本發明涉(she)及人(ren)工智(zhi)能技術在交通流(liu)預測(ce)的(de)應用，特別(bie)是(shi)涉(she)及一種基于雙域歸一化的(de)交通流(liu)時間序(xu)列預測(ce)方法。

背景技術：

1、在交通流(liu)預測領域，時間(jian)序(xu)列預測技(ji)術具有重要的應用價值。傳統方法在應對交通流(liu)等時間(jian)序(xu)列數據的非平穩特(te)性時，常面臨(lin)分(fen)布(bu)漂移和預測精度不(bu)足的問題(ti)。

2、交(jiao)通(tong)(tong)流預測(ce)能(neng)夠為政府提(ti)供決策支(zhi)持，為企業優化(hua)資源(yuan)配置，為個人提(ti)供出行便利。然而，交(jiao)通(tong)(tong)流數據通(tong)(tong)常(chang)具有高度的(de)(de)非(fei)平穩性，其分布隨(sui)時(shi)間和環境因素(su)的(de)(de)變(bian)化(hua)而變(bian)化(hua)(即分布漂移)。傳統(tong)的(de)(de)交(jiao)通(tong)(tong)流預測(ce)方(fang)法通(tong)(tong)常(chang)采用統(tong)計模(mo)(mo)型(xing)和基于(yu)規則(ze)的(de)(de)方(fang)法，這些方(fang)法在(zai)應對(dui)數據的(de)(de)非(fei)平穩性和復雜的(de)(de)時(shi)間模(mo)(mo)式(shi)變(bian)化(hua)方(fang)面存(cun)在(zai)顯著不(bu)足。

3、近年來(lai)，深度神經網絡(dnn)技術在(zai)時間序(xu)列預(yu)測(ce)領(ling)域的(de)(de)應(ying)用(yong)為(wei)交通流預(yu)測(ce)帶(dai)來(lai)了(le)新的(de)(de)契(qi)機。dnn憑借其(qi)強大(da)的(de)(de)序(xu)列依賴(lai)性建模(mo)能力，可以捕捉交通流數據中的(de)(de)復雜模(mo)式。然而，即便如此，現有(you)的(de)(de)dnn方(fang)法仍難(nan)以充分解(jie)決交通流數據中的(de)(de)非(fei)平穩(wen)性問(wen)(wen)題。為(wei)了(le)應(ying)對(dui)分布(bu)漂移問(wen)(wen)題，已經開發了(le)多種歸一化(hua)方(fang)法，例如在(zai)固定時間窗口內進(jin)行歸一化(hua)的(de)(de)方(fang)法(如revin和san)。這些方(fang)法通過(guo)在(zai)時間域內的(de)(de)固定窗口進(jin)行歸一化(hua)，試(shi)圖穩(wen)定數據分布(bu)，但由于交通流數據的(de)(de)復雜性和多樣性，這些方(fang)法往(wang)往(wang)難(nan)以提供可靠的(de)(de)預(yu)測(ce)結果(guo)。

4、現有基于(yu)深(shen)度神經網(wang)絡(luo)的交(jiao)通流預(yu)測方法(fa)存在(zai)以下缺點(dian)：

5、1.固(gu)定(ding)窗(chuang)口歸一化(hua)方法的局限性：現(xian)有方法在時間域(yu)內使(shi)用固(gu)定(ding)窗(chuang)口進行(xing)歸一化(hua)，無(wu)法動態捕捉交通(tong)流數據隨(sui)時間變化(hua)的分布(bu)漂移(yi)，導致(zhi)預測結果(guo)不夠穩(wen)定(ding)和準確。

6、2.忽(hu)視頻(pin)率(lv)域信(xin)息：多(duo)數現有方法僅在時間域進行(xing)歸一化(hua)，忽(hu)略了頻(pin)率(lv)域中的潛(qian)在分布變化(hua)，無法充分利用(yong)頻(pin)率(lv)信(xin)息來(lai)提高(gao)預測精(jing)度。

7、3.適(shi)應性(xing)(xing)和通(tong)(tong)用(yong)性(xing)(xing)不足：現(xian)有(you)方法在應對不同(tong)類型的交通(tong)(tong)流數據和任務(wu)時，需(xu)要對模型結構進行(xing)特定調整(zheng)，限制了模型的適(shi)應性(xing)(xing)和通(tong)(tong)用(yong)性(xing)(xing)。

