CN114999182B - 基于lstm回馈机制的车流量预测方法、装置及设备 - Google Patents

基于lstm回馈机制的车流量预测方法、装置及设备 Download PDF

Info

Publication number
CN114999182B
CN114999182B CN202210577402.2A CN202210577402A CN114999182B CN 114999182 B CN114999182 B CN 114999182B CN 202210577402 A CN202210577402 A CN 202210577402A CN 114999182 B CN114999182 B CN 114999182B
Authority
CN
China
Prior art keywords
deviation
prediction
training
model
traffic flow
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.)
Active
Application number
CN202210577402.2A
Other languages
English (en)
Other versions
CN114999182A (zh
Inventor
谢欣嘉
盖顺
王博阳
郭云霄
赵润豪
龙汉
庞雪
路毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210577402.2A priority Critical patent/CN114999182B/zh
Publication of CN114999182A publication Critical patent/CN114999182A/zh
Application granted granted Critical
Publication of CN114999182B publication Critical patent/CN114999182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于LSTM回馈机制的车流量预测方法、装置及设备。所述方法包括：将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型；根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型；根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差；利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。采用本方法能够提高车流量预测准确率。

Description

基于LSTM回馈机制的车流量预测方法、装置及设备
技术领域
本申请涉及数据处理技术领域，特别是涉及一种基于LSTM回馈机制的车流量预测方法、装置、计算机设备和存储介质。
背景技术
当前，交通拥堵已成为日常生活中常见的问题，高速公路的交通拥堵也成为普通现象，影响道路通行能力的主要原因是常住人口城镇化率和机动车保有量提升与现有交通基础设施发展不匹配之间的矛盾。缓解交通拥堵和减少交通事故，提供更优质的道路行驶路线，已经成为提高路网的交通效率和安全性的重点研究课题。各类研究理论和应用实际已经表明，修建更多的道路、投入更多的人员(交通警察)等各类强化交通基础设施，虽然在一定程度上缓解了交通拥堵但成本非常高,因此，很有必要利用科学技术手段来辅助解决交通拥堵问题。智能交通系统随之产生，并且发展迅速。针对加强建设交通基础设施解决交通拥堵成本过高问题，ITS通过交通实时预测、交通诱导等技术在很大程度上缓解了交通拥堵，尤其是在突发道路交通拥堵问题上，ITS的交通实时预测不仅方便了大众出行，也提升了道路交通的通行效率。学者在ITS研究道路交通问题的预测方法大多数都是利用时间变量对交通流进行预测，而交通数据往往是以时间序列的形式表示的。因此，时间序列模型在交通科学的预测应用中经常使用。传统的时间序列模型是基于数学中的典型方法建立的车流量预测模型，通常应用于许多生活问题。这些方法包括多变量分析，依赖学习和过渡模型。尽管它们在科学实验中被广泛使用，但它们被提出得很早，而且无法对上述巨大数据和复杂特征进行建模。最近，研究人员将越来越多的深度学习模型应用于时间序列预测任务，如基于递归神经网络(RNN)的双阶段注意方法来选择相关驱动序列，以及基于卷积神经网络(CNN)的方法，它们被认为是对车流量预测的良好尝试。相关工作还注意利用可能影响交通和车流量的外部信息来提高准确性。显然，深度学习模型确实在大数据上表现出更好的性能，并考虑了更多因素。计算机科学家和交通学专家在制定现实世界交通策略时使用的一些最先进的模型。
然而，现有的模式有以下两个缺点，这使得直接形成战略非常困难：由于数据和建模的不确定性，现有工作普遍性较差。端到端的培训方式导致过度建模，相关性分析涉及数据的不确定性，准确性低；ARIMA和RNN等高精度的现有工作对外部信息和硬件设备的准确性有很高的要求，效率差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高车流量预测准确率的基于LSTM回馈机制的车流量预测方法、装置、计算机设备和存储介质。
一种基于LSTM回馈机制的车流量预测方法，所述方法包括：
获取待预测区域的历史车流量数据；
对历史车流量数据的日期格式进行调整并且补充历史车流量数据中日期缺省的车流量数据，得到初始训练数据集；
将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型；
根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；
利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型；
根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差；
利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。
