本发明属于交通运输规划与管理领域，具体涉及一种基于奇异谱分解与ssa-bilstm的交通流量预测方法。
背景技术：
1、目前，随着信息化时代的飞速发展和城市化建设进程不断深入，智能交通物联网将智能交通的基本理念与物联网技术产业相结合，给智能交通带来了一次全新的升级，但这也随之带来了巨大的交通数据量。为缓解城市交通压力，提出了“智慧交通”的发展理念，其首要任务是针对交通路网实时状态建立有效的交通诱导，交通流量预测作为交通数据分析方法的其中一项，高精度的预测结果可以协助交通管理者对交通状况进行实时管控。
2、由于交通状态是一个开放性系统，其结果是外部多因素层层迭代得到的，其状态呈现着时间序列的非线性和复杂性。从时间的维度上观察，交通流量具有分形的特征，即不同尺度下的相似性，未来的变化趋势与历史变化趋势呈正相关，在相同间隔表现出规律性，不同时期具有差异性，整体呈现出混沌状态，因此对该类数据的预测难度大。
3、所以现有的交通流量预测技术的预测数据在精度上还有很大的提升空间。
技术实现思路
1、本发明是为了解决上述问题而进行的，目的在于提供一种基于奇异谱分解与ssa-bilstm的交通流量预测方法。
2、本发明提供了一种基于奇异谱分解与ssa-bilstm的交通流量预测方法，具有这样的特征，包括以下步骤：步骤s1，对历史交通流量数据进行数据清洗，得到清洗数据；步骤s2，将清洗数据进行奇异谱分析，得到非主成分序列和主成分序列；步骤s3，将非主成分序列输入第一ssa-bilstm网络，得到噪声预测结果；步骤s4，将主成分序列输入第二ssa-bilstm网络，得到周期预测结果；步骤s5，将噪声预测结果和周期预测结果进行重构，得到交通流量预测结果。
3、在本发明提供的基于奇异谱分解与ssa-bilstm的交通流量预测方法中，还可以具有这样的特征：其中，在步骤s1中，数据清洗具体过程为：判断历史交通流量数据是否存在空值，若是，则通过多项式插值法填充空值，根据dbscan密度聚类和拉依达法则判断历史交通流量数据是否存在异常值，若是，则删除异常值，再通过多项式插值法填充异常值删除后的空值。
4、在本发明提供的基于奇异谱分解与ssa-bilstm的交通流量预测方法中，还可以具有这样的特征：其中，dbscan密度聚类和拉依达法则将历史交通流量数据中的同一数据标记为异常点，则异常点为异常值。
5、在本发明提供的基于奇异谱分解与ssa-bilstm的交通流量预测方法中，还可以具有这样的特征：其中，步骤s2包括以下子步骤：步骤s2-1，将清洗数据进行奇异值分解，得到m个序列和对应的m个贡献值；步骤s2-2，将m个贡献值从大到小进行排序，从大到小选取n个贡献值，使n个贡献值的总和满足阈值，则n个贡献值对应的n个序列为主成分序列，剩余m-n个序列为非主成分序列。
6、在本发明提供的基于奇异谱分解与ssa-bilstm的交通流量预测方法中，还可以具有这样的特征：其中，在步骤s2-1中，根据清洗数据{xt|t＝1,2,...,n}计算得到序列和贡献值的计算公式如下：
7、式中y为轨迹矩阵，ym为第m个序列，k＝n-m+1，为第i个序列的奇异值，u、v分别为对协防差矩阵yyt的左特征向量和右特征向量，μi为第i个序列的贡献值。
8、在本发明提供的基于奇异谱分解与ssa-bilstm的交通流量预测方法中，还可以具有这样的特征：其中，在步骤s5中，重构为将噪声预测结果和周期预测结果进行逻辑叠加。
9、在本发明提供的基于奇异谱分解与ssa-bilstm的交通流量预测方法中，还可以具有这样的特征：其中，根据历史道路交通流量数据对第一ssa-bilstm网络和第二ssa-bilstm网络进行训练的具体步骤如下：步骤t1，对历史道路交通流量数据进行数据清洗，得到清洗数据；步骤t2，将清洗数据进行奇异谱分析，得到非主成分序列和主成分序列；步骤t3，分别对非主成分序列和主成分序列进行归一化处理，分别得到归一化非主成分序列和归一化主成分序列；步骤t4，通过相同长度的滑动窗口，分别对归一化非主成分序列和归一化主成分序列进行数据分割，分别得到对应的训练数据和验证数据；步骤t5，根据归一化非主成分序列对应的训练数据和验证数据，通过麻雀搜索算法迭代优化第一ssa-bilstm网络的网络参数直至达到最大迭代次数或解小于预设阈值，则第一ssa-bilstm网络训练完成；步骤t6，根据归一化主成分序列对应的训练数据和验证数据，通过麻雀搜索算法迭代优化第二ssa-bilstm网络的网络参数直至达到最大迭代次数或解小于预设阈值，则第二ssa-bilstm网络训练完成。
10、在本发明提供的基于奇异谱分解与ssa-bilstm的交通流量预测方法中，还可以具有这样的特征：其中，在步骤t3中，归一化处理的计算公式如下：xi_std＝(xi-xmin)/(xmax-xmin)，式中xi为序列中的第i个元素，xmin为xi所在序列中最小的元素，xmax为xi所在序列中最大的元素，xi_std为xi归一化后的结果。
11、在本发明提供的基于奇异谱分解与ssa-bilstm的交通流量预测方法中，还可以具有这样的特征：其中，在步骤t4中，通过滑动窗口选取序列作为训练数据，xn+t+h作为训练数据对应的验证数据，n为自然数，t为滑动窗口的长度，h为预测的时间步数。
12、发明的作用与效果
13、根据本发明所涉及的基于奇异谱分解与ssa-bilstm的交通流量预测方法，因为一方面，通过麻雀搜索算法对bilstm网络进行训练，能够快速找到全局最优解，进而得到准确性和泛化性较高的第一ssa-bilstm网络和第二ssa-bilstm网络，另一方面，具有双向网络的第一ssa-bilstm网络和第二ssa-bilstm网络能够同时利用过去和未来的信息进行预测，可以更全面地考虑时间序列数据的上下文信息，在通过对噪声预测结果和周期预测结果的重构，能够得到准确的交通流量预测结果，所以，本发明的基于奇异谱分解与ssa-bilstm的交通流量预测方法能够得到更准确的交通流量预测结果。
1.一种基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于：
3.根据权利要求2所述的基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于：
4.根据权利要求1所述的基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于：
5.根据权利要求4所述的基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于：
6.根据权利要求1所述的基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于：
7.根据权利要求1所述的基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于：
8.根据权利要求7所述的基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于：
9.根据权利要求7所述的基于奇异谱分解与ssa-bilstm的交通流量预测方法，其特征在于：
