基于LSTM的短时路网MFD参数预测方法

本发明属于交通状态预测，更具体地说，涉及一种基于lstm的短时路网mfd参数预测方法。

背景技术：

1、交通状态预测的相关研究，一直是交通领域的热点问题。目前，交通状态如速度、流量等预测领域已较为成熟，在对象建模、算法设计、算法优化上都有丰富的研究工作。早期的研究过程中，处理时间序列的模型成为交通预测的主流方法，如历史平均法、卡尔曼滤波等。这类方法均是对历史信息的加权处理，其优点是结构简单且便于计算；缺点是精度不高，拟合非线性的能力不足。随着机器学习模型的发展，许多研究者开始尝试将机器学习、深度学习方法应用于交通状态预测中。其中，对于宏观基本图（macroscopic fundamentaldiagram,mfd），往往被应用于对交通状态的预测，其能够客观反映路网运行状态与累积车辆数的内在联系，同时也能反映路网加权流量、总交通量之间的关系。因此，现有的一些预测方法通常通过预测mfd的参数来实现对路网中交通状态的预测。

2、在对交通状态进行预测时，其中一位研究人员设计了一种贝叶斯结合高斯混合模型的网络来实现交通状态的预测，该模型的性能超出了同时期的其他模型。另一位研究人员还提出了一种在线svr（支持向量回归）模型用于高速公路交通流的短期预测，该方法能够实现模型参数的实时更新，但缺陷是在大范围数据场景中会面临算力不足。为此，研究人员使用tensorflow平台训练了深度神经网络对交通状态进行预测，并取得了较好的预测效果。另外的，研究人员利用rnn（循环神经网络）对交通拥堵进行了预测，也取得了优异的效果。但是由于rnn的结构简单，不能够处理多个步长的时间序列，其对于中长期交通状态预测的效果并不显著。

3、经过对上述预测交通状态的各种方法进行分析与比对，发现现有的预测方法通常使用平均速度、密度等集计性指标将路段细节遮盖，难以有效表征路网状态，从而针对短时路网mfd参数的预测往往缺乏精准性。

技术实现思路

1、本申请的主要目的在于提供一种基于lstm的短时路网mfd参数预测方法，能够精准预测短时路网mfd的参数，有效避免过于集计性的缺陷，以掌握路网交通状态的短时变化趋势，及时发现潜在的交通状态，提高出行效率，其中，lstm被定义为长短期记忆网络（longshortterm memory）。

2、为了实现上述目的，本申请提出了一种基于lstm的短时路网mfd参数预测方法，包括：以短时路网mfd参数中的路网加权流量qw、路网加权密度kw两个参数作为预测目标分别创建各自的lstm模型，以确定损失函数；

3、初始化损失函数中的参数，并对损失函数中的参数进行不断更新，直至损失函数收敛完成模型训练；

4、利用多目标优化算法gamopso建立多目标优化模型，将模型训练的数据导入多目标优化模型中进行预测，获得最佳的两组lstm结构及超参数，继而获得最佳路网加权流量qw、路网加权密度kw两个参数组合，即为最终预测的结果。

5、进一步地，所述获得最佳路网加权流量qw、路网加权密度kw两个参数组合的过程包括：

6、步骤1：读取模型训练中的训练集后初始化粒子群的规模及初始解集，并设定最大迭代次数及收敛条件；

7、步骤2：粒子群根据模型结构取值及超参数，分别调用lstm进行两次训练，输出预测的路网加权流量qw、路网加权密度kw两个参数，并得到对应目标函数值；

8、步骤3：对每个粒子的历史解进行非支配排序，每个粒子最靠前的解集记为pbest，所有粒子历史排序最靠前的解集记为gbest；

9、步骤4：更新每个粒子的位置和速度；

10、步骤5：以轮盘赌的方式进行选择操作，选择其中一个粒子重新赋予参数；

11、步骤6：通过选择实数交叉法进行交叉操作；

12、步骤7：以概率pm重新为染色体随机分配取值进行变异操作；

13、步骤8：重复步骤2至步骤7，且在每次迭代中检查是否满足收敛条件约束，当满足收敛条件时结束求解，所对应排序最靠前的参数取值组合即最佳参数组合，即为获得的最佳路网加权流量qw、路网加权密度kw两个参数组合。

