CN102682345B - 基于双最优学习率快速学习神经网络的交通流预测方法 - Google Patents
基于双最优学习率快速学习神经网络的交通流预测方法 Download PDFInfo
- Publication number
- CN102682345B CN102682345B CN201210007480.5A CN201210007480A CN102682345B CN 102682345 B CN102682345 B CN 102682345B CN 201210007480 A CN201210007480 A CN 201210007480A CN 102682345 B CN102682345 B CN 102682345B
- Authority
- CN
- China
- Prior art keywords
- learning rate
- network
- traffic flow
- value
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于双最优学习率快速学习神经网络的交通流预测方法,首先选用连续的m个交通流历史数据作为预测网络的输入,对数据进行归一化处理;采用三层神经网络,对权值和小波基函数的伸缩、平移因子初始化;小波基函数的平移因子和转移因子采用第一学习率,网络权值采用第二学习率;提供一个学习率数组,进行双最优学习率的网络训练;使用当前时刻至前m-1个周期的值作为训练后的网络的输入,输出进行反归一化后,得到当前时刻的下一时刻交通流的预测值;本发明的方法在每次网络训练时第一、二学习率采用最优学习率,能够实现快速网络训练,高精度预测交通流。
Description
技术领域
本发明属于交通流预测技术领域,涉及一种基于双最优学习率快速学习神经网络的交通流预测方法。
背景技术
交通流预测是智能交通的一个关键技术,交通流预测的精度及实时性直接影响到交通控制算法的好坏。经过几十年的发展,短时交通流预测出现了许多有用的预测模型。例如:移动平均法,其核心思想是:根据历史交通流数据,依次计算以前一定周期内的平均值,用来预测下一周期或数周期的交通流。移动平均法的特点可以消除交通流数据中的抖动,显示出其长期趋势,但移动平均法适合预测交通流变化不大的情况,否则将会产生大的滞后及偏差。
移动平均法的缺点主要表现在两个方面:第一就是预测算法需要存储大量的历史交通流数据;第二就是只考虑当前时刻以前有限个周期的历史交通流数据,对于有限个交通流数据之前的数据则完全不予考虑。后来,为了克服移动平均法的这两个缺点,人们又提出了指数平滑法,指数平滑法考虑了所有的历史交通流数据,并且认为近期交通流数据比远期交通流数据更重要,根据距离的远近,分别赋予预测因子不同的权值,且采用“厚近薄远”法。根据收敛快慢的要求,可以取一个适当的值α,然后使用αj作为加权值。指数平滑法不需要存储大量的历史交通流数据,是对移动平均法的一个改进,得到了广泛的应用。与移动平均法类似,当时间序列呈直线变动时,预测效果同样会出现滞后现象。
发明内容
本发明的目的是提供一种基于双最优学习率快速学习神经网络的交通流预测方法,以解决现有预测方法的预测结果滞后的问题。
为实现上述目的,本发明的基于双最优学习率快速学习神经网络的交通流预测方法步骤如下:
(1)选用连续的m个交通流历史数据作为预测网络的输入;
(2)输入输出数据进行归一化处理,将其范围限定在[-1,1];
(3)神经网络采用输入层、隐层、输出层三层网络结构,使用randn函数对权值和小波基函数的伸缩、平移因子初始化,赋予一个(0,1]之间随机值;小波基函数的平移因子和转移因子采用第一学习率,网络权值采用第二学习率;
(4)提供一个学习率数组,网络开始学习时,在信号正向传播阶段,信号经各层逐层向后传播,最后到达输出层,信号到达输出层后与期望目标进行比较,如果达到期望目标则网络学习终止;如果没有达到期望目标则转入误差反向传播过程,在反向传播过程中完成网络权值、伸缩和平移因子的调整,根据调整的结果,选取最好的一个,把对应的学习率作为第一、二学习率,如此重复学习,直到达到期望目标或达到最大迭代次数为止;
(5)使用样本完成网络训练后,使用当前时刻至前m-1个共m个周期的交通流数值作为训练后的网络的输入,此时网络的输出进行反归一化后,得到当前时刻的下一时刻的预测值,实现对交通流的预测。
进一步的,所述步骤(1)中采用一个时间段的交通流数据序列作为网络训练样本,按采集时间间隔,将整个时间段分为n个时间点数据,在处理时将连续的m个时间序列作为一个样本,第m+1个作为样本的输出,输入为(xi,xi+1,...,xi+m)T,输出为xi+m+1。
进一步的,所述步骤(2)中归一化处理的公式为其中max(x)为交通流样本序列中的最大值;min(x)为交通流样本序列中的最小值;xi为要归一化的数据;为归一化后的数据。
进一步的,所述步骤(3)中学习率数组取值取值范围介于(0,100],在取值上采取类似对数坐标取值方式。
