CN108346293B - 一种实时交通流短时预测方法 - Google Patents
一种实时交通流短时预测方法 Download PDFInfo
- Publication number
- CN108346293B CN108346293B CN201810351027.3A CN201810351027A CN108346293B CN 108346293 B CN108346293 B CN 108346293B CN 201810351027 A CN201810351027 A CN 201810351027A CN 108346293 B CN108346293 B CN 108346293B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time
- fuzzy
- network module
- real
- 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
Images
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种实时交通流短时预测方法,该方法包括如下步骤:步骤1、确定待预测的目标城市范围;步骤2、按照时间周期获取所述目标城市范围的交通流历史观测数据;步骤3、对所获得的所述目标城市范围的交通流历史观测数据进行预处理以形成相应的训练集和测试集;步骤4构建基于模糊自适应的交通流预测模型;步骤5、利用所形成的训练集和测试集对所述交通流预测模型进行训练;步骤6、利用训练好的所述交通流预测模型对所述目标城市范围的交通流进行预测。
Description
技术领域
本发明涉及智能交通领域,特别是模糊规则通过使用深度卷积网络自适应产生,是一种基于模糊自适应的短时交通流预测方法。
背景技术
现代社会,随着车辆数的增加,许多问题也随之出现,如交通拥堵、交通事故加剧。这些问题导致人们更多的时间浪费在路途中,从而获得及时准确的交通流预测信息成为出行者的迫切需求。
当今大数据时代,交通流数据也爆炸式增长,利用交通大数据预测交通流将进一步确保安全出行和规划高效出行。大规模的交通流预测大大依赖于历史交通数据和其它一些相关信息,如天气条件、交通事故等,被认为是智能交通系统(Intelligent TrafficSystem,ITS)中的一个重要组成部分。
深度学习是一种新的机器学习方法,它通过构建多层模型来获得准确的预测结果,它可以超越概念学习,对交通流预测表现出好的性能。
但交通流预测非常复杂,以及大规模数据的不确定性,预测交通流非常具有挑战性。已有用于交通流预测的深度学习模型具有确定性,没有考虑数据的不确定性,进而导致预测的准确性不高。
发明内容
针对现有技术中存在的上述问题,本发明的目的在于提供一种短时交通流预测方法,该方法计入了交通大数据的不确定性,能够很好地刻画交通大数据之间的规律特性,大大提高预测的准确程度。
本发明首先建立模糊自适应交通流预测模型,然后模糊规则由深度卷积网络自适应生成,充分利用深度学习出色的特征学习能力自动获取交通流数据中的隐含规律,适应于实时交通流预测。
具体而言,本发明提供一种实时交通流短时预测方法,包括如下步骤:
步骤1在选定的城市范围,按照时间周期获取交通流历史观测数据;
步骤2预处理获得的交通流数据,形成相应的训练集和测试集;
步骤3建立基于模糊自适应的交通流预测模型,该交通流预测模型包含输入、模糊网络、深度卷积网络、融合和输出五大模块;
3.1模糊网络模块用于进行模糊化、模糊运算和去模糊化,其中模糊化通过隶属度函数实现,这里采用高斯隶属度函数来进行:
3.2模糊运算包括“与/或”操作,去模糊化包括“融合”操作,与操作采用下述公式:
或操作采用下述公式:
其中Ωi为模糊网络模块第1层的结点集合,Ωj为模糊网络模块第2层结点集合;
3.3融合操作集成了模糊网络模块的输出和深度卷积网络模块的输出,采用下述公式进行:
3.4深度卷积网络模块基于卷积神经网络LeNet-5思想,由一系列连续的卷积和非线性变换构成,各层之间使用有权值的边连接,并引入偏差值;
3.5卷积运算采用3D卷积,即将三维卷积核与三维张量进行卷积运算,第i层第j个特征图在位置(x,y,z)的3D卷积定义为:
3.6非线性变换采用f(x)=max(0,x)实现,该方法具有有效抑制单侧信号和更好地提取稀疏特征等优点;
步骤4设计模糊自适应预测模型学习算法,包含模型初始化、模型前向学习、模型调优等过程;
4.1模型参数初始化包含模糊网络模块和深度卷积网络模块,初始化的参数包括各层之间的连接权值、偏差,模糊网络中的均值和方差;
4.2对融合的结果进行非线性变换,这里采用双曲正切变换方法;
4.3融合层的结点执行两种功能操作,一个是向上执行预测输出,另一个是向下调优参数训练网络;
4.4模型后向参数调优过程,主要包括计算损失函数、计算随机梯度下降(SGD)和参数更新;
损失函数计算方法定义为:
从输出单元到它的前一层,每个单元的随机梯度下降计算为:
SGD算法的每一次迭代中需要对参数进行更新,方法为:
其中,α为学习率;
4.5训练模型,直至损失函数最小或满足训练步数停止;
步骤5:利用上述训练好的模型预测交通流,采用性能指标对其进行评价,所述评价指标为:
所述时间采样周期为30分钟,整个城市范围划分成32×32的区域;
各区域在不同时刻的交通流数据为该区域在指定时间间隔内的车辆数,输入数据归一化到[-1,1]区间。
有益效果:
本发明不仅考虑了交通大数据的不确定性,而且很好地刻画交通大数据之间的规律特性,模糊规则自适应生成,有很好的灵活性。另外,通过结合模糊理论和深度卷机网络模型,本发明能够更好地预测交通流,控制了数据不确定性带来的不利影响,具有更高的预测精度,在各项评价指标方面优于现有方法。
附图说明
图1是本发明方法的流程图
图2是本发明建立模型的流程图
图3是本发明实施示意图
图4是本发明的多步提前预测的RMSE分析
具体实施方式
以下结合附图及其实施例对本发明进行详细说明,但并不因此将本发明的保护范围限制在实施例描述的范围之中。
本发明基于模糊自适应的短时交通流预测方法主要包括以下步骤:
步骤1,数据预处理。收集城市范围的交通流数据,每隔30分钟采样一次,每天获得48个采样,选取范围为2013年7月1日至2016年4月10日全天,数据类型为整个区域的交通流。
去除不完整数据,对数据进行规格化处理,得到预处理的数据集。如果一天内数据采样数不足48个的,将作为不完整数据被去除;规格化处理方法:对原始数据进行线性变换,使得结果值映射到[-1,1]范围内,转换函数如下:
在得到预处理数据基础上,对数据集进行分割,设置测试集的大小和训练集大小得到训练集和测试集;
确定输入数据格式:采用三维张量形式,如(x,y,t)表示在第t时刻第x行第y列空间区域的交通流。
步骤2:建立基于模糊自适应的交通流预测模型:
模糊自适应交通流预测模型的总体架构如图2所示,由输入模块、模糊网络模块、深度卷积网络模块、融合模块和输出模块五大模块组成,其中输入模块用于输入步骤1中张量格式的预处理后的交通流数据,模糊网络模块对输入数据进行模糊处理(模糊处理的过程在下面进行详细描述),深度卷积网模块对输入数据进行多层卷积、非线性操作,融合模块用于集成来自模糊网络和深度卷积网络的两路数据,输出模块为根据预测任务得到的输出结果。
模糊网络模块用于进行模糊化、与/或操作两个步骤,其中,模糊化完成确定的变量值到模糊语言变量值的转换,这里采用高斯隶属度函数实现;与/或操作阶段与融合模块相结合完成模糊系统的模糊推理与去模糊化过程。
深度卷积网模块通过堆叠多个卷积层运算构成,每一个卷积层包含卷积、非线性变换运算。卷积运算抽取来自低层的特征图,输入模块输入的原始数据所提取的特征作为最底层特征图,然后利用偏差和卷积结果做非线性变换向高层传递特征。一次卷积层运算过程表示为:y=f(Wx+b),其中f为非线性变换函数。
本发明设计的模型,模糊规则不需要手动输入,而是通过使用和模型网络模块并列的深度卷积网模块实现特征的提取和规则的自适应生成,从而该模型具有交通流预测的模糊自适应特性。
步骤3:利用预处理后的历史交通流数据,根据学习算法训练基于模糊自适应的交通流预测模型:
首先,对模型参数进行初始化,在深度卷积网模块,各层之间的连接权值满足均匀分布随机初始化,所有偏差初始化为0。在模糊网络模块,均值为模块输入的平均值,采用统计方法获取;对任意输入,已知其均值,即可计算得到方差;模块各层之间的连接权值初始化为1。
模型前向学习过程,如步骤2所述。深度卷积网模块的卷积运算有2D卷积和3D卷积。一般地,在第j个特征图中的(x,y)位置的2D卷积操作定义为:
其中m是特征图的个数,是卷积核位置(x,y)连接到第k个特征图的权值,Pi和Qi分别是核的高度和宽度。3D卷积增加了时间维度,其计算规则为:将三维卷积核与三维张量的特征图进行卷积运算,第i层第j个特征图在位置(x,y,z)的3D卷积定义为:
卷积运算后的结果进行非线性变换,然后传递给下一层结点。这里的非线性变换采用线性修正单元(ReLU)方法,该方法具有有效抑制单侧信号和更好提取稀疏特征等优点,定义为:
f(x)=max(x,0)。
在融合阶段,模型融合了来自模糊网络和深度卷积网络的输出结果,其方法为:
融合层的网络结点执行两种功能操作,一是前向学习后向上输出预测结果,二是基于前向学习结果向下(后向)调优参数来训练模型。后向调优参数训练模型的过程关键涉及损失函数计算、随机梯度下降(SGD)计算和参数更新三个环节,通过损失函数来确定预测值与观测值之间的偏差,然后,计算随机梯度下降情况,最后通过SGD算法进行参数更新。
具体地,损失函数计算方法定义为:
从输出单元后向到它的前一层,每个单元的随机梯度下降计算为:
SGD算法的每一次迭代中需要对参数进行更新,方法为:
其中,α为学习率;
重复执行前向学习和后向参数调优过程,直至最小化损失函数或满足了训练步数,从而得到训练好的预测模型。
步骤4:利用所述预测模型预测交通流。
所述预测模型指步骤3中训练的基于模糊自适应的交通流预测模型,预测过程具体包括以下步骤:
根据预测任务,将预处理后的历史数据集输入训练好的模型,进行前向计算,得到预测值。
将上述预测值与对应的观测值进行比较,利用性能指标进行分析和评价。
为了更好地说明本发明方法在预测精度和可靠性方面的优势,选取的性能评价指标为:均方根误差(RMSE)。
本实例中,由于使用了深度卷积网,深度学习模型的深度直接影响获得预测结果的计算时间,所以对有不同层数的深度模型性能表现进行了分析,如表1所示。本发明方法有突出表现,当层数为2、4、6、8、10层时,其RMSE分别为0.42、0.36、0.33、0.02、0.14。与现有深度交通流预测方法相比,RMSE降低了99.3%。
现有深度学习交通流预测方法指DeepST和CNN方法,并取这两种算法在不同层表现的平均值。
本例中交通流实时预测,设置不同的预测步数(s=1,2,…,12)对模型进行性能分析与评价,如图4所示。与传统的交通流预测方法相比,本发明能够更好地捕获交通流特征,更准确地预测交通流,并且随着预测步数的增加性能基本趋于稳定。因此,本发明具有更高的预测精度和可靠性。
传统的交通流预测方法包括浅层方法(ARIMA)和深层方法(DeepST、CNN)。
表1有不同层数的交通流预测方法RMSE比较
从上表中的预测结果也可以看出,本发明的预测方法的预测准确率远高于现有方法,效果突出。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (7)
1.一种实时交通流短时预测方法,其特征在于,该方法包括如下步骤:
步骤1、确定待预测的目标城市范围;
步骤2、按照预定时间周期获取所述目标城市范围的交通流历史观测数据;
步骤3、对所获得的所述目标城市范围的交通流历史观测数据进行预处理为三维张量格式的输入数据以形成相应的训练集和测试集;
步骤4构建基于模糊自适应的交通流预测模型,所述交通流预测模型包括模糊网络模块、深度卷积网络模块、融合模块、输入模块和输出模块,所述模糊网络模块用于对输入的张量数据进行模糊化、模糊运算和去模糊化处理,所述深度卷积网模块对输入的张量数据进行多层卷积和非线性操作,所述融合模块用于融合来自模糊网络模块和深度卷积网络模块的两路张量数据,融合方法为:
步骤5、利用所形成的训练集和测试集对所述交通流预测模型进行训练;
步骤6、利用训练好的所述交通流预测模型对所述目标城市范围的交通流进行预测。
2.根据权利要求1所述的实时交通流短时预测方法,其特征在于,所述方法还包括对卷积运算后的结果进行非线性变换。
3.根据权利要求1所述的实时交通流短时预测方法,其特征在于,利用模糊自适应预测模型学习算法进行模型优化。
4.根据权利要求1所述的实时交通流短时预测方法,其特征在于,所述步骤5包括:对模糊网络模块和深度卷积网络模块进行初始化。
6.如权利要求1所述的实时交通流短时预测方法,其特征在于,用于采样的所述预定时间周期为30分钟,采样时将目标城市范围划分成32×32的区域。
7.如权利要求1所述的实时交通流短时预测方法,其特征在于,各区域在不同时刻的交通流数据为该区域在指定时间间隔内的车辆数,输入数据归一化到[-1,1]区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810351027.3A CN108346293B (zh) | 2018-04-18 | 2018-04-18 | 一种实时交通流短时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810351027.3A CN108346293B (zh) | 2018-04-18 | 2018-04-18 | 一种实时交通流短时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108346293A CN108346293A (zh) | 2018-07-31 |
CN108346293B true CN108346293B (zh) | 2020-12-18 |
Family
ID=62955662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810351027.3A Active CN108346293B (zh) | 2018-04-18 | 2018-04-18 | 一种实时交通流短时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108346293B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448361B (zh) * | 2018-09-18 | 2021-10-19 | 云南大学 | 居民交通出行流量预测系统及其预测方法 |
CN109147331B (zh) * | 2018-10-11 | 2021-07-27 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN109410581A (zh) * | 2018-11-16 | 2019-03-01 | 浙江海洋大学 | 基于小波神经网络的交通流预测方法 |
CN109830102A (zh) * | 2019-02-14 | 2019-05-31 | 重庆邮电大学 | 一种面向复杂城市交通网络的短时交通流量预测方法 |
CN110087207B (zh) * | 2019-05-05 | 2020-04-10 | 江南大学 | 无线传感器网络缺失数据重建方法 |
CN111047085B (zh) * | 2019-12-06 | 2022-09-06 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
CN111325976B (zh) * | 2020-02-24 | 2021-02-02 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及系统 |
CN111639791A (zh) * | 2020-05-11 | 2020-09-08 | 同济大学 | 交通流预测方法、系统、存储介质及终端 |
CN112669606B (zh) * | 2020-12-24 | 2022-07-12 | 西安电子科技大学 | 利用动态时空图训练卷积神经网络的交通流预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN101593424A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 一种短时交通流智能组合预测方法 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134351B (zh) * | 2014-08-14 | 2016-08-03 | 中国科学院自动化研究所 | 一种短时交通流预测方法 |
CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
CN106373390B (zh) * | 2015-07-23 | 2018-10-26 | 中国国防科技信息中心 | 基于自适应神经模糊推理系统的道路交通状态评价方法 |
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 |
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
-
2018
- 2018-04-18 CN CN201810351027.3A patent/CN108346293B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN101593424A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 一种短时交通流智能组合预测方法 |
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
Non-Patent Citations (3)
Title |
---|
Yuh-Horng Wen;Tsu-Tian Lee.Fuzzy data mining and grey recurrent neural network forecasting for traffic information systems.《IRI -2005 IEEE International Conference on Information Reuse and Integration》.2005, * |
基于粒子群的模糊神经网络交通流量预测;于万霞;《系统工程理论与实践(测控自动化)》;20081231;第24卷(第2-1期);全文 * |
短时交通流量智能组合预测模型及应用;沈国江;《系统工程理论与实践》;20110331;第31卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108346293A (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346293B (zh) | 一种实时交通流短时预测方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
US20150134578A1 (en) | Discriminator, discrimination program, and discrimination method | |
CN112149898B (zh) | 故障率预测模型的训练、故障率预测方法及相关装置 | |
CN111929748A (zh) | 一种气象要素预报方法和系统 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN116882574A (zh) | 一种基于神经网络模型的碳排放预测方法及系统 | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN113158886B (zh) | 一种基于深度强化学习的波形捷变雷达辐射源识别方法 | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及系统 | |
CN117114220A (zh) | 一种基于图神经网络的车辆调度算法 | |
CN111667694A (zh) | 一种基于改进dtw-knn的短时交通流预测方法 | |
CN109523386A (zh) | 一种gmm与lstm结合的投资组合风险预测方法 | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
Heghedus | PhD forum: Forecasting public transit using neural network models |
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 |