14、进一步地，所述步骤4中按照下列公式进行更新每个粒子的位置和速度操作：

15、 ；        （1）

16、式中，w为惯性因子，c为学习因子，r为0到1的随机数，pbest为粒子适应值的最佳位置，gbest为粒子群适应值最佳的位置，在每次循环中更新pbest、gbest。

17、进一步地，所述步骤6中交叉操作的过程如下：

18、假设：第m 个粒子am和第 n 个粒子an在j位，则对父代群体中排序最靠后的两个染色体进行交叉，见如下公式：

19、 ；                 （2）

20、式中，r是区间［0，1］之间的随机数。

21、进一步地，所述确定损失函数的过程中，采用均方误差mse作为损失函数，其公式如下：

22、 ；                   （3）

23、式中，n为样本数目，xp为第i样本预测值，x为实际值。

24、进一步地，目标优化的数学表达式为：

25、         （4）；

26、式中：

27、为第i个样本qw的实际值，为第i个样本qw的预测值；

28、为第i个样本kw的实际值，为第i个样本kw的预测值。

29、进一步地，所述将模型训练的数据导入多目标优化模型中进行预测是用前三个时序下的路网加权流量qw、路网加权密度kw以及待预测的时段比例t作为预测算法输入，以预测后续的路网加权流量qw、路网加权密度kw；

30、其中，t的公式如下：

31、 ；                    （5）

32、式中：为统计时间间隔。

33、本发明提出的一种基于lstm的短时路网mfd参数预测方法，具有以下有益效果：

34、本发明通过建立两个lstm为预测模型，分别对mfd两大参数：路网加权平均密度、路网加权平均流量进行短时预测，前三个时间间隔、当前时间段作为输入，输出下一个时间间隔的预测结果。其中，为了寻找两组较佳的lstm参数配置，引入ga-mopso作为多目标搜索算法，并为同步寻找mfd参数设计一套融合了遗传算法的多目标粒子群算法（ga-mopso）求解框架。最终预测的路网加权平均密度、路网加权平均流量精准度高，有效避免过于集计性的缺陷，以掌握路网交通状态的短时变化趋势，及时发现潜在的交通状态，提高出行效率。

技术特征：

1.基于lstm的短时路网mfd参数预测方法，其特征在于，包括：

2.根据权利要求1所述的基于lstm的短时路网mfd参数预测方法，其特征在于，所述获得最佳路网加权流量qw、路网加权密度kw两个参数组合的过程包括：

3.根据权利要求2所述的基于lstm的短时路网mfd参数预测方法，其特征在于，所述步骤4中按照下列公式进行更新每个粒子的位置和速度操作：

4.根据权利要求2所述的基于lstm的短时路网mfd参数预测方法，其特征在于，所述步骤6中交叉操作的过程如下：

5.根据权利要求1所述的基于lstm的短时路网mfd参数预测方法，其特征在于，所述确定损失函数的过程中，采用均方误差mse作为损失函数，其公式如下：

6.根据权利要求1所述的基于lstm的短时路网mfd参数预测方法，其特征在于，目标优化的数学表达式为：

7.根据权利要求1所述的基于lstm的短时路网mfd参数预测方法，其特征在于，所述将模型训练的数据导入多目标优化模型中进行预测是用前三个时序下的路网加权流量qw、路网加权密度kw以及待预测的时段比例t作为预测算法输入，以预测后续的路网加权流量qw、路网加权密度kw；

技术总结
本发明提供了一种基于LSTM的短时路网MFD参数预测方法，属于交通状态预测领域。包括：以短时路网MFD参数中的路网加权流量q<subgt;w</subgt;、路网加权密度k<subgt;w</subgt;两个参数作为预测目标分别创建各自的LSTM模型，以确定损失函数；初始化损失函数中的参数，并对损失函数中的参数进行不断更新，直至损失函数收敛完成模型训练；利用多目标优化算法GAMOPSO建立多目标优化模型，将模型训练的数据导入多目标优化模型中进行预测，获得最佳的两组LSTM结构及超参数，并将其应用，以获得最佳路网加权流量q<subgt;w</subgt;、路网加权密度k<subgt;w</subgt;两个参数组合，即为最终预测的结果。通过本发明能够精准预测短时路网MFD的参数，有效避免过于集计性的缺陷，以及时发现潜在的交通状态，提高出行效率。

技术研发人员：林炫华,谭超健,林晓辉,黄良,龙庆文,黄铭晶,林培浩,林雅,叶金奎
受保护的技术使用者：广东交通职业技术学院
技术研发日：
技术公布日：2024/9/17