待预测交通流的交通流原始数据并进行预处理，
采用预先训练好的交通流预测模型根据预处理后的交通流数据获得交通流预测结果；预处理的方法为：采用min-max将交通流数据归一化；
所述交通流预测模型采用LSTM神经网络，其训练过程包括：
基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数；
基于历史交通流数据样本，对初始优化后的LSTM神经网络进行训练，得到最终交通流预测模型。
所述基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数的具体方法为：
依据历史数据将各个待优化的神经网络参数编码为各个粒子个体，每个所述粒子个体的位置与每个神经网络参数一一对应；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置；
将所述粒子最优位置设置为最优的神经网络参数，并输出最优参数组合。
所述待优化的网络参数包括：第一层LSTM的神经元节点数、第二层LSTM的神经元节点数、LSTM的学习率和预测模型的最大迭代次数。
所述预设控制参数包括：粒子群体的总数量、最大迭代次数、惯性权重的取值范围、粒子个体的位置和速度搜索范围；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置的具体方法为：
(1)根据设置的控制参数初始化所有粒子个体的速度和位置；
(2)计算每个粒子个体的适应度值；
(3)更新粒子群算法的惯性权重；
(4)更新粒子的速度和位置；
(5)变异超出搜索范围粒子；
(6)计算更新后粒子的适应度值；
(7)判断算法是否达终止条件；若是，输出最优参数组合，算法结束；否则转到(3)。
所述计算粒子的适应度值的具体方法为：
选取1/2训练集的RMSE和1/2测试集的RMSE作为优化算法的适应度值fitness：
其中，RMSEtrain为训练集的均方根误差，RMSEtest为测试集的均方根误差。
所述更新粒子群算法的惯性权重的具体方法为：
其中，t为迭代次数，tmax为改进粒子群算法最大迭代次数，wmax为惯性权重的最大值、wmin为惯性权重的最小值；
所述变异超出搜索范围粒子的具体方法为：
其中，rand为变异超出搜索范围；随着迭代次数t的增加，变异几率会逐渐变小，避免算法陷入局部最优解的风险。
在一个D维搜索空间，有m个粒子，每个粒子的位置Xi＝(xi1,xi2,…,xiD)，每个粒子的速度Vi＝(vi1,vi2,…,viD)，每个粒子都有根据目标函数而设置的适应度值。对于第i个粒子，所经历的最佳位置Pi＝(Pi1,Pi2,…,PiD)，记为pbest；对于整个群体，所经历的最优位置Pg＝(Pg1,Pg2,…,PgD)，记为gbest。
所述更新粒子速度和位置的具体方法为：
其中，
为第k次迭代时粒子的速度，
为第k-1次迭代时粒子的速度，PiD为第i个粒子的最优位置，PgD为粒子群体的最优位置，
为第k次迭代时粒子的位置，
为第k-1次迭代时粒子的位置；为加快粒子搜索速度，设置位置区间[-Xmin,，Xmax]，速度区间[-Vmin,，Vmax]；
k表示当前迭代次数，c1、c2为学习因子，w为惯性权重，r1，r2为分布于[0,1]的随机数；
终止条件为达到改进粒子群优化算法最大迭代次数tmax。
一种基于改进PSO算法优化LSTM的交通流预测装置，所述装置包括：
获取模块，用于获取待预测交通流的交通流原始数据并进行预处理；
处理模块，用于采用预先训练好的交通流预测模型根据预处理后的交通流数据获得交通流预测结果；
所述交通流预测模型采用LSTM神经网络，其训练过程包括：
基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数；
基于历史交通流数据样本，对初始优化后的LSTM神经网络进行训练，得到最终交通流预测模型。
所述基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数的具体方法为：
依据历史数据将各个待优化的神经网络参数编码为各个粒子个体，每个所述粒子个体的位置与每个神经网络参数一一对应；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置；
将所述粒子最优位置设置为最优的神经网络参数，并输出最优参数组合。
所述LSTM神经网络用于提取交通流数据特征进行学习，选取合适的优化器(Optimizer)、每批数据量(Batch_size)和加入Dropout的随机丢弃比率的值，输出交通流预测结果：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
Ct1＝tanh(Wc·[ht-1,xt]+bc)
Ct＝Ct-1·ft+it·Ct1
ht＝ot·tanh(Ct)
其中，ft为遗忘门当前时刻的输出，it为输入门当前时刻的输出，ot为输出门当前时刻的输出；Wf为遗忘门的权重，bf为遗忘门的偏置，Wi为输入门的权重，bi为输入门的偏置，Wo为输出门的权重，bo为输出门的偏置；Wc为记忆单元的权重，bc为记忆单元的偏置，ht-1为前一时刻的输入，xt为当前时刻的输入，即交通流数据的测试集；σ为激活函数sigmoid，tanh为激活函数；Ct-1为前一时刻记忆单元的状态，Ct为当前时刻记忆单元的状态，Ct1为记忆单元中待更新的内容，ht为预测的交通流序列。
交通流数据的测试集的包括：前一天的车辆速度、道路占用率、车流量、预测当天的车辆速度、道路占用率，输出交通流预测结果包括：预测时刻的车流量。本发明将车辆速度、道路占用率、车流量这3个特征带入模型进行多输入预测，拟用前一天的这3个特征与预测当天的前2个特征作为模型输入，来预测当天下一时刻的车流量作为模型输出。并在训练过程中，采用动态变化的学习率(LR,Learning rate)来控制模型的学习速度，提高模型的收敛能力。在本发明中，详细控制参数设置由表1给出。