在其中一个实施例中，将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型，包括：
将初始训练数据集按照时间先后顺序均分为多个训练数据集，利用时间最早的训练数据集对预先构建的LTSM模型进行训练，得到候选预测模型；
在时间最早的训练数据集上按照时间先后顺序叠加训练数据集对候选预测模型进行训练，在每一轮训练时会得到一个候选预测模型，最后得到最终预测模型。
在其中一个实施例中，根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集，包括：
根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到多个预测值；
将多个预测值与当前车流量的真实值进行比较，得到偏差数据训练集。
在其中一个实施例中，训练好的偏差LTSM模型用于返回当天预测车流量和实际车流量之间的偏差并预测得到第二天的预测车流量和实际车流量之间的偏差。
在其中一个实施例中，根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差，包括：
根据最终预测模型进行车流量预测，得到初始预测结果；
根据训练好的偏差LTSM模型进行车流量预测，得到预测偏差；预测偏差为预测车流量和实际车流量之间的偏差。
一种基于LSTM回馈机制的车流量预测装置，所述装置包括：
数据预处理模块，用于获取待预测区域的历史车流量数据；对历史车流量数据的日期格式进行调整并且补充历史车流量数据中日期缺省的车流量数据，得到初始训练数据集；
预测模型训练模块，用于将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型；
偏差LTSM模型训练模块，用于根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型；
车流量预测模块，用于根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差；利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待预测区域的历史车流量数据；
对历史车流量数据的日期格式进行调整并且补充历史车流量数据中日期缺省的车流量数据，得到初始训练数据集；
将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型；
根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；
利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型；
根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差；
利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待预测区域的历史车流量数据；
对历史车流量数据的日期格式进行调整并且补充历史车流量数据中日期缺省的车流量数据，得到初始训练数据集；
将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型；
根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；
利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型；
根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差；
利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。
上述基于LSTM回馈机制的车流量预测方法、装置、计算机设备和存储介质，首先获取待预测区域的历史车流量数据；对历史车流量数据的日期格式进行调整并且补充历史车流量数据中日期缺省的车流量数据，得到初始训练数据集，以提高后续预测结果的准确性，将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型；根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型；根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差，利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。本发明通过将初始训练数据集分成多个训练数据集对LTSM模型进行迭代训练，训练集日益增多并不断进行训练，提高了模型的预测性能，然后引入偏差LTSM模型，利用预测结果和真实车流量的偏差形成的偏差训练集训练偏差LTSM模型，根据训练好的偏差LTSM模型预测车流量的预测值和真实值之间偏差，利用预测偏差对初始预测结果进行修正，可以得到更加准确的车流量预测结果。
附图说明
图1为一个实施例中一种基于LSTM回馈机制的车流量预测方法的流程示意图；
图2为一个实施例中根据最终预测模型和训练好的偏差LTSM模型进行车流量预测的示意图；
图3为一个实施例中一种基于LSTM回馈机制的车流量预测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于LSTM回馈机制的车流量预测方法，包括以下步骤：
步骤102，获取待预测区域的历史车流量数据；对历史车流量数据的日期格式进行调整并且补充历史车流量数据中日期缺省的车流量数据，得到初始训练数据集。
历史车流量数据是指当前待预测车流量时间节点之前的车流量数据，为了提高训练效率，防止Excel误解日期列，调整了数据集中的日期格式，此外，由于网络上很难有较为完整的车流量信息，本发明补充了某些日期的缺省，以提高后续预测结果的准确性。
步骤104，将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型。
LSTM是一种时间递归神经网络，可以用来处理和预测时间序列中具有很长间隔和延迟的重要事件，由于在进行车流量预测时仅限于根据当天之前的车流量数据预测当天车流量，因此无法使用后期数据来训练预测模型模型。因此，将初始训练数据集按照时间先后顺序均分为多个训练数据集，利用时间最早的训练数据集对预先构建的LTSM模型进行训练，得到候选预测模型；