8、需要說明(ming)的(de)是，在上述(shu)背景技術(shu)部分公開的(de)信息僅(jin)用(yong)于對(dui)本(ben)申請的(de)背景的(de)理解(jie)，因此可以包括不構(gou)成對(dui)本(ben)領域普(pu)通技術(shu)人員已知的(de)現有技術(shu)的(de)信息。

技術實現思路

1、本發明的(de)主要(yao)目的(de)在于(yu)(yu)克(ke)服上述背景技術的(de)缺(que)陷，提供一種(zhong)基于(yu)(yu)雙域歸一化的(de)交通流時間序(xu)列預(yu)測方法。

2、為實(shi)現(xian)上述目(mu)的，本(ben)發明(ming)采(cai)用以下技術方案(an)：

3、在本發明(ming)的(de)第一(yi)(yi)方面(mian)，一(yi)(yi)種基于雙域歸一(yi)(yi)化的(de)交(jiao)通流時(shi)間(jian)序(xu)列(lie)預測方法，包括以下步(bu)驟：

4、s1.非(fei)平穩性消(xiao)除：對輸入(ru)的(de)(de)交通流(liu)時(shi)(shi)(shi)(shi)間(jian)(jian)序列(lie)(lie)數據進(jin)行非(fei)平穩性消(xiao)除處(chu)理，在(zai)時(shi)(shi)(shi)(shi)域(yu)和頻率域(yu)分別對輸入(ru)的(de)(de)交通流(liu)時(shi)(shi)(shi)(shi)間(jian)(jian)序列(lie)(lie)數據進(jin)行歸一化處(chu)理，生成時(shi)(shi)(shi)(shi)域(yu)和頻域(yu)上的(de)(de)平穩序列(lie)(lie)以及時(shi)(shi)(shi)(shi)域(yu)和頻域(yu)的(de)(de)局(ju)部統(tong)計量(liang)如均值和方差(cha)/標準差(cha)；

5、s2.時序預測：使用時序預測模型對(dui)所述平穩(wen)序列進(jin)行預測，得到平穩(wen)的預測序列。

6、s3.非平穩性(xing)重建(jian)：利用分布預(yu)(yu)測模型，對時域和(he)頻域的(de)局部(bu)統計量進行預(yu)(yu)測，以(yi)確(que)定(ding)未來交通(tong)(tong)流(liu)時間序(xu)(xu)列的(de)時域和(he)頻域的(de)局部(bu)統計量，然后通(tong)(tong)過(guo)預(yu)(yu)測的(de)局部(bu)統計量對所述(shu)平穩的(de)預(yu)(yu)測序(xu)(xu)列進行反(fan)歸一(yi)化，實現對所述(shu)平穩的(de)預(yu)(yu)測序(xu)(xu)列的(de)非平穩性(xing)重建(jian)，得到最終的(de)交通(tong)(tong)流(liu)預(yu)(yu)測序(xu)(xu)列。

7、其中，所述的非平(ping)穩(wen)(wen)性(xing)消除模(mo)塊、時序預測模(mo)型和非平(ping)穩(wen)(wen)性(xing)重建模(mo)塊協同工作，實現了從非平(ping)穩(wen)(wen)交(jiao)通流時間序列數據的預處理(li)到最終(zhong)預測結果的生成，確(que)(que)保了交(jiao)通流預測的準確(que)(que)性(xing)和穩(wen)(wen)定性(xing)。

8、在本發明的第二方面(mian)，一種計(ji)算(suan)機(ji)可讀存儲介質(zhi)，存儲有計(ji)算(suan)機(ji)程序，所(suo)述計(ji)算(suan)機(ji)程序由處(chu)理器執行時實現所(suo)述的基于雙域歸一化的交通(tong)流(liu)時間序列預測方法。

9、在本發明的(de)第(di)三方面，一(yi)種計算機(ji)程(cheng)(cheng)序(xu)產品，包括計算機(ji)程(cheng)(cheng)序(xu)，所述計算機(ji)程(cheng)(cheng)序(xu)由(you)處理器執(zhi)行時實現所述的(de)基于雙域歸一(yi)化的(de)交通流時間序(xu)列預測方法。

