[发明专利]一种城市交通流量预测方法、系统及电子设备

权利要求书

1.一种城市交通流量预测方法，其特征在于，包括以下步骤：

步骤a：构建LSTM-RNN神经网络；

步骤b：通过CSO算法对所述LSTM-RNN神经网络进行参数优化，得到所述LSTM-RNN神经网络的初始参数值；

步骤c：将所述初始参数值加入LSTM-RNN神经网络，得到CSO-LSTM-RNN神经网络；

步骤d：将交通流量数据输入所述CSO-LSTM-RNN神经网络，并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果；

所述步骤a前还包括：获取目标节点的历史交通流数据，根据所述历史交通流数据构建二维矩阵，并加上时间维度生成三维张量；对所述二维矩阵进行处理，得到LSTM-RNN神经网络的输入向量；

所述步骤a前还包括：将所述历史交通流数据按照设定时间间隔进行聚合；在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max，并使用min-max方法对样本数据进行归一化，将归一化后的样本数据分为训练集和测试集；

在所述步骤a中，LSTM-RNN神经网络包括一个输入层、一个隐含层和一个输出层，并且隐含层包含递归全连接LSTM节点，其中包含着LSTM特有的记忆模块，记忆模块包含一个或者多个自连接的记忆单元以及门控制，分别是输入门、输出门和遗忘门，通过这三个门控制记忆模块以实现写入、读取和重置的功能；

在所述步骤c中，将所述初始参数值加入LSTM-RNN神经网络，得到CSO-LSTM-RNN神经网络还包括：将所述归一化处理后的样本 数据输入CSO-LSTM-RNN神经网络，进行前向计算；并结合反向传播算法和梯度下降更新参数对CSO-LSTM-RNN神经网络进行训练，得到最小误差的CSO-LSTM-RNN神经网络，

其前向传播公式如下：

Γ_f＝σ(ω_f[a^(t-1)，x^(t)]+b_f)

Γ_i＝σ(ω_i[a^(t-1)，x^(t)]+b_i)

Γ_o＝σ(ω_o[a^(t-1)，x^(t)]+b_o)

a^(t)＝Γ_o*tanhC^(t)

公式中，x^(t)为t时刻的输入序列，*表示矩阵元素相乘，ω表示隐藏层的权重，b表示偏置量，训练过程的目标函数，即损失函数表达为：

公式中，表示t时刻j节点输入的真实观测值；表示t时刻j节点输出的预测值；n表示训练集包含的实例个数。

2.根据权利要求1所述的城市交通流量预测方法，其特征在于，在所述步骤b中，所述通过CSO算法对LSTM-RNN神经网络进行参数优化，得到所述LSTM-RNN神经网络的初始参数值具体为：构建LSTM-RNN神经网络，随机生成一个种群W_i，用W_i作为LSTM-RNN神经网络的初始值，且W_i＝(ω_i1，ω_i2，...ω_is)^T，其中的s为种群中个体数；CSO算法采用的更新策略为：

X_l，k(t+1)＝X_l，k(t)+V_l，k(t+1)

上述公式中，X_i，k(t)和V_i，k(t)分别表示第i个个体在第t代种群第k维的位置和速度；X_w，k(t)表示第t代种群第k维度的优胜个体，X_l，k(t)表示t代种群第k维度的劣势个体；R₁(k，t)，R₂(k，t)，R₃(k，t)∈[0，1]ⁿ分别是三个随机数；表示种群所有个体在第k维第t代的平均位置，是的控制权重参数，将经过CSO训练后的权重作为所述LSTM-RNN神经网络的初始参数值。