CN108510741A - 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 - Google Patents

Abstract

一种基于Conv1D‑LSTM神经网络结构的交通流预测方法，包括以下步骤：1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集；2)获取同一时刻内不同路段的交通流状态，提取交通流数据的空间特征；3)基于包含空间特征的交通流数据提取数据时间特征：将一维卷积网络输出的交通流空间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；4)将道路交通流时空特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。本发明提高了交通流短期预测的准确性。

Description

一种基于Conv1D-LSTM神经网络结构的交通流预测方法

技术领域

本发明涉及一种基于Conv1D-LSTM神经网络结构的交通流预测方法，本发明属于交通预测领域。

背景技术

随着社会经济水平的不断提高和生活节奏的不断加快，人们对车辆的需求量也在不断增加，随之而来的是严重的交通堵塞问题。如何有效缓解交通堵塞、更加高效分配交通资源成为了当务之急。智能交通系统的出现则在一定程度上有效解决了这些问题，而作为智能交通系统一部分的道路交通流预测在这过程中发挥着不可替代的作用。

现有的道路交通流预测方法主要有：时间序列法、马尔科夫预测、卡尔曼滤波法、支持向量机、BP神经网络等等，这些方法有的基于概率统计进行预测、有的基于时间特征进行预测、有的基于浅层神经网络提取特征进行预测等等，虽然这些方法均取得较好的预测结果，但是没有充分挖掘和利用好交通流数据中的时空关联特征。

发明内容

为了克服现有的交通流预测精度较低的不足，本发明提供一种基于Conv1D-LSTM(一维卷积与长短期记忆)神经网络结构的交通流预测方法，该方法利用一维卷积和长短期记忆神经网络分别获取道路交通流数据中的空间和时间信息，充分挖掘了道路交通流数据中的时空特性，克服了现有方法特征提取不充分的缺点，从而提高了交通流短期预测的准确性。

本发明解决其技术问题所采用的技术方案是：

一种基于Conv1D-LSTM神经网络结构的交通流预测方法，包括以下步骤：

1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；

2)获取同一时刻内不同路段的交通流状态，提取交通流数据的空间特征：从数据集中获取相同时刻内不同路段的交通流状态，搭建两层一维卷积网络，利用一维卷积对交通流状态进行空间特征提取；

3)基于包含空间特征的交通流数据提取数据时间特征：将一维卷积网络输出的交通流空间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；

4)使用时空特征数据实现道路交通流预测：将道路交通流时空特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。

进一步，所述步骤1)中，获取交通流数据并对数据进行归一化处理，归一化采用最大最小标准化方法；利用不同路段的不同时刻交通流构成道路交通流状态输入矩阵，矩阵行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态。

所述步骤1)的过程如下：

1.1：对道路交通车流数据进行预处理

针对多条道路交通路段，获取其多天的道路交通流数据并对多路段多天的交通流数据进行预处理，数据预处理计算表达式如下所示：

其中，x_it为t时刻路段i的原始流量数据，minx_i为路段i原始流量数据中的最小值，maxx_i为路段i原始流量数据中的最大值，X_it为预处理后的路段i流量数据；

按照道路交通流时间状态，将数据集分为训练集和测试集，划分比例为8：2。

1.2：构建道路交通流状态矩阵数据集

根据预处理后的道路交通流数据构建道路交通流状态矩阵数据集，数据集中的单个样本矩阵形式如下所示：

其中，状态矩阵行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态，M表示历史流量数据的数目，N表示输入矩阵中路段的数目。

再进一步，所述步骤2)中，对于道路交通流状态输入矩阵X，我们定义交通流空间状态向量P_m为如下形式：

P_m＝[X_1,1+m,X_2,1+m,…,X_N,1+m],0≤m＜M (3)

搭建两层一维卷积网络，将P_m作为卷积层输入，计算道路交通流数据中的空间特征，计算过程如下所示：

H_m ⁿ＝f(W_m ⁿ*P_m ⁿ+b_m ⁿ) (4)

其中，*表示卷积运算，W_m ⁿ表示权重矩阵，b_m ⁿ表示偏置项，H_m ⁿ表示卷积运算结果，f表示激活函数relu:max{x,0}，n表示卷积特征图的数量，整个卷积过程通过Conv1D函数进行实现，该函数需要设定输入矩阵大小、卷积核长度、卷积核数量、填充方式以及激活函数。

所述步骤3)中，LSTM神经网络的记忆单元的计算如下所示。

f_m＝f(W₁·[h_m-1,H_m ⁿ]+b₁) (5)

i_m＝f(W₂·[h_m-1,H_m ⁿ]+b₂) (6)