进一步的,所述步骤(4)中每次在权值、平移和伸缩因子调整前,第一、二学习率从学习率数组中各取一个值进来计算网络欲调整前后网络的性能,直到第一、第二学习率把上述数组中的值取完为止,对每个值进行网络性能计算,从计算结果中取性能最好的一个,将性能最好的一个所对应的第一、二学习率数值作为本次学习的学习率。
进一步的,所述步骤(5)中反归一化公式为:
本发明的基于双最优学习率快速学习神经网络的交通流预测方法,每次网络训练时第一、二学习率(权值学习率、伸缩和平移因子学习率)从学习率数组中选取最优学习率,避免通过大矩阵计算来得到学习率的不足,由于神经元的传输函数采用了非线性的小波函数,因此可以加快非线性问题的收敛,同时避免单一学习率造成网络收敛慢的不足,能够实现快速网络训练,高精度预测交通流。
附图说明
图1是实施例中神经网络结构图。
具体实施方式
基于双最优学习率快速学习神经网络的交通流预测方法,具体步骤是:
(1)预测网络的输入变量选择及预处理。为预测出当前时刻的下一时刻的交通流数据,选用当前时刻起至前九个交通流历史数据作为预测网络的输入。由于交通流变化较大,故采用归一化方法,通过归一化将其范围限定在[-1,1]。
(2)网络结构的确定及初始化。理论上,三层BP网络可以实现任意非线性映射,因此采用三层网络结构,如图1所示,J、K、I分别代表网络的输入层、隐层和输出层,其神经元个数分别为m、L和1,隐层采用morlet小波基函数作为传输函数,其中的a和b代表伸缩因子和平移因子,ukj是隐层第k个神经元与输入层第j个神经元之间的权值,wk是输出层与隐层第k个神经元之间的权值。网络的实际输出为期望输出为y,网络误差函数为MSE。
由于每次输入样本维数为10×1,所以输入层神经元节点个数为10,对于一般的应用,涉及到有限个输入样本,所以隐层节点个数只需要有限个隐层节点即可满足实际映射需要。到目前为止,隐层节点个数如何选取并没有理论性的指导,一般实际应用中通常是根据前人的经验和试凑法来得出最优的隐层节点个数。由前人经验公式
式中H为隐层节点数;I为输入层节点个数;O为输出层节点个数;a为1~10之间的一个常数。由于本实施例输入输出层节点个数为10和1,即I=10,O=1,所以取值为4~14,经过多次试验,本实施例隐层节点选取为6。由于输出为当前时刻下一时刻的预测流量,故其输出层神经元节点为1。网络结构确定后,使用randn函数对权值和小波基函数的伸缩平移因子初始化,赋予一个较小的(一般取(0,1]之间的值)随机值。
(3)网络训练。
取学习率数组为[0.001 0.004 0.007 0.01 0.05 0.09 0.1 0.5 0.9 1 5 9],网络参数每次调整前第一、二学习率从上述数组中各取一个值来计算网络预调整(并不实际调整网络参数)前后网络的性能,直到第一、二学习率把上述数组中的值取完为止。最后,根据预调整的结果,选取最好的一个,把对应的学习率作为第一、二学习率,这样可以保证每次网络调整时取得的是最优学习率,即网络调整量为最佳调整量。如此重复学习,直到达到期望目标或达到最大迭代次数为止。学习率数组取值范围介于(0,100],为了兼顾提高网络训练效率和扩大学习率取值范围,在取值上可以采取类似对数坐标取值方式,即[0.01 0.02…0.09 0.1 0.2…0.9 1 2…9 10 20…90 100],一般情况下还可根据实际需要减少数组中的元素,比如从上述数组中每隔2个选取出来作为学习率数组。
(4)进行预测。使用样本完成网络训练后,使用当前时刻至前九个周期的值作为训练后的网络的输入,此时网络的输出进行反归一化后,即是当前时刻的下一时刻的预测值。其反归一化公式为:
以某路口交通流历史数据预测下一时刻为例,来说明基于双最优学习率快速学习神经网络的交通流预测方法的具体实施方式。
步骤1:预测数据的选择及处理。以某交叉口3月1号,0:02:36-23:57:48时间段的交通流数据序列作为网络训练样本,样本数据采集时间间隔为每5分钟1次,共289个时间点数据。由于当前时刻起至前九个交通流历史数据作为网络的输入,所以289个时间序列不能直接用做训练样本,在处理时将连续的10个时间序列作为一个样本,第11个作为样本的输出,即输入为(xi,xi+1,...,xi+9)T,输出为xi+10。所以289个时间序列经处理后其输入、输出为
T=(x11 x12...x289)1×280
交通流数值变化量一般比较大,训练样本准备好后,还需要进行输入输出数据(P和T)归一化,即对P和T中的每一个元素利用下面的公式进行变换,这样P和T中的每个元素都会映射到[-1,1]范围之内。
步骤2:网络结构确定及网络参数初始化。三层BP网络可以实现任意非线性映射,本例选用三层网络,第一层(输入层)为10个神经元,根据经验公式,第二层(隐层)为6个神经元,第三层(输出层)为1个神经元。因此从输入层到隐层之间的权值矩阵的维数为6×10,从隐层到输出层权值矩阵的维数为1×10,隐层神经元传输函数采用小波函数,故其伸缩平移因子维数为6×1,网络参数初始化时首先赋予权值、伸缩平移因子一个较小的(一般取(0,1]之间的值)随机值,初始化时可以使用Matlab提供的randn(m,n)函数,此函数可以初始化m×n的矩阵,给矩阵中的每个元素一个较小的随机值。设定网络最大迭代次数5000,防止网络无何止的学习。设定网络的期望目标,如果样本数量较大,可适当增大期望目标值,如0.5。