在时间最早的训练数据集上按照时间先后顺序叠加训练数据集对候选预测模型进行训练，在每一轮训练时会得到一个候选预测模型，最后得到最终预测模型。例如，使用2021年1月至2021年6月的车流量数据初步训练LSTM模型，利用1月份的车流量对预先构建的LTSM模型，可以得到一个候选模型，然后在1月份的基础上叠加2月份的车流量数据，利用1月和2月的车流量数据总格训练1月份的车流量数据对应的候选模型，得到另一个候选模型，依次类推，直至得到最终预测模型。最终预测模型的训练集的规模日益增加，并不断进行训练，即修改参数提高了模型的预测性能。
步骤106，根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型。
假设真实数据具有一定的规律，并且LSTM可以从训练集中学习一些规律那么，真实数据与预测结果中的偏差，可以理解为真实数据中包含的规律与LSTM学习到的规律之间存在一些偏差。LSTM预测结果与实际数据之间的差距也形成了一定的规律。因此，本发明通过增加了一种反馈机制来预测差距，即构建的偏差LTSM模型，以修正预测结果，从而使预测更接近真实数据。利用根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测时可以得到不同时期的数据反映的预测值和真实值之间的偏差，累积预测车流量和实际车流量之间的偏差，得到偏差数据训练集。利用偏差数据训练集训练预先构建的偏差LTSM模型得到训练好的偏差LTSM模型，其功能是输入真实车流量和预测车流量之间的偏差并预测得到第二天的偏差，用于校正最终预测模型的预测结果。
步骤108，根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差；利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。
如图2所示，利用预测偏差对初始预测结果进行修正，即预测车流量+预测偏差,得到车流量的最终预测值。
上述基于LSTM回馈机制的车流量预测方法中，首先获取待预测区域的历史车流量数据；对历史车流量数据的日期格式进行调整并且补充历史车流量数据中日期缺省的车流量数据，得到初始训练数据集，以提高后续预测结果的准确性，将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型；根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型；根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差，利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。本发明通过将初始训练数据集分成多个训练数据集对LTSM模型进行迭代训练，训练集日益增多并不断进行训练，提高了模型的预测性能，然后引入偏差LTSM模型，利用预测结果和真实车流量的偏差形成的偏差训练集训练偏差LTSM模型，根据训练好的偏差LTSM模型预测车流量的预测值和真实值之间偏差，利用预测偏差对初始预测结果进行修正，可以得到更加准确的车流量预测结果。
在其中一个实施例中，将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型，包括：
将初始训练数据集按照时间先后顺序均分为多个训练数据集，利用时间最早的训练数据集对预先构建的LTSM模型进行训练，得到候选预测模型；
在时间最早的训练数据集上按照时间先后顺序叠加训练数据集对候选预测模型进行训练，在每一轮训练时会得到一个候选预测模型，最后得到最终预测模型。
在其中一个实施例中，根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集，包括：
根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到多个预测值；
将多个预测值与当前车流量的真实值进行比较，得到偏差数据训练集。
在其中一个实施例中，训练好的偏差LTSM模型用于返回当天预测车流量和实际车流量之间的偏差并预测得到第二天的预测车流量和实际车流量之间的偏差。
在其中一个实施例中，根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差，包括：
根据最终预测模型进行车流量预测，得到初始预测结果；
根据训练好的偏差LTSM模型进行车流量预测，得到预测偏差；预测偏差为预测车流量和实际车流量之间的偏差。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种基于LSTM回馈机制的车流量预测装置，包括：数据预处理模块302、预测模型训练模块304、偏差LTSM模型训练模块306和车流量预测模块308，其中：
数据预处理模块302，用于获取待预测区域的历史车流量数据；对历史车流量数据的日期格式进行调整并且补充历史车流量数据中日期缺省的车流量数据，得到初始训练数据集；
预测模型训练模块304，用于将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型；
偏差LTSM模型训练模块306，用于根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；利用偏差数据训练集训练预先构建的偏差LTSM模型，得到训练好的偏差LTSM模型；
车流量预测模块308，用于根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差；利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。
在其中一个实施例中，预测模型训练模块304还用于将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的LTSM模型，得到多个候选预测模型和最终预测模型，包括：
将初始训练数据集按照时间先后顺序均分为多个训练数据集，利用时间最早的训练数据集对预先构建的LTSM模型进行训练，得到候选预测模型；