10、本發明(ming)具有(you)如下有(you)益效(xiao)果：

11、針對(dui)現(xian)有技(ji)術(shu)中的(de)不足，本(ben)發明提(ti)出(chu)一種基于雙域(yu)(yu)歸一化方(fang)法的(de)交通(tong)(tong)流(liu)預測技(ji)術(shu)，該方(fang)法通(tong)(tong)過(guo)(guo)在時(shi)間(jian)域(yu)(yu)和(he)頻率域(yu)(yu)內的(de)歸一化，動(dong)態(tai)捕捉交通(tong)(tong)流(liu)數(shu)據(ju)的(de)分(fen)布變化，消除時(shi)間(jian)序列數(shu)據(ju)中的(de)非平穩因素，并重構其(qi)(qi)非平穩信息，從而提(ti)高交通(tong)(tong)流(liu)預測的(de)準確性(xing)(xing)和(he)穩定性(xing)(xing)。通(tong)(tong)過(guo)(guo)這種創新(xin)的(de)方(fang)法，本(ben)發明顯著提(ti)升了(le)交通(tong)(tong)流(liu)預測模型的(de)通(tong)(tong)用性(xing)(xing)和(he)適應性(xing)(xing)，使其(qi)(qi)在實際應用中表(biao)現(xian)出(chu)更優的(de)性(xing)(xing)能(neng)，為交通(tong)(tong)流(liu)預測和(he)相關調(diao)度決(jue)策(ce)提(ti)供了(le)有力支持。

12、本(ben)發明提(ti)(ti)出(chu)的(de)基于雙(shuang)域歸一化(hua)的(de)交(jiao)通(tong)(tong)流時(shi)間(jian)(jian)序(xu)(xu)列(lie)(lie)預(yu)(yu)(yu)測(ce)(ce)(ce)方法(fa)，通(tong)(tong)過同時(shi)在時(shi)間(jian)(jian)域和頻率域內(nei)的(de)歸一化(hua)，動態捕(bu)捉(zhuo)交(jiao)通(tong)(tong)流數據的(de)分布(bu)變化(hua)，消(xiao)除(chu)時(shi)間(jian)(jian)序(xu)(xu)列(lie)(lie)數據中的(de)非(fei)(fei)平(ping)穩(wen)因(yin)素(su)，然后利(li)用(yong)分布(bu)預(yu)(yu)(yu)測(ce)(ce)(ce)模型進行(xing)(xing)預(yu)(yu)(yu)測(ce)(ce)(ce)，再進行(xing)(xing)去歸一化(hua)過程，重構其非(fei)(fei)平(ping)穩(wen)信息(xi)，確(que)保了(le)預(yu)(yu)(yu)測(ce)(ce)(ce)結果能準確(que)反映(ying)原始數據的(de)非(fei)(fei)平(ping)穩(wen)性(xing)(xing)特征，從而保證(zheng)了(le)預(yu)(yu)(yu)測(ce)(ce)(ce)結果的(de)可靠(kao)性(xing)(xing)與魯棒性(xing)(xing)，顯(xian)著(zhu)提(ti)(ti)升了(le)交(jiao)通(tong)(tong)流時(shi)間(jian)(jian)序(xu)(xu)列(lie)(lie)預(yu)(yu)(yu)測(ce)(ce)(ce)的(de)準確(que)性(xing)(xing)和穩(wen)定(ding)性(xing)(xing)。具(ju)體而言，頻率域歸一化(hua)將時(shi)間(jian)(jian)序(xu)(xu)列(lie)(lie)分解(jie)為高(gao)頻和低頻成(cheng)分，以捕(bu)捉(zhuo)快速變化(hua)和突變信息(xi)；時(shi)間(jian)(jian)域歸一化(hua)則計算局部(bu)統(tong)計量，如均值和標準差，從而動態反映(ying)時(shi)間(jian)(jian)序(xu)(xu)列(lie)(lie)的(de)快速變化(hua)。本(ben)發明方法(fa)顯(xian)著(zhu)提(ti)(ti)高(gao)了(le)交(jiao)通(tong)(tong)流預(yu)(yu)(yu)測(ce)(ce)(ce)性(xing)(xing)能，在交(jiao)通(tong)(tong)流預(yu)(yu)(yu)測(ce)(ce)(ce)應用(yong)中展現出(chu)優(you)越性(xing)(xing)。