步骤3:网络训练。确定好网络参数后,接下来进行网络的训练,训练时用输入样本矩阵P的每一列作为网络的输入,对于每个输入对应一个输出,信号经各层逐层向后传播,最后达到输出层,因此输出为
T′=(x1 x2...x280)1×280
如果(T-T′)2小于期望目标则训练停止;否则转入误差反向传播过程,在反向传播过程中完成网络权值、伸缩和平移因子的调整,由LM学习算法知,网络的调整量取决于学习率的大小,取学习率数组为[0.001 0.004 0.007 0.01 0.05 0.09 0.10.5 0.9 1 5 9],此取法可以兼顾学习率范围了网络计算效率。如果网络样本数据较小可以增大学习率数据数值个数,否则可以减少其数值个数,在使用学习率进行权值、伸缩和平移因子调整时,设定权值学习率为第一学习率,伸缩和平移因子的学习率为第二学习率,这样网络每次训练时就会有两个学习率,每次调整前第一、二学习率从上述数组中各取一个值来计算网络预调整(并不实际调整网络参数)前后网络的性能,直到第一、二学习率把上述数组中的值取完为止。最后,根据预调整的结果,选取最好的一个,把对应的学习率作为第一、二学习率,这样可以保证每次网络调整时取得的是最优学习率,即网络调整量为最佳调整量。如此重复学习,直到达到期望目标或达到最大迭代次数为止。
步骤4:交通流预测。交叉口的信号周期一般不会小于45秒,神经网络训练时间经验证在20秒左右,因此利用信号周期的前40秒来训练网络,这样在后5秒网络已训练完毕,此时可以预测出下一周期的交通流,预测出的结果由于进行了归一化,所以要求实际的交通流,进行反归一化即可,利用下面的公式即可得到实际的交通流,
为了进一步提高精度,网络在线训练,即信号周期的前40秒用来训练网络,后5秒进行预测。表1是本发明提出的网络算法与其它几种网络算法学习次数比较;表2是本发明提出的算法与其它几种预测算法的性能比较。
表1
实验次数 | 本发明学习次数 | 传统算法学习次数 | 动量算法学习次数 |
1 | 204 | 3216 | 2451 |
2 | 573 | 4362 | 2762 |
3 | 466 | 3338 | 1358 |
4 | 292 | 2678 | 1951 |
5 | 320 | 1427 | 1607 |
6 | 345 | 2376 | 2182 |
7 | 256 | 2528 | 2025 |
8 | 349 | 1146 | 2074 |
9 | 252 | 2052 | 1689 |
10 | 344 | 2369 | 1385 |
表2
指标 | 移动平均法 | 人工神经网络法 | 双最优学习率快速学习神经网络法 |
MAE | 22.1624 | 6.8471 | 2.1935 |
MSE | 2.9067 | 0.8478 | 0.2359 |
Claims (2)
1.一种基于双最优学习率快速学习神经网络的交通流预测方法,其特征在于,该方法的步骤如下:
(1)选用连续的m个交通流历史数据作为预测网络的输入;采用一个时间段的交通流数据序列作为网络训练样本,按采集时间间隔,将整个时间段分为n个时间点数据,在处理时将连续的m个时间序列作为一个样本,第m+1个作为样本的输出,输入为(xi,xi+1,...,xi+m)T,输出为xi+m+1;
(2)输入输出数据进行归一化处理,将其范围限定在[-1,1];归一化处理的公式为其中max(x)为交通流样本序列中的最大值;min(x)为交通流样本序列中的最小值;xi为要归一化的数据;为归一化后的数据;
(3)神经网络采用输入层、隐层、输出层三层网络结构,使用randn函数对权值和小波基函数的伸缩、平移因子初始化,赋予一个(0,1]之间随机值;小波基函数的平移因子和伸缩因子采用第一学习率,权值采用第二学习率;
(4)提供一个学习率数组,网络开始学习时,在信号正向传播阶段,信号经各层逐层向后传播,最后到达输出层,信号到达输出层后与期望目标进行比较,如果达到期望目标则网络学习终止;如果没有达到期望目标则转入误差反向传播过程,在反向传播过程中完成权值、伸缩和平移因子的调整,根据调整的结果,选取最好的一个,把对应的学习率作为第一、二学习率,如此重复学习,直到达到期望目标或达到最大迭代次数为止;
(5)使用样本完成网络训练后,使用当前时刻至前m-1个共m个周期的交通流数值作为训练后的网络的输入,此时网络的输出进行反归一化后,得到当前时刻的下一时刻的预测值,实现对交通流的预测;反归一化公式为:其中max(x)为交通流样本序列中的最大值;min(x)为交通流样本序列中的最小值;为要反归一化的数据;xi为反归一化后的数据;
所述步骤(4)中每次在权值、平移和伸缩因子调整前,第一、二学习率从学习率数组中各取一个值进来计算网络预调整前和预调整后网络的性能,直到第一、第二学习率把上述数组中的值取完为止,对每个值进行网络性能计算,从计算结果中取性能最好的一个,将性能最好的一个所对应的第一、二学习率数值作为本次学习的学习率。