表1
为了验证模型的预测有效性，采用均方根误差、平均绝对误差(mean absoluteerror,MAE)、平均百分比误差(mean absolute percentage error，MAPE)和决定系数(R2)作为评估指标，公式如式(10)-(13)所示：
其中，N是输入的交通流数据测试集个数、yi是实验预测值、xi是交通流数据实际值、
是交通流数据实际值的均值。
将本发明的模型在PeMS公开数据集上与另外的5种模型在4个指标上进行实验对比，得到结果。预测结果如表2所示。
| 模型 | MAPE | RMSE | MAE | R<sup>2</sup> |
| BP | 0.196 | 40.406 | 29.362 | 0.911 |
| SVR | 0.209 | 46.444 | 39.242 | 0.873 |
| LSTM | 0.112 | 36.757 | 25.043 | 0.926 |
| LR-LSTM | 0.087 | 27.639 | 18.486 | 0.958 |
| PSO-LR-LSTM | 0.047 | 14.904 | 7.578 | 0.979 |
| GMPSO-LR-LSTM | 0.045 | 8.244 | 5.601 | 0.990 |
表2
由表2可以看出，通过将GMPSO-LR-LSTM和其他模型在PeMS公开数据集上分别对MAPE、RMSE、MAE、R2值进行对比，结果表明本发明模型在解决短时交通流预测问题方面具有优越性，在一定程度上可以有效提高交通流时间序列的的预测精度，体现出模型较强的实用性，解决了目前缺乏一种准确性高、稳定性好的短时交通流预测方法的问题。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于改进PSO算法优化LSTM的交通流预测方法，其特征在于，包括以下步骤：
获取待预测交通流的交通流原始数据并进行预处理，
采用预先训练好的交通流预测模型根据预处理后的交通流数据获得交通流预测结果；
所述交通流预测模型采用LSTM神经网络，其训练过程包括：
基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数；
基于历史交通流数据样本，对初始优化后的LSTM神经网络进行训练，得到最终交通流预测模型。
2.根据权利要求1所述的一种基于改进PSO算法优化LSTM的交通流预测方法，其特征在于，所述基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数的具体方法为：
依据历史数据将各个待优化的神经网络参数编码为各个粒子个体，每个所述粒子个体的位置与每个神经网络参数一一对应；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置；
将所述粒子最优位置设置为最优的神经网络参数，并输出最优参数组合。
3.根据权利要求2所述的一种基于改进PSO算法优化LSTM的交通流预测方法，其特征在于，所述待优化的神经网络参数包括：第一层LSTM的神经元节点数、第二层LSTM的神经元节点数、LSTM的学习率和预测模型的最大迭代次数。
4.根据权利要2所述的一种基于改进PSO算法优化LSTM的交通流预测方法，其特征在于，所述预设控制参数包括：粒子群体的总数量、最大迭代次数、惯性权重的取值范围、粒子个体的位置和速度搜索范围；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置的具体方法为：
(1)根据设置的控制参数初始化所有粒子个体的速度和位置；
(2)计算每个粒子个体的适应度值；
(3)更新粒子群算法的惯性权重；
(4)更新粒子的速度和位置；
(5)变异超出搜索范围粒子；
(6)计算更新后粒子的适应度值；
(7)判断算法是否达终止条件；若是，输出最优参数组合，算法结束；否则转到(3)。
5.根据权利要求4所述的一种基于改进PSO算法优化LSTM的交通流预测方法，其特征在于，所述计算粒子的适应度值的具体方法为：
选取1/2训练集的RMSE和1/2测试集的RMSE作为优化算法的适应度值fitness：
其中，RMSEtrain为训练集的均方根误差，RMSEtest为测试集的均方根误差。
6.根据权利要求4所述的一种基于改进PSO算法优化LSTM的交通流预测方法，其特征在于，
所述更新粒子群算法的惯性权重的具体方法为：
其中，t为迭代次数，tmax为改进粒子群算法最大迭代次数，wmax为惯性权重的最大值、wmin为惯性权重的最小值。
7.根据权利要求4所述的一种基于改进PSO算法优化LSTM的交通流预测方法，其特征在于，
所述变异超出搜索范围粒子的具体方法为：
其中，rand为变异超出搜索范围。
8.根据权利要求4所述的一种基于改进PSO算法优化LSTM的交通流预测方法，其特征在于，
所述更新粒子速度和位置的具体方法为：
其中，
为第k次迭代时粒子的速度，
为第k-1次迭代时粒子的速度，PiD为第i个粒子的最优位置，PgD为粒子群体的最优位置，
为第k次迭代时粒子的位置，
为第k-1次迭代时粒子的位置；
k表示当前迭代次数，c1、c2为学习因子，w为惯性权重，r1，r2为分布于[0,1]的随机数；
终止条件为达到改进粒子群优化算法最大迭代次数tmax。
9.一种基于改进PSO算法优化LSTM的交通流预测装置，其特征在于，所述装置包括：
获取模块，用于获取待预测交通流的交通流原始数据并进行预处理；
处理模块，用于采用预先训练好的交通流预测模型根据预处理后的交通流数据获得交通流预测结果；
所述交通流预测模型采用LSTM神经网络，其训练过程包括：
基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数；
基于历史交通流数据样本，对初始优化后的LSTM神经网络进行训练，得到最终交通流预测模型。
10.根据权利要求9所述的基于改进PSO算法优化LSTM的交通流预测装置，其特征在于，