13、與現有技(ji)術(shu)相比(bi)，本發明具有以下(xia)優點和積極(ji)效果(guo)：

14、(1)動(dong)態捕(bu)捉(zhuo)非平穩(wen)性(xing)變化：本發(fa)明實施例利用滑動(dong)歸一(yi)化技術(shu)，在時間域和(he)頻率域內動(dong)態計(ji)算局部統計(ji)量(如均值和(he)標(biao)準差)，能夠實時捕(bu)捉(zhuo)數(shu)據分(fen)布的(de)(de)快速變化和(he)突變信息，從而有效應對交(jiao)通流(liu)等時間序列數(shu)據中的(de)(de)非平穩(wen)性(xing)問題。這種方法(fa)比傳(chuan)統的(de)(de)固(gu)定窗口歸一(yi)化方法(fa)更具靈(ling)活性(xing)和(he)精確性(xing)。

15、(2)即(ji)插即(ji)用的(de)設計(ji)(ji)：本發明(ming)的(de)雙域動態歸一化方法作為一個模(mo)型(xing)無(wu)關的(de)插件模(mo)塊(kuai)，可以(yi)無(wu)縫(feng)集(ji)成(cheng)到目前(qian)主流的(de)時(shi)間序列(lie)預測(ce)(ce)方法中。這種即(ji)插即(ji)用的(de)設計(ji)(ji)增強(qiang)了模(mo)型(xing)的(de)通(tong)用性和適應性，使(shi)其(qi)能夠廣泛應用于實際(ji)的(de)交通(tong)流預測(ce)(ce)系統中。

16、(3)有效利用(yong)頻(pin)域(yu)信(xin)(xin)息(xi)：傳統的(de)時間序列(lie)預測方法往(wang)往(wang)忽略頻(pin)率域(yu)中(zhong)的(de)潛在分(fen)布變化。本發明(ming)通過(guo)頻(pin)域(yu)歸一化技(ji)術，將時間序列(lie)分(fen)解為高頻(pin)和(he)(he)低(di)頻(pin)成分(fen)，充分(fen)利用(yong)頻(pin)率信(xin)(xin)息(xi)，進(jin)一步提高了預測的(de)精度和(he)(he)穩定性(xing)。

17、(4)分(fen)布預測(ce)與重(zhong)建(jian)：本(ben)發明通過分(fen)布預測(ce)模型(xing)，分(fen)別(bie)在(zai)時(shi)域和頻域內預測(ce)未來的(de)分(fen)布特(te)性(xing)(xing)，并(bing)利(li)用加(jia)權重(zhong)建(jian)方(fang)法(fa)有效重(zhong)建(jian)時(shi)間(jian)序列的(de)非(fei)平穩信息(xi)。去(qu)歸一(yi)化過程確(que)保了預測(ce)結(jie)果能準(zhun)確(que)反映原始數(shu)據的(de)非(fei)平穩性(xing)(xing)特(te)征，從而(er)保證了預測(ce)結(jie)果的(de)可靠(kao)性(xing)(xing)與魯棒性(xing)(xing)。

18、本發明實施例中的其他有(you)益效果(guo)將(jiang)在下文中進一步述(shu)及(ji)。

技術特征：

1.一種基于雙域歸(gui)一化的(de)交通流時間(jian)序列預測(ce)方法，其特(te)征在(zai)于，包括(kuo)以(yi)下步(bu)驟：

2.如權利(li)要求1所(suo)述的(de)基于(yu)雙(shuang)域(yu)歸一化的(de)交通流時間序(xu)列(lie)預測方法，其(qi)特征在于(yu)，步(bu)驟s1具(ju)體包(bao)括：

3.如權利要求(qiu)2所述(shu)的(de)基于雙域歸一(yi)化的(de)交通流時間序列預測方法，其特征在于，步(bu)驟s11進一(yi)步(bu)包括以下子步(bu)驟：

4.如(ru)權利要求2所述的基于雙域歸一化的交通流時(shi)間(jian)序列預測(ce)方法，其特(te)征(zheng)在(zai)于，步驟s12進一步包(bao)括以(yi)下子步驟：

5.如權利要求1至(zhi)4任一(yi)項(xiang)所述的(de)基于雙域歸一(yi)化的(de)交通流時間序(xu)列預測方(fang)法，其特(te)征(zheng)在于，步(bu)驟s1中，根據(ju)可訓(xun)練的(de)參數，將時域和頻域上得(de)到(dao)(dao)的(de)平穩(wen)序(xu)列進(jin)行加權組合，得(de)到(dao)(dao)用于交通流時序(xu)預測的(de)平穩(wen)序(xu)列。

