原文传递
一种基于堆叠回归的道路交通流量预测方法
| 专利名称： | 一种基于堆叠回归的道路交通流量预测方法 |
| 摘要： | 本发明公开了一种基于堆叠回归的道路交通流量预测方法，包括获取公共数据集，并进行预处理以及特征提取，将特征序列划分为训练集以及测试集，作为后续模型的输入；构建Bi‑GRU模型以及GBR模型，设置两个模型对应的模型参数，完成两个模型的构建；将Bi‑GRU模型和GBR模型作为基础模型单元，通过将ridge算法作为元模型，利用堆叠回归算法搭建出混合模型，然后对模型进行集权处理；对混合模型进行模型的训练以及通过权重划分，实现模型数据的预测；将模型预测的结果进行校验并且检测其准确性。本发明利用堆叠回归算法将GBR与Bi‑GRU模型以ridge算法作为元模型堆叠起来，对混合模型进行训练与预测，可以提高了交通流量预测的精确性与准确性。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 江苏;32 |
| 申请人： | 淮阴工学院 |
| 发明人： | 胡勇;金鹰;康瑶;李乐怡;徐亿如;张水星 |
| 专利状态： | 有效 |
| 申请日期： | 2023-08-22T00:00:00+0800 |
| 发布日期： | 2023-11-24T00:00:00+0800 |
| 申请号： | CN202311065471.6 |
| 公开号： | CN117116042A |
| 代理机构： | 淮安市科文知识产权事务所 |
| 代理人： | 李锋 |
| 分类号： | G08G1/01;G06F18/243;G06F18/27;G06N5/01;G06N3/045;G06N3/0442;G;G08;G06;G08G;G06F;G06N;G08G1;G06F18;G06N5;G06N3;G08G1/01;G06F18/243;G06F18/27;G06N5/01;G06N3/045;G06N3/0442 |
| 申请人地址： | 223005 江苏省淮安市经济技术开发区枚乘东路1号 |
| 主权项： | 1.一种基于堆叠回归的道路交通流量预测方法，其特征在于，包括如下步骤： S1、获取历史车流量统计数据，作为公共数据集，并进行预处理以及特征提取，将特征序列划分为训练集和测试集，作为后续模型的输入； S2、构建双向门控循环单元Bi-GRU模型以及梯度提升回归GBR模型，首先设置两个模型对应的模型参数，然后依据对应参数，完成两个模型的构建； S3、将Bi-GRU模型和GBR模型作为基础模型单元，通过将ridge算法作为元模型，利用堆叠回归算法搭建出混合模型，并对模型进行集权处理； S4、对通过堆叠算法产生的混合模型进行模型的训练、通过权重划分，进而实现模型数据的预测； S5、将模型预测的结果进行校验并且检测其准确性。 2.根据权利要求1所述的一种基于堆叠回归的道路交通流量预测方法，其特征在于：所述S1的具体步骤如下： S1.1、获取历史车流量统计数据，将数据集储存至traffic.csv中； S1.2、从文件‘traffic.csv’中读取数据，并使用‘\t’作为分隔符来解析数据，并且进行随机种子的设置，以确保实验的可重现性； S1.3、将数据进行预处理，使用中位数填充缺失值，对特征进行标准化，即使其均值为0，方差为1，然后对目标值进行标准化，使其与特征的标准化方式相同，最后添加二次项特征，以便在模型中拟合曲线关系； S1.4、将数据集中的特征化为特征矩阵：X＝[X1,X2,X3,......Xt]，其中X代表数据集提取得到的特征，Xt代表第t个时间布时输入的特征序列； S1.5、将特征序列进行划分，分为训练集以及测试集。 3.根据权利要求1所述的一种基于堆叠回归的道路交通流量预测方法，其特征在于，所述S2的具体步骤如下： S2.1、双向门控循环单元Bi-GRU神经网络结构，设置其神经元个数以及激活函数，进而创建Bi-GRU模型，Bi-GRU模型包括输入层、双向GRU层、合并层、输出层，其中双向GRU层包括前后GRU层，前GRU层与后GRU层的设置的参数是一致的，其运算公式如： Zt＝σ(Wzxt+Uzht-1+bz) rt＝σ(Wrxt+Urht-1+br) 其中，xt是输入特征序列的第t个时间步，ht-1是前一个时间步的隐状态，rt、Zt分别为更新门和重置门，ht'为候选隐状态，ht为当前隐状态，Wz、Uz、bz、Wr、Ur、br、Wh、Uh、bh是模型的权重和偏置； S2.2、梯度提升回归GBR迭代决策树结构，设置决策树的数量，决策树深度，学习率以及损失函数，进而创建GBR模型，GBR模型使用梯度提升回归算法： Ft(x,ht-1)＝Ft-1(x,ht-1)+λt*gt(x,ht-1) 其中，Ft-1(x,ht-1)是前一个时间步的预测结果，λt是步长(learning rate)，gt(x,ht-1)是GBR模型在时间步t的回归预测结果。 4.根据权利要求1所述的一种基于堆叠回归的道路交通流量预测方法，其特征在于，所述S3的具体步骤如下： S3.1、创建Bi-GRU模型与GBR模型，方便后续混合模型的创建； S3.2、堆叠回归模型由Bi-GRU模型和GBR模型组成，并使用ridge回归模型作为元模型，将两个模型拼接成一个混合模型： F(x,h0)＝ridge[F0(x)+λ1*g1(x,h0)+λ2*g2(x,h1)+......+λt*gt(x,ht-1) 其中，F0(x)是初始的预测值，h0是初始的隐状态，λ1,λ2......λt是每个时间步的步长。 5.根据权利要求1所述的一种基于堆叠回归的道路交通流量预测方法，其特征在于，所述S4的具体步骤如下： S4.1、首先进行交叉验证，通过交叉验证算法对GBR模型、Bi-GRU模型以及混合模型进行性能检测； S4.2、对混合模型进行训练，接着通过训练好的模型进行数据的预测，然后利用GBR模型以及Bi-GRU模型进行数据预测，将预测的结果进行权重处理，最后得到最终的预测结果。 6.根据权利要求5所述的一种基于堆叠回归的道路交通流量预测方法，其特征在于，所述S4.2中的权重处理具体如下： 假设有n个基模型，预测结果为y_pred_1,y_pred_2,…,y_pred_n，w_1,w_2,…,w_n为各个基模型的权重，满足w_1+w_2+…+w_n＝1； 使用权重调整预测结果的数学公式： y_pred_weighted＝w_1*y_pred_1+w_2*y_pred_2+…+w_n*y_pred_n 其中，y_pred_weighted为堆叠模型的最终预测结果。 |
| 所属类别： | 发明专利 |
检索历史
应用推荐
