[发明专利]基于LSTM回馈机制的车流量预测方法、装置及设备

说明书

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。

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。