CN108510741A - 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 - Google Patents
一种基于Conv1D-LSTM神经网络结构的交通流预测方法 Download PDFInfo
- Publication number
- CN108510741A CN108510741A CN201810510008.0A CN201810510008A CN108510741A CN 108510741 A CN108510741 A CN 108510741A CN 201810510008 A CN201810510008 A CN 201810510008A CN 108510741 A CN108510741 A CN 108510741A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- road traffic
- lstm neural
- matrix
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000002123 temporal effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 241001269238 Data Species 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000002619 bicyclic group Chemical group 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
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
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,xit为t时刻路段i的原始流量数据,minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值,Xit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Pm为如下形式:
Pm=[X1,1+m,X2,1+m,…,XN,1+m],0≤m<M (3)
搭建两层一维卷积网络,将Pm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:
Hm n=f(Wm n*Pm n+bm n) (4)
其中,*表示卷积运算,Wm n表示权重矩阵,bm n表示偏置项,Hm 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。
fm=f(W1·[hm-1,Hm n]+b1) (5)
im=f(W2·[hm-1,Hm n]+b2) (6)
C`m=g(W3·[hm-1,Hm n]+b3) (7)
Cm=fm⊙Cm-1+im⊙C`m (8)
Om=f(W4·[hm-1,Hm n]+b4) (9)
hm=Om⊙g(Cm) (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,fm、im、Cm、Om、hm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,Cm-1、hm-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,…,hm],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。
Ypre=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Ypre,实际交通流状态为Ytrue,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,xit为t时刻路段i的原始流量数据,minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值,Xit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Pm为如下形式:
Pm=[X1,1+m,X2,1+m,…,XN,1+m],0≤m<M (3)
搭建两层一维卷积网络,将Pm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:
Hm n=f(Wm n*Pm n+bm n) (4)
其中,*表示卷积运算,Wm n表示权重矩阵,bm n表示偏置项,Hm 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。
fm=f(W1·[hm-1,Hm n]+b1) (5)
im=f(W2·[hm-1,Hm n]+b2) (6)
C`m=g(W3·[hm-1,Hm n]+b3) (7)
Cm=fm⊙Cm-1+im⊙C`m (8)
Om=f(W4·[hm-1,Hm n]+b4) (9)
hm=Om⊙g(Cm) (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,fm、im、Cm、Om、hm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,Cm-1、hm-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,…,hm],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。
Ypre=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Ypre,实际交通流状态为Ytrue,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,fi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,xit为t时刻路段i的原始流量数据,minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值,Xit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Pm为如下形式:
Pm=[X1,1+m,X2,1+m,…,XN,1+m],0≤m<M (3)
搭建两层一维卷积网络,将Pm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:
Hm n=f(Wm n*Pm n+bm n) (4)
其中,*表示卷积运算,Wm n表示权重矩阵,bm n表示偏置项,Hm 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。
fm=f(W1·[hm-1,Hm n]+b1) (5)
im=f(W2·[hm-1,Hm n]+b2) (6)
C`m=g(W3·[hm-1,Hm n]+b3) (7)
Cm=fm⊙Cm-1+im⊙C`m (8)
Om=f(W4·[hm-1,Hm n]+b4) (9)
hm=Om⊙g(Cm) (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,fm、im、Cm、Om、hm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,Cm-1、hm-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,…,hm],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。
Ypre=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Ypre,实际交通流状态为Ytrue,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810510008.0A CN108510741B (zh) | 2018-05-24 | 2018-05-24 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810510008.0A CN108510741B (zh) | 2018-05-24 | 2018-05-24 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510741A true CN108510741A (zh) | 2018-09-07 |
CN108510741B CN108510741B (zh) | 2020-10-30 |
Family
ID=63401500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810510008.0A Active CN108510741B (zh) | 2018-05-24 | 2018-05-24 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510741B (zh) |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598381A (zh) * | 2018-12-05 | 2019-04-09 | 武汉理工大学 | 一种基于状态频率记忆神经网络的短时交通流预测方法 |
