[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

说明书

本专利公开了一种基于VAE和深度学习组合模型的高速公路旅行时间预测方法，包括：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；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。本发明利用VAE算法编码解码的过程，依据数据的条件分布对数据进行提取，在不影响数据时序特征的前提下，对数据进行平稳化处理。其次组合深度学习的循环神经网络，能够很好的处理长时序数据，提高预测的精度。

技术领域

本发明涉及旅行时间预测，具体涉及一种基于VAE和深度学习组合模型的高速公路旅行时间预测方法。

背景技术

旅行时间是高速公路运行状况的一个重要的衡量指标，它指的是从一个收费站进站到一个收费站出站的时间。对旅行时间进行准确的预测可以为出行者的路径选择甚至交通诱导提供很大的帮助。对于旅行时间的估计，有很多方法利用融合多源数据，比如固定线圈和浮动车数据。本发明针对的数据为高速公路收费数据。

高速公路收费数据直接记录了车辆进站和出站的时间，因此经过处理就可以得到收费站之间的旅行时间的时间序列，对于此进行预测，本质上是对时间序列进行预测。传统的对于时间序列进行预测的方法主要是Box-Jenkins方法，该方法首先确定ARIMA模型中适当的p、d、q值，然后通过估计方法，如最大似然估计来估计模型具体的参数值，最后检验模型的适当性并做出改进。近年来随着机器学习和深度学习的发展，以支持向量机作为基础的预测方法也越来越多，深度学习方面对于时间序列的预测表现得很好的是长短时记忆网络(LSTM)，它对于处理长序列数据以及时序性数据具有很大的优势。

但是对于时间序列来说，大部分数据都具有不平稳的特点，数据不平稳对于预测的准确性影响很大，一般解决数据不平稳的方法是对数据进行差分处理，可是这种方法效果一般，因此在对时间序列进行预测时，如何将数据平稳化处理也非常重要。

发明内容

本发明的目的在于提供一种基于VAE和深度学习组合模型的高速公路旅行时间预测方法。

实现本发明目的的技术解决方案为：一种基于高速公路收费数据的旅行时间预测方法，包括如下步骤：

S1：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；

S2：对旅行时间数据进行平稳化处理；

S3：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。

进一步，步骤S1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。

进一步，步骤S2中对旅行时间进行平稳化处理包括如下步骤：

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：

进一步，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。