C`_m＝g(W₃·[h_m-1,H_m ⁿ]+b₃) (7)

C_m＝f_m⊙C_m-1+i_m⊙C`_m (8)

O_m＝f(W₄·[h_m-1,H_m ⁿ]+b₄) (9)

h_m＝O_m⊙g(C_m) (10)

其中，·表示矩阵叉乘，⊙表示矩阵点乘，W₁、W₂、W₃、W₄分别表示遗忘门、输入门、状态单元、输出门的权重矩阵，b₁、b₂、b₃、b₄分别表示遗忘门、输入门、状态单元、输出门的偏置，f_m、i_m、C_m、O_m、h_m分别表示当前时刻遗忘门输出、输入门输出、状态单元输出、输出门部分输出以及记忆单元的最终输出，C_m-1、h_m-1分别表示前一时刻的状态门输出和单元输出，C`_m表示为候选状态，f、g分别表示sigmoid函数和双曲正切函数。那么，LSTM神经网络的最终输出表示为H＝[h₁,h₂,…,h_m],0≤m＜M。

将LSTM神经网络用于交通流数据时变特性的提取，将道路交通流空间信息的计算结果作为LSTM神经网络的输入，进一步提取道路交通流数据中的时间特征。

所述步骤4)的过程如下：

4.1：计算预测结果

将LSTM神经网络输出的时空信息作为全连接层输入，预测基于历史交通流数据输入下的下一时刻状态，全连接表达式如下所示。

Y_pre＝W₅·H (11)

其中，W₅为全连接层权重矩阵，H为LSTM神经网络的输出结果，全连接层由keras中Dense层进行实现，需要设置输出单元数目；

4.2：定义模型损失函数，优化模型参数并实现实时交通流预测

定义模型预测的交通流状态为Y_pre,实际交通流状态为Y_true，则模型损失函数L为如下形式：

其中，k表示模型输入的样本数量；

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化；最后，将测试集数据作为模型输入，实现实时道路交通流的预测。

本发明的有益效果：本发明通过Conv1D-LSTM神经网络模型对交通流数据的学习训练，形成了短期道路交通流预测模型。本发明将同一时刻不同路段的数据矩阵类比信号数据，利用一维卷积有效提取了道路交通流中的空间特征并利用LSTM神经网络进一步提取道路交通流数据中潜在的时间特征，从而实现了道路交通流状态时空特征的有效提取，克服了特征提取不充分的缺点，进而提高了道路交通流预测的准确性。

短时交通流预测作为交通流诱导系统的重要组成部分，本发明在一定程度上可以有效提高交通流诱导系统的性能。此外，该发明也可以作为旅行者出行的有效辅助工具。

附图说明

图1是基于Conv1D-LSTM神经网络模型的交通流预测结果与实际值对比图；

图2是Conv1D-LSTM神经网络模型结构图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1和图2，一种基于Conv1D-LSTM神经网络的交通流预测方法，包括以下步骤：

1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集，过程如下：

1.1：对道路交通车流数据进行预处理

针对多条道路交通路段，获取其多天的道路交通流数据并对多路段多天的交通流数据进行预处理。数据预处理计算表达式如下所示：

其中，x_it为t时刻路段i的原始流量数据，minx_i为路段i原始流量数据中的最小值，maxx_i为路段i原始流量数据中的最大值，X_it为预处理后的路段i流量数据。

按照道路交通流时间状态，将数据集分为训练集和测试集，划分比例为8：2。

1.2：构建道路交通流状态矩阵数据集

根据预处理后的道路交通流数据构建道路交通流状态矩阵数据集，数据集中的单个样本矩阵形式如下所示：

其中，状态矩阵行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态。M表示历史流量数据的数目，N表示输入矩阵中路段的数目。

2)获取同一时刻内不同路段的交通流状态，提取交通流数据的空间特征

对于道路交通流状态输入矩阵X，我们定义交通流空间状态向量P_m为如下形式：

P_m＝[X_1,1+m,X_2,1+m,…,X_N,1+m],0≤m＜M (3)

搭建两层一维卷积网络，将P_m作为卷积层输入，计算道路交通流数据中的空间特征。计算过程如下所示：

H_m ⁿ＝f(W_m ⁿ*P_m ⁿ+b_m ⁿ) (4)

其中，*表示卷积运算，W_m ⁿ表示权重矩阵，b_m ⁿ表示偏置项，H_m ⁿ表示卷积运算结果，f表示激活函数relu:max{x,0}，n表示卷积特征图的数量。整个卷积过程通过Conv1D函数进行实现，该函数需要设定输入矩阵大小、卷积核长度、卷积核数量、填充方式以及激活函数。