CN109741604A (zh) * | 2019-03-05 | 2019-05-10 | 南通大学 | 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 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109784473A (zh) * | 2018-12-13 | 2019-05-21 | 天津大学 | 一种基于双时序特征学习的短期风功率预测方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN109872535A (zh) * | 2019-03-27 | 2019-06-11 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧交通通行预测方法、装置及服务器 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
CN110070715A (zh) * | 2019-04-29 | 2019-07-30 | 浙江工业大学 | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110164129A (zh) * | 2019-04-25 | 2019-08-23 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
CN110188936A (zh) * | 2019-05-23 | 2019-08-30 | 浙江大学 | 基于多因素空间选择深度学习算法的短时交通流预测方法 |
CN110210656A (zh) * | 2019-05-21 | 2019-09-06 | 上海交通大学 | 基于站点行为分析的共享单车流量预测方法及系统 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110299008A (zh) * | 2019-07-19 | 2019-10-01 | 浙江工业大学 | 一种基于强化学习的交通流多步预测方法 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110516833A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 |
CN110599766A (zh) * | 2019-08-22 | 2019-12-20 | 浙江工业大学 | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 |
CN110889347A (zh) * | 2019-11-15 | 2020-03-17 | 山东大学 | 基于时空计数特征的密度交通流计数方法及系统 |
CN111291924A (zh) * | 2020-01-17 | 2020-06-16 | 同济大学 | 面向长时交通速度预测的几何代数深度神经网络模型方法 |
CN111721306A (zh) * | 2019-03-20 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 道路匹配方法、装置、电子设备及可读存储介质 |
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN111882138A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
CN112129534A (zh) * | 2020-09-17 | 2020-12-25 | 上海交通大学 | 一种机床主轴轴承寿命预测方法及系统 |
CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
CN112489422A (zh) * | 2020-11-19 | 2021-03-12 | 浙江工业大学 | 一种基于算法模型分析的车流量预测方法 |
CN113159372A (zh) * | 2021-01-29 | 2021-07-23 | 太原理工大学 | 一种基于Conv1D+LSTM的多步交通流量预测方法 |
CN113276915A (zh) * | 2021-07-06 | 2021-08-20 | 浙江非线数联科技股份有限公司 | 一种地铁发车调度方法和系统 |
CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN114091357A (zh) * | 2022-01-19 | 2022-02-25 | 杭州海康威视数字技术股份有限公司 | 交通流预测方法、装置、电子设备及存储介质 |
CN114118592A (zh) * | 2021-11-30 | 2022-03-01 | 南京信息工程大学 | 一种智能电网用电端短期能耗预测系统 |
CN114550444A (zh) * | 2022-01-24 | 2022-05-27 | 广东省城乡规划设计研究院有限责任公司 | 一种基于神经网络的服务区车流量预测方法和装置 |
CN115376308A (zh) * | 2022-05-26 | 2022-11-22 | 南京工程学院 | 一种汽车行驶时间的预测方法 |
WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN116597656A (zh) * | 2023-07-17 | 2023-08-15 | 四川省商投信息技术有限责任公司 | 基于大数据分析下道路交通流预测的方法、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
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 |
US20170339022A1 (en) * | 2016-05-17 | 2017-11-23 | Brocade Communications Systems, Inc. | Anomaly detection and prediction in a packet broker |
US20180060665A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Dual Stage Attention Based Recurrent Neural Network for Time Series Prediction |
-
2018
- 2018-05-24 CN CN201810510008.0A patent/CN108510741B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170339022A1 (en) * | 2016-05-17 | 2017-11-23 | Brocade Communications Systems, Inc. | Anomaly detection and prediction in a packet broker |
US20180060665A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Dual Stage Attention Based Recurrent Neural Network for Time Series Prediction |
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 |
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
YIPENG LIU等: "Short-Term Traffic Flow Prediction with Conv-LSTM", 《IEEE》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN109598381A (zh) * | 2018-12-05 | 2019-04-09 | 武汉理工大学 | 一种基于状态频率记忆神经网络的短时交通流预测方法 |
CN109784473A (zh) * | 2018-12-13 | 2019-05-21 | 天津大学 | 一种基于双时序特征学习的短期风功率预测方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN109754605B (zh) * | 2019-02-27 | 2021-12-07 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109741604A (zh) * | 2019-03-05 | 2019-05-10 | 南通大学 | 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 |
CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
CN111721306B (zh) * | 2019-03-20 | 2022-07-05 | 北京嘀嘀无限科技发展有限公司 | 道路匹配方法、装置、电子设备及可读存储介质 |
CN111721306A (zh) * | 2019-03-20 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 道路匹配方法、装置、电子设备及可读存储介质 |