在时间最早的训练数据集上按照时间先后顺序叠加训练数据集对候选预测模型进行训练，在每一轮训练时会得到一个候选预测模型，最后得到最终预测模型。
在其中一个实施例中，偏差LTSM模型训练模块306还用于根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集，包括：
根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到多个预测值；
将多个预测值与当前车流量的真实值进行比较，得到偏差数据训练集。
在其中一个实施例中，训练好的偏差LTSM模型用于返回当天预测车流量和实际车流量之间的偏差并预测得到第二天的预测车流量和实际车流量之间的偏差。
在其中一个实施例中，车流量预测模块308还用于根据最终预测模型和训练好的偏差LTSM模型进行车流量预测，得到初始预测结果和预测偏差，包括：
根据最终预测模型进行车流量预测，得到初始预测结果；
根据训练好的偏差LTSM模型进行车流量预测，得到预测偏差；预测偏差为预测车流量和实际车流量之间的偏差。
关于一种基于LSTM回馈机制的车流量预测装置的具体限定可以参见上文中对于一种基于LSTM回馈机制的车流量预测方法的限定，在此不再赘述。上述一种基于LSTM回馈机制的车流量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于LSTM回馈机制的车流量预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于LSTM回馈机制的车流量预测方法，其特征在于，所述方法包括：
获取待预测区域的历史车流量数据；
对所述历史车流量数据的日期格式进行调整并且补充所述历史车流量数据中日期缺省的车流量数据，得到初始训练数据集；
将所述初始训练数据集分成多个训练数据集，利用所述多个训练数据集迭代训练预先构建的LSTM模型，得到多个候选预测模型和最终预测模型；
根据所述多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；
利用所述偏差数据训练集训练预先构建的偏差LSTM模型，得到训练好的偏差LSTM模型；
根据所述最终预测模型和训练好的偏差LSTM模型进行车流量预测，得到初始预测结果和预测偏差；
利用所述预测偏差对所述初始预测结果进行修正，得到车流量的最终预测值；
将所述初始训练数据集分成多个训练数据集，利用所述多个训练数据集迭代训练预先构建的LSTM模型，得到多个候选预测模型和最终预测模型，包括：
将所述初始训练数据集按照时间先后顺序均分为多个训练数据集，利用时间最早的训练数据集对预先构建的LSTM模型进行训练，得到候选预测模型；
在所述时间最早的训练数据集上按照时间先后顺序叠加训练数据集对所述候选预测模型进行训练，在每一轮训练时会得到一个候选预测模型，最后得到最终预测模型。
2.根据权利要求1所述的方法，其特征在于，根据所述多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集，包括：
根据所述多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到多个预测值；
将所述多个预测值与当前车流量的真实值进行比较，得到偏差数据训练集。
3.根据权利要求2所述的方法，其特征在于，所述训练好的偏差LSTM模型用于返回当天预测车流量和实际车流量之间的偏差并预测得到第二天的预测车流量和实际车流量之间的偏差。
4.根据权利要求3所述的方法，其特征在于，根据所述最终预测模型和训练好的偏差LSTM模型进行车流量预测，得到初始预测结果和预测偏差，包括：
根据所述最终预测模型进行车流量预测，得到初始预测结果；
根据所述训练好的偏差LSTM模型进行车流量预测，得到预测偏差；所述预测偏差为预测车流量和实际车流量之间的偏差。
5.一种基于LSTM回馈机制的车流量预测装置，其特征在于，所述装置包括：
数据预处理模块，用于获取待预测区域的历史车流量数据；对所述历史车流量数据的日期格式进行调整并且补充所述历史车流量数据中日期缺省的车流量数据，得到初始训练数据集；
预测模型训练模块，用于将所述初始训练数据集分成多个训练数据集，利用所述多个训练数据集迭代训练预先构建的LSTM模型，得到多个候选预测模型和最终预测模型；
偏差LSTM模型训练模块，用于根据所述多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；利用所述偏差数据训练集训练预先构建的偏差LSTM模型，得到训练好的偏差LSTM模型；
车流量预测模块，用于根据所述最终预测模型和训练好的偏差LSTM模型进行车流量预测，得到初始预测结果和预测偏差；利用所述预测偏差对所述初始预测结果进行修正，得到车流量的最终预测值；
预测模型训练模块还用于将所述初始训练数据集按照时间先后顺序均分为多个训练数据集，利用时间最早的训练数据集对预先构建的LSTM模型进行训练，得到候选预测模型；在所述时间最早的训练数据集上按照时间先后顺序叠加训练数据集对所述候选预测模型进行训练，在每一轮训练时会得到一个候选预测模型，最后得到最终预测模型。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202210577402.2A 2022-05-25 2022-05-25 基于lstm回馈机制的车流量预测方法、装置及设备 Active CN114999182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210577402.2A CN114999182B (zh) 2022-05-25 2022-05-25 基于lstm回馈机制的车流量预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210577402.2A CN114999182B (zh) 2022-05-25 2022-05-25 基于lstm回馈机制的车流量预测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN114999182A CN114999182A (zh) 2022-09-02
CN114999182B true CN114999182B (zh) 2023-07-04