3)基于包含空间特征的交通流数据提取数据时间特征

目前，LSTM神经网络主要用于时序数据的处理，它能够有选择性的保留历史信息并用于下一时刻的计算。LSTM神经网络主要由多个记忆单元构成，而记忆单元主要由输入门、遗忘门、输出门、状态单元四部分构成。每个记忆单元的计算如下所示。

f_m＝f(W₁·[h_m-1,H_m ⁿ]+b₁) (5)

i_m＝f(W₂·[h_m-1,H_m ⁿ]+b₂) (6)

C`_m＝g(W₃·[h_m-1,H_m ⁿ]+b₃) (7)

C_m＝f_m⊙C_m-1+i_m⊙C`_m (8)

O_m＝f(W₄·[h_m-1,H_m ⁿ]+b₄) (9)

h_m＝O_m⊙g(C_m) (10)

其中，·表示矩阵叉乘，⊙表示矩阵点乘，W₁、W₂、W₃、W₄分别表示遗忘门、输入门、状态单元、输出门的权重矩阵，b₁、b₂、b₃、b₄分别表示遗忘门、输入门、状态单元、输出门的偏置，f_m、i_m、C_m、O_m、h_m分别表示当前时刻遗忘门输出、输入门输出、状态单元输出、输出门部分输出以及记忆单元的最终输出，C_m-1、h_m-1分别表示前一时刻的状态门输出和单元输出，C`_m表示为候选状态，f、g分别表示sigmoid函数和双曲正切函数。那么，LSTM神经网络的最终输出表示为H＝[h₁,h₂,…,h_m],0≤m＜M。

本发明中将LSTM神经网络用于交通流数据时变特性的提取，将道路交通流空间信息的计算结果作为LSTM神经网络的输入，进一步提取道路交通流数据中的时间特征。整个计算过程可由keras中的LSTM层进行实现，需要设定输出单元数量及隐藏层数目。

4)使用时空特征数据实现道路交通流预测，过程如下：

4.1：计算预测结果

将LSTM神经网络输出的时空信息作为全连接层输入，预测基于历史交通流数据输入下的下一时刻状态,全连接表达式如下所示。

Y_pre＝W₅·H (11)

其中，W₅为全连接层权重矩阵，H为LSTM神经网络的输出结果。全连接层可由keras中Dense层进行实现，需要设置输出单元数目。

4.2：定义模型损失函数，优化模型参数并实现实时交通流预测

定义模型预测的交通流状态为Y_pre,实际交通流状态为Y_true，则模型损失函数L为如下形式：

其中，k表示模型输入的样本数量。

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化。最后，将测试集数据作为模型输入，实现实时道路交通流的预测。在本发明中，反向传播算法中的梯度计算与参数更新均通过Adam优化器进行实现。

实例：一种基于Conv1D-LSTM神经网络的交通流预测方法，包括以下步骤：

1)选取实验数据

原始交通流数据集包含10条路段14天的车流量数据，所述的数据集中的交通流数据为北京市二环部分路段流量数据，采样间隔T为2min。

将10条路段前11天的道路交通流数据作为训练数据集，进行模型参数训练。将10条路段后3天的道路交通流数据作为实验数据集，进行算法验证。

2)参数确定

本发明的实验结果均基于tensorflow环境下实现的，使用keras完成整个实验模型框架的搭建，一维卷积过程通过keras中的Conv1D函数实现的，LSTM神经网络通过LSTM层实现，全连接层通过Dense函数实现。故整个实验参数设定如下：卷积层数量为2，输入矩阵大小为10x15、卷积核长度4、卷积核数量32、填充方式为“valid”以及激活函数为relu:max{x,0}；LSTM层输出单元均为32，层数设置为2；全连接层输出单元数量为10。

3)实验结果

本发明实验以多路段短时交通流预测为目的，通过训练集进行模型训练，测试集进行模型预测性能的检验。

本实验选取绝对值均方差(MAE)、均方根误差(RMSE)作为道路交通流预测精度的指标，其计算公式分别如下所示：

其中，f_i为实际观测流量，为模型输出的预测流量。

所有实验路段流量预测结果统计分析如表1所示：

表1。

Claims (6)

1.一种基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述方法包括以下步骤：

1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；

2)获取同一时刻内不同路段的交通流状态，提取交通流数据的空间特征：从数据集中获取相同时刻内不同路段的交通流状态，搭建两层一维卷积网络，利用一维卷积对交通流状态进行空间特征提取；

