[发明专利]一种交通流量组合预测方法

说明书

本发明公开了一种交通流量组合预测方法，包括：1、使用基于互信息熵改进的交通流量变分模态分解算法，将预测节点及其一阶邻域节点的交通流量时间序列分解成一系列相对平稳的高低频分量序列；2、使用基于图注意力网络的交通流量空间相关性模型，将分解后的各分量序列作为图注意力网络的特征输入，利用注意力系数对各分量序列加权后输出；3、使用基于门控循环单元网络的交通流量时间依赖性模型，将各节点加权后的分量序列作为门控循环单元网络的特征输入，由改进的RMSProp交通流量优化算法迭代训练模型各参数至最优，应用模型对各分量进行预测，并将预测值叠加求和得到最终预测结果。本发明能有效预测交通流量，并能提升预测精度。

技术领域

本发明涉及一种交通流量组合预测方法，更具体的说，是涉及一种基于改进的变分模态分解、图注意力网络和门控循环单元网络的交通流量组合预测方法。属于智能交通预测领域。

背景技术

随着城市化和数字化发展，构建智能交通系统，发展自动驾驶和车路协同的出行服务，推广公路智能管理、交通信号联动成为重点领域。而准确、及时的交通流量预测是实现智能交通系统管控的基础之一。

目前交通流量预测方法主要概括为两类：一是传统统计学习方法，如移动平均自回归、支持向量回归、卡尔曼滤波、隐马尔科夫模型等，这些方法大都基于时间序列平稳性假设，需要依赖复杂的手工特征处理，而交通流量时间序列属于非线性非平稳性序列；二是前馈神经网络方法，如多层感知机、径向基函数神经网络等，这些方法只能简单模拟交通数据中的非线性变化，无法准确有效地捕捉交通数据的短期及长期时间依赖性，预测精度不高，且在处理大量交通流量数据时训练迭代速度缓慢。而以上两类预测方法，均未考虑在现实复杂交通路网中交通流量的空间相关性对预测精度的影响，模型方法表达能力有限。

基于以上分析，交通流量具有复杂的非平稳性、空间相关性和时间依赖性等特点，而单一的预测模型和方法都有其具体应用条件和预测精度等方面的有限性。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种交通流量组合预测方法，以期考虑交通流量的复杂非平稳性、空间相关性和时间依赖性三个方面的特点，从而能有效提升交通流量的预测精度和速度。

为解决上述技术问题，本发明采用以下技术方案：

本发明一种交通流量组合预测方法的特点包括如下步骤：

步骤1：基于互信息熵改进的交通流量变分模态分解：

步骤1.1：利用式(1)定义互信息熵I(Y；Z)：

I(Y；Z)＝H(Y)+H(Z)-H(Y,Z) (1)

式(1)中：Y表示一组交通流量时间序列，且Y＝(y₁,y₂,···,y_i,···,y_N)，y_i表示第i个交通流量数据，Z表示另一组交通流量时间序列，且Z＝(z₁,z₂,···,z_i,···,z_N)，z_i表示第i个交通流量数据，N为时间序列长度；H(·)表示边缘信息熵，H(·,·)表示联合信息熵；p(·)表示边缘概率密度函数，p(·,·)表示联合概率密度函数，且有：

式(2)中：p(y_i)和p(z_i)分别表示第i个交通流量数据y_i和z_i的边缘概率密度函数；p(y_i,z_i)表示第i个交通流量数据y_i和z_i的联合概率密度函数；

步骤1.2：利用式(3)定义增广拉格朗日目标函数L(u_k,ω_k,λ)：