CN119479264A 一种基于IGA-Bi-LSTM的交通流预测方法 （武汉理工大学）

本发明公开了一种基于IGA_Bi_LSTM的交通建立IGA_Bi_LSTM短时交通流预测模型；基于优化器Adam，采用训练集数据对IGA_Bi_LSTM短时交通流预测模型进行迭代训练；采用训练好的IGA_Bi_LSTM短时交通流预测模型对测试集进行2步骤3、建立IGA_Bi_LSTM短时交通流预测模型，其中算法IGA和进行时间序列预测的双向长短时神经网络Bi步骤4、基于优化器Adam，采用训练集数据对IGA_Bi_LS步骤5、采用训练好的IGA_Bi_LSTM短时交通流预测模型对测试集进行短时交通流预并将完整交通流数据和相邻车道的交通流数据，按照设定的35.根据权利要求4所述的基于IGA_Bi_LSTM的_1和xt的初步特征提取；i,=o(wnx,+b+why'+b1)ttt反向LSTM表示为h",反向LSTM的计算使用反向的输入序列，将双向LSTM的最终输出的6.根据权利要求4所述的基于IGA_Bi_LSTM的交通流4用测试集的预测结果与实际值进行比较，采用性能评估指标对Bi_LSTM短时交通流预处理器，用于执行存储器中存储的可执行计算机程序时，实现权利要求1实现权利要求1至8中任意一项所述的基于IGA_Bi_5[0001]本发明涉及智能交通技术领域，尤其涉及一种基于IGA_Bi_LSTM的交通流预测方6遗传算法IGA和进行时间序列预测的双向长短时神经网络Bi_LST7[0043]3)对每个个体进行自适应确定交叉概率和变异概率，将不同个体进行差异化分8[0053]用测试集的预测结果与实际值进行比较，采用性能评估指标对Bi_LSTM短时交通实验证明本发明提出的交通流预测具有更好的9[0070]1.采集或者寻找交通流数据集，并且根据数据质量标志或者交通流理论相关知[0071]2.将预测路段的历史交通数据和相邻车道的交通数据划分为训练集和测试集用[0073]4.基于优化器Adam，采用训练集数据对IGA_[0074]5.采用训练好的IGA_Bi_LSTM短时交通流预测模型对测试集进行短时交通流预[0077]1.采集或者寻找交通流数据集，并且根据数据质量标志或者交通流理论相关知[0082]5.将预测路段的历史交通数据和相邻车道的交通数据按照设定的比例划分训练中发现RNN存在诸如梯度消失、梯度爆炸以及长距离依赖信息能力差等问题，因此引入了的长期依赖关系，从而提高了其在各种任务中的性能表现。双向LSTM接受序列X＝{x1,[0097]反向LSTM(表示为)的计算与前向LSTM类似，其使用反向的输入序列。将双向[0104]3)对每个个体进行自适应确定交叉概率和变异概率。将不同个体进行差异化分将输出结果作为第二个长短期记忆神经网络Bi_LSTM隐含层的输入，重复步骤得到第二个隐含层的输出结果；第二个长短期记忆神经网络LSTM隐含层的结果经过全连接层后输出，[0110]13.通过优化器Adam计算损失函数的集，实验数据来自FHWA提供的PORTAL高速公路数据集，该数据集包含了2011年9月15日至2011年11月15日期间波特兰地区高速公路主干道车道和匝道上的双环探测器所得的20秒i在每次迭代中更新权重时的步长大小。较大的学习率可能会导致权重更新过大而无法收由实验且两者最终达到的误差最小值相比较IG[0144]将得到的模型超参数输入到交通流模型中。设置随机种子，确定5个随机缺失数[0148]应当理