3)基于包含空间特征的交通流数据提取数据时间特征：将一维卷积网络输出的交通流空间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；

4)使用时空特征数据实现道路交通流预测：将道路交通流时空特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。

2.如权利要求1所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤1)中，获取微波交通流数据并对数据进行归一化处理，归一化采用最大最小标准化方法；利用不同路段的不同时刻交通流构成道路交通流状态输入矩阵，矩阵行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态。

3.如权利要求2所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤1)的过程如下：

1.1：对道路交通车流数据进行预处理

针对多条道路交通路段，获取其多天的道路交通流数据并对多路段多天的交通流数据进行预处理，数据预处理计算表达式如下所示：

其中，x_it为t时刻路段i的原始流量数据，minx_i为路段i原始流量数据中的最小值，maxx_i为路段i原始流量数据中的最大值，X_it为预处理后的路段i流量数据；

按照道路交通流时间状态，将数据集分为训练集和测试集，划分比例为8：2；

1.2：构建道路交通流状态矩阵数据集

根据预处理后的道路交通流数据构建道路交通流状态矩阵数据集，数据集中的单个样本矩阵形式如下所示：

其中，状态矩阵行向量表示同一时刻不同路段的道路交通流的空间状态，列向量表示同一路段不同时刻的道路交通流的时间状态，M表示历史流量数据的数目，N表示输入矩阵中路段的数目。

4.如权利要求3所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤2)中，对于道路交通流状态输入矩阵X，我们定义交通流空间状态向量P_m为如下形式：

P_m＝[X_1,1+m,X_2,1+m,…,X_N,1+m],0≤m＜M (3)

搭建两层一维卷积网络，将P_m作为卷积层输入，计算道路交通流数据中的空间特征，计算过程如下所示：

H_m ⁿ＝f(W_m ⁿ*P_m ⁿ+b_m ⁿ) (4)

其中，*表示卷积运算，W_m ⁿ表示权重矩阵，b_m ⁿ表示偏置项，H_m ⁿ表示卷积运算结果，f表示激活函数relu:max{x,0}，n表示卷积特征图的数量，整个卷积过程通过Conv1D函数进行实现，该函数需要设定输入矩阵大小、卷积核长度、卷积核数量、填充方式以及激活函数。

5.如权利要求4所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤3)中，LSTM神经网络的记忆单元的计算如下所示。

f_m＝f(W₁·[h_m-1,H_m ⁿ]+b₁) (5)

i_m＝f(W₂·[h_m-1,H_m ⁿ]+b₂) (6)

C`_m＝g(W₃·[h_m-1,H_m ⁿ]+b₃) (7)

C_m＝f_m⊙C_m-1+i_m⊙C`_m (8)

O_m＝f(W₄·[h_m-1,H_m ⁿ]+b₄) (9)

h_m＝O_m⊙g(C_m) (10)

其中，·表示矩阵叉乘，⊙表示矩阵点乘，W₁、W₂、W₃、W₄分别表示遗忘门、输入门、状态单元、输出门的权重矩阵，b₁、b₂、b₃、b₄分别表示遗忘门、输入门、状态单元、输出门的偏置，f_m、i_m、C_m、O_m、h_m分别表示当前时刻遗忘门输出、输入门输出、状态单元输出、输出门部分输出以及记忆单元的最终输出，C_m-1、h_m-1分别表示前一时刻的状态门输出和单元输出，C`_m表示为候选状态，f、g分别表示sigmoid函数和双曲正切函数。那么，LSTM神经网络的最终输出表示为H＝[h₁,h₂,…,h_m],0≤m＜M。

将LSTM神经网络用于交通流数据时变特性的提取，将道路交通流空间信息的计算结果作为LSTM神经网络的输入，进一步提取道路交通流数据中的时间特征。

6.如权利要求5所述的基于Conv1D-LSTM神经网络结构的交通流预测方法，其特征在于，所述步骤4)的过程如下：

4.1：计算预测结果

将LSTM神经网络输出的时空信息作为全连接层输入，预测基于历史交通流数据输入下的下一时刻状态，全连接表达式如下所示。

Y_pre＝W₅·H (11)

其中，W₅为全连接层权重矩阵，H为LSTM神经网络的输出结果，全连接层由keras中Dense层进行实现，需要设置输出单元数目；

4.2：定义模型损失函数，优化模型参数并实现实时交通流预测

定义模型预测的交通流状态为Y_pre,实际交通流状态为Y_true，则模型损失函数L为如下形式：

其中，k表示模型输入的样本数量；

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化；最后，将测试集数据作为模型输入，实现实时道路交通流的预测。