2.根据权利要求1所述的方法,其特征在于,所述步骤(4)中学习率数组取值范围介于(0,100],在取值上采取类似对数坐标取值方式,即学习率数组为[0.01,0.02,……,0.09,0.1,0.2,……,0.9,1,2,……,9,10,20,……,90,100]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210007480.5A CN102682345B (zh) | 2012-01-11 | 2012-01-11 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210007480.5A CN102682345B (zh) | 2012-01-11 | 2012-01-11 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102682345A CN102682345A (zh) | 2012-09-19 |
CN102682345B true CN102682345B (zh) | 2015-10-14 |
Family
ID=46814234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210007480.5A Expired - Fee Related CN102682345B (zh) | 2012-01-11 | 2012-01-11 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102682345B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426027B (zh) * | 2013-07-24 | 2016-01-20 | 浙江大学 | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 |
CN103967963B (zh) * | 2014-05-21 | 2016-08-17 | 合肥工业大学 | 基于神经网络预测的dct湿式离合器温度的测量方法 |
CN104361407B (zh) * | 2014-11-03 | 2018-12-21 | 河南理工大学 | 数据重组短时交通流预测方法 |
CN105788249B (zh) * | 2014-12-16 | 2018-09-28 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN104598765A (zh) * | 2015-02-16 | 2015-05-06 | 常州瑞信电子科技有限公司 | 一种基于弹性自适应神经网络的建筑物能耗预测方法 |
US20180075362A1 (en) | 2015-04-14 | 2018-03-15 | Nec Europe Ltd. | Method for incident detection in a time-evolving system |
CN104933463B (zh) * | 2015-07-07 | 2018-01-23 | 杭州朗和科技有限公司 | 深度神经网络模型的训练方法和设备 |
CN105389980B (zh) * | 2015-11-09 | 2018-01-19 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
US10395183B2 (en) | 2016-03-15 | 2019-08-27 | Nec Corporation | Real-time filtering of digital data sources for traffic control centers |
CN105654729B (zh) * | 2016-03-28 | 2018-01-02 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN106022471A (zh) * | 2016-05-12 | 2016-10-12 | 大连海事大学 | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 |
CN108446759A (zh) * | 2018-02-11 | 2018-08-24 | 陕西师范大学 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
CN108711312B (zh) * | 2018-05-24 | 2020-09-01 | 大连海事大学 | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 |
CN108960496B (zh) * | 2018-06-26 | 2021-07-23 | 浙江工业大学 | 一种基于改进学习率的深度学习交通流预测方法 |