Family

ID=83029013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210577402.2A Active CN114999182B (zh) 2022-05-25 2022-05-25 基于lstm回馈机制的车流量预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114999182B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578861B (zh) * 2022-10-14 2023-10-10 东南大学 一种基于嵌入式特征选择策略的高速公路交通流预测方法
CN115660211B (zh) * 2022-11-11 2023-04-14 天瑞集团信息科技有限公司 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449260A (zh) * 2020-03-24 2021-09-28 腾讯科技（深圳）有限公司 广告点击率预测方法、模型的训练方法、装置和存储介质
WO2022048168A1 (zh) * 2020-09-03 2022-03-10 上海上讯信息技术股份有限公司 一种用于故障预测神经网络模型的训练方法与设备
CN114528638A (zh) * 2022-01-25 2022-05-24 武汉大学 基于强化学习的船舶运动大多步实时预测混合方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9087176B1 (en) * 2014-03-06 2015-07-21 Kla-Tencor Corporation Statistical overlay error prediction for feed forward and feedback correction of overlay errors, root cause analysis and process control
CN104899430A (zh) * 2015-05-14 2015-09-09 江苏大学 一种基于多源实例迁移学习的恐怖行为预测方法
CN109214436A (zh) * 2018-08-22 2019-01-15 阿里巴巴集团控股有限公司 一种针对目标场景的预测模型训练方法及装置
CN109300310B (zh) * 2018-11-26 2021-09-17 平安科技（深圳）有限公司 一种车流量预测方法及装置
CN111124840B (zh) * 2019-12-02 2022-02-08 北京天元创新科技有限公司 业务运维中告警的预测方法、装置与电子设备
CN111950191B (zh) * 2020-07-07 2021-05-11 湖南大学 基于混合深度神经网络的回转窑烧结温度预测方法
US20230384780A1 (en) * 2020-10-27 2023-11-30 Jfe Steel Corporation Construction method of abnormality diagnosis model, abnormality diagnosis method, construction device of abnormality diagnosis model, and abnormality diagnosis device
CN112348261A (zh) * 2020-11-09 2021-02-09 招商银行股份有限公司 一种交易量预测方法、设备、装置及存储介质
CN112712215A (zh) * 2021-01-17 2021-04-27 国网江苏省电力有限公司宿迁供电分公司 一种风电场功率预测方法
CN112926807A (zh) * 2021-04-15 2021-06-08 德州欧瑞电子通信设备制造有限公司 考虑预测误差的机柜设备发热量超短期预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449260A (zh) * 2020-03-24 2021-09-28 腾讯科技（深圳）有限公司 广告点击率预测方法、模型的训练方法、装置和存储介质
WO2022048168A1 (zh) * 2020-09-03 2022-03-10 上海上讯信息技术股份有限公司 一种用于故障预测神经网络模型的训练方法与设备
CN114528638A (zh) * 2022-01-25 2022-05-24 武汉大学 基于强化学习的船舶运动大多步实时预测混合方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LSTM的短期风速预测研究;李冰;张妍;刘石;;计算机仿真(11);全文 *

Also Published As

Publication number Publication date
CN114999182A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114999182B (zh) 基于lstm回馈机制的车流量预测方法、装置及设备
Gasthaus et al. Probabilistic forecasting with spline quantile function RNNs
Shi et al. An integrated car-following and lane changing vehicle trajectory prediction algorithm based on a deep neural network
Hu et al. Conformalized temporal convolutional quantile regression networks for wind power interval forecasting
Hu et al. Attention-based Conv-LSTM and Bi-LSTM networks for large-scale traffic speed prediction
Li et al. Incrementally constrained dynamic optimization: A computational framework for lane change motion planning of connected and automated vehicles
Harrou et al. Energy consumption prediction in water treatment plants using deep learning with data augmentation
Bradford et al. Hybrid gaussian process modeling applied to economic stochastic model predictive control of batch processes
Zhang et al. Integrated buffer monitoring and control based on grey neural network
Brahimi et al. Modelling on Car‐Sharing Serial Prediction Based on Machine Learning and Deep Learning
Stehlik et al. On ecosystems dynamics
Grecov et al. Probabilistic causal effect estimation with global neural network forecasting models
CN113838303B (zh) 停车场推荐方法、装置、电子设备及存储介质
Xiang et al. An importance sampling method for structural reliability analysis based on interpretable deep generative network
Martinez et al. A convex version of multivariate adaptive regression splines
Falugi et al. Multi-model predictive control based on LMI: from the adaptation of the state-space model to the analytic description of the control law
Chen et al. GDCRN: Global diffusion convolutional residual network for traffic flow prediction
Fang et al. An attention-based deep learning model for multi-horizon time series forecasting by considering periodic characteristic
Ye et al. An interval feature discrete grey-Markov model based on data distributions and applications
EP4184269A1 (en) Improving surrogate approximations for process models
CN113689694B (zh) 一种车流量预测方法、装置、设备及可读存储介质
Wang et al. A dynamic exploratory hybrid modelling framework for simulating complex and uncertain system
Al Farsi et al. Analysis of effectiveness of smart city implementation in transportation sector in Oman
Luchko et al. Artificial Neural Networks in Export and Import Forecasting: An Analysis of Opportunities
Butyrkin et al. Features of Application of Progressive Methods of Predictive Modeling for Solving Transport Tasks

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
GR01 Patent grant
GR01 Patent grant