6.如權(quan)(quan)利要求(qiu)5所述的(de)基于雙域(yu)歸(gui)一化的(de)交通流時間序(xu)列(lie)預測方法，其特征在于，步驟s1中，所述加權(quan)(quan)組合為將時域(yu)的(de)平穩序(xu)列(lie)與頻域(yu)的(de)平穩序(xu)列(lie)按照可訓(xun)練參數(shu)的(de)權(quan)(quan)重(zhong)進行(xing)線性組合，得(de)到綜合的(de)平穩序(xu)列(lie)。

7.如權利要求(qiu)1至6任一項(xiang)所述的(de)(de)(de)基(ji)(ji)于(yu)雙域歸一化的(de)(de)(de)交通流時(shi)(shi)間(jian)序(xu)(xu)列(lie)預(yu)(yu)(yu)測方法，其(qi)特(te)征(zheng)在于(yu)，步驟s2中(zhong)，所述時(shi)(shi)序(xu)(xu)預(yu)(yu)(yu)測模(mo)(mo)(mo)型(xing)選自(zi)基(ji)(ji)于(yu)transformer的(de)(de)(de)時(shi)(shi)序(xu)(xu)預(yu)(yu)(yu)測模(mo)(mo)(mo)型(xing)、基(ji)(ji)于(yu)卷積神經網(wang)絡(luo)(cnn)的(de)(de)(de)時(shi)(shi)序(xu)(xu)預(yu)(yu)(yu)測模(mo)(mo)(mo)型(xing)、基(ji)(ji)于(yu)多層感知機(mlp)的(de)(de)(de)時(shi)(shi)序(xu)(xu)預(yu)(yu)(yu)測模(mo)(mo)(mo)型(xing)、長短期記憶網(wang)絡(luo)(lstm)、基(ji)(ji)于(yu)支持向量(liang)回(hui)歸(svr)的(de)(de)(de)模(mo)(mo)(mo)型(xing)、自(zi)回(hui)歸積分(fen)滑動平(ping)均(arima)模(mo)(mo)(mo)型(xing)、prophet模(mo)(mo)(mo)型(xing)。

8.如(ru)權利要求1至6任一項所述的基于(yu)雙域歸一化的交(jiao)通流時(shi)間序(xu)列預測方法，其特征在于(yu)，步驟s3具體包括以(yi)下子(zi)步驟：

9.一(yi)種計(ji)算機(ji)可(ke)讀存儲(chu)介(jie)質，存儲(chu)有計(ji)算機(ji)程(cheng)序(xu)(xu)，其特征在于，所(suo)(suo)述計(ji)算機(ji)程(cheng)序(xu)(xu)由處理器執行(xing)時實現如權利要求1-8任一(yi)項(xiang)所(suo)(suo)述的基于雙(shuang)域歸一(yi)化的交通流(liu)時間序(xu)(xu)列預(yu)測(ce)方法。

10.一種計(ji)算(suan)(suan)機(ji)程(cheng)序(xu)產品，包括計(ji)算(suan)(suan)機(ji)程(cheng)序(xu)，其特征在于，所述計(ji)算(suan)(suan)機(ji)程(cheng)序(xu)由處理器執行時實現(xian)如權(quan)利要求1-8任一項所述的(de)基于雙域(yu)歸一化的(de)交(jiao)通流(liu)時間序(xu)列預(yu)測(ce)方法。

技術總結
本發明提出一種基于雙域歸一化的交通流時間序列預測方法，通過同時在時間域和頻率域內的歸一化，動態捕捉交通流數據的分布變化，消除時間序列數據中的非平穩因素，然后利用分布預測模型進行預測，再進行去歸一化過程，重構其非平穩信息，確保了預測結果能準確反映原始數據的非平穩性特征，從而保證了預測結果的可靠性與魯棒性，顯著提升了交通流時間序列預測的準確性和穩定性。具體而言，頻率域歸一化將時間序列分解為高頻和低頻成分，以捕捉快速變化和突變信息；時間域歸一化則計算局部統計量，如均值和標準差，從而動態反映時間序列的快速變化。本發明方法顯著提高了交通流預測性能，在交通流預測應用中展現出優越性。

技術研發人員：李乃琦,劉培源,鮑際剛,江勇,夏樹濤
受保護的技術使用者：清華大學深圳國際研究生院
技術研發日：
技術公布日：2024/10/14