CN107085941A - 一种交通流预测方法、装置及系统 - Google Patents

一种交通流预测方法、装置及系统 Download PDF

Info

Publication number
CN107085941A
CN107085941A CN201710495016.8A CN201710495016A CN107085941A CN 107085941 A CN107085941 A CN 107085941A CN 201710495016 A CN201710495016 A CN 201710495016A CN 107085941 A CN107085941 A CN 107085941A
Authority
CN
China
Prior art keywords
traffic flow
bayonet socket
flow data
neural network
predicted
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.)
Granted
Application number
CN201710495016.8A
Other languages
English (en)
Other versions
CN107085941B (zh
Inventor
蔡延光
刘惠灵
蔡颢
黄何列
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710495016.8A priority Critical patent/CN107085941B/zh
Publication of CN107085941A publication Critical patent/CN107085941A/zh
Application granted granted Critical
Publication of CN107085941B publication Critical patent/CN107085941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明实施例公开了一种交通流预测方法、装置及系统，包括获取待预测道路卡口及与待预测道路卡口相关的各个相关道路卡口的交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到待预测道路卡口的交通流预测结果；其中，小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为利用多卡口协同模型得到小波神经网络训练样本；采用小波神经网络对小波神经网络训练样本进行训练得到小波神经网络交通流预测模型；多卡口协同模型是依据待预测道路卡口的历史交通流数据以及各个相关道路卡口的历史交通流数据进行建立的。本发明实施例在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。

Description

一种交通流预测方法、装置及系统
技术领域
本发明实施例涉及道路交通技术领域，特别是涉及一种交通流预测方法、装置及系统。
背景技术
在实际生活中，对道路的交通流预测时时常受到诸如路况、时间点、天气变化等因素的影响，从而导致高速公路交通流数据具有高度不确定性，并且还具有规律不明显性。现有技术中，在对道路的交通流进行预测时，是通过考虑单个路口的交通流来进行交通流预测的，由于单个路口交通流并不能准确反映交通状况的整体规律，从而导致其预测精度不高。
因此，如何提供一种解决上述问题的交通流预测方法成为本领域的技术人员目前需要解决的问题。
发明内容
本发明实施例的目的是提供一种交通流预测方法、装置及系统，在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。
为解决上述技术问题，本发明实施例提供了一种交通流预测方法，包括：
S11：获取待预测道路卡口及与所述待预测道路卡口相关的各个相关道路卡口的交通流数据；
S12：采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到所述待预测道路卡口的交通流预测结果；其中，所述小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为：
S21：利用多卡口协同模型得到小波神经网络训练样本；
S22：采用小波神经网络对所述小波神经网络训练样本进行训练得到所述小波神经网络交通流预测模型；
所述多卡口协同模型是依据所述待预测道路卡口的历史交通流数据以及各个所述相关道路卡口的历史交通流数据进行建立的。
可选的，所述利用多卡口协同模型得到小波神经网络训练样本的过程具体为：
S211：分别获取各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据；
S212：依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型；
S213：依据所述最优多卡口协同模型得到最优历史交通流数据，并依据所述最优历史交通流数据得到小波神经网络训练样本。
可选的，所述依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型的过程具体为：
S2120：获取第一预设个数的、与所述待预测道路卡口相关的历史交通流数据，并将其添加至多卡口协同模型中；
S2121：从各个相关道路卡口中选出一个相关道路卡口，并获取第二预设个数的、与所选出的相关道路卡口相关的第一历史交通流数据；
S2122：依据所述第一历史交通流数据及所述预测道路卡口的历史交通流数据计算出相应的相关道路卡口与所述待预测道路卡口的相关程度值；
S2123：判断所述相关程度值是否大于预设值，如果是，则将各个所述第一历史交通流数据添加至多卡口协同模型中，并进入S2124；否则，进入S2125；
S2124：判断所述多卡口协同模型中当前的历史交通流数据的总数是否达到预设个数，如果是，则将所述多卡口协同模型中当前的历史交通流数据作为训练样本训练小波神经网络，以得到第一小波神经网络交通流预测模型，并进入S2126；否则判断所述多卡口协同模型中当前的历史交通流数据的总数是否小于预设个数，如果是，则进入S2125，否则，返回S2120；
S2125：从剩余的各个所述相关道路卡口中选出另一个相关道路卡口，获取与所选出的相关道路卡口相关的第二历史交通流数据，并将所述第二历史交通流数据作为所述第一交通流数据，并返回S2122；
S2126：判断所述第一小波神经网络交通流预测模型的精度是否达到预设精度，如果是，则将所述多卡口协同模型作为最优多卡口协同模型；否则，将所述多协同卡口模型中的历史交通流数据清零，并返回S2120。
可选的，所述依据所述第一历史交通流数据及所述预测道路卡口的历史交通流数据得出相应的相关道路卡口与所述待预测道路卡口的相关程度值的过程具体为：
依据所述第一历史交通流数据、所述预测道路卡口的历史交通流数据以及第一计算关系式得到相应的相关道路卡口与所述待预测道路卡口的相关程度值；
所述第一计算关系式为CLab(tk)＝∑ca(tj)cb(tj+tk)，其中：
所述ca(tj)与所述cb(tj)分别表示tj时段待预测道路卡口a的历史交通流数据和tj时段相关道路卡口b的第一历史交通流数据，所述CLab(tk)表示待预测道路卡口a在tj时段的历史交通流数据与相关道路卡口b在(tj+tk)时段的第一历史交通流数据的相关程度值。
可选的，所述判断所述第一小波神经网络交通流预测模型的精度是否达到预设精度的过程具体为：
依据第二计算关系式计算得出小波神经网络交通流预测期望值与网络实际输出值的均方误差；
判断所述均方误差是否小于预设阈值，如果是，则所述第一小波神经网络交通流预测模型的精度达到所述预设精度，否则，所述第一小波神经网络交通流预测模型的精度没有达到所述预设精度；
所述第二计算关系式为其中，所述tsp表示训练样本组数；所述Output表示小波神经网络的输出个数；所述表示第p训练样本组数的第k个训练期望值输出；表示第p训练样本组数的第k个训练小波神经网络实际的输出值。
可选的，如上述所述的交通流预测方法，所述小波神经网络交通流预测模型中的小波基函数为：
L(t)＝-1.75×sin(1.75×t)×exp(-t2/2)-t×cos(1.75t)×exp(t2/2)，其中，t为时间单位秒。
为解决上述技术问题，本发明实施例提供了一种交通流预测装置，包括：
获取模块，用于获取待预测道路卡口及与所述待预测道路卡口相关的各个相关道路卡口的交通流数据；
预测模块，用于采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到所述待预测道路卡口的交通流预测结果；其中，所述小波神经网络交通流预测模型包括：
处理模块，用于利用多卡口协同模型得到小波神经网络训练样本；
训练模块，用于采用小波神经网络对所述小波神经网络训练样本进行训练得到所述小波神经网络交通流预测模型；所述多卡口协同模型是依据所述待预测道路卡口的历史交通流数据以及各个所述相关道路卡口的历史交通流数据进行建立的。
可选的，所述处理模块包括：
获取单元，用于分别获取各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据；
建立单元，用于依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型；
提取单元，用于依据所述最优多卡口协同模型得到最优历史交通流数据，并依据所述最优历史交通流数据得到小波神经网络训练样本。
为解决上述技术问题，本发明实施例提供了一种交通流预测系统，包括如上述所述的交通流预测装置。
本发明实施例提供了一种交通流预测方法、装置及系统，包括获取待预测道路卡口及与待预测道路卡口相关的各个相关道路卡口的交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到待预测道路卡口的交通流预测结果；其中，小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为：利用多卡口协同模型得到小波神经网络训练样本；采用小波神经网络对小波神经网络训练样本进行训练得到小波神经网络交通流预测模型；多卡口协同模型是依据待预测道路卡口的历史交通流数据以及各个相关道路卡口的历史交通流数据进行建立的。
可见，本发明实施例在对待预测道路卡口的交通流数据进行预测时，所采用的小波神经网络交通流预测模型是依据多卡口协同模型训练而成的，多卡口协同模型是依据待预测道路卡口的历史交通流数据以及与待预测道路卡口相关的各个相关道路卡口的历史交通流数据进行建立的，并且在对待预测道路卡口的交通流数据进行预测时是依据待预测道路卡口及与待预测道路卡口相关的各个相关道路卡口的交通流数据进行预测的，考虑到多个卡口协同对待预测道路卡口的交通流的影响。因此，本发明实施例在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种交通流预测方法的流程示意图；
图2为本发明实施例提供的一种交通流预测装置的结构示意图；
图3为本发明实施例提供的一种小波神经网络交通流预测模型的结构示意图。
具体实施方式
本发明实施例提供了一种交通流预测方法、装置及系统，在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，图1为本发明实施例提供的一种交通流预测方法的流程示意图。
该方法包括：
S11：获取待预测道路卡口及与待预测道路卡口相关的各个相关道路卡口的交通流数据；
S12：采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到待预测道路卡口的交通流预测结果；其中，小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为：
S21：利用多卡口协同模型得到小波神经网络训练样本；
S22：采用小波神经网络对小波神经网络训练样本进行训练得到小波神经网络交通流预测模型；
多卡口协同模型是依据待预测道路卡口的历史交通流数据以及各个相关道路卡口的历史交通流数据进行建立的。
需要说明的是，在对待预测道路卡口的交通流进预测之前，需要预先建立小波神经网络交通流预测模型。预先设置道路卡口的个数及各个，例如可以设置为K个，输入卡口k长度为TFS的交通流数据(或交通流时间序列)Ck＝{ck(i)|i＝1,2,...,TFS，k＝1,2,...,K}；并设置控制参数，控制参数包括Input(输入层神经元个数，且Input≤TFS)、Hidden(小波层神经元个数)、Ouput(输出层神经元个数，正整数)。
此外，还需要建立小波神经网络交通流预测模型：其中，o表示小波神经网络交通流输出；wij表示连接第i个输入与第j个小波元的连接权值；(F(1),F(2),…,F(Input))为相空间重构交通流输入数据；vij表示连接小波层与输出层的权值；bj表示第j个平移系数；aj表示第j个伸缩系数；L表示小波基函数，且L的具体关系式可以采用如下形式：
L(t)＝-1.75×sin(1.75×t)×exp(-t2/2)-t×cos(1.75t)×exp(t2/2)，其中，t为时间单位秒。
当然，L也可以采用其他的具体形式，本发明实施例对此不做特殊的限定，能实现本发明实施例的目的即可。
由于，待预测道路卡口的交通流不仅与待道口卡口的当前或历史交通状况有关，还与其他的与其相关的各个相关道路卡口的交通状况有关，所以本发明实施例中预先建立多卡口协同模型，并通过多卡口协同模型得到小波神经网络训练样本，进一步将该小波神经网络训练样本作为相空间重构交通流输入数据，训练得到小波神经网络交通流预测模型，以对待预测道路卡口进行交通流预测。
具体的，将获取到的待预测道路卡口(例如某段高速公路卡口)的交通流数据及与待预测道路卡口相关的各个相关道路卡口的交通流数据输入至预先建立好的小波神经网络交通流预测模型，通过该小波神经网络交通流预测模型对待预测道路卡口的交通流进行预测，进一步可以得到该待预测道路卡口的交通流预测结果。
本发明实施例中，在对小波神经网络交通流预测模型训练的过程中，首先，利用多卡口协同模型得到小波神经网络训练样本；然后，再采用小波神经网络对小波神经网络训练样本进行训练，从而可以得到小波神经网络交通流预测模型。
需要说明的是，在上述S21中，利用多卡口协同模型得到小波神经网络训练样本的过程，具体可以为：
S211：分别获取各个相关道路卡口的历史交通流数据及待预测道路卡口的历史交通流数据；
通过设计多卡口协同模型，进一步优化小波神经网络训练样本。由上述可知，一共有K个卡口，也就是待预测道路卡口和各个相关道路卡口的数量之和为K个(另k＝1,2,…,K)，分别从卡口k中抽取长度为dk的历史交通流数据Xk，且0≤dk≤Input，且d1+d2+…+dK＝Input。
S212：依据各个相关道路卡口的历史交通流数据及待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型；
需要说明的是，预先设置多卡口协同模型的交通流数据的个数为N，则通过各个相关道路卡口的历史交通流数据及待预测道路卡口的历史交通流数据建立多卡口协同模型，也就是找到与预测道路卡口相关程度最高的各个相关道路卡口，并将这些相关道路卡口的历史交通流数据加入到多卡口协同模型中，进一步找到用于训练小波神经网络的最优训练样本，从而使训练出的小波神经网络交通流预测模型的预测精度更高。
具体的，在上述S212中依据各个相关道路卡口的历史交通流数据及待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型的过程，具体可以为S2120-S2126：
S2120：获取第一预设个数的、与待预测道路卡口相关的历史交通流数据，并将其添加至多卡口协同模型中；
需要说明的是，具体可以随机抽取与待预测道路卡口相关的P(具体值可以根据实际情况而定)个历史交通流数据，使P小于N，并计算多卡口协同模型中的历史交通流数据的总数量，也就是当前的历史交通流数据的数量与之前多卡口协同模型中所具有的交通流数据总数量之和。
S2121：从各个相关道路卡口中选出一个相关道路卡口，并获取第二预设个数的、与所选出的相关道路卡口相关的第一历史交通流数据；
具体的，可以从各个相关道路卡口中随机选取一个相关道路卡口，并可以随机抽取出R1个与所选出的相关道路卡口相关的第一历史交通流数据。
S2122：依据第一历史交通流数据及预测道路卡口的历史交通流数据计算出相应的相关道路卡口与待预测道路卡口的相关程度值；
需要说明的是，在S2122中，具体可以依据第一历史交通流数据、预测道路卡口的历史交通流数据以及第一计算关系式得到相应的相关道路卡口与待预测道路卡口的相关程度值；
第一计算关系式为CLab(tk)＝∑ca(tj)cb(tj+tk)，其中：
ca(tj)与cb(tj)分别表示tj时段待预测道路卡口a的历史交通流数据和tj时段相关道路卡口b的第一历史交通流数据，CLab(tk)表示待预测道路卡口a在tj时段的历史交通流数据与相关道路卡口b在(tj+tk)时段的第一历史交通流数据的相关程度值。
S2123：判断相关程度值是否大于预设值，如果是，则将各个第一历史交通流数据添加至多卡口协同模型中，并进入S2124；否则，进入S2125；S2124：判断多卡口协同模型中当前的历史交通流数据的总数是否达到预设个数，如果是，则将多卡口协同模型中当前的历史交通流数据作为训练样本训练小波神经网络，以得到第一小波神经网络交通流预测模型，并进入S2126；否则判断多卡口协同模型中当前的历史交通流数据的总数是否小于预设个数，如果是，则进入S2125，否则，将多协同卡口模型中的历史交通流数据清零，并返回S2120；
S2125：从剩余的各个相关道路卡口中选出另一个相关道路卡口，获取与所选出的相关道路卡口相关的、第三预设个数个第二历史交通流数据，并将第二历史交通流数据作为第一交通流数据，并返回S2122；
需要说明的是，在所计算出上述选出的相关道路卡口与待预测道路卡口的相关程度值大于预设值时，说明该相关道路卡口与待预测道路卡口的相关度较高，其交通流情况会对待预测道路卡口的交通流产生一定的影响。当上述选出的相关道路卡口与待预测道路卡口的相关程度值大于预设值时，将抽取的、与上述选出的相关道路卡口相关的第一预设个数(R1)个第一历史交通流数据添加至多协同卡口模型中，并计算此时多协调卡口模型中的历史交通流数据总数是否达到预设个数N，如果没有达到，则继续从剩余的各个相关道路卡口中随机选出一个相关道路卡口，同样可以随机抽取第三预设个数(R2)个与该相关道路卡口相关的第二历史交通流数据，同样依据第一计算关系式计算出该相关道路卡口与待预测道路卡口的相关程度值，并当该相关程度值大于预设值时，将第三预设个数(R2)个第二历史交通流数据添加至多卡口协同模型中，并判断多卡口协同模型中的历史交通流数据的总数量是否等于预设个数N，如果不是，则继续选择相关道路卡口，并计算相应的相关程度值，直至多卡口协同模型中的历史交通流数据的总数量达到预设个数N为止。
另外，如果第一预设个数(R1)个第一历史交通流数据添加至多协同卡口模型中，并且此时多协调卡口模型中的历史交通流数据总数等于预设个数N，则将此时的多卡口协同模型中当前的所有历史交通流数据作为训练样本训练小波神经网络，以用来训练小波神经网络。如果，此时多协调卡口模型中的历史交通流数据总数大于预设个数N，则将将多协同卡口模型中的历史交通流数据清零后返回S2120中，从新进行抽取，直至多协调卡口模型中的历史交通流数据总数等于预设个数N为止。
S2126：判断第一小波神经网络交通流预测模型的精度是否达到预设精度，如果是，则将多卡口协同模型作为最优多卡口协同模型；否则，返回S2120。
还需要说明的是，当多卡口协同模型中当前的历史交通流数据的总数等于预设个数时，将多卡口协同模型中当前的所有历史交通流数据作为训练样本训练小波神经网络，并得到第一小波神经网络交通流预测模型后，对第一小波神经网络交通流预测模型的精度进行检验，当其精度可以达到预设精度，则此时的多卡口协同模型即为最优多卡口协同模型。
进一步的，在上述S212中判断第一小波神经网络交通流预测模型的精度是否达到预设精度的过程具体为：
依据第二计算关系式计算得出小波神经网络交通流预测期望值与网络实际输出值的均方误差；
判断均方误差是否小于预设阈值，如果是，则第一小波神经网络交通流预测模型的精度达到预设精度，否则，第一小波神经网络交通流预测模型的精度没有达到预设精度；
第二计算关系式为其中，tsp表示训练样本组数；Output表示小波神经网络的输出个数；表示第p训练样本组数的第k个训练期望值输出；表示第p训练样本组数的第k个训练小波神经网络实际的输出值。
如果，|TE|小于预设阈值，则说明第一小波神经网络交通流预测模型的精度达到预设精度，即可进入下一步；如果，|TE|大于预设阈值，则说明第一小波神经网络交通流预测模型的精度没有达到预设精度，则返回S2120。
S213：依据最优多卡口协同模型得到最优历史交通流数据，并依据最优历史交通流数据得到小波神经网络训练样本。
具体的，依据该最优多卡口协同模型即可得到最优历史交通流数据，并且将所得到的最优历史交通流数据通过G-P算法进行相空间重构，即可得到小波神经网络训练样本(例如训练输入、输出交通流数据)，以进一步训练小波神经网络。
需要说明的是，在得到小波神经网络训练样本后，可以采用小波神经网络对小波神经网络训练样本进行训练得到小波神经网络交通流预测模型。即S22的过程具体可以为：
S221：根据Input个输入神经元利用G-P算法重构交通流序列相空间(即输入Input交通流序列预测第Input+1交通流时间序列)得到训练输入样本以及训练输出样本。
S222：建立训练目标函数其中E表示小波神经网络交通流预测期望值与网络实际输出值的均方误差函数；sp表示训练样本组数；sj表示第j个交通流期望值输出。
S223：如果|E|大于设定值，则如按照式 以及更新小波神经网络参数，跳至S222，以修正小波神经网络参数；其中η为小波神经网络学习因子。
把训练好的小波神经网络参数wij，vij，aj，bj(i＝1,2,…,Input；j＝1,2,…,Output)代入预测小波神经网络，可以得到小波神经网络交通流预测模型，并利用获取的待预测道路卡口的交通流数据、与待预测道路卡口相关的各个相关道路卡口的交通流数据以及计算关系式得到小波神经网络预测输出。
本发明实施例提供了一种交通流预测方法，包括获取待预测道路卡口的交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到待预测道路卡口的交通流预测结果；其中，小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为：利用多卡口协同模型得到小波神经网络训练样本；采用小波神经网络对小波神经网络训练样本进行训练得到小波神经网络交通流预测模型；多卡口协同模型是依据待预测道路卡口的历史交通流数据以及与待预测道路卡口相关的各个相关道路卡口的历史交通流数据进行建立的。
可见，本发明实施例在对待预测道路卡口的交通流数据进行预测时，所采用的小波神经网络交通流预测模型是依据多卡口协同模型训练而成的，多卡口协同模型是依据待预测道路卡口的历史交通流数据以及与待预测道路卡口相关的各个相关道路卡口的历史交通流数据进行建立的，并且在对待预测道路卡口的交通流数据进行预测时是依据待预测道路卡口及与待预测道路卡口相关的各个相关道路卡口的交通流数据进行预测的，考虑到多个卡口协同对待预测道路卡口的交通流的影响。因此，本发明实施例在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。
相应的本发明实施例还公开了一种交通流预测装置，具体请参照图2，图2为本发明实施例提供的一种交通流预测装置的结构示意图。在上述实施例的基础上：
该装置包括：
获取模块1，用于获取待预测道路卡口及与待预测道路卡口相关的各个相关道路卡口的交通流数据；
预测模块2，用于采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到待预测道路卡口的交通流预测结果；其中，小波神经网络交通流预测模型包括：
处理模块，用于利用多卡口协同模型得到小波神经网络训练样本；
训练模块，用于采用小波神经网络对小波神经网络训练样本进行训练得到小波神经网络交通流预测模型；多卡口协同模型是依据待预测道路卡口的历史交通流数据以及各个相关道路卡口的历史交通流数据进行建立的。
本发明实施例提供了一种交通流预测装置，在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。
需要说明的是，对于本发明实施例中涉及到的交通流预测方法的具体介绍请参照上述方法实施例，本申请在此不再赘述。
在上述实施例的基础上，请参照图3，图3为本发明实施例提供的一种小波神经网络交通流预测模型的结构示意图。
可选的，处理模块包括：
获取单元，用于分别获取各个相关道路卡口的历史交通流数据及待预测道路卡口的历史交通流数据；
建立单元，用于依据各个相关道路卡口的历史交通流数据及待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型；
提取单元，用于依据最优多卡口协同模型得到最优历史交通流数据，并依据最优历史交通流数据得到小波神经网络训练样本。
在上述实施例的基础上，本发明实施例提供了一种交通流预测系统，包括如上述的交通流预测装置。
需要说明的是，本发明实施例提供了一种交通流预测系统，在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。另外，对于本发明实施例中涉及到的交通流预测方法的具体介绍请参照上述方法实施例，本申请在此不再赘述。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种交通流预测方法，其特征在于，包括：
S11：获取待预测道路卡口及与所述待预测道路卡口相关的各个相关道路卡口的交通流数据；
S12：采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到所述待预测道路卡口的交通流预测结果；其中，所述小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为：
S21：利用多卡口协同模型得到小波神经网络训练样本；
S22：采用小波神经网络对所述小波神经网络训练样本进行训练得到所述小波神经网络交通流预测模型；
所述多卡口协同模型是依据所述待预测道路卡口的历史交通流数据以及各个所述相关道路卡口的历史交通流数据进行建立的。
2.根据权利要求1所述的交通流预测方法，其特征在于，所述利用多卡口协同模型得到小波神经网络训练样本的过程具体为：
S211：分别获取各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据；
S212：依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型；
S213：依据所述最优多卡口协同模型得到最优历史交通流数据，并依据所述最优历史交通流数据得到小波神经网络训练样本。
3.根据权利要求2所述的交通流预测方法，其特征在于，所述依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型的过程具体为：
S2120：获取第一预设个数的、与所述待预测道路卡口相关的历史交通流数据，并将其添加至多卡口协同模型中；
S2121：从各个相关道路卡口中选出一个相关道路卡口，并获取第二预设个数的、与所选出的相关道路卡口相关的第一历史交通流数据；
S2122：依据所述第一历史交通流数据及所述预测道路卡口的历史交通流数据计算出相应的相关道路卡口与所述待预测道路卡口的相关程度值；
S2123：判断所述相关程度值是否大于预设值，如果是，则将各个所述第一历史交通流数据添加至多卡口协同模型中，并进入S2124；否则，进入S2125；
S2124：判断所述多卡口协同模型中当前的历史交通流数据的总数是否达到预设个数，如果是，则将所述多卡口协同模型中当前的历史交通流数据作为训练样本训练小波神经网络，以得到第一小波神经网络交通流预测模型，并进入S2126；否则判断所述多卡口协同模型中当前的历史交通流数据的总数是否小于预设个数，如果是，则进入S2125，否则，返回S2120；
S2125：从剩余的各个所述相关道路卡口中选出另一个相关道路卡口，获取与所选出的相关道路卡口相关的第二历史交通流数据，并将所述第二历史交通流数据作为所述第一交通流数据，并返回S2122；
S2126：判断所述第一小波神经网络交通流预测模型的精度是否达到预设精度，如果是，则将所述多卡口协同模型作为最优多卡口协同模型；否则，将所述多协同卡口模型中的历史交通流数据清零，并返回S2120。
4.根据权利要求3所述的交通流预测方法，其特征在于，所述依据所述第一历史交通流数据及所述预测道路卡口的历史交通流数据得出相应的相关道路卡口与所述待预测道路卡口的相关程度值的过程具体为：
依据所述第一历史交通流数据、所述预测道路卡口的历史交通流数据以及第一计算关系式得到相应的相关道路卡口与所述待预测道路卡口的相关程度值；
所述第一计算关系式为CLab(tk)＝∑ca(tj)cb(tj+tk)，其中：
所述ca(tj)与所述cb(tj)分别表示tj时段待预测道路卡口a的历史交通流数据和tj时段相关道路卡口b的第一历史交通流数据，所述CLab(tk)表示待预测道路卡口a在tj时段的历史交通流数据与相关道路卡口b在(tj+tk)时段的第一历史交通流数据的相关程度值。
5.根据权利要求3所述的交通流预测方法，其特征在于，所述判断所述第一小波神经网络交通流预测模型的精度是否达到预设精度的过程具体为：
依据第二计算关系式计算得出小波神经网络交通流预测期望值与网络实际输出值的均方误差；
判断所述均方误差是否小于预设阈值，如果是，则所述第一小波神经网络交通流预测模型的精度达到所述预设精度，否则，所述第一小波神经网络交通流预测模型的精度没有达到所述预设精度；
所述第二计算关系式为其中，所述tsp表示训练样本组数；所述Output表示小波神经网络的输出个数；所述表示第p训练样本组数的第k个训练期望值输出；表示第p训练样本组数的第k个训练小波神经网络实际的输出值。
6.根据权利要求1-5任意一项所述的交通流预测方法，其特征在于，所述小波神经网络交通流预测模型中的小波基函数为：
L(t)＝-1.75×sin(1.75×t)×exp(-t2/2)-t×cos(1.75t)×exp(t2/2)，其中，t为时间单位秒。
7.一种交通流预测装置，其特征在于，包括：
获取模块，用于获取待预测道路卡口及与所述待预测道路卡口相关的各个相关道路卡口的交通流数据；
预测模块，用于采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到所述待预测道路卡口的交通流预测结果；其中，所述小波神经网络交通流预测模型包括：
处理模块，用于利用多卡口协同模型得到小波神经网络训练样本；
训练模块，用于采用小波神经网络对所述小波神经网络训练样本进行训练得到所述小波神经网络交通流预测模型；所述多卡口协同模型是依据所述待预测道路卡口的历史交通流数据以及各个所述相关道路卡口的历史交通流数据进行建立的。
8.根据权利要求7所述的交通流预测装置，其特征在于，所述处理模块包括：
获取单元，用于分别获取各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据；
建立单元，用于依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型；
提取单元，用于依据所述最优多卡口协同模型得到最优历史交通流数据，并将依据最优历史交通流数据得到小波神经网络训练样本。
9.一种交通流预测系统，其特征在于，包括如权利要求7或8所述的交通流预测装置。
CN201710495016.8A 2017-06-26 2017-06-26 一种交通流预测方法、装置及系统 Active CN107085941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710495016.8A CN107085941B (zh) 2017-06-26 2017-06-26 一种交通流预测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710495016.8A CN107085941B (zh) 2017-06-26 2017-06-26 一种交通流预测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN107085941A true CN107085941A (zh) 2017-08-22
CN107085941B CN107085941B (zh) 2021-01-26

Family

ID=59606336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710495016.8A Active CN107085941B (zh) 2017-06-26 2017-06-26 一种交通流预测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN107085941B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945534A (zh) * 2017-12-13 2018-04-20 浙江大学城市学院 一种基于gmdh神经网络的交通车流量预测方法
CN109887283A (zh) * 2019-03-07 2019-06-14 东莞数汇大数据有限公司 一种基于卡口数据的道路拥堵预测方法、系统及装置
CN110263860A (zh) * 2019-06-21 2019-09-20 广东工业大学 一种高速公路交通流预测方法及装置
CN110444022A (zh) * 2019-08-15 2019-11-12 平安科技（深圳）有限公司 交通流数据分析模型的构建方法和装置
CN110969275A (zh) * 2018-09-30 2020-04-07 杭州海康威视数字技术股份有限公司 交通流量预测方法、装置、可读存储介质及电子设备
CN111127888A (zh) * 2019-12-23 2020-05-08 广东工业大学 一种基于多源数据融合的城市交通流预测方法
CN111369049A (zh) * 2020-03-03 2020-07-03 新疆大学 预测车流量的方法、装置及电子设备
CN112365705A (zh) * 2020-08-27 2021-02-12 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
WO2021027139A1 (zh) * 2019-08-15 2021-02-18 平安科技（深圳）有限公司 基于小波神经网络的交通流数据预测方法和装置
CN114184202A (zh) * 2021-11-01 2022-03-15 浙江大华技术股份有限公司 路径规划方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046956A (zh) * 2015-06-24 2015-11-11 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
CN105469611A (zh) * 2015-12-24 2016-04-06 大连理工大学 一种短时交通流预测模型方法
CN105513350A (zh) * 2015-11-30 2016-04-20 华南理工大学 基于时空特性的分时段多参数短时交通流预测方法
CN106447119A (zh) * 2016-10-11 2017-02-22 济南观澜数据技术有限公司 一种基于卷积神经网络的短期交通流量预测方法及系统
CN106710220A (zh) * 2017-03-14 2017-05-24 河南理工大学 一种城市道路分层动态协调控制算法及控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046956A (zh) * 2015-06-24 2015-11-11 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
CN105513350A (zh) * 2015-11-30 2016-04-20 华南理工大学 基于时空特性的分时段多参数短时交通流预测方法
CN105469611A (zh) * 2015-12-24 2016-04-06 大连理工大学 一种短时交通流预测模型方法
CN106447119A (zh) * 2016-10-11 2017-02-22 济南观澜数据技术有限公司 一种基于卷积神经网络的短期交通流量预测方法及系统
CN106710220A (zh) * 2017-03-14 2017-05-24 河南理工大学 一种城市道路分层动态协调控制算法及控制方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945534A (zh) * 2017-12-13 2018-04-20 浙江大学城市学院 一种基于gmdh神经网络的交通车流量预测方法
CN110969275A (zh) * 2018-09-30 2020-04-07 杭州海康威视数字技术股份有限公司 交通流量预测方法、装置、可读存储介质及电子设备
CN110969275B (zh) * 2018-09-30 2024-01-23 杭州海康威视数字技术股份有限公司 交通流量预测方法、装置、可读存储介质及电子设备
CN109887283A (zh) * 2019-03-07 2019-06-14 东莞数汇大数据有限公司 一种基于卡口数据的道路拥堵预测方法、系统及装置
CN110263860A (zh) * 2019-06-21 2019-09-20 广东工业大学 一种高速公路交通流预测方法及装置