US11494587B1 (en) | 2018-10-23 | 2022-11-08 | NTT DATA Services, LLC | Systems and methods for optimizing performance of machine learning model generation |
CN112365705B (zh) * | 2020-08-27 | 2022-05-27 | 招商局重庆交通科研设计院有限公司 | 确定道路交通量的方法 |
CN114419878B (zh) * | 2021-12-22 | 2023-04-07 | 银江技术股份有限公司 | 城市路网全域交通状态预测的方法、电子装置和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038700A (zh) * | 2007-04-20 | 2007-09-19 | 东南大学 | 单点信号控制交叉口的混合控制方法 |
-
2012
- 2012-01-11 CN CN201210007480.5A patent/CN102682345B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038700A (zh) * | 2007-04-20 | 2007-09-19 | 东南大学 | 单点信号控制交叉口的混合控制方法 |
Non-Patent Citations (3)
Title |
---|
Near optimal learning rate BP algorithm and its application in traffic forecast;Liming Qin,Haitao Zhang;《the second international conference on frontiers of manufacturing and design science ICFMD2011》;20111213;第4513-4517页 * |
交通流量VNNTF神经网络模型及其预测研究;殷礼胜等;《科技通报》;20100930;第26卷(第5期);全文 * |
殷礼胜,鲁照权,董学平.交通流量小波神经网络多步预测研究.《自动化仪表》.2011,第32卷(第8期),第7-10页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102682345A (zh) | 2012-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102682345B (zh) | 基于双最优学习率快速学习神经网络的交通流预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN104636801B (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN108038580A (zh) | 基于同步挤压小波变换的光伏功率多模型综合预测方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN104636823B (zh) | 一种风电功率预测方法 | |
CN106920008A (zh) | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 | |
CN104616078B (zh) | 基于Spiking神经网络的光伏系统发电功率预测方法 | |
CN104484833A (zh) | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN101968629A (zh) | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 | |
CN103823504B (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN104850891A (zh) | 一种时间序列预测的智能优化递归神经网络方法 | |
CN104037761B (zh) | 一种agc功率多目标随机优化分配方法 | |
CN105243259A (zh) | 基于极限学习机的脉动风速快速预测方法 | |
CN102510059A (zh) | 基于bp神经网络的超短期风电功率预测方法 | |
CN109725537A (zh) | 一种改进的线性最优半主动控制方法 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
CN106803135A (zh) | 一种光伏发电系统输出功率的预测方法及装置 | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151014 Termination date: 20160111 |