CN108229724B - 一种基于时空信息融合的短时交通数据流预测方法 - Google Patents
一种基于时空信息融合的短时交通数据流预测方法 Download PDFInfo
- Publication number
- CN108229724B CN108229724B CN201711276626.5A CN201711276626A CN108229724B CN 108229724 B CN108229724 B CN 108229724B CN 201711276626 A CN201711276626 A CN 201711276626A CN 108229724 B CN108229724 B CN 108229724B
- Authority
- CN
- China
- Prior art keywords
- observation
- point
- time
- observation point
- data flow
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空信息融合的短时交通数据流预测方法,首先获取多个训练样本及各训练样本的标签,每个训练样本中包括待预测观测点及其上游观测点和下游观测点中采集的历史的多个相同的时间点的数据流量值;将各训练样本作为输入、各训练样本的标签作为输出对LSTM模型进行训练,得到训练后的LSTM模型;在当前时间点要针对待预测观测点的下一时间点的数据流量值进行预测时,获取到由待预测观测点及其上游观测点和下游观测点的当前时间点及其前面多个时间点的数据流量值构成的测试样本,将测试样本输入到上述训练后的LSTM模型,由LSTM模型输出待预测观测点下一时间点的数据流量值。本发明提高了短时交通数据流的预测准确度。
Description
技术领域
本发明涉及一种短时交通数据流预测方法,特别涉及一种基于时空信息融合的短时交通数据流预测方法。
背景技术
随着世界经济的持续稳定发展,在许多国家汽车逐渐成为了主要的交通运输工具之一,随之而来的是严重的交通拥堵和尾气排放问题。而相比于耗费巨大的人力物力扩建交通道路网,充分利用现有交通网络无疑是更快速有效的方法。因此,旨在解决该问题的智能交通系统(Intelligent Transport System)得到了各国政府的重视。在这一系统中,能够用于引导车流的实时且准确的交通流信息至关重要。短时交通流预测就是用于提供着这样的信息。
目前,许多用于短时交通流预测的方法都是只根据某一观测位置过去时刻的交通流观测值,预测该点下一时刻的交通数据流,这种方法由于仅仅考虑观测点本事的历史交通数据流,因此对下一时刻的交通数据流预测准确度会相对比较低。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于时空信息融合的短时交通数据流预测方法,通过该方法能够实现短时交通数据流的准确预测。
本发明的目的通过下述技术方案实现:一种基于时空信息融合的短时交通数据流预测方法,步骤如下:
步骤S1、针对于需要进行交通数据流预测的待预测观测点,首先获取该待预测观测点的上游观测点以及下游观测点;
然后针对于待预测观测点及其上游观测点和下游观测点中的各观测点,分别采集到在历史的多个时间点上各观测点的数据流量值;并且针对于各观测点,将在其中采集到的历史的多个时间点的数据流量值按照时间顺序拼接聚合为一维数组并做归一化处理;
其中,每两个相邻时间点的时间间隔相同,均为T分钟;每个时间点的数据流量值指的是上一时间点至该时间点这段时间间隔内产生的数据流量;
步骤S2、针对于步骤S1中得到的各观测点归一化后的一维数组,进行时间滑窗的加窗处理;各观测点归一化后的一维数组经过加窗处理后,各个时间滑窗得到相同的多个时间点的数据流量值形成一个训练样本,通过各时间滑窗在各观测点归一化后一维数组的滑动处理后得到多个训练样本;针对于每个训练样本,获取到其中对应的最后一个时间点,然后将该最后一个时间点的下一时间点的待预测观测点的数据流量值作为该训练样本的标签;
步骤S3、获取模型参数初始化后的LSTM(Long Short Term Memory,长短时记忆)模型;然后将各训练样本作为输入、各训练样本的标签作为输出对LSTM模型进行训练,得到训练后的LSTM模型;
步骤S4、在当前时间点要针对待预测观测点的下一时间点的数据流量值进行预测时,首先针对于待预测观测点及其上游观测点和下游观测点中的各观测节点,分别通过时间滑窗获取到各观测节点当前时间点及其前面多个时间点归一化后的数据流量值,构成一个测试样本;其中测试样本中,每两个相邻的时间点的时间间隔相同,均为T1分钟;其中T1=T;需要预测数据流量值的下一时间点和当前时间点的时间间隔也为T分钟;
步骤S5、将步骤S4获取到的一个测试样本输入到步骤S3中训练后的LSTM模型中,通过LSTM模型输出待预测观测点下一时间点的数据流量值。
优选的,所述步骤S1中,针对于各观测点,拼接聚合后得到的一维数组,通过以下方式进行归一化处理:
其中xf,n是拼接聚合后得到的观测点n的一维数组中的第f个数值;xmin,n和xmax,n分别对应为拼接聚合后的观测点n的一维数组中的最大值和最小值,yf,n为xf,n归一化后得到的值。
优选的,所述时间滑窗的长度为L,其中时间滑窗的长度L和每两个相邻时间点的时间间隔T的乘积满足以下关系:L×T≤60。
优选的,所述步骤S1中,T≤30;
当各观测点历史是每E分钟统计一次数据流量时,则T为E、2E,…,(m-1)E或m E,其中m和E均为一定值,m E≤30。
优选的,所述步骤S1中,针对于需要进行交通数据流预测的待预测观测点,获取该待预测观测点上游一个观测点以及下游一个观测点。
更进一步的,所述步骤S2中,各观测点归一化后的一维数组加窗处理后,各个时间滑窗得到的各观测点相同的多个时间点的数据流量值形成的训练样本为:
其中xn,t-1、xn,t-2,…,xn,t-L分别为待预测观测点n在时间点t-1,t-2,…,t-L的数据流量值;
其中xn-1,t-1、xn-1,t-2,…,xn-1,t-L分别为待预测观测点的上游观测点n-1在时间点t-1,t-2,…,t-L的数据流量值;
其中xn+1,t-1、xn+1,t-2,…,xn+1,t-L分别为待预测观测点的下游观测点n+1在时间点t-1,t-2,…,t-L的数据流量值;
即加窗处理后,待预测观测点n、其上游观测点n-1以及下游在观测点n+1在时间点t-1,t-2,…,t-L的数据流量值构成一个训练样本。
优选的,所述LSTM模型的输入层神经元数与待预测观测点、待预测观测点的上游观测点及下游观测点的相加总数N相同;所述LSTM模型的输出层神经元数与时间滑窗的长度L相同。
优选的,所述步骤S4中,通过时间滑窗分别获取各观测节点当前时间点及其前面多个时间点归一化后的数据流量值,构成一个测试样本为:
其中xn,t、xn,t-1,…,xn,t-L+1分别为待预测观测点n在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
其中xn-1,t、xn-1,t-1,…,xn-1,t-L+1分别为待预测观测点的上游观测点n-1在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
其中xn+1,t、xn+1,t-1,…,xn+1,t-L+1分别为待预测观测点的下游观测点n+1在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
即上述各观测点加窗处理后分别得到的在时间点t,t-1,…,t-L+1的归一化后的数据流量值,其中时间点t为当前时间点。
本发明相对于现有技术具有如下的优点及效果:
本发明一种基于时空信息融合的短时交通数据流预测方法,首先获取到多个训练样本,其中每个训练样本中包括待预测观测点及其上游观测点和下游观测点中采集的历史的多个相同的时间点的数据流量值;并且针对于每个训练样本,将其中数据流量值对应最后一个时间点的下一时间点的待预测观测点的数据流量值作为该训练样本的标签;然后获取模型参数初始化后的LSTM模型;将各训练样本作为输入、各训练样本的标签作为输出对LSTM模型进行训练,得到训练后的LSTM模型;在当前时间点要针对待预测观测点的下一时间点的数据流量值进行预测时,获取到由待预测观测点及其上游观测点和下游观测点的当前时间点及其前面多个时间点的数据流量值构成的测试样本,将测试样本输入到上述训练后的LSTM模型,由LSTM模型输出待预测观测点下一时间点的数据流量值。由上述可知,本发明在预测待预测观测点的数据流量值时,不仅仅考虑了待预测观测点历史的数据流量值,同时也将待预测观测点的上游和下游观测点历史的数据流量值也考虑了进去,可见,本发明方法融合了观测点的时间信息和空间信息,在基于时空信息融合的情况下,能有效捕捉交通数据流序列在时间上的非线性和空间上的关联性,从而表征交通数据流的变化过程,因此能够实现短时交通数据流的更加准确预测。
附图说明
图1是本发明方法流程图。
图2是本发明方法中获取训练样本时的时空信息融合方式示意图。
图3是本发明方法中获取测试样本时的时空信息融合方式示意图。
图4是本发明方法中,在每两个相邻时间点时间间隔为5分钟时,各时间点数量流量值预测值和实际统计的数据流量值的对比图。
图5是本发明方法中,在每两个相邻时间点时间间隔为5分钟时,不同长度的时间滑窗下,本发明方法与其他模型预测数据流的MAPE对比图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
本实施例公开了一种基于时空信息融合的短时交通数据流预测方法,如图1所示,步骤如下:
步骤S1、针对于需要进行交通数据流预测的待预测观测点,首先获取该待预测观测点的上游观测点以及下游观测点;然后针对于待预测观测点及其上游观测点和下游观测点中的各观测点,分别采集到在历史的多个时间点上各观测点的数据流量值;并且针对于各观测点,将在其中采集到的历史的多个时间点的数据流量值按照时间顺序拼接聚合为一维数组并做归一化处理;在本实施例中,针对于需要进行交通数据流预测的待预测观测点,获取该待预测观测点上游一个观测点以及下游一个观测点,即总共得到N=3个观测点。
其中上述各观测点采集数据流量值的各个时间点均相同;即待预测观测点、及其上游观测点和下游观测点所采集的数据流量值的对应的各个时间点是相同的。
其中,上述每两个相邻时间点的时间间隔相同,均为T分钟,T为一定值;每个时间点的数据流量值指的是上一时间点至该时间点这段时间间隔内产生的数据流量;在本实施例中T满足以下条件:T≤30;当观测点历史是每E分钟统计一次数据流量时,则T为E、2E,…,(m-1)E或m E,其中m和E均为一定值,m E≤30。例如当观测点是每5分钟统计一次数据流量时,则T可取5、10、15、20、25或30。
本步骤中,针对于各观测点,拼接聚合后得到的一维数组,通过以下方式进行归一化处理:
其中xf,n是拼接聚合后得到的观测点n的一维数组中的第f个数值;xmin,n和xmax,n分别对应为拼接聚合后的观测点n的一维数组中的最大值和最小值,yf,n为xf,n归一化后得到的值。
步骤S2、针对于步骤S1中得到的各观测点归一化后的一维数组,进行时间滑窗的加窗处理;各观测点归一化后的一维数组经过加窗处理后,各个时间滑窗得到相同的多个时间点的数据流量值形成一个训练样本,通过各时间滑窗在各观测点归一化后一维数组的滑动处理后得到多个训练样本;针对于每个训练样本,获取到其中对应的最后一个时间点,然后将该最后一个时间点的下一时间点的待预测观测点的数据流量值作为该训练样本的标签;在本步骤中,时间滑窗的长度为L,其中时间滑窗的长度L和上述每两个相邻时间点的时间间隔T的乘积满足以下关系:L×T≤60。
如图2中所示,当本实施例中N为3时,即待预测观测点及其上游观测点和下游观测点的总数为3,其中n为待预测观测点,n-1为待预测观测点的上游观测点,n+1为待预测观测点的下游观测点,图2中各观测点上方的箭头指的是行车方向;其中如图2所示,通过3个时间滑窗分别获取的:待预测观测点n在时间点t-1至t-L的数据流量值、上游观测点n-1时间点t-1至t-L的数据流量值和下游观测点n+1在时间点t-1至t-L的数据流量值,由上述获取到的数据流量值对应构成其中一个训练样本为:
其中xn,t-1、xn,t-2,…,xn,t-L分别为待预测观测点n在时间点t-1,t-2,…,t-L的数据流量值;
其中xn-1,t-1、xn-1,t-2,…,xn-1,t-L分别为待预测观测点的上游观测点n-1在时间点t-1,t-2,…,t-L的数据流量值;
其中xn+1,t-1、xn+1,t-2,…,xn+1,t-L分别为待预测观测点的下游观测点n+1在时间点t-1,t-2,…,t-L的数据流量值;
即加窗处理后,待预测观测点n、其上游观测点n-1以及下游在观测点n+1在时间点t-1,t-2,…,t-L的数据流量值构成一个训练样本;如图2中所示,待预测观测点n在时间点t的数据流量值xn,t作为该训练样本的标签。
步骤S3、获取模型参数初始化后的LSTM模型;然后将各训练样本作为输入、各训练样本的标签作为输出对LSTM模型进行训练,得到训练后的LSTM模型;
其中LSTM模型包含输入层、LSTM层和输出层,训练过程为:给定初始化模型参数包括权重矩阵W、U、V,偏置向量b,输入层和输出层神经元数Nin和Nout,通过前向传播计算损失函数的梯度后,由后向传播更新模型参数,更新至模型参数收敛或最大迭代次数时训练结束。在本步骤中,LSTM模型的输入层神经元数Nin与待预测观测点、待预测观测点的上游观测点及下游观测点的相加总数N相同;N即对应为LSTM模型输入数据的维度;所述LSTM模型的输出层神经元数Nout与时间滑窗的长度L相同。
步骤S4、在当前时间点要针对待预测观测点的下一时间点的数据流量值进行预测时,首先针对于待预测观测点及其上游观测点和下游观测点中的各观测节点,分别通过时间滑窗获取到各观测节点当前时间点及其前面多个时间点归一化后的数据流量值,构成一个测试样本;其中测试样本中,每两个相邻的时间点的时间间隔相同,均为T1分钟;其中T1=T;需要预测数据流量值的下一时间点和当前时间点的时间间隔也为T分钟;
如图3中所示为通过3个时间滑窗分别获取的:待预测观测点n在当前时间点t及前面多个时间点t-1至t-L+1的数据流量值、上游观测点n-1在当前时间点t及前面多个时间点t-1至t-L+1的数据流量值和下游观测点n+1在当前时间点t及前面多个时间点t-1至t-L+1的数据流量值,由上述获取到的数据流量值对应构成测试样本:
其中xn,t、xn,t-1,…,xn,t-L+1分别为待预测观测点n在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
其中xn-1,t、xn-1,t-1,…,xn-1,t-L+1分别为待预测观测点的上游观测点n-1在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
其中xn+1,t、xn+1,t-1,…,xn+1,t-L+1分别为待预测观测点的下游观测点n+1在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
即上述各观测点加窗处理后分别得到的在时间点t,t-1,…,t-L+1的归一化后的数据流量值,其中时间点t为当前时间点。
步骤S5、将步骤S4获取到的一个测试样本输入到步骤S3中训练后的LSTM模型中,通过LSTM模型输出待预测观测点下一时间点的数据流量值。
由上述可知,本实施例方法在预测待预测观测点的数据流量值时,不仅仅考虑了待预测观测点历史的数据流量值,同时也将待预测观测点的上游和下游观测点历史的数据流量值也考虑了进去,可见,本实施例方法融合了观测点的时间信息和空间信息,如图2和3中所示,其中空间信息即指的是考虑了预测观测点上游和下游的观测点,在基于时空信息融合的情况下,本实施例方法能有效捕捉交通数据流序列在时间上的非线性和空间上的关联性,从而表征交通数据流的变化过程,因此能够实现短时交通数据流的更加准确预测。
在本实施例中,取某一交通观测点及其上游一个观测点和下游一个观测点从2015年1月1日至2015年12月30日共计52周的数据流量值,其中这些数据流量由传感器每隔30秒采集到。本实施例中,在剔除周末与节假日后,剩余247天的交通数据流流量值。实验中通过前200天每个时间点统计的交通数据流量值得到训练样本集,通过后47天每个时间点统计的交通数据流量值得到测试样本集。
针对于上述获取到的训练样本集和测试样本集,当T取5时,即每两个相邻时间点之间的时间间隔为5分钟时,经过本实施例上述方法预测得到的各时间点的数据流量值与各时间点实际统计的数据流量值的对比如图4所示;从图4中可以看出,本实施例方法的预测结果很好的拟合了实际观测的数据流量值,可见本实施例方法的交通数据流量值预测准确度非常高。
当采用不同长度的时间滑窗时,本实施例方法与用其他4种模型预测数据流的平均绝对百分误差MAPE对比如图5所示,其他4种模型分别指的是短时数据流预测领域常用的模型是历史均值模型(Historical Average,HA),K近邻模型(K Nearest Neighbor,KNN),支持向量回归模型(Support Vector Regression,SVR)与只使用时间信息而没有结合空间信息的一维输入LSTM模型(1D Input LSTM),其中图5中的3D Input LSTM为本实施例方法下不同长度的时间滑窗时预测数据流的平均绝对百分误差MAPE。从图5中可以看出,在采用不同长度的时间滑窗时,本实施例方法预测数据流的MAPE比其他四种模型都低,尤其是相比1D Input LSTM。
当T取不同值时(T=10、15、20和25),本实施例方法和其他四种模型的预测准确率分别如表1所示:
表1
其中MAPE(Mean Absolute Percent Error,平均绝对百分误差)和RMSE(RootMean Square Error,均方根误差)分别为预测准确率的评估标准;分别为:
其中,M表示测试样本的总数,xi,real表示第i个测试样本对应的真实标签,xi,pre为第i个测试样本通过本实施例方法进行预测后得到的数据流量值。由上述表1可以看出,在T取不同值的情况下,本实施例方法中两种预测误差指标都比其他4种方法低。尤其是比没有考虑空间关联性的LSTM方法低,可见,本发明方法提高了短时交通流预测的准确性。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于时空信息融合的短时交通数据流预测方法,其特征在于,步骤如下:
步骤S1、针对于需要进行交通数据流预测的待预测观测点,首先获取该待预测观测点的上游观测点以及下游观测点;
然后针对于待预测观测点及其上游观测点和下游观测点中的各观测点,分别采集到在历史的多个时间点上各观测点的数据流量值;并且针对于各观测点,将在其中采集到的历史的多个时间点的数据流量值按照时间顺序拼接聚合为一维数组并做归一化处理;
其中,每两个相邻时间点的时间间隔相同,均为T分钟;每个时间点的数据流量值指的是上一时间点至该时间点这段时间间隔内产生的数据流量;
步骤S2、针对于步骤S1中得到的各观测点归一化后的一维数组,进行时间滑窗的加窗处理;各观测点归一化后的一维数组经过加窗处理后,各个时间滑窗得到相同的多个时间点的数据流量值形成一个训练样本,通过各时间滑窗在各观测点归一化后一维数组的滑动处理后得到多个训练样本;针对于每个训练样本,获取到其中对应的最后一个时间点,然后将该最后一个时间点的下一时间点的待预测观测点的数据流量值作为该训练样本的标签;
步骤S3、获取模型参数初始化后的LSTM模型;然后将各训练样本作为输入、各训练样本的标签作为输出对LSTM模型进行训练,得到训练后的LSTM模型;
步骤S4、在当前时间点要针对待预测观测点的下一时间点的数据流量值进行预测时,首先针对于待预测观测点及其上游观测点和下游观测点中的各观测节点,分别通过时间滑窗获取到各观测节点当前时间点及其前面多个时间点归一化后的数据流量值,构成一个测试样本;其中测试样本中,每两个相邻的时间点的时间间隔相同,均为T1分钟;其中T1=T;需要预测数据流量值的下一时间点和当前时间点的时间间隔也为T分钟;
步骤S5、将步骤S4获取到的一个测试样本输入到步骤S3中训练后的LSTM模型中,通过LSTM模型输出待预测观测点下一时间点的数据流量值。
3.根据权利要求1所述的基于时空信息融合的短时交通数据流预测方法,其特征在于,所述时间滑窗的长度为L,其中时间滑窗的长度L和每两个相邻时间点的时间间隔T的乘积满足以下关系:L×T≤60。
4.根据权利要求1所述的基于时空信息融合的短时交通数据流预测方法,其特征在于,所述步骤S1中,T≤30;
当各观测点历史是每E分钟统计一次数据流量时,则T为E、2E,…,(m-1)E或m E,其中m和E均为一定值,m E≤30。
5.根据权利要求1所述的基于时空信息融合的短时交通数据流预测方法,其特征在于,所述步骤S1中,针对于需要进行交通数据流预测的待预测观测点,获取该待预测观测点上游一个观测点以及下游一个观测点。
6.根据权利要求5所述的基于时空信息融合的短时交通数据流预测方法,其特征在于,所述步骤S2中,各观测点归一化后的一维数组加窗处理后,各个时间滑窗得到的各观测点相同的多个时间点的数据流量值形成的训练样本为:
其中xn,t-1、xn,t-2,…,xn,t-L分别为待预测观测点n在时间点t-1,t-2,…,t-L的数据流量值;
其中xn-1,t-1、xn-1,t-2,…,xn-1,t-L分别为待预测观测点的上游观测点n-1在时间点t-1,t-2,…,t-L的数据流量值;
其中xn+1,t-1、xn+1,t-2,…,xn+1,t-L分别为待预测观测点的下游观测点n+1在时间点t-1,t-2,…,t-L的数据流量值;
即加窗处理后,待预测观测点n、其上游观测点n-1以及下游在观测点n+1在时间点t-1,t-2,…,t-L的数据流量值构成一个训练样本。
7.根据权利要求1所述的基于时空信息融合的短时交通数据流预测方法,其特征在于,所述LSTM模型的输入层神经元数与待预测观测点、待预测观测点的上游观测点及下游观测点的相加总数N相同;所述LSTM模型的输出层神经元数与时间滑窗的长度L相同。
8.根据权利要求1所述的基于时空信息融合的短时交通数据流预测方法,其特征在于,所述步骤S4中,通过时间滑窗分别获取各观测节点当前时间点及其前面多个时间点归一化后的数据流量值,构成一个测试样本为:
其中xn,t、xn,t-1,…,xn,t-L+1分别为待预测观测点n在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
其中xn-1,t、xn-1,t-1,…,xn-1,t-L+1分别为待预测观测点的上游观测点n-1在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
其中xn+1,t、xn+1,t-1,…,xn+1,t-L+1分别为待预测观测点的下游观测点n+1在时间点t,t-1,…,t-L+1的归一化后的数据流量值;
即上述各观测点加窗处理后分别得到的在时间点t,t-1,…,t-L+1的归一化后的数据流量值,其中时间点t为当前时间点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711276626.5A CN108229724B (zh) | 2017-12-06 | 2017-12-06 | 一种基于时空信息融合的短时交通数据流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711276626.5A CN108229724B (zh) | 2017-12-06 | 2017-12-06 | 一种基于时空信息融合的短时交通数据流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229724A CN108229724A (zh) | 2018-06-29 |
CN108229724B true CN108229724B (zh) | 2020-12-22 |
Family
ID=62653922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711276626.5A Active CN108229724B (zh) | 2017-12-06 | 2017-12-06 | 一种基于时空信息融合的短时交通数据流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229724B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900346B (zh) * | 2018-07-06 | 2021-04-06 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN108898838B (zh) * | 2018-08-03 | 2020-08-28 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109300310B (zh) * | 2018-11-26 | 2021-09-17 | 平安科技(深圳)有限公司 | 一种车流量预测方法及装置 |
CN110782658B (zh) * | 2019-08-16 | 2022-03-29 | 华南理工大学 | 一种基于LightGBM算法的交通量预测方法 |
CN112884190B (zh) * | 2019-11-29 | 2023-11-03 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法及装置 |
CN112116070B (zh) * | 2020-09-07 | 2024-04-05 | 北方工业大学 | 地铁车站环境参数监测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN105118293A (zh) * | 2015-09-16 | 2015-12-02 | 东南大学 | 一种考虑长期均衡关系的道路断面交通速度短时预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 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 |
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 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 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 |
CN106652534A (zh) * | 2016-12-14 | 2017-05-10 | 北京工业大学 | 一种预测公交车到站时间的方法 |
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
-
2017
- 2017-12-06 CN CN201711276626.5A patent/CN108229724B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN105118293A (zh) * | 2015-09-16 | 2015-12-02 | 东南大学 | 一种考虑长期均衡关系的道路断面交通速度短时预测方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 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 |
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 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 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 |
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
CN106652534A (zh) * | 2016-12-14 | 2017-05-10 | 北京工业大学 | 一种预测公交车到站时间的方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
Non-Patent Citations (3)
Title |
---|
Learning to tell brake and turn signals in videos using CNN-LSTM structure;Yongxue Tian;《2015 IEEE International Conference on Smart City》;IEEE;20160502;全文 * |
Using LSTM and GRU neural network methods for traffic flow prediction;Rui Fu;《 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC)》;20170205;全文 * |
基于深度学习的短时交通流量预测;乔松林 等;《青岛大学学报》;20171130;第30卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108229724A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229724B (zh) | 一种基于时空信息融合的短时交通数据流预测方法 | |
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
CN108062561B (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
Kim et al. | A capsule network for traffic speed prediction in complex road networks | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
WO2021204272A1 (zh) | 基于隐私保护确定目标业务模型 | |
CN107247989B (zh) | 一种实时的计算机视觉处理方法及装置 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN109035779B (zh) | 基于DenseNet的高速公路交通流预测方法 | |
JP2015166962A (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN113808396B (zh) | 基于交通流量数据融合的交通速度预测方法和系统 | |
Tian et al. | A network traffic prediction method based on IFS algorithm optimised LSSVM | |
CN113362491A (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
Muralidharan et al. | Freeway traffic flow simulation using the link node cell transmission model | |
CN112817785A (zh) | 一种微服务系统的异常检测方法及装置 | |
Ali et al. | Using deep learning to predict short term traffic flow: A systematic literature review | |
CN116468186A (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
Luo et al. | Stgin: A spatial temporal graph-informer network for long sequence traffic speed forecasting | |
Wright et al. | Neural-attention-based deep learning architectures for modeling traffic dynamics on lane graphs | |
Iqbal et al. | Predicting arterial breakdown probability: A data mining approach | |
Ge et al. | Traffic speed prediction with missing data based on TGCN | |
Hoomod et al. | Temperature Prediction Using Recurrent Neural Network for Internet of Things Room Controlling Application | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
Thonhofer et al. | A flexible, adaptive traffic network simulation with parameter estimation |
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 |