所述基于历史数据，采用改进粒子群算法计算LSTM神经网络的初始优化参数的具体方法为：
依据历史数据将各个待优化的神经网络参数编码为各个粒子个体，每个所述粒子个体的位置与每个神经网络参数一一对应；
依据预设控制参数以及改进粒子群优化算法从各个所述粒子个体中找到优化后的最优粒子个体所在的位置；
将所述粒子最优位置设置为最优的神经网络参数，并输出最优参数组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210544588.1A CN114970815A (zh) | 2022-05-19 | 2022-05-19 | 一种基于改进pso算法优化lstm的交通流预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210544588.1A CN114970815A (zh) | 2022-05-19 | 2022-05-19 | 一种基于改进pso算法优化lstm的交通流预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114970815A true CN114970815A (zh) | 2022-08-30 |
Family
ID=82985055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210544588.1A Pending CN114970815A (zh) | 2022-05-19 | 2022-05-19 | 一种基于改进pso算法优化lstm的交通流预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970815A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471013A (zh) * | 2022-10-19 | 2022-12-13 | 海南港航控股有限公司 | 一种基于Prophet-PSO模型的客流预测系统 |
| CN116227748A (zh) * | 2023-05-08 | 2023-06-06 | 石家庄铁道大学 | 生态环境pm2.5浓度预测模型的训练方法及预测方法 |
| CN117910329A (zh) * | 2024-03-19 | 2024-04-19 | 山东省计算中心（国家超级计算济南中心） | 基于改进粒子群优化算法的海洋时序数据预测方法及系统 |
-
2022
- 2022-05-19 CN CN202210544588.1A patent/CN114970815A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471013A (zh) * | 2022-10-19 | 2022-12-13 | 海南港航控股有限公司 | 一种基于Prophet-PSO模型的客流预测系统 |
| CN116227748A (zh) * | 2023-05-08 | 2023-06-06 | 石家庄铁道大学 | 生态环境pm2.5浓度预测模型的训练方法及预测方法 |
| CN117910329A (zh) * | 2024-03-19 | 2024-04-19 | 山东省计算中心（国家超级计算济南中心） | 基于改进粒子群优化算法的海洋时序数据预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN114970815A (zh) | 一种基于改进pso算法优化lstm的交通流预测方法及装置 | |
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN106448151A (zh) | 一种短时交通流预测方法 | |
| CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
| CN111860989B (zh) | 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 | |
| CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
| CN109598381B (zh) | 一种基于状态频率记忆神经网络的短时交通流预测方法 | |
| CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
| CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
| CN113095550A (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
| CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
| CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
| CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 | |
| CN115239029A (zh) | 考虑功率时序及气象相依特性的风电功率预测方法及系统 | |
| CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
| CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
| CN116865255A (zh) | 基于改进熵权法和seceemd的短期风电功率预测方法 | |
| CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |