CN104134351B

CN104134351B - 一种短时交通流预测方法

Info

Publication number: CN104134351B
Application number: CN201410398861.XA
Authority: CN
Inventors: 王飞跃; 吕宜生; 段艳杰; 亢文文; 朱凤华
Original assignee: Institute of Automation of Chinese Academy of Science
Current assignee: Institute of Automation of Chinese Academy of Science
Priority date: 2014-08-14
Filing date: 2014-08-14
Publication date: 2016-08-03
Anticipated expiration: 2034-08-14
Also published as: CN104134351A

Abstract

本发明公开了一种基于堆式自动编码器(Stacked Autoencoders)深层网络结构的短时交通流预测方法。该方法包括以下步骤：对输入的历史交通流量数据按指定时间间隔进行合并；对历史交通流量数据进行归一化处理；训练堆式自动编码器深层网络结构预测模型；调用预测模型进行预测。本发明考虑交通流的时空关系特征，深度挖掘交通流特征，预测精度高、鲁棒性好。

Description

一种短时交通流预测方法

技术领域

本发明属于智能交通系统领域，特别涉及一种短时交通流预测方法。

背景技术

准确、及时的交通流信息对智能交通系统的成功应用至关重要。它可以帮助道路使用者做出更好的出行决策，缓解交通拥堵，减少碳排放，并提高交通运行效率。如今，交通数据日益丰富，我们已经进入了交通大数据时代。有效利用交通大数据进行更加准确及时的交通流量预测，可以帮助管理者做出更好的交通管控方案，为交通出行者的出行决策提供有力支持。

现有的交通流预测方法主要利用浅层交通预测模型，预测效果仍有些不尽如人意。早在20世纪70年代，ARIMA模型就被用来预测短时交通流。ARIMA即自回归求和滑动平均模型，是一种应用最广泛的时间序列模型。该模型应用于短时交通流的一步实时预测可以取得较高的预测精度。但是该模型的求解过程是对每个观测点的历史时间序列分别通过离线求解方程实现，求解的参数是相对固定的，不能适应不确定性强的短时交通流预测要求，不能反映各个交通观测点之间的空间联系。一些非参数的方法也被用来进行交通流预测，例如k-NN方法。这种方法模型简单，对于较稳定的交通路网具有一定的实用价值，其关键是定义“近邻状态”。神经网络方法用于交通流预测也取得了不错的效果，但是对于多观测点和较大数据量的交通流预测，浅层神经网络的预测效果并不令人满意。这使得我们需要重新思考利用交通大数据，研究基于深层结构模型的交通流预测问题。目前还没有基于堆式自动编码器的深层网络结构的短时交通流预测方法。

发明内容

本发明的短时交通流预测方法利用交通流历史数据，通过训练基于堆式自动编码器的深层网络结构，得到一个深层结构的网络预测模型进行交通流预测。

本发明针对交通流预测的实际应用需求，提出一种基于堆式自动编码器(StackedAutoencoders)的深层网络结构的短时交通流预测方法。

所述方法包括以下步骤：

步骤S1：对历史记录的交通流量数据按指定时间间隔进行合并；

步骤S2：对合并后的所述历史交通流量数据进行归一化处理；

步骤S3：利用归一化后的指定时间间隔的历史交通流量数据，训练一个堆式自动编码器深层网络结构预测模型；

步骤S4：利用所述预测模型预测交通流。

根据本发明的具体实施方式，所述历史记录的交通流量数据为特定观测点或路段在一定时间间隔内经过的车辆数。

根据本发明的具体实施方式，所述步骤S1将各观测点的指定时间间隔内的若干个交通流量数据分别进行累加，得到各观测点指定时间间隔的交通流量数据。

根据本发明的具体实施方式，所述步骤S2为：选取指定时间间隔的最大交通流量，将各所述观测点的指定时间间隔的历史交通流量数据与该最大交通流量的比值作为归一化到[0，1]区间的交通流量数据。

根据本发明的具体实施方式，所述步骤S3进一步包括以下步骤：

步骤S31，从所述归一化后的指定时间间隔的历史交通流量数据中选取出训练集和测试集；

步骤S32，根据一个时刻的交通流量数据包含的观测点或路段个数M确定所述深层网络结构预测模型的输出数据的维数为M，选取所述深层网络结构预测模型的输入数据维数M×r、隐层数、隐层节点数，其中，预测t时刻交通流量时，选取前r个时间间隔交通流量作为输入，即：取t-r，t-(r-1)，…，t-1时刻的交通流量作为网络输入；

步骤S33，在每个选取的所述深层网络结构预测模型上，利用训练集数据，非监督逐层训练所述深层网络结构预测模型中堆积的每个自动编码器的权重参数；

步骤S34，在堆积的自动编码器的顶层加入预测层，有监督地调整所述深层网络结构预测模型的各层参数；

步骤S35，每个选取的所述深层网络结构预测模型训练完成后，利用所述测试集进行前向运算，得到每个选取的所述深层网络结构预测模型在测试集上的平均误差，选择误差最小的深层网络结构预测模型作为指定时间间隔的交通流量数据的堆式自动编码器深层网络结构预测模型。

根据本发明的具体实施方式，所述步骤S4进一步包括以下步骤：

步骤S41，按照所述深层网络结构预测模型的输入数据维数M×r将历史交通流量数据进行归一化处理；

步骤S42，将上述归一化后的数据的输入部分输入所述深层网络结构预测模型，进行前向计算，得到对应的输出数据，即对下一指定时间间隔的交通流量数据的归一化预测值。

步骤S43，将上述预测值进行反归一化，得到对指定时间间隔的交通流量数据的预测值。

步骤S44，将上述预测值与对应的实际观测值进行对比，计算误差，得到堆式自动编码器深层网络结构预测模型的误差。

本发明考虑交通流的时空关系特征，深度挖掘交通流特征，预测精度高、鲁棒性好。

本发明能够同时对多个观测点的交通流进行预测，并具有较高的精度和鲁棒性，尤其在交通领域较为关注的较大和中等流量的交通数据上具有良好的预测效果。

附图说明

图1是本发明的短时交通流预测方法流程图；

图2是自动编码器的结构示意图；

图3是堆式自动编码器结构示意图；

图4是本发明深层网络交通流预测模型结构图。

具体实施方式

下面将结合附图对本发明加以详细说明，应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

本发明给出一种短时交通流预测方法。如图1所示，具体地，该方法包括以下步骤：

步骤S1：对历史记录的交通流量数据按指定时间间隔进行合并。

所述历史记录的交通流量数据来源于交通数据采集系统，可以通过线圈检测、视频检测等手段获取。

获取的历史交通流量数据为特定观测点或路段在一定时间间隔内经过的车辆数。所述指定的时间间隔可以根据预测需求进行指定(例如15分钟)。

将各观测点或路段的指定时间间隔内的若干个交通流量数据分别进行累加，得到各观测点指定时间间隔的交通流量数据。下述某时刻的交通流数据指的是从此时刻开始经过指定时间间隔(例如15分钟)的交通流数据。

若观测时间段内有N个时间间隔，则对于M个观测点中的观测点i，i∈{1，2，…，M}，有N个时间间隔的交通流量数据其中表示观测点i第j个时刻的交通流量数据，。

步骤S2：对合并后的所述历史记录的交通流量数据进行归一化处理。

具体地，可选取指定时间间隔的最大交通流量，将各所述观测点的指定时间间隔的历史记录的交通流量数据与该最大交通流量的比值作为归一化到[0，1]区间的交通流量数据。

所述历史记录的交通流量数据是根据步骤S1中指定的时间间隔进行合并后的交通流量数据选取M×N个交通流量数据中的最大值x_max，则归一化后的交通流量数据定义为：

X_{i}^{j} = \frac{x_{i}^{j}}{x_{\max}},

从而获得M个观测点分别的N个归一化后的交通流量数据。

步骤S3：利用归一化后的指定时间间隔的历史交通流量数据，训练一个堆式自动编码器深层网络结构预测模型。

图3是堆式自动编码器结构示意图。如图3所示，所述堆式自动编码器是由多个自动编码器堆积而成。最底层自动编码器的输入是归一化后的指定时间间隔的历史交通流量数据，低层自动编码器的隐层作为高一层自动编码器的输入层。

图2是自动编码器的结构示意图。如图2所示，所述自动编码器用于挖掘数据特征，其结构包括输入层，隐层，输出层。

自动编码器的操作方式如下：当给定训练集{x⁽¹⁾，x⁽²⁾，x⁽³⁾，…，x^(p)}，其中x⁽ⁱ⁾∈R^d，自动编码器将输入x⁽ⁱ⁾按照公式(1)进行编码为y(x⁽ⁱ⁾)，并依据公式(2)解码为z(x⁽ⁱ⁾)。

y(x)＝f(W₁x+b)(1)

z(x)＝g(W₂y(x)+c)(2)

其中，W₁、b、W₂、c是参数，f(x)和g(x)可取为logistic函数1/(1+exp(-x))。

自动编码器的目标是使得输入值和输出值相等。令

J_{0} = \frac{1}{2} Σ_{i = 1}^{N} | | x^{(i)} - z (x^{(i)}) | | - - - (3)

通过最小化J₀可求得参数W₁和b。考虑到编码稀疏性，目标函数J₀可变为

J_{1} = J_{0} + γ Σ_{j = 1}^{H_{D}} KL (ρ | | {\hat{ρ}}_{j}) - - - (4)

其中γ是稀疏项权重，H_D是隐层单元数目，ρ是稀疏参数(取接近0的数)，隐层神经元j的平均活跃度(在训练集上取平均)，是Kullback-Leibler(KL)散度(divergence)，为

KL (ρ | | {\hat{ρ}}_{j}) = ρ \log \frac{ρ}{{\hat{ρ}}_{j}} + (1 - ρ) \log \frac{1 - ρ}{1 - {\hat{ρ}}_{j}} .

通过最小化J₁可求得参数W₁和b，得到自动稀疏编码。

图4是本发明的自动编码器深层网络结构预测模型的结构图。如图4所示，所述深层网络结构预测模型由所述堆式自动编码器和预测层组成。预测层的输入是所述堆式自动编码器最高层的隐层，预测层的输出是归一化后的交通流预测值。

训练过程包括以下步骤：

步骤S31、从所述归一化后的指定时间间隔的历史交通流量数据中选取出训练集和测试集。

步骤S32、根据一个时间间隔的历史交通流量数据包含的观测点或路段个数M确定深层网络结构预测模型的输出的数据的维数为M，在限定范围内选取深层网络结构预测模型的输入数据维数M×r、隐层数、隐层节点数。比如，可以先假定r的若干个取值，然后针对r的每一取值分别训练模型，从中选出训练结果最好的r。

其中，预测t时刻交通流量时，选取前r个时间间隔交通流量作为输入，即：取历史上的t-r，t-(r-1)，…，t-1时刻的交通流量作为网络输入。

选取Sigmoid函数作为深层网络的激活函数

其中，y为神经元的输出，x为神经元的输入。根据前向神经网络运算规则，

x_{j} = \underset{i}{Σ} w_{ij} a_{i} + b_{j}

其中，x_j为某层第j个神经元的输入，a_i为低一层第i个神经元的输出，w_ij为连接权重，b_j为偏置量。

步骤S33、在每个选取的深层网络结构上，利用所述训练集，采用随机梯度下降法，非监督逐层训练深层网络结构中堆积的每个自动编码器的权重、偏置。步骤S34、在堆积的自动编码器的顶层加入预测层，采用随机梯度下降法，有监督地调整深层网络的各层参数。

步骤S35、利用所述测试集数据进行前向运算，得到每个选取的所述深层网络结构预测模型在测试集上的平均误差，选择误差最小的深层网络结构预测模型作为指定时间间隔交通流量数据的基于堆式自动编码器的深层网络结构预测模型。

所述测试集数据是步骤S31中选取的测试集。

步骤S4、利用所述预测模型预测交通流。

所述预测模型指步骤S3中训练的堆式自动编码器深层网络结构预测模型。预测过程具体包括以下步骤：

步骤S41、按照所述深层网络结构预测模型的输入数据维数M×r将历史交通流量数据进行归一化处理。

步骤S42、将上述归一化后的数据输入所述深层网络结构预测模型，进行前向计算，得到对应的输出数据，即对指定时间间隔的交通流量数据的归一化预测值。

步骤S43、将上述预测值进行反归一化，得到对指定时间间隔的交通流量数据的预测值。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种短时交通流预测方法，其特征在于，该方法包括以下步骤：

步骤S1：对历史交通流量数据按指定时间间隔进行合并；

步骤S4：利用所述预测模型预测交通流；

其中，所述步骤S3进一步包括以下步骤：

步骤S32，根据一个时刻的交通流量数据包含的观测点或路段数目M确定所述深层网络结构预测模型的输出数据的维数为M，选取所述深层网络结构预测模型的输入数据维数M×r、隐层数、隐层节点数，其中，预测t时刻交通流量时，选取前r个时间间隔交通流量作为输入，即：取t-r，t-(r-1)，…，t-1时刻的交通流量作为网络输入；

步骤S33，在每个选取的所述深层网络结构预测模型上，利用训练集数据，非监督逐层训练所述深层网络结构预测模型中堆积的每个自动编码器的参数；

步骤S35，每个选取的所述深层网络结构预测模型训练完成后，利用所述测试集进行前向运算，得到每个选取的所述深层网络结构预测模型在测试集上的平均误差，选择误差最小的深层网络结构预测模型作为指定时间间隔的交通流量数据的堆式自动编码器深层网络结构预测模型；

所述步骤S4进一步包括以下步骤：

步骤S42，将上述归一化后的数据输入所述深层网络结构预测模型，进行前向计算，得到对应的输出数据，即对下一指定时间间隔的交通流量数据的归一化预测值；

步骤S43，将上述预测值进行反归一化，得到对指定时间间隔的交通流量数据的预测值；

2.根据权利要求1所述的短时交通流预测方法，其特征在于，所述历史交通流量数据为特定观测点在一定时间间隔内经过的车辆数。

3.根据权利要求2所述的短时交通流预测方法，其特征在于，所述步骤S1将各观测点的指定时间间隔内的若干个交通流量数据分别进行累加，得到各观测点指定时间间隔的交通流量数据。

4.根据权利要求1所述的短时交通流预测方法，其特征在于，所述步骤S2为：选取指定时间间隔的最大交通流量，将各所述观测点的指定时间间隔的历史记录的交通流量数据与该最大交通流量的比值作为归一化到[0,1]区间的交通流量数据。