WO2021027139A1 (zh) * 2019-08-15 2021-02-18 平安科技（深圳）有限公司 基于小波神经网络的交通流数据预测方法和装置
CN110444022A (zh) * 2019-08-15 2019-11-12 平安科技（深圳）有限公司 交通流数据分析模型的构建方法和装置
CN111127888A (zh) * 2019-12-23 2020-05-08 广东工业大学 一种基于多源数据融合的城市交通流预测方法
CN111369049A (zh) * 2020-03-03 2020-07-03 新疆大学 预测车流量的方法、装置及电子设备
CN111369049B (zh) * 2020-03-03 2022-08-26 新疆大学 预测车流量的方法、装置及电子设备
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
CN112365705A (zh) * 2020-08-27 2021-02-12 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
CN114184202A (zh) * 2021-11-01 2022-03-15 浙江大华技术股份有限公司 路径规划方法及装置

Also Published As

Publication number Publication date
CN107085941B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN107085941A (zh) 一种交通流预测方法、装置及系统
Zhao et al. Highway development decision-making under uncertainty: A real options approach
CN108205889A (zh) 基于卷积神经网络的高速公路交通流预测方法
Üneş et al. Prediction of millers ferry dam reservoir level in USA using artificial neural network
CN108197739A (zh) 一种城市轨道交通乘客流量预测方法
CN107909206A (zh) 一种基于深层结构循环神经网络的pm2.5预测方法
Nourani et al. Integrated artificial neural network for spatiotemporal modeling of rainfall–runoff–sediment processes
CN107085942A (zh) 一种基于狼群算法的交通流预测方法、装置及系统
Zima The case-based reasoning model of cost estimation at the preliminary stage of a construction project
CN106250667A (zh) 一种涉水滑坡状态跃迁的监测方法及装置
CN108346293A (zh) 一种实时交通流短时预测方法
CN103489039B (zh) 具有在线自整定优化能力的高速公路交通流量融合预测方法
CN103942461A (zh) 基于在线贯序极限学习机的水质参数预测方法
CN103280114A (zh) 一种基于bp-pso模糊神经网络的信号灯智能控制方法
Maroufpoor et al. Estimation of Wind drift and evaporation losses from sprinkler irrigation systems by different data‐driven methods
CN108876021A (zh) 一种中长期径流预报方法及系统
Das et al. Analysis of interrelationship between pedestrian flow parameters using artificial neural network
CN105869100A (zh) 一种基于大数据思维的滑坡多场监测数据的融合及预测方法
CN109741604A (zh) 基于平稳化长短期记忆网络模型预测交叉口交通流量方法
CN107798431A (zh) 一种基于改进Elman神经网络的中长期径流预报方法
CN108053094A (zh) 一种权重因素等级评价方法及系统
CN103971289A (zh) 矿山放矿数据的处理方法及装置
Li et al. A method of rainfall runoff forecasting based on deep convolution neural networks
Chen et al. CRML: A convolution regression model with machine learning for hydrology forecasting
Kim et al. Real-time river-stage prediction with artificial neural network based on only upstream observation data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant