[发明专利]基于VAE和深度学习组合模型的高速公路旅行时间预测方法

权利要求书

1.一种基于VAE和深度学习组合模型的高速公路旅行时间预测方法，其特征在于，所述方法包括如下步骤：

步骤一、对高速公路收费数据进行预处理，剔除缺失、异常数据，并将处理过后的数据整理为旅行时间序列数据；

步骤二、对旅行时间数据进行平稳化处理；S21：利用站间旅行时间数据，拟合函数f₁和f₂求均值u_k和方差序列；S22：从标准正态分布中采样随机误差，加入到隐变量Z的计算当中；S23：利用隐变量Z的条件分布中采样得到新样本S24：利用梯度下降方法对整个网络进行迭代，从而得到最终修复后的时间序列梯度下降的公式如下所示：其中z为隐变量，u为编码过程通过神经网络对数据的均值，σ为编码过程通过神经网络对数据的均值的方差；

步骤三、利用循环神经网络LSTM对旅行时间数据进行训练，并对旅行时间进行预测。

2.根据权利要求1所述的一种基于VAE和深度学习组合模型的高速公路旅行时间预测方法，其特征在于，所述步骤一中数据预处理包括以下步骤：

S11：对于高速公路收费数据当中缺失数据进行剔除；

S12：对于剩余完整的高速公路收费数据，用出站时间减去进站时间得到各站点间的旅行时间数据；

S13：对于各站点间的旅行时间数据计算均值和标准差并以为范围剔除异常数据。

3.根据权利要求1所述的一种基于VAE和深度学习组合模型的高速公路旅行时间预测方法，其特征在于，所述步骤S3中利用循环神经网络LSTM对旅行时间数据进行训练，并对旅行时间进行预测包括如下步骤。

S31：将数据集以8:2的比例划分为训练集和测试集；

S32：设置好参数之后放入到LSTM模型当中进行训练；

S33：根据训练好的模型对旅行时间进行预测。