[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

说明书

本发明公开了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，改进的集合经验模态分解简称MEEMD，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。本发明公开的基于注意力机制的ME‑MBiGRU短时交通流量预测方法通过改进的集合经验模态分解对数据进行分解；为更加充分的提取交通流的时间特征，采用多层双向门控循环单元和注意力机制对模型进行训练。

技术领域

本发明涉及交通技术领域，尤其涉及一种基于注意力机制的ME-MBiGRU短时交通流量预测方法。

背景技术

随着我国经济的不断发展，人均车辆保有量在不断上升，而由此带来的交通拥堵的问题却日益严重。短时交通流量预测技术，作为智能交通系统(IntelligentTrafficSystem，ITS)的一个关键环节，能够对道路过去的历史数据进行分析，并对未来的交通流量进行预测，从而达到缓解交通压力、方便市民出行的目的。。

使用EMD(EnsembleEmpiricalModeDecomposition，EMD)对数据进行噪声处理，使用LSSVM(LeastSquaresVectorMachines，LSSVM)进行预测；使用EMD算法对出租车数据进行分解，降低噪声，随后使用门控循环单元(GatedRecurrentUnit，GRU)进行预测；使用EEMD(EnsembleEmpiricalModeDecomposition，EEMD)对数据进行分解，利用改进型粒子群算法优化的最小二乘支持向量机进行模型训练。

采用的EMD算法，虽然能对数据进行一定的去噪，但会出现模态混叠的问题，即高频分量与低频分量无法完全分离；采用的EEMD算法，虽然能够抑制模态混叠的问题，但无法完全中和添加的白噪声，并且该算法计算量大，不具有完备性。

发明内容

本发明公开一种基于注意力机制的ME-MBiGRU短时交通流量预测方法，旨在解决EMD算法会出现模态混叠的问题，即高频分量与低频分量无法完全分离；EEMD算法，虽然能够抑制模态混叠的问题，但无法完全中和添加的白噪声，并且该算法计算量大，不具有完备性的技术问题。

为了实现上述目的，本发明采用了如下技术方案：

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组合模型，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

步骤2：对分别进行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；