CN109872535A (zh) * | 2019-03-27 | 2019-06-11 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧交通通行预测方法、装置及服务器 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110164129A (zh) * | 2019-04-25 | 2019-08-23 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
CN110070715A (zh) * | 2019-04-29 | 2019-07-30 | 浙江工业大学 | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110210656A (zh) * | 2019-05-21 | 2019-09-06 | 上海交通大学 | 基于站点行为分析的共享单车流量预测方法及系统 |
CN110210656B (zh) * | 2019-05-21 | 2021-07-13 | 上海交通大学 | 基于站点行为分析的共享单车流量预测方法及系统 |
CN110188936A (zh) * | 2019-05-23 | 2019-08-30 | 浙江大学 | 基于多因素空间选择深度学习算法的短时交通流预测方法 |
CN110188936B (zh) * | 2019-05-23 | 2021-11-05 | 浙江大学 | 基于多因素空间选择深度学习算法的短时交通流预测方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110223517B (zh) * | 2019-06-20 | 2021-05-18 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110516833A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110299008B (zh) * | 2019-07-19 | 2020-11-13 | 浙江工业大学 | 一种基于强化学习的交通流多步预测方法 |
CN110299008A (zh) * | 2019-07-19 | 2019-10-01 | 浙江工业大学 | 一种基于强化学习的交通流多步预测方法 |
CN110599766B (zh) * | 2019-08-22 | 2020-08-18 | 浙江工业大学 | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 |
CN110599766A (zh) * | 2019-08-22 | 2019-12-20 | 浙江工业大学 | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110889347A (zh) * | 2019-11-15 | 2020-03-17 | 山东大学 | 基于时空计数特征的密度交通流计数方法及系统 |
CN111291924A (zh) * | 2020-01-17 | 2020-06-16 | 同济大学 | 面向长时交通速度预测的几何代数深度神经网络模型方法 |
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN111882138A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
CN111882138B (zh) * | 2020-08-07 | 2024-02-23 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
CN112129534A (zh) * | 2020-09-17 | 2020-12-25 | 上海交通大学 | 一种机床主轴轴承寿命预测方法及系统 |
CN112129534B (zh) * | 2020-09-17 | 2021-10-29 | 上海交通大学 | 一种机床主轴轴承寿命预测方法及系统 |
CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
CN112291808B (zh) * | 2020-11-02 | 2022-12-23 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
CN112489422A (zh) * | 2020-11-19 | 2021-03-12 | 浙江工业大学 | 一种基于算法模型分析的车流量预测方法 |
CN113159372A (zh) * | 2021-01-29 | 2021-07-23 | 太原理工大学 | 一种基于Conv1D+LSTM的多步交通流量预测方法 |
WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN113487855B (zh) * | 2021-05-25 | 2022-12-20 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN113276915A (zh) * | 2021-07-06 | 2021-08-20 | 浙江非线数联科技股份有限公司 | 一种地铁发车调度方法和系统 |
CN114118592A (zh) * | 2021-11-30 | 2022-03-01 | 南京信息工程大学 | 一种智能电网用电端短期能耗预测系统 |
CN114091357A (zh) * | 2022-01-19 | 2022-02-25 | 杭州海康威视数字技术股份有限公司 | 交通流预测方法、装置、电子设备及存储介质 |
CN114550444A (zh) * | 2022-01-24 | 2022-05-27 | 广东省城乡规划设计研究院有限责任公司 | 一种基于神经网络的服务区车流量预测方法和装置 |
CN114550444B (zh) * | 2022-01-24 | 2024-03-15 | 广东省城乡规划设计研究院科技集团股份有限公司 | 一种基于神经网络的服务区车流量预测方法和装置 |
CN115376308A (zh) * | 2022-05-26 | 2022-11-22 | 南京工程学院 | 一种汽车行驶时间的预测方法 |
CN115376308B (zh) * | 2022-05-26 | 2024-06-04 | 南京工程学院 | 一种汽车行驶时间的预测方法 |
CN116597656A (zh) * | 2023-07-17 | 2023-08-15 | 四川省商投信息技术有限责任公司 | 基于大数据分析下道路交通流预测的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108510741B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510741A (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN110021165A (zh) | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 | |
CN109242140A (zh) | 一种基于LSTM_Attention网络的交通流预测方法 | |
CN110070715A (zh) | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 | |
CN108647834A (zh) | 一种基于卷积神经网络结构的交通流预测方法 | |
CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN104866654B (zh) | 一种一体化城市动态交通仿真平台的构建方法 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN106886846A (zh) | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 | |
CN108205889A (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
CN109376227A (zh) | 一种基于多任务人工神经网络的刑期预测方法 | |
CN113362598B (zh) | 一种高速公路服务区车流量预测方法 | |
CN109389244A (zh) | 一种基于gru的多因素感知短期景区内游客人数预测方法 | |
CN104933862A (zh) | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN109064748A (zh) | 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN109920248A (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
CN108346293A (zh) | 一种实时交通流短时预测方法 | |
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
Deng et al. | Deep insight into daily runoff forecasting based on a CNN-LSTM model | |
CN109285219B (zh) | 一种基于dem的网格型水文模型网格演算次序编码方法 |
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 |