[发明专利]一种基于注意力机制的ME-MBiGRU短时交通流量预测方法

权利要求书

1.一种基于注意力机制的ME-MBiGRU短时交通流量预测方法，包括改进的集合经验模态分解、多层双向门控循环单元和注意力机制的组合模型，其特征在于，所述改进的集合经验模态分解的简称为MEEMD，且MEEMD是一种基于排列熵的改进集合经验模态分解方法，该方法利用互补集合经验模态分解对含有噪声的时间序列进行分解，计算每一个分量的排列熵值，根据排列熵值H_p来确定数据中存在的异常值，并将其剔除；再对剩余的数据进行经验模态分解，对含有噪声的时间序列T(t)，其分解步骤具体包括如下步骤：

步骤1：成对的向原始时间序列T(t)添加正负相反、幅值相同的高斯白噪声，得到两个信号T_i⁺(t)、T_i^-(t)；

步骤2：对T_i⁺(t)、T_i^-(t)分别进行EMD分解，得到第一个IMF分量序列{I_i1⁺(t)}、{I_i1^-(t)}，对上述两个分量序列进行集合平均，得到分量序列T(t)的第一个IMF分量I₁(t)；

式中：L表示时间序列T(t)的长度，Ne为添加的白噪声的对数；

步骤3：计算I₁(t)的排列熵值H_p，判断该分量是否为异常分量；如果I₁(t)的熵值H_p大于阈值θ₀，则该分量为异常分量；

步骤4：如果I₁(t)为异常分量，则返回步骤1，直到第q个IMF分量I_q(t)的熵值H_p小于θ₀，此时执行步骤5；

步骤5：将已经进行分解的前q-1个分量从原始时间序列中剔除，得到不含噪声的时间序列N(t)；

步骤6：对N(t)进行EMD分解，得到IMF分量，此时，MEEMD分解结束。

2.根据权利要求1所述的一种基于注意力机制的ME-MBiGRU短时交通流量预测方法，其特征在于，所述多层双向门控循环单元的简称为MBiGRU，且MBiGRU网络的计算过程描述如下：

P_(t)^＜F＞＝GRU^＜F＞(x_t-w,x_t-w+1,...,x_t+1) (3)

P_(t)^＜B＞＝GRU^＜B＞(x_t+1,x_t+2,...,x_t+w) (4)

Q_(t)＝W₁*[P_(t)^＜F＞,P_(t)^＜B＞]+b₁ (5)

式中，GRU^＜F＞代表正向的GRU网络；x为输入数据；w为时间滑动窗口的大小，假设共有m条训练数据，则1wm；P_(t)^＜F＞为正向GRU网络的输出结果，同理，GRU^＜B＞代表反向GRU网络，P_(t)^＜B＞为反向GRU的输出结果；将P_(t)^＜F＞与P_(t)^＜B＞进行矩阵拼接后，与权值矩阵W₁相乘，与偏置项b₁相加，得到第一个BiGRU网络在t时刻的输出Q_(t)；

O_(t)^＜F＞＝GRU^＜F＞(Q_t-w,Q_t-w+1,...,Q_t+1) (6)

O_(t)^＜B＞＝GRU^＜F＞(Q_t+1,Q_t+2,...,Q_t+w) (7)

O_(t)＝W₂*[O_(t)^＜F＞,O_(t)^＜B＞]+b₂ (8)

式中，O_(t)为第二个BiGRU网络的输出。