一种基于LSTM-SVR组合模型的ETC交通量预测方法

本发明属于交通流预测领域和深度学习神经网络领域，具体涉及一种基于lstm-svr组合模型的etc交通量预测方法。

背景技术：

1、自2019年起，全国多省在高速多个断面建设etc门架，使得路网大数据有了更可靠准确的数据源。其中，交通量能够通过etc数据提取得到，其为涉及道路养护领域的道路轴载作用次数重要计算参数，也是交通管理部门更加合理制定交通规划的重要依据。通过预测高速短时交通量，能够对可能影响的路段进行合理管控，提高交通运行效率。etc数据提取的交通量数据集为时序性数据，针对该类数据，随着诸多学者对交通量预测的研究，相关方法也在不断提升。

2、交通量预测方法可以分为：基于数理统计的线性模型、基于非线性理论的模型、基于人工智能的模型、基于组合模型的多模型方法。

3、对于数理统计的线性模型，billy m.williams基于交通量周期性特点，构建了arima交通流预测模型。

4、对于非线性理论的模型，我国学者张培林针对高速路网交通量变化的不确定性和非线性，同时基于路网相邻断面间的关联性，构建了高位混沌时间序列模型。

5、对于人工智能模型，当前以机器学习与深度学习为主，tang j建设了一种能够对原始交通流量进行去噪，同时基于支持向量机svm模型的预测方法。

6、组合模型方法则是通过将不同预测模型根据对应策略组合，提高模型的健壮性和准确性，且在不同数据集上具备更强的适应性，hou q采用非线性小波神经网络与arima模型分别预测交通量，通过模糊逻辑分析法赋权，通过加权求和得到更准确的预测结果。

7、在交通量短时预测领域，lstm是非常准确及流行的深度学习神经网络预测模型，然而受限于数据集的质量等因素，预测精度达不到预期，导致缺乏投入实际工程的实用性。

技术实现思路

1、为了将短时交通量预测技术应用于数据源不可靠、训练结果不准确的情况，提高预测准确度，本发明提供了一种基于lstm-svr组合模型的etc交通量预测方法，基于etc门架数据预处理后的数据集，输入lstm模型和svr模型组合后的模型进行预测。lstm模型被用作方法的主要框架，使用滑动时间窗算法，将当前时刻前多个时刻的交通量作为特征进行训练并预测；通过svr模型训练预测值与残差序列，代入真实预测值得到对应残差并进行校正，最终实现短时交通量的精准预测。

2、为实现上述目的，本发明的技术方案是：

3、一种基于lstm-svr组合模型的etc交通量预测方法，包括：

4、获取etc门架通行记录数据；

5、对获取的etc门架通行记录数据进行预处理，构建不同时间粒度的交通量数据集；

6、基于交通量数据集，通过滑动时间窗方法获取训练集和测试集；

7、构建lstm模型，基于训练集和测试集对lstm模型进行训练及测试；

8、构建svr模型，基于lstm测试过程中的预测值与残差序列进行训练；

9、串联lstm模型和svr模型构建lstm-svr组合模型，利用lstm-svr组合模型得到残差序列，对lstm模型的预测值进行校正，获得最终的交通量预测结果。

10、进一步地，所述etc门架通行记录数据包括时间戳、交通量、车辆id以及门架id。

11、进一步地，所述通过滑动时间窗方法获取训练集和测试集之前，先对交通量数据集进行0-1标准归一化处理。

12、进一步地，预处理后的交通量数据集时间粒度分别为5min、30min、60min。

13、进一步地，所述lstm模型的训练损失函数为均方误差，优化函数为adam。

14、进一步地，以径向基函数作为核函数构建svr模型。

15、本发明还提供一种基于lstm-svr组合模型的etc交通量预测装置，包括：

16、数据采集单元，用于获取etc门架通行记录数据；

17、预处理单元，用于对获取的etc门架通行记录数据进行预处理，构建不同时间粒度的交通量数据集；

18、模型构建单元，用于构建lstm模型和svr模型并分别进行训练；

19、预测单元，用于串联lstm模型和svr模型构建lstm-svr组合模型，利用lstm-svr组合模型得到残差序列，对lstm模型的预测值进行校正，获得最终的交通量预测结果。

20、本发明还提供一种电子设备，包括：

21、存储器，用于存储计算机程序；

22、处理器，用于执行所述计算机程序时实现如上所述基于lstm-svr组合模型的etc交通量预测方法的步骤。

23、本发明还提供一种计算机可读存储介质，所述计算可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述基于lstm-svr组合模型的etc交通量预测方法的步骤。

24、有益效果：

25、本发明基于etc门架数据预处理后的数据集，输入lstm模型和svr模型组合后的模型进行预测。lstm模型被用作方法的主要框架，使用滑动时间窗算法，将当前时刻前多个时刻的交通量作为特征进行训练并预测；通过svr模型训练预测值与残差序列，代入真实预测值得到对应残差并进行校正，最终实现短时交通量的精准预测。

技术特征：

1.一种基于lstm-svr组合模型的etc交通量预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于lstm-svr组合模型的etc交通量预测方法，其特征在于，所述etc门架通行记录数据包括时间戳、交通量、车辆id以及门架id。

3.根据权利要求1所述的一种基于lstm-svr组合模型的etc交通量预测方法，其特征在于，所述通过滑动时间窗方法获取训练集和测试集之前，先对交通量数据集进行0-1标准归一化处理。

4.根据权利要求1所述的一种基于lstm-svr组合模型的etc交通量预测方法，其特征在于，预处理后的交通量数据集时间粒度分别为5min、30min、60min。

5.根据权利要求1所述的一种基于lstm-svr组合模型的etc交通量预测方法，其特征在于，所述lstm模型的训练损失函数为均方误差，优化函数为adam。

6.根据权利要求1所述的一种基于lstm-svr组合模型的etc交通量预测方法，其特征在于，以径向基函数作为核函数构建svr模型。

7.一种基于lstm-svr组合模型的etc交通量预测装置，其特征在于，包括：

8.一种电子设备，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于lstm-svr组合模型的etc交通量预测方法的步骤。

技术总结本发明公开了一种基于LSTM‑SVR组合模型的ETC交通量预测方法，主要包括：获取ETC门架通行记录原始数据；ETC通行数据预处理为交通量数据集；构建LSTM模型，将所述交通量数据集输入LSTM模型进行训练；串联组合SVR模型，基于LSTM训练后的残差序列进行训练，并代入真实预测值得到对应的残差值，从而得到组合预测模型的交通量预测结果。本发明基于ETC通行记录的可靠数据源以及串联组合模型，与现有的交通量预测模型相比，在短时交通领域方面，不同时间粒度下具备更强的预测能力。技术研发人员：杨顺新,陈逸晨受保护的技术使用者：东南大学技术研发日：技术公布